FR2644915A1 - Procede et dispositif d'analyse spectrale en temps reel de signaux instationnaires complexes - Google Patents
Procede et dispositif d'analyse spectrale en temps reel de signaux instationnaires complexes Download PDFInfo
- Publication number
- FR2644915A1 FR2644915A1 FR8903761A FR8903761A FR2644915A1 FR 2644915 A1 FR2644915 A1 FR 2644915A1 FR 8903761 A FR8903761 A FR 8903761A FR 8903761 A FR8903761 A FR 8903761A FR 2644915 A1 FR2644915 A1 FR 2644915A1
- Authority
- FR
- France
- Prior art keywords
- signal
- model
- parameters
- signals
- slices
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/66—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by measuring frequency, phase shift or propagation time of electromagnetic or other waves, e.g. using ultrasonic flowmeters
- G01F1/663—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by measuring frequency, phase shift or propagation time of electromagnetic or other waves, e.g. using ultrasonic flowmeters by measuring Doppler frequency shift
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/24—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting acoustical wave
- G01P5/241—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting acoustical wave by using reflection of acoustical waves, i.e. Doppler-effect
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/50—Systems of measurement, based on relative movement of the target
- G01S15/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S15/582—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of interrupted pulse-modulated waves and based upon the Doppler effect resulting from movement of targets
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Acoustics & Sound (AREA)
- Radiology & Medical Imaging (AREA)
- Fluid Mechanics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Electromagnetism (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Hematology (AREA)
- Multimedia (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
Le procédé et le dispositif permettent notamment l'analyse spectrale de signaux fournis par les vélocimètres Doppler médicaux. On modélise des tranches successives du signal échantillonné, par un processus autorégressif d'ordre élevé, proche ou égal du maximum autorisé par la durée des tranches et la fréquence d'échantillonnage, en faisant une estimation des paramètres caractérisant le modèle par filtrage de Kalman rapide utilisant un algorithme qui est simplifié dans toute la limite autorisée par la stationnarité locale du modèle dans la tranche et on détermine la densité spectrale de puissance g f à partir des paramètres estimés.
Description
Procédé et dispositif d'analyse spectrale en temps réel de signaux
instationnaires complexes
L'invention concerne l'analyse spectrale adapta-
tive en temps réel de signaux instationnaires à valeurs complexes représentant un phénomène physique. L'invention est utilisable chaque fois qu'il est
nécessaire d'analyser en temps réel de tels signaux re-
présentables par un modèle paramétrique auto-régressif, en faisant l'hypothèse que les coefficients du modèle restent stationnaires sur des intervalles de temps courts. Elle s'applique notamment à tous les domaines de l'imagerie médicale, par exemple par RMN, et plus généralement chaque fois qu'une analyse spectrale doit être effectuée sur des signaux organiques, par exemple en électrocardiographie et électroencéphalographie. Elle trouve toutefois une application particulièrement importante dans l'analyse spectrale des signaux fournis par les vélocimétres Doppler ultra-sonores servant à étudier l'écoulement sanguin dans les cavités cardiaques
ou les vaisseaux.
A l'heure actuelle, l'analyse spectrale paramé-
trique est relativement peu utilisée en vélocimétrie Doppler et en échographie ultra-sonore médicale. Elle reste au stade du laboratoire. Elle consiste à modéliser
les signaux à l'aide d'un modèle paramétrique, généra-
lement du type auto-régressif à moyenne ajustée, dont les paramètres sont ajustés par optimisation à l'aide d'algorithmes du type moindres carrés. Cette approche a l'avantage de permettre de travailler sur des tranches
courtes du signal mais elle impose d'utiliser des mo-
dèles d'ordre faible et a en conséquence une résolution en fréquence limitée, ce qui est particulièrement gênant
pour l'analyse spectrale de signaux fortement instation-
naires. Par ailleurs, les méthodes connues ne traitent pas les signaux démodulés à valeurs complexes comme tels, mais traitent séparément chacune des composantes,
respectivement en phase et en quadrature.
Les appareils du commerce utilisent des méthodes d'analyse spectrale nonparamétriques du type analyse de Fourier pour pouvoir en effectuer la mise en oeuvre à l'aide d'algorithmes de transformation de Fourier rapide. Mais ces méthodes nécessitent de travailler sur
des tranches longues du signal pour obtenir une estima-
tion convenable de la représentation spatiale recherchée, ce qui est incompatible avec la nature des
instationnarités rencontrées dans les domaines précé-
demment cités.
L'invention vise notamment & fournir un procédé et un dispositif d'analyse spectrale répondant mieux que ceux antérieurement connus aux exigences de la pratique, notamment en ce qu'ils améliorent la résolution en fréquence, permettent une analyse plus précise des signaux et restreignent la variabilité des spectres obtenus pour représenter des écoulements dans des
conditions voisines.
Dans ce but, l'invention propose notamment un procédé d'analyse spectrale adaptative par modélisation du phénomène représenté par le signal, caractérisé en ce qu'on modélise des tranches successives du signal échantillonné, par un processus auto-régressif d'ordre élevé, proche du ou égal au maximum autorisé par la durée des tranches et la fréquence d'échantillonnage, en faisant une estimation des paramètres caractérisant le modèle par filtrage de Kalman rapide utilisant un algorithme qui est simplifié dans toute la limite autorisée par la stationnarité locale du modèle dans la tranche et en ce qu'on détermine la densité spectrale de
puissance à partir des paramètres estimés.
Pour éviter les risques d'instabilité liés au choix d'un ordre élevé, l'estimation des paramètres du modèle auto-régressif est régularisée par mise en oeuvre d'une contrainte consistant à minimiser un critère de la forme: J2(a) - Jl(a) + 0(a) o Jl(a) est la somme des moindres carrés [y(n)-z(n)]2, z désignant la fonction échantillonnée modélisant le signal par l'intermédiaire des paramètres a à déterminer et y la fonction représentée par les échantillons du signal et o 0(a) est une fonctionnelle régularisante tenant compte de la connaissance a priori de la nature
de la fonction ou obtenue par optimisation.
Grâce à l'utilisation d'un modèle d'ordre élevé, on obtient une très bonne définition en fréquence. Le procédé permet d'obtenir directement des paramètres de calcul de la densité spectrale de puissance du signal
dans la fenêtre d'analyse.
L'invention propose également un dispositif d'analyse spectrale directement adaptable sur un vélocimètre Doppler classique, sans modification de la sonde existante et de son électronique associée, ni des
moyens de visualisation.
L'invention sera mieux comprise à la lecture de
la description qui suit du procédé et du dispositif
selon l'invention et du cheminement qui a permis d'y aboutir. Elle se réfère aux dessins qui l'accompagnent, dans lesquels: - la' Figure 1 est un schéma de principe montrant les paramètres qui interviennent en vélocimétrie Doppler du flux sanguin dans le cas particulier d'une technique de Doppler continu; - la Figure 2 est un schéma montrant l'enveloppe d'un spectre Doppler représentatif; - la Figure 3 est un schéma de principe de la démodulation du signal Doppler; - les Figures 4 et 5 sont des synoptiques montrant une implémentation possible du procédé suivant l'invention. Modélisation des signaux non-stationnaires
Avant d'aborder la description de l'invention,
il convient de rappeler des indications sur la modélisa-
tion des signaux représentant des phénomènes non sta-
tionnaires et sur la régularisation du modèle.
Dans le cas o la non-stationnarité du signal est suffisamment lente devant la vitesse de variation de l'amplitude du signal, celui-ci peut être considéré
comme "localement stationnaire", c'est-à-dire station-
naire sur une tranche d'analyse de N échantillons, N étant typiquement de l'ordre de quelques dizaines. Les échantillons observés y(n), n t 1, 2,... , N, sont décrits par un modèle auto-régressif (AR) exprimé par: y(n) = z(n)+b(n) (1) p z(n) = Z aiy(n-i) = atyp(n) (2) i=1 avec at = [apapl,...., al] (3) yp(n)t = [y(n-p),..., y(n-1)] o at est le vecteur des coefficients du modèle dont l'ordre est p. et o b(n) représente le processus
générateur du signal, de variante a2 inconnue.
L'analyse spectrale s'effectue alors suivant un critère qui est souvent celui des moindres carrés, consistant à minimiser Jl(a): N Jl(a) = Z [y(n) - z(n)]2 (4) n-1 Le modèle étant linéaire, les algorithmes de calcul sont rapides. Mais l'obtention d'une bonne approximation est subordonnée au choix d'un ordre p aussi élevé que possible; or, si on prend p proche de N ou égal à lui, la minimisation de J1 n'est pas un critère satisfaisant par suite de la variance excessive
de la solution.
Pour écarter cette difficulté et stabiliser la solution, on a proposé de régulariser le modèle en ajoutant à J1 une fonctionnelle stabilisatrice, ce qui permet de conserver une valeur élevée de p (proche de ou même égale à N). Le critère consiste alors à minimiser J2(a): J2(a) J1(a) + 0(a) (5) o O(a) est une fonctionnelle régularisante, dont il
existe de nombreux exemples.
Le choix de la fonctionnelle régularisante n(a) traduit l'information a priori de la nature des propriétés spectrales locales du signal analysé. Cette information est que la densité spectrale de puissance
inconnue est une fonction "douce", c'est-à-dire pré-
sentant une certaine régularité, comparée à un spectre inorganisé constitué d'une multitude de raies sans relation entre elles. Pour des raisons de commodité de
mise en oeuvre, on choisit une fonctionnelle quadra-
tique, ce qui présente l'avantage de conduire à une solution explicite et linéaire par rapport aux valeurs
observées y(n).
Une mesure de "douceur spectrale" est constituée par 1/2
Dk = I 8akH(f) 12 df,k 5 0,1,2,...
-1/2 afk o H(f) est la fonction de transfert en fréquence du filtre blanchisseur du signal analysé, qui est aussi l'inverse de son filtre générateur qui est décrit par les équations (1) et (2). Une valeur élevée de Dk signifie une densité spectrale de puissance non douce, et ce d'autant plus que l'ordre k de la dérivée est élevé. On utilise une douceur spectrale d'ordre zéro
J1/2 P
Do I H(f) 12 dfa 1 + Z a2 1/2 m=l qui est, & une constante près, la norme euclidienne du vecteur des paramètres a, ce qui conduit à adopter la fonctionnelle régularisante P 2 0(a) = Z a.. + (6) m ma=l o le coefficient p est un nombre réel positif appelé "coefficient de régularisation" et dont il sera vu qu'il Joue un très grand rôle dans. le fonctionnement de l'invention.
Modélisation & régularisation suivant l'invention.
L'invention utilise une démarche qui peut étre considérée comme en deux étapes, utilisant notamment les constatations que l'on a très souvent affaire, dans la pratique, & des signaux pour lesquels on peut effectuer une étude locale du phénomène par division de l'horizon temporel en blocs de longueur N, et qu'on peut faire l'hypothèse d'une stationnarité locale dans chaque bloc,
de manière à permettre d'exploiter des propriétés d'in-
variance locale du modèle, en effectuant donc une analyse spectrale adaptative reflétant une variation lente des paramètres a vis-à-vis des fluctuations d'amplitude du signal, à savoir: 1. On recherche un modèle localement stationnaire, c'est-A-dire un modèle invariant équivalent défini par
l'optimum du critère (5) calculé sur une fenêtre tem-
porelle réduite, en effectuant un compromis entre une trop grande longueur de fenêtre (qui ne permet pas de suivre fidèlement les non- stationnarités du signal) et une trop courte longueur (qui ne permet pas d'estimer le modèle dans de bonnes conditions), ce qui conduit à
choisir un modèle AR de l'ordre p le plus élevé pos-
sible, proche de N ou égal à N. imposant de stabiliser
le modèle.
Ce modèle est recherché pour la valeur du coefficient de régularisation m et celle de la variance c2 du processus générateur qui rendent maximale la
vraisemblance du modèle.
2. On simplifie les calculs de maximisation de vraisemblance du modèle en adoptant une solution sous-optimale: - on réduit le domaine de variation de w de l'équation (6) du critère de minimisation à un ensemble fini et présélectionné de valeurs discrètes, et - on calcule, par un algorithme qui peut être rapide,
la solution optimale à et éventuellement la vrai-
semblance correspondante V(cr2, s/y) à partir des échantillons du signal observé, pour retenir la plus élevée. s La première étape conduit à organiser les échantillons du signal en blocs consécutifs de longueur N et & effectuer sur chaque bloc une régularisation. On impose une contrainte liant localement l'ensemble des paramètres et traduisant une information de douceur 1o spectrale: cela conduit à minimiser, sur chacun des blocs, un critère de la forme: J2(a)= Jl1(a) +. la-a0 12 (7) Lorsque le processus générateur du signal analysé est supposé gaussien, cela revient à admettre que les paramètres a sont caractérisés, dans une interprétation bayésienne, par la loi de probabilité a priori: f (a / ao, l,u2).Cexp là la-a0121 L'initialisation du vecteur des paramètres AR se
fait en choisissant ao = 0 dans le cas d'un signal sta-
tionnaire. On verra plus loin que cette façon de procé-
der peut être conservée pour certains signaux non sta-
tionnaires. Dans les autres cas on choisira, pour chaque
bloc courant, le résultat du traitement du bloc précé-
dent lorsque les blocs sont adjacents.
Il reste encore à fixer la valeur de p et de "2
pour pouvoir effectuer la minimisation du critère (7).
Ce choix est fait, comme il a été dit plus haut, en maximisant la vraisemblance du modèle. On verra que p et 42, appelés hyperparamétres, peuvent étre découplés dans
cette maximisation.
Pour exposer la première étape, il convient de donner les équations d'état associées au problème et de montrer comment on peut substituer au filtre de Kalman standard (qui fait appel & une équation de Riccati n'exploitant pas la propriété de stationnarité locale du modèle qui est à la base des méthodes adaptatives, ni la propriété de décalage des vecteurs yp(n) successifs qui est la conséquence du choix d'un modèle AR) un filtre plus simple, mettant en oeuvre les équations de Chandrasekhar, pour le calcul des paramètres à qui minimisent, p et o2 étant fixés, le critère (7), ainsi
que pour le calcul de la vraisemblance correspondante.
Pour cela, on fait apparaître explicitement ces propriétés en définissant un "vecteur-paramètre étendu" ou vecteur d'état à m composantes: am(i) l [0ti- ap _l,.... a1,,O,,..., O]t, avec m>p et on considère le vecteur global des données: Ym = [y(-p+l),y(-p+2),..., y(O), y(1),..., y(m-p)lt Le modèle linéaire défini par les équations (1) et (2) peut alors se mettre sous la forme du modèle d'état équivalent suivant:
aó(i+l) - Dam(i) i. 1,2,...
y(i) - ytm am(i)+b(i) o D est l'opérateur de décalage:
O.......
1 0....
D 0 i 0....
0 0 1 0
Le calcul récurrent de la solution peut alors être effectué par le filtre de Kalman suivant: &m( i+l/i)=D&m( i/i-1)+( i)r i)-1[y( i)-ytmam( i/i-)] ( 8 r(i) - ytmP( i/i1-)ym + a2 km(i) = D Pm(i/i-I)ymi Pm(i+1/i) = D Pm(i/i-l) Dt - km(i)r( i)-lk*m(i) avec les conditions initiales: &m(1/O) = [a(1/0), o..., 0]t r(l) = ytm(1/O)ym + 2 (10) KM(l) = D Pm(l/O)Ym P(1/o) 2 Pm(1/0) =......._ p(1/O)=,2 r= " 0!0 ou Ym désigne le vecteur simplement conjugué du vecteur
Ym et k* désigne la matrice transposée conjuguée de k.
En apparence, l'introduction de ces variables supplémentaires est défavorable, car elle augmente les dimensions du vecteur d'état. Mais cette impression est
trompeuse, car cette introduction fait apparaître expli-
citement les propriétés d'invariance que l'on exploite.
On peut d'ailleurs vérifier qu'à chaque récur-
rence, le nombre de coordonnées non-nulles du vecteur gain k(i) reste égal à p. Ce modèle d'état étant invariant (D et Ym étant constant) et à variance stationnaire (a2 étant constant sur un bloc), on obtient directement un algorithme rapide en remplaçant les équations standard par des équations de Chandrasekhar. Non seulement ces équations permettent une résolution rapide, mais encore elles
permettent de passer, de façon naturelle, à des algo-
rithmes en racine carrée offrant une bonne stabilité numérique. On désignera par la suite par "Algorithme B-CAR"
les règles de régularisation mettant en oeuvre l'algo-
rithme,appliquées à des blocs de taille appropriée à la nature du signal. Ces équations ne propagent que les incréments des quantités nominales de l'équation (9), qui sont eux-mêmes factorisés. L'application directe de ces techniques de factorisation au filtre (8) (9) conduit aux équations suivantes: vm(i)t YmtB(i) wm(i)t - vm(i)t M(i) M(i+l) - M(i) + wm(i)r(i)lwm(i)t (11) km(i+l) - km(i) + D B(i)gm(i) r(i+l) - r(i) + vm(i)tm(i) B(i+ l) - D B(i)-km(i+l)r(i+l)-lvm(i)t On utilise dans ces équations le fait que M et Pm sont des matrices à symétrie hermitienne: M*=M et P*m=Pm. Une écriture condensée de l'algorithme est obtenue par projection, en ne faisant apparaître que les composantes intervenant effectivement à chaque récurrence dans le calcul. On définit pour cela un vecteur-gain effectif k(i), de dimension p. contenant les coordonnées non-nulles de km(i): km(i) - JOti+l, k(i)t, Otm-p-i-lIt De la méme façon, si a est la dimension de M(i), on peut aussi écrire: B(i) = 10a.,k, S(i)t, Oa,m-p-i-_lt
ou S(i) est une matrice de dimensions [(p+l),a. L'algo-
rithme peut alors se mettre sous la forme v(i)t = [y(i-p), yp(i+l)t]S(i) w(i)t = v(i)t M(i) M(i+l) = M(i) + w(i)r(l)'lw(i)t r(i+l) = r(i)+v(i)t w(i).(12) O k<i) à..=L.... + s(i)(i) k(i+1 S(i+l) S(i) - |-..---- ri+l)lv(i)t k( i+)p la remise à jour des paramètres se faisant selon: [t.. 'o, ',s....Z-dA,'dO]," p
'O'O'T'O ''],.A 0C
[.... 'o'o 'IT-dA. ZA '0]." 6 o'o'r] = m-s 90 (UA twp + p + UA)OA + ( 's + U Ms + ms 'Ws)OA-. (O/T);d-a (O/1)mdaSZ Jssoduoonp ind uo sOlQe & -(O/T)d
A I A
*-- ZA 1A OZ
asod uo, Ts 'Ieigug6 seo aT Suva 0! 0].(o)m 0O (0/1)d (O/1)md -(T)ux.T) T) r(T)u!-{a (O/T)mda - (Z)md9 : enpue, aw.xo. snos suoTpenb9 xne ueueaasz ua 'lzTzOg.s zuewalTe6 D.nad aoueTzsaoo ap eT:TUT,usmaXouT" (I)g(t)H()(O/l)"ld-(I:Z)Nd- (Z)Md : TeT:.TUTuemouT,T 0 ap UoTs.esTaozoe; el ap s0ol (I)w 4.S (I)B 4uUsTnpgp es wuop (O/1) d TboTxd e eoueTaeAoo sp SoTz;nm el zed sau
-UOTZTPUOD zsa am4qnT206teT Sp UOTFleSTfITZTUT.
(eXTeUUOTn.e.s-uou seo el suep susosepe sooIq Sp.uem -azTe'a) aoueTZeAoo,; <dAz np seuzgTqoad sep,nb (<STOU ç -uoTzel.s-uou seo Sl suep 9TosT ooTq un,p no SaTmUuOTZess seo np z.ueamreaza) sazuse;a.xd. sswgTqoa.d ssp usTq Tssne zanbTTdde.s sp Se uzuAU.T e SwuqTaOBTQs ze (ET) [(T-I).(T)d- () ,]_(A)A(T)+()T-z/)-(/ T+T)> St La matrice P(1/O) est choisie diagonale, et le rang de amP(2) est en général "=3. La factorisation initiale n'étant pas unique, on choisit avantageusement pour M(1) la matrice de signature de &Pm(2) qui fournit l'amorce d'un algorithme en racine carrée dont les
qualités numériques sont meilleures.
Si la matrice de covariance a priori P(1/O) est diagonale, les vecteurs gm et dm sont identiquement nuls et l'incrément initial &Pm(2) se réduit à: 6Pm(2) = -vOSm S*m + vo Vm v m - km(1)r(1)-lkm(1)*, de rang au plus égal à 3 puisqu'il se décompose en une somme de trois matrices dyadiques ou antiscalaires, chacune de rang égal à 1. On peut écrire &Pm(2) sous la forme: 6Pm(2) = B(1)M(1)B(1)* avec comme facteur central:
-1 0 O]
M(1) = -1
qui conduit, une fois la projection effectuée pour obte-
nir l'algorithme en dimension réduite, à: S(1) = [k(1),b,c] k(l) = [O,k(l) tr(1)-'/2']t k(l) = yp(1) b = c = [0,0,0,...,,13t r(1> ytmPm(l/O)Ym + o- = yptl)typ(1)+G' sous les conditions, généralement remplies, que: - les coefficients ai du modèle, qui sont complexes, aient des parties réelles et imaginaires dont les lois de probabilité a priori sont normales, centrées, indépendantes, et de variance (1/2)T2 (on retrouve ainsi la matrice de covariance a priori P(1/o)ur21), - le bruit générateur du signal observé b(n), qui est aussi complexe, ait des parties réelle et imaginaire dont les lois de probabilité a priori sont aussi normales, centrées, indépendantes, et de variance
(1/2)"2.
Cette solution rigoureuse utilise les valeurs effectivement observées antérieures à l'instant initial de la fenêtre dans-le vecteur général Ym. Cette méthode, Io que l'on peut qualifier de "covariance" suppose que l'on travaille: - soit sur un bloc de données isolé de longueur double de l'ordrep choisi, - soit sur un bloc de données adjacent à un bloc
antérieur dont le contenu a été conservé.
Le décompte des opérations arithmétiques élémen-
taires, limité aux seules multiplications, montre que la
complexité de cet algorithme est e(11p) par récurrence.
Si on choisit p-N, on voit que la complexité totale pour traiter N données est 9(N2), ce qui est normal pour un
algorithme de ce type.
Une solution permettant de simplifier l'algo-
rithme peut être qualifiée de "préfenétrage". Elle fait l'hypothèse que les p valeurs antérieures à l'instant initial dans la fenêtre de mesure sont nulles: avec pour conséquences: - <(l). D Pm(l/O)Ym ' O r(1) yp(1)t ip(1)+,' 6Pr(2) - yOSme m+VOVmv m Le rang de l'incrément initial est a=2. On peut choisir comme facteur initial: M(l) - [ 0 l 1 J [-O l J S(1) - t b,c]
On réduit ainsi sensiblement la complexité du calcul.
Lorsque la nature du phénomène représenté par le signal est bien connue, les hyperparamêtres peuvent étre choisis a priori. Dans le cas contraire, un calcul de la
vraisemblance des hyperparamntres est utile.
L'utilisation d'un filtre de Kalman permet de
calculer par récurrence la vraisemblance des hyperpara-
mètres (ou son logarithme) à l'aide des quantités
intervenant dans l'algorithme.
La recherche du maximum de vraisemblance revient en fait à un problème de moindres-carris régularisés déjà représentés par l'équation (7). Ce problème a une interprétation bayésienne simple puisque la minimisation de (7) est équivalente à la maximisation du critère de vraisemblance V(a):
{ 1 N
V(a) a exp t- (Z [y<n)-z(n)]2+ Z a2m (153 2e n=l m=l Lorsqu'on fait intervenir les hyperparamètres p. le calcul montre que la solution à est en fait la
moyenne de la loi a posteriori définie par la distribu-
tion conditionnelle des données:
2 { 1 N23
f(y/a, ')o.exp - (n [y(n)-z(n)]2) n=! et la loi a priori: f(a/,,a) eexp {_ ata} 2a On peut donc considérer que cette loi a priori spécifie une classe d'estimateurs par l'intermédiaire des paramètres p et a'. Ce sont les hyperparamètres du problème. Comme les lois sont normales, la vraisemblance des hyperparamétres est représentée par une intégrale: V(o, ',p,y) - I f(y/a,u',)f(a/.pr')da (16) Le modèle à retenir est celui qui maximise cette vraisemblance par rapport aux hyperparamètres. En ce sens, la méthode est adaptative puisque le choix de valeurs a priori peut dépendre des données. Enfin, par application séquentielle de la règle de Bayes à la relation, on obtient: N V(", ""/y) - f[y(l)] n f[y(n)/y(l),..., y(n-l)] n=2 On utilise la densité marginale conditionnelie
de y(n) que permettent d'obtenir les échantillons obser-
vés y(l), y(2),...y(n-1): fty(n)/y(l),--y(n-l) -ifty(n)/a] fta/y(l),..., y(n-l)]da 1 1 p. : 2._ exp {[y(n) - i a(i)y(n-i) 2e Le calcul de cette densité conditionnelle exige S de connaître u et a. Mais y(n) - yp(n) t&(n/n-1)+e(n)
o &(n/n-l) est l'estimée optimale (c'est-a-dire condi-
tionnelle au passé (y(l), y(2),..., y(n-l)), et o e(n) est l'innovation du processus observé. On a donc aussi: e(n)2 f[y(n) / y(l),.., y(n-l)]ex.2.() Reste à évaluer la variance de l'innovation es(n)2. Mais un filtre de Kalman n'est sensible qu'à la
seule variance relative du bruit d'observation (c'est-
à-dire ici du processus générateur) et du bruit d'état
(c'est-à-dire ici de la variance a priori des para-
mètres). Le calcul récurrent de à(n/n-1) ne dépendant donc que de à et pas de la valeur de, on peut prendre I arbitrairement oe = - i dans l'algorithme; on a alors: re(n)2 = o2r(n) - aos[yt Pm(n/n-l)ym+l] d'o l'on tire: fy/y1.... f e(n)2}
f[y<n) / y<l),..., y(n-1)] = exp..
2 ( n3 t 2,2r(n) 0 Cette formule montre que les deux hyperparamètres sont A n
découplés. L'estimée: de 2 selon le maximum de vrai-
semblance (marginale) est donc: 1 N e(i)2
C= -z -
N i=l r(i) et la vraisemblance (marginale) de " est alors: 1 N e(i)2 L(p/y) = - f - + înlr(i)>] +cste 2 i=l r(i) En résumé le procédé complet comprend, lorsqu'on doit déterminer les hyperparamêtres optimaux: - pour chacune des valeurs discrètes de p choisies pour le calcul de J2, l'estimation d'un vecteur 'â(N/N) avec l'algorithme (10) (11), avec "* = 1; - le choix des paramètres & et des hyperparamètres "2 et y correspondant à la vraisemblance la plus forte; et - le calcul de la densité spectrale de puissance g(f) correspondante & l'aide de la relation classique p g(f) - es l-Z ak exp(-2ifk)12] (17) k. I pour - 1/2 À f C + 1/2 Application de la modélisation suivant l'invention aux signaux de vélocimètrie sanguine Doppler Le choix de la durée des fenêtres ou blocs de modèle auto-régressif, du nombre d'échantillons à prélever par bloc, de l'ordre du modèle et du critère de régularisation implique de connaître les caractères principaux des signaux Doppler. Ces signaux sont obtenus par un montage du genre schématisé en Figure 1. Le champ de vitesse étudié est éclairé par une onde acoustique monochromatique ou pulsée provenant de l'émetteur 10 et on mesure l'onde réfléchie par les cibles matérielles (hématies) se déplaçant sous l'action de ce champ de vitesse, recueillie par un récepteur 12 comportant un démodulateur. Si le champ de vitesse était stationnaire et uniforme, le signal reçu r(t) se déduirait du signal émis a(t) par une simple translation en fréquence. Ce n'est pas le cas, du fait de la contribution d'un grand nombre de cibles élémentaires présentant une dispersion par rapport & une cible idéale moyenne, le signal reçu a un spectre continu, de largeur de bande étroite par rapport à la fréquence de la porteuse (quelques kHz par rapport à quelques MHz). Dans le cas fréquent d'un signal Doppler à émission pulsée, la forme de l'onde émise entre également en Jeu. On obtient dans les deux cas un spectre & bande étroite, du genre montré en figure 2, se limitant à deux bandes symétriques de largeur 2F centrées en -fo et fo respectivement, F étant
très inférieur & la fréquence fo de la porteuse.
Pour simplifier le traitement des signaux, les appareils existants utilisent une démodulation, généralement synchrone, qui conduit à décomposer le signal reçu r(t) en deux composantes, respectivement en phase p(t) et en quadrature q(t). Ces signaux à basse fréquence (quelques kHz) n'exigent qu'une cadence d'échantillonnage réduite car leur spectre utile est réduit par un facteur 1000 environ par rapport à la porteuse. Le montage peut être celui schématisé en
figure 3.
En représentation complexe, on peut écrire: e(t) = Vr2 R. {elt)exp(iu(t) o wO0 est la pulsation de la porteuse et o é(t) désigne l'enveloppe complexe de modulation du signal émis, et r(t) i -2 p(t)cos(wot)+ r2q(t) sin(wot) o p(t) et q(t) sont des signaux & basse fréquence générés par le démodulateur 14 de la figure 3, constituant respectivement la partie réelle et la partie
imaginaire du "signal Doppler" à valeurs complexes y(t).
Le calcul montre qu'on peut obtenir le spectre du signal reçu r(t) par transformation de Fourier de la covariance du signal Doppler y(t). Par ailleurs p(t) et q(t) sont en général corrêlées, ce qui interdit de faire l'hypothèse - pourtant admise dans le traitement habituel du signal Doppler - que la covariance mutuelle Rp0(4g) de p et q ou leur densité interspectrale de puissance GpQ(f) est nulle. Or cette hypothèse est
nécessaire si on traite p(t) et q(t) séparément.
L'invention traite donc simultanément p(t) et q(t) ce qui est possible du fait que la méthode d'analyse spectrale décrite plus haut a été Justement conçue pour s'appliquer à des signaux à valeurs complexes. Choix des paramètres de réglage dans l'application à la vélocimétrie Doppler
Trois paramètres de réglage doivent être choi-
sis, soit a priori (ce qui sera le cas général étant donné que l'on connaît la nature du signal Doppler),
soit à l'issue d'une procédure d'optimisation.
Il s'agit de: - N, durée d'une fenêtre d'analyse ou longueur d'un bloc de données; - p. ordre du modèle AR adopté pour décrire le signal Doppler, a, coefficient de régularisation ou hyperparamétre.
Le mode d'initialisation doit aussi être choisi.
Il est défini par: - le choix des paramètres initiaux a0 au début de chaque bloc: a0 peut être ou bien nul, ou bien le résultat du traitement du bloc précédent; - le choix entre la version dite "covariance" et celle
dite upréfenétrée".
Le choix des trois paramètres N, p et A résulte d'un compromis. Augmenter N et p améliore la qualité du modèle, mais on est limité dans cette voie par la non-
stationnarité du signal qui pousse à réduire N et par la charge de calcul qui pousse à réduire p. On obtient de bons résultats avec une fréquence d'échantillonnage de l'ordre de quelques dizaines de kHz
et avec des fenêtres d'observation d'une longueur maxi-
male de N - 64 points, c'est-à-dire d'une durée maximale de 1 &' 2 ms (au lieu de 5 à 10 ms dans les appareils commercialisés actuellement). Comme on n'a pas besoin
d'une analyse spectrale du signal Doppler à des inter-
valles de temps aussi brefs, on peut organiser les données échantillonnées en blocs de N = 64 points au maximum et ne travailler que sur un bloc sur dix. Ceci o0 permet d'obtenir une densité spectrale de puissance toutes les 10 à 20 ms au plus, c'est-à-dire à raison
d'une cinquantaine par période cardiaque.
L'initialisation peut être faite par préfené-
trage ou par covariance, comme indiqué plus haut. Le préfenêtrage, actuellement utilisé, diminue le nombre de
multiplications à effectuer, mais nuit à la vraisem-
blance du modèle, surtout si p est proche de N. La méthode de covariance réduit l'ordre maximal du modèle à p = N/2 si on commence les récurrences à l'instant p+l (en cas de fenêtres isolées) et elle est un peu plus complexe. Le choix de l'hyperparamètre p est essentiel car il règle le degré de douceur de la solution et doit maximiser la vraisemblance du modèle du signal par rapport aux données: les valeurs des paramètres AR calculés ne dépendent en effet pas des variances a2 et T2, mais uniquement de leur rapport l. L'expérience montre que la courbe de variation de la vraisemblance en fonction de p varie très peu au voisinage du maximum et que les résultats de l'analyse sont peu affectés par des
variations d'un ordre de grandeur de ce paramètre.
L'expérience montre aussi que, pour un signal Doppler donné, les variations de la valeur optimale de l d'un bloc de données à un autre sont aussi d'un ordre de grandeur. La complexité de la méthode peut donc être réduite en substituant, à l'étape de maximisation de la vraisemblance du modèle qui doit être effectuée sur
chaque bloc de données, une étape préalable de classi-
fication des signaux en fonction des valeurs constantes & attribuer à M. Pour que ce soit possible, il est indispensable de normaliser M par rapport à la puissance du signal Doppler. En effet, le coefficient intervient dans le critère minimisé: J2(a) - Jl(a) + pla-a012 (7) o Jl(a) a la dimension de l'énergie du signal et les paramètres AR sont sans dimension. Le coefficient M a donc une dimension et varie comme le carré de l'échelle
dans laquelle est mesuré le signal Doppler.
Pour rendre M indépendant de la puissance du signal, il faut donc choisir: M - M.o=(N/p) o mo0 est le nouveau paramètre de réglage, cette fois sans dimension, et us est la variance du signal qui peut être fournie par le module d'acquisition du dispositif utilisé (24). Cette normalisation permet de travailler avec O0 constant tout au long d'un cycle cardiaque, indépendamment des fluctuations de puissance du signal Doppler. L'invention est susceptible de nombreuses
variantes de réalisation. En particulier, on peut rédui-
re la sensibilité du procédé à la précision limitée des calculs en propageant les racines carrées des matrices de covariance plutôt que les matrices elles-mêmes: une telle modification s'effectue de façon simple, comme
indiqué plus haut.
Constitution du dispositif Le dispositif utilisé pour la mise en oeuvre du procédé peut avoir la constitution générale montrée en figure 4, qui recherche un compromis entre la qualité des résultats et le volume des calculs, est adaptable sur des appareils existants et utilise les possibilités intrinsèques de processeurs de traitement numérique du
signal actuellement disponibles.
Le dispositif comporte deux processeurs couples
pour effectuer les calculs du spectre Doppler. Le pre-
mier, 20, calcule les paramètres d'un modèle du signal Doppler reçu, par l'algorithme B-CAR. Le second, 22, fournit, à partir de ce modèle, le spectre. Ce second processeur 22 commande une carte d'acquisition 24 qui acquiert les deux voies Doppler simultanément, à une fréquence d'échantillonnage qui est par exemple de 40 kHz pour l'étude de la circulation sanguine, choisie pour optimiser le compromis entre la durée des tranches analysées et la précision fréquentielle de l'analyse spectrale. Pour éviter une éventuelle dissymétrie dans l'acquisition des signaux Doppler, un seul convertisseur est utilisé. La carte peut être prévue pour détecter une
éventuelle saturation des signaux Doppler.
Le processeur 20 est programmé pour mettre à l'échelle l'hyperparamétre p de la méthode à partir de l'estimation de la puissance instantanée du signal Doppler fournie par le processeur 22, et calculer les paramètres AR du signal Doppler sur chaque bloc de
données transmis par le même module.
Le processeur 22 calcule le spectre du signal sur un bloc, & partir des paramètres AR fournis par le
processeur 20 sous le contrôle du module de visualisa-
tioh 26 qui fixe le nombre de points sur l'axe des fréquences et le nombre de niveaux de gris; il peut être prévu pour calculer une éventuelle composante continue dans la chalne d'acquisition. Il doit de plus évaluer la puissance instantanée du signal, utilisée par
le processeur 20 pour optimiser les résultats fournis.
L'architecture de l'appareil peut être celle
montrée en Figure 5. Le processeur 22 exécute l'algo-
rithme de calcul de la densité spectrale de puissance et gère les interfaces 28-30-32 d'entrée et de sortie de données. Le processeur 20 exécute l'algorithme B-CAR. Un mini-ordinateur hôte constitue une machine maître qui charge le programme dans les processeurs et
qui commande l'exécution des programmes. Une implanta-
tion en ROM du programme permettrait d'éviter la 1o nécessité d'un miniordinateur hôte. Les interfaces d'acquisition 30 et de visualisation 32 transfèrent les données, d'une part entre le dispositif d'acquisition et le processeur 22, d'autre part entre le dispositif de visualisation 26 et ce même processeur 22. Chaque
processeur est muni d'une mémoire propre de travail 36.
Il est nécessaire d'effectuer les calculs en format 32 bits avec virgule flottante. Des circuits disponibles sur le marché permettent de répondre à de tels besoins. Il s'agit d'une part des processeurs de traitement du signal composés d'une unité de calcul 32 bits en virgule flottante, d'une unité de commande, de mémoires et de dispositifs d'interface intégrés sur un seul circuit (par exemple DSP32 de ATT et,PD77230 de NEC), d'autre part, des unités arithmétiques 32 bits. On
a notamment implémenté le procédé à l'aide de proces-
seurs DSP32 dont les bus internes sont accessibles de l'extérieur du boîtier (ce qui permet d'augmenter la taille mémoire de 4 Koctets à 56 Koctets), et qui ont une interface parallèle permettant d'effectuer des accès-mémoire en DMA quelle que soit l'activité du processeur et une interface série & haut débit (8 Mbits/sec).
Claims (7)
1.Procédé d'analyse spectrale en temps réel de
signaux instationnaires à valeurs complexes, représen-
tant un phénomène physique, suivant lequel on modélise le phénomène représenté par le signal, par un processus auto-régressif, caractérisé en ce qu'on modélise des tranches successives du signal échantillonné, par un processus auto-régressif d'ordre élevé, proche ou égal du maximum autorisé par la durée des tranches et la o10 fréquence d'échantillonnage, en faisant une estimation des paramètres caractérisant le modèle par filtrage de Kalman rapide utilisant un algorithme qui est simplifié dans toute la limite autorisée par la stationnarité
locale du modèle dans la tranche et en ce qu'on détermi-
ne la densité spectrale de puissance g (f) à partir des
paramètres estimés.
2. Procédé sur la revendication 1, caractérisé en ce que les paramètres a du modèle auto-régressif: P z(n) = Z aiy(n-i) = atyp(n) i=l avec at - ap, ap_.,...., a1] yp(n)t = [y(n-p),..., y(n-1)] o at est le vecteur des coefficients du modèle dont
l'ordre est p. o b(n) représente le processus généra-
teur du signal, o z(n) désigne les échantillons de la fonction représentant le phénomène, et o y(n) désigne les échantillons observes, sont régularisés par mise en oeuvre d'une contrainte consistant à minimiser un critère de la forme: 32(a) - Jj(a) + La) o J1(a) est la somme des moindres carrés [y(n)-z(n)]2, et o JIa) est une fonctionnelle régularisante tenant
compte de la connaissance a priori de la nature du phé-
nomène.
3. Procédé selon la revendication 2, caractérisé en ce que n(a) est de la forme: _(a) = " la - a012 o ao0 est une valeur prédéterminée, choisie a priori nulle ou constituée par le résultat obtenu pour la
tranche précédente.
4. Procédé selon la revendication 3, caractérisé
en ce qu'on prend " - p. es ou me est une valeur prédé-
terminée et "' la puissance estimée du signal.
,5. Procédé selon la revendication 3 ou 4, carac-
térisé en ce que la densité spectrale de puissance est calculée par la relation: p
g(f) - ô'/ I1l-Z a exp (-2infk)j 2].
6. Procédé selon la revendication 3, 4 ou 5,
caractérisé en ce qu'on traite simultanément les compo-
santes en phase et en quadrature d'un signal à bande
étroite démodulé.
7. Procédé selon la' revendication 3, 4, 5 ou 6, caractérisé en ce que, les signaux étant des signaux Doppler démodulés représentatifs de l'écoulement sanguin présentant un spectre de fréquence de quelques kHz, on utilise des tranches d'environ 64 échantillons prélevés
& une fréquence d'environ 40 kHz et on traite simultané-
ment les composantes en phase et en quadrature du signal démodulé.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR8903761A FR2644915A1 (fr) | 1989-03-22 | 1989-03-22 | Procede et dispositif d'analyse spectrale en temps reel de signaux instationnaires complexes |
US07/776,400 US5229716A (en) | 1989-03-22 | 1990-03-22 | Process and device for real-time spectral analysis of complex unsteady signals |
PCT/FR1990/000193 WO1990011494A1 (fr) | 1989-03-22 | 1990-03-22 | Procede et dispositif d'analyse spectrale en temps reel de signaux instationnaires complexes |
EP90905549A EP0464115A1 (fr) | 1989-03-22 | 1990-03-22 | Procede et dispositif d'analyse spectrale en temps reel de signaux instationnaires complexes |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR8903761A FR2644915A1 (fr) | 1989-03-22 | 1989-03-22 | Procede et dispositif d'analyse spectrale en temps reel de signaux instationnaires complexes |
Publications (1)
Publication Number | Publication Date |
---|---|
FR2644915A1 true FR2644915A1 (fr) | 1990-09-28 |
Family
ID=9379955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR8903761A Withdrawn FR2644915A1 (fr) | 1989-03-22 | 1989-03-22 | Procede et dispositif d'analyse spectrale en temps reel de signaux instationnaires complexes |
Country Status (4)
Country | Link |
---|---|
US (1) | US5229716A (fr) |
EP (1) | EP0464115A1 (fr) |
FR (1) | FR2644915A1 (fr) |
WO (1) | WO1990011494A1 (fr) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2890450A1 (fr) * | 2005-09-06 | 2007-03-09 | Thales Sa | Procede de determination par analyse doppler a haute resolution du champ de vitesse d'une masse d'air |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5517122A (en) * | 1993-11-04 | 1996-05-14 | The Regents Of University Of California | T2 restoration and noise suppression of hybrid MR images using Wiener and linear prediction techniques |
CA2331116A1 (fr) * | 2001-01-15 | 2002-07-15 | Chenomx, Inc. | Identification et quantification de composes aqueux--technique et procede utilisant un systeme automatise de mesure a resonance magnetique nucleaire |
US6751564B2 (en) | 2002-05-28 | 2004-06-15 | David I. Dunthorn | Waveform analysis |
AU2003276079A1 (en) * | 2002-10-09 | 2004-05-04 | Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts | Calculation and presentation of vector velocity values in a three-dimensional space |
US20040239415A1 (en) * | 2003-05-27 | 2004-12-02 | Bishop Christopher Brent | Methods of predicting power spectral density of a modulated signal and of a multi-h continuous phase modulated signal |
ITFI20030254A1 (it) * | 2003-10-08 | 2005-04-09 | Actis Active Sensors S R L | Metodo e dispositivo perfezionati per l'analisi spettrale |
US7792314B2 (en) * | 2005-04-20 | 2010-09-07 | Mitsubishi Electric Research Laboratories, Inc. | System and method for acquiring acoustic signals using doppler techniques |
JP2008546012A (ja) * | 2005-05-27 | 2008-12-18 | オーディエンス,インコーポレイテッド | オーディオ信号の分解および修正のためのシステムおよび方法 |
JP2013205830A (ja) * | 2012-03-29 | 2013-10-07 | Sony Corp | トーン成分検出方法、トーン成分検出装置およびプログラム |
US10247795B2 (en) * | 2014-12-30 | 2019-04-02 | General Electric Company | Method and apparatus for non-invasive assessment of ripple cancellation filter |
CN107063370B (zh) * | 2017-04-18 | 2019-05-07 | 中国工程物理研究院材料研究所 | 一种热分布式气体质量流量计的时间响应补偿方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4391149A (en) * | 1981-05-15 | 1983-07-05 | Fischer & Porter Company | Doppler-type ultrasonic flowmeter |
JPS6342229A (ja) * | 1986-08-08 | 1988-02-23 | Canon Inc | 信号処理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4585992A (en) * | 1984-02-03 | 1986-04-29 | Philips Medical Systems, Inc. | NMR imaging methods |
JPS6342209A (ja) * | 1986-08-07 | 1988-02-23 | Mitsubishi Electric Corp | デジタル制御形自動利得制御装置 |
US4789832A (en) * | 1987-01-14 | 1988-12-06 | Jeol Ltd. | Three-dimensional NMR spectroscopy |
US5019978A (en) * | 1988-09-01 | 1991-05-28 | Schlumberger Technology Corporation | Depth determination system utilizing parameter estimation for a downhole well logging apparatus |
-
1989
- 1989-03-22 FR FR8903761A patent/FR2644915A1/fr not_active Withdrawn
-
1990
- 1990-03-22 WO PCT/FR1990/000193 patent/WO1990011494A1/fr not_active Application Discontinuation
- 1990-03-22 EP EP90905549A patent/EP0464115A1/fr not_active Ceased
- 1990-03-22 US US07/776,400 patent/US5229716A/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4391149A (en) * | 1981-05-15 | 1983-07-05 | Fischer & Porter Company | Doppler-type ultrasonic flowmeter |
JPS6342229A (ja) * | 1986-08-08 | 1988-02-23 | Canon Inc | 信号処理方法 |
Non-Patent Citations (4)
Title |
---|
JAPANESE JOURNAL OF APPLIED PHYSICS/SUPPLEMENT, vol. 26, supplément 26-1, 1987, pages 9-13, Tokyo, JP; C. KASAI et al.: "Real-time two-dimensional blood flow imaging using ultrasound Doppler" * |
JOURNAL OF MAGNETIC RESONANCE, vol. 61, 1985, pages 465-481, Academic Press, Inc.; H. BARKHUIJSEN et al.: "Retrieval of frequencies, amplitudes, damping factors, and phases from time-domain signals using a linear least-squares procedure" * |
PATENT ABSTRACTS OF JAPAN, vol. 122, no. 54 (E-634), 16 juillet 1988; & JP-A-63 042 229 (CANON INC.) 23-02-1988 * |
ULTRASONICS, vol. 24, no. 4, juillet 1986, pages 197-200, Butterworth & Co., Ltd, Guilford, GB; R.P. WILLIAMS: "On the relationship between velocity distribution and power spectrum of scattered radiation in Doppler ultrasound measurements on moving suspensions" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2890450A1 (fr) * | 2005-09-06 | 2007-03-09 | Thales Sa | Procede de determination par analyse doppler a haute resolution du champ de vitesse d'une masse d'air |
US7535403B2 (en) | 2005-09-06 | 2009-05-19 | Thales | Method of determining the velocity field of an air mass by high resolution doppler analysis |
Also Published As
Publication number | Publication date |
---|---|
EP0464115A1 (fr) | 1992-01-08 |
US5229716A (en) | 1993-07-20 |
WO1990011494A1 (fr) | 1990-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR2644915A1 (fr) | Procede et dispositif d'analyse spectrale en temps reel de signaux instationnaires complexes | |
EP2258119B1 (fr) | Procede et dispositif pour la determination de fonctions de transfert de type hrtf | |
EP1615049B1 (fr) | Traitement cohérent rapide pour codes à spectre de raies périodiques | |
FR2569023A1 (fr) | Procede et systeme de correlatio | |
FR2752975A1 (fr) | Procede de reconstruction d'une image tridimensionnelle d'un objet, en particulier une image tridimentionnelle angiographique | |
EP0605281A1 (fr) | Procéde de débruitage vectoriel de la parole et dispositif de mise en oeuvre | |
EP0749083A1 (fr) | Procédé et dispositif de détermination du spectre de fréquence d'un signal | |
EP0511095B1 (fr) | Procédé et dispositif de codage-décodage d'un signal numérique | |
EP1326536A1 (fr) | Procede et dispositif non invasif de focalisation d'ondes acoustiques | |
FR2890450A1 (fr) | Procede de determination par analyse doppler a haute resolution du champ de vitesse d'une masse d'air | |
EP0166836B1 (fr) | Procédé de caractérisation de la structure d'un milieu, et dispositif mettant en oeuvre ce procédé | |
EP3671250A1 (fr) | Interféromètre numérique à sous-échantillonnage | |
FR2811842A1 (fr) | Dispositif pour l'analyse de signaux electromagnetiques | |
CN112652290B (zh) | 产生混响音频信号的方法及音频处理模型的训练方法 | |
FR2549957A1 (fr) | Procede et appareil pour synthetiser un signal continu estime a partir de segments d'un signal gaussien resultant de la mesure doppler par ultra-sons de l'ecoulement d'un fluide | |
EP3672088A1 (fr) | Interféromètre bipolarisation numérique à sous-échantillonnage | |
FR2766575A1 (fr) | Procede et dispositif operant par interpolation dans un spectre discret pour determiner des caracteristiques d'un signal et applications | |
EP4147062B1 (fr) | Procédé de post-traitement d'un échantillonnage d'une séquence d'acquisition wasab1 | |
EP3971600B1 (fr) | Procédé de séparation de signaux électromagnétiques et d'estimation de leurs directions d'arrivée dans un goniomètre interférométrique large bande à réception numérique sous-échantillonnée | |
EP1296286A1 (fr) | Procédé permettant de suivre la déformation sur trois dimensions d'un organe déformable | |
FR2737578A1 (fr) | Dispositif radar doppler a impulsions avec determination complete du vecteur vitesse de la cible | |
EP0333566B1 (fr) | Procédé et dispositifs de translation le long de l'axe des fréquences du module de la fonction de transfert d'un filtre | |
WO1990011528A1 (fr) | Procede et dispositif d'extraction d'estimateurs des caracteres d'un ecoulement instationnaire a partir d'un signal doppler a valeurs complexes | |
FR2858690A1 (fr) | Procede de traitement du signal pour le calcul de spectres de signaux sous-echantillonnes | |
FR2748587A1 (fr) | Procede d'analyse spectrale haute resolution mettant en oeuvre les valeurs et vecteurs propres de la matrice de correlation du signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ST | Notification of lapse |