Fiche de révision : Analyse des Signaux Biologiques

1. 📌 L'essentiel

• La transformée de Fourier décompose un signal enantes fréquentielles.
• L'autocorrelation mesure la dépendance temporelle et détecte cycles ou répétitions.
• Le prétraitement élimine outliers (IQR), centre (z-score) et normalise (range [0,1] ou [-1,1]).
• La détection de pics identifie maxima locauxatifs pour repérer événements.
• La FFT permet un calcul rapide de la DFT, réduisant la complexité à O(N log N).
• La spectrogramme (STFT) analyse la variation fréquentielle dans le temps pour signaux non stationnaires.
• La relation convolution ↔ multiplication facilite le filtrage fréquentiel.
• La gestion des paramètres (seuils, fenêtres) est cruciale pour la fiabilité des résultats.
• La reproductibilité et la visualisation sont essentielles en traitement du signal.
• La détection précise de pics est clé en biomédical pour repérer R-peaks ECG, cycles neuronaux, etc.

2. 🧩 Structures & Composants clés

• Signal brut — donnée initiale à analyser.
• Filtre passe-bas / passe-haut — élimine bruit ou composantes indésirables.
• Autocorrélogramme — représentation de la dépendance temporelle.
• Transformée de Fourier (F(ω)) — décompose en fréquences.
• Spectrogramme (STFT) — représentation temps-fréquence.
• Pics locaux — maxima significatifs dans le signal.
• Fenêtres d’analyse — segments temporels pour STFT.
• Filtre de Savitzky-Golay — lissage pour détection de pics.
• Outliers — valeurs aberrantes à détecter et traiter.
• Paramètres de détection — seuils, prominence, distance minimale.

3. 🔬 Fonctions, Mécanismes & Relations

• Autocorrelation :
  • Mesure la dépendance du signal avec ses décalages.
  • Utilisée pour détecter cycles, rythmes.
  • Fonction : ρ(τ) = γ(τ)/γ(0), avec γ(τ) = Cov(xt, xt−τ).
• Transformée de Fourier :
  • Décompose un signal en composantes sinusoïdales.
  • Propriétés clés : linéarité, décalage en phase, convolution ↔ multiplication.
  • FFT accélère le calcul de la DFT.
• Filtrage fréquentiel :
  • Bande passante, passe-bas, passe-haut.
  • Application : éliminer bruit, isoler fréquences d’intérêt.
• Détection de pics :
  • Max locaux avec seuils, prominence.
  • Lissage pour éviter faux positifs.
  • Utilisée pour repérer événements physiologiques.
• Analyse temps-fréquence :
  • STFT pour signaux non stationnaires.
  • Permet de visualiser l’évolution fréquentielle.

4. Tableau comparatif : Transformée de Fourier vs Autocorrelation

5. 🗂️ Diagramme Hiérarchique

Traitement du signal
 ├─ Prétraitement
 │   ├─ Détection outliers (IQR)
 │   ├─ Centrage (z-score)
 │   └─ Normalisation
 ├─ Analyse temporelle
 │   └─ Autocorrelation
 ├─ Analyse fréquentielle
 │   └─ Fourier Transform
 │       ├─ DFT / FFT
 │       └─ Filtrage (passe-bas, passe-haut)
 └─ Détection d’événements
     ├─ Pic (max locaux)
     └─ Lissage (Savitzky-Golay)

6. ⚠️ Pièges & Confusions fréquentes

• Confondre autocorrelation et convolution.
• Utiliser des seuils inadaptés pour la détection de pics.
• Négliger la normalisation, entraînant des biais.
• Confondre FFT et DFT (FFT est une méthode de calcul).
• Ignorer la stationnarité pour l’autocorrelation.
• Mal choisir la fenêtre pour STFT, fausse interprétation.
• Ne pas traiter les outliers, fausse détection.
• Confondre spectre en fréquence et spectrogramme.
• Sous-estimer l’impact des paramètres (seuil, prominence).
• Négliger la phase lors de l’analyse fréquentielle.
• Omettre la validation et la visualisation des résultats.

7. ✅ Checklist Examen Final

• Définir la transformée de Fourier et ses propriétés.
• Expliquer le principe de l’autocorrelation.
• Décrire les étapes du prétraitement (outliers, centrage, normalisation).
• Savoir calculer et interpréter un spectrogramme.
• Identifier les critères de détection de pics.
• Connaître la différence entre FFT et DFT.
• Expliquer la relation convolution ↔ multiplication.
• Savoir utiliser la fenêtre d’analyse en STFT.
• Comprendre l’impact de la stationnarité sur l’autocorrelation.
• Savoir choisir les paramètres pour la détection de pics.
• Maîtriser les bonnes pratiques de programmation et validation.
• Savoir interpréter des résultats en contexte biomédical.
• Connaître les applications principales en physiologie (rythmes cardiaques, cycles neuronaux).
• Être capable d’identifier et éviter les pièges courants.
• Pouvoir réaliser un traitement complet : prétraitement → analyse → détection → validation.