Analyse temps/fréquence pour l'identification de signatures pulmonaires par modèles de Markov cachés analyse de sons pulmonaires analyse de signaux multivariés théorie Bayésienne modèles de Markov cachés estimation statistique Pas de mots clés en anglais 612.01 620.2 Appareil respiratoire Thèses et écrits académiques Traitement du signal Thèses et écrits académiques Statistique bayésienne Thèses et écrits académiques Markov, Processus de Thèses et écrits académiques Les bruits respiratoires sont employés par le médecin comme des indicateurs de l'état physiologique du patient et lui permettent d'établir son diagnostic. Néanmoins, leur interprétation fait intervenir une grande part de subjectivité, liée à la perception du médecin. C est pourquoi il est actuellement envisagée une analyse automatique de ces sons dans les buts d'assurer la formation des futurs médecins et d'identifier des pathologies pour l'aide au diagnostic. La structure du signal respiratoire se compose du bruit respiratoire normal sur lequel s'additionne éventuellement un son anormal qui peut être soit transitoire (un craquement, un crépitant), soit musical (un sibilant, un stridor) ou encore un mélange (squawk). Les méthodes développés dans ce travail de thèse concernent l'analyse multirésolution des signaux par des outils bayésiens dans le domaine des paquets d'ondelettes, associés à des modèles markoviens multivariés originaux adaptés au contexte difficile du traitement des sons pulmonaires. Nous proposons ainsi une méthodologie pour l'étude des signaux respiratoires, avec pour ambition la possibilité de traiter un large panel de cas pathologiques. Une méthode basée sur l'analyse multivariée du signal après recalage de portions d'intérêt du signal est présentée. Nous introduisons ensuite un nouveau graphe de Markov adapté à la décomposition en paquets d'ondelettes, dans le but d'une analyse multirésolution des signaux pulmonaires et d'une détection plus précise des caractéristiques statistiques de ces signaux particulièrement variables à la fois en temps et en fréquence. The detection of abnormal respiratory sounds is still carried out by pulmonary auscultation using a stethoscope and implies limitations due to the subjectivity of this process. Indeed, it depends on the individual s own hearing, experience and its ability to differentiate patterns. Nowadays, there is a clear need for a normalization of the diagnosis methodology and for the development of a common framework for all the medical community. In this context, much of the knowledge gained in recent years has resulted from the use of modern digital processing techniques, which leads to objective analysis and comparisons of respiratory sounds. Abnormal respiratory sounds are added to the normal breathing sounds and, according to the American Thoracic Society, they fall in two main categories : continuous sounds (Wheezes, Stridors) and discontinuous sounds (crackles). The methods developped in this thesis concern multiresolution analysis of the signals using bayesian tools in the wavelet packets domain, associated to original Markov models well adapted to the difficult context of lung sounds analysis. We then propose a methodology for the study of respiratory signals, with the ambition to be able to handle a wide panel of pathological cases. First, a method based on multivariate signal analysis after a scaling of interesting features is presented. We then introduce a new Markov graph adapted to the wavelet packet decomposition, with the aim of a multiresolution analysis of the lung signals and a more precise detection of the statistical characteristics of these highly unstable signals. Electronic Thesis or Dissertation Text fr France PDF https://publication-theses.unistra.fr/public/theses_doctorat/2009/LE_CAM_Steven_2009.pdf Université de Strasbourg Strasbourg Le Cam Steven 1900-01-02T00:00:00 FR 152766588 http://www.theses.fr/2009STRA6131 2009STRA6131 2009-11-27T00:00:00 Télédétection et imagerie physique Université de Strasbourg 131056549 Doctorat Docteur es non oui Collet Christophe 058922180 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) ED269 156504863 ddc:610 ddc:620