Data-driven methodology for sequential change-point detection for physiological signals - Archive ouverte HAL Access content directly
Theses Year : 2021

Data-driven methodology for sequential change-point detection for physiological signals

Méthodologie data-driven de détection séquentielle de ruptures pour des signaux physiologiques

(1, 2)
1
2

Abstract

This thesis deals the problem of change-point detection in the sequential framework where the signal is assumed to be observed in real time and the phenomenon changes from its "normal" starting state to an "abnormal" post-change state. The challenge of sequential detection is to minimize the detection delay, subject to a tolerable false alarm limit. The idea is to sequentially test for the existence of a change-point by recursively writing the detection statistic as a function of the score, which replaces the Log-Likelihood Ratio when the data distribution is unknown. The detection procedure is thus based on a recursive statistic, a detection threshold and a stopping rule. In a first work, we consider the score-CUSUM statistic and propose to evaluate the detection performance of some detection thresholds. Two thresholds come from the literature, and three new thresholds are constructed by a method based on simulation: the first is constant, the second instantaneous and the third is a dynamic "data-driven" version of the previous one. We rigorously define each of the thresholds by highlighting the different notions of the controlled false alarm risk according to the threshold. Moreover, we propose a new corrected stopping rule to reduce the false alarm rate. We then perform a simulation study to compare the different thresholds and evaluate the corrected stopping rule. We find that the conditional empirical threshold is the best to minimize the detection delay while maintaining the tolerated risk of false alarms. However, on real data, we recommend using the data-driven threshold as it is the easiest to build and use for practical implementation. In the second part, we apply our data-driven detection methodology to physiological signals, namely temporal signals recorded at the level of the upper trapezium beam of 30 subjects performing different office activities. The methodology is subject-activity dependent; it includes the on-line estimation of the signal parameters and the construction of the data-driven threshold on the start of the signal of each activity of each subject. The objective was to identify regime changes during an activity in order to assess the level of muscle solicitation and EMG signal variability, which are associated with muscle fatigue. The results obtained confirmed the ease of our methodology and the performance and practicality of the proposed data-driven threshold. Subsequently, the results allowed the characterization of each type of activity using mixed models.
Cette thèse traite de la problématique de la détection de rupture dans le cadre séquentiel où le signal est supposé être observé en temps réel et le phénomène passe de son état de départ "normal" à un état post-changement "anormal". Le défi de la détection séquentielle est de minimiser le délai de détection, soumis à une limite tolérable de fausse alarme. L'idée est de tester séquentiellement l'existence d'une rupture par l'écriture récursive de la statistique de détection en fonction du score, qui remplace le Log-Likelihood Ratio lorsque la distribution des données est inconnue. La procédure de détection repose ainsi sur une statistique récursive, un seuil de détection et une règle d'arrêt. Dans un premier travail, nous considérons la statistique score-CUSUM et proposons d'évaluer la performance de détection de certains seuils de détection. Deux seuils sont issus de la littérature, et trois nouveaux seuils sont construits par une méthode basée sur la simulation: le premier est constant, le second instantané et le troisième est une version dynamique "data-driven" du précédent. Nous définissons rigoureusement chacun des seuils en mettant en évidence les différentes notions du risque de fausse alarme contrôlé suivant le seuil. Par ailleurs, nous proposons une nouvelle règle d'arrêt corrigée pour réduire le taux de fausse alarme. Nous effectuons ensuite une étude de simulation pour comparer les différents seuils et évaluer la règle d'arrêt corrigée. Nous constatons que le seuil empirique conditionnel est le meilleur pour minimiser le délai de détection tout en maintenant le risque toléré de fausse alarme. Cependant, sur des données réelles, nous recommandons d'utiliser le seuil data-driven car c'est le plus simple à construire et à utiliser pour une implémentation pratique. Dans la seconde partie, nous appliquons notre méthodologie de détection data-driven sur des signaux physiologiques, à savoir des signaux temporels enregistrés au niveau du faisceau supérieur du trapèze de 30 sujets effectuant différentes activités bureautiques. La méthodologie est sujet-activité dépendante; elle inclut l'estimation on-line des paramètres du signal et la construction du seuil data-driven sur le début du signal de chaque activité de chaque sujet. L'objectif était d'identifier des changements de régimes au cours d'une activité afin d'évaluer le niveau de sollicitation du muscle et la variabilité du signal EMG, qui sont liés à la fatigue musculaire. Les résultats obtenus ont confirmé l'aisance de notre méthodologie et la performance et praticité du seuil data-driven proposé. Par la suite, les résultats ont permis la caractérisation de chaque type d'activité en utilisant des modèles mixtes.
Fichier principal
Vignette du fichier
Manuscrit de thèse - Nassim SAHKI.pdf (4.13 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

tel-03469586 , version 1 (07-12-2021)

Identifiers

  • HAL Id : tel-03469586 , version 1

Cite

Nassim Sahki. Méthodologie data-driven de détection séquentielle de ruptures pour des signaux physiologiques. Mathématiques [math]. Université de Lorraine, 2021. Français. ⟨NNT : 2021LORR0185⟩. ⟨tel-03469586⟩
97 View
49 Download

Share

Gmail Facebook Twitter LinkedIn More