Wavelet denoising and segmentation for non-stationary signals: a reinterpretation of an iterative algorithm and application to phonoenterography. Débruitage par ondelettes et segmentation de signaux non-stationnaires: réinterprétation d’un algorithme it

Wavelet denoising and segmentation for non-stationary signals: a reinterpretation of an iterative algorithm and application to phonoenterography

Débruitage par ondelettes et segmentation de signaux non-stationnaires: réinterprétation d’un algorithme itératif et application à la phonoentérographie

R. Ranta Valérie Louis-Dorr  C. Heinrich  D. Wolf  F. Guillemin 

Centre de Recherche en Automatique de Nancy – CRAN UMR CNRS-INPL 7039, 2 av. de la Forêt de Haye, 54500 Vandoeuvre, France

Laboratoire des Sciences de l’Image, de l’Informatique et de la Télédétection – LSIIT UMR CNRS-ULP 7005, Pôle API Parc d’innovation, bd. Sébastien Brant, 67400 Illkirch-Graffenstaden, France

Centre Alexis Vautrin – CAV, av. de Bourgogne – Brabois, 54500 Vandoeuvre, France

Page: 
119-135
|
Received: 
9 April 2002
|
Accepted: 
N/A
|
Published: 
30 June 2003
| Citation

OPEN ACCESS

Abstract: 

This communication deals with wavelet-based denoising techniques of non-stationary signals, in order to extract informative events. The practical application concerns physiological bowel sounds processing, with a view to medical diagnosis and monitoring. This work continues and develops a recent publication placed in the same framework [14].

The method for separating the stationary part from the non-stationary part of a signal presented by Hadjileontiadis et al. [15, 14] stems from a denoising algorithm introduced by Coifman and Wickerhauser [6, 7]. This method involves two user-tuned parameters. We propose a novel version of this algorithm, based on a fixed-point interpretation. This modification allows to eliminate one of the parameters and to determine an inferior limit for the second, depending on the probability distribution of the wavelet coefficients. This revisited version also improves significantly the computational efficiency. We present the results and compare them with other denoising algorithms, both on simulated signals and on real bowel sounds.

Résumé

Ce travail traite du débruitage par ondelettes de signaux non-stationnaires, afin d’extraire les événements informatifs. Le cadre applicatif retenu est le traitement de sons physiologiques abdominaux, dans un but de surveillance et de diagnostic. Ce travail reprend une étude récente située dans le même cadre [14].

La méthode itérative de séparation des parties stationnaire et non-stationnaire (transitoire) d’un signal présentée par Hadjileontiadis et al. [15,14] est une adaptation au traitement des sons physiologiques de l’algorithme de débruitage initialement décrit par Coifman et Wickerhauser [6, 7]. Cette méthode exige le réglage de deux paramètres. Nous proposons une nouvelle version de l’algorithme de Hadjileontiadis et al., basée sur une interprétation de type point fixe. Cette modification nous permet de supprimer un des paramètres de réglage et de fournir une borne inférieure du second en fonction de la distribution de probabilité des coefficients d’ondelette. Cette version revisitée de l’algorithme permet également une réduction très nette du temps de calcul. Nous présentons et comparons avec d’autres algorithmes de débruitage, les résultats du traitement de signaux simulés mais également de signaux réels qui nous intéressent plus particulièrement, à savoir les sons physiologiques abdominaux.

Keywords: 

Wavelet denoising, non-stationary signals, event extraction, fixed-point algorithm, phonoenterography.

Mots clés

Débruitage par ondelettes, signaux non-stationnaires, extraction d’événements, algorithme de point fixe, phonoentérographie.

1. introduction
2. Débruitage par Ondelettes
3. Algorithme de Point Fixe
4. Conditions Générales d’Application
5. Modèles Gaussiens Généralisés
6. Application
7. Conclusion
  References

[1] M. Akay. Time frequency and wavelets in biomedical signal processing. IEEE Press Series in Biomedical Engineering. IEEE Press, 1998. 

[2] F. Auger, P. Flandrin, P. Gonçalvès et O. Lemoine. Time-frequency toolbox for use with Matlab. Tutorial. CNRS (France), Rice University (USA), 1995-1996. 

[3] S.M. Berman. Sojourns and Extremes of Stochastic Processes. Wadsworth, Reading, MA, 1989. 

[4] Bray, R. Reilly, L. Haskin et B. McCormack. Assessing motility through abdominal sound monitoring. In Proc. IEEE EMBS, pp. 2398-2400, 1997. 

[5] W. Cannon. Auscultation of the rythmic sounds produced by the stomach and intestines. Am. J. Physiol., , vol. 14, pp. 339-353, 1905. 

[6] R. Coifman et M. Wickerhauser. Adapted waveform de-noising for medical signals et images. IEEE Engineering in Medicine and Biomogy Magazine, vol. 14, n° 5, pp. 578-586, 1995. 

[7] R. Coifman et M. Wickerhauser. Experiments with Adapted Wavelet DeNoising for Medical Signals and Images. In Metin Akay, editor, TimeFrequency and Wavelets in Biomedical Engineering, pp. 323-346, 1998. 

[8] D. Donoho. De-Noising via Soft Thresholding. Technical report, Department of Statistics, Stanford University, 1992. http://www-stat.stanford.edu/∼donoho/Reports/index.html 

[9] D. Donoho et I. Johnstone. Ideal spatial adaptation via wavelet shrinkage. Biometrika, vol. 81, pp. 425-455, 1954. 

[10] D. Du Plessis. Clinical observation on intestinal motility. S. Afr. Med. J., vol. 28, pp. 27-33, 1954. 

[11] J. Farrar et F. Ingelfinger. Gastrointestinal motility as revealed by study of abdominal sounds (with discussion). Gastroenterology, vol. 29, n°5, pp.789-802, 1955. 

[12] C. Garner et H. Ehrenreich. Non invasive topographic analysis of intestinal activity in man on the basis of acoustic phenomena. Resp. Exp. Med (Berl.), vol. 189, n° 2, pp. 129-140, 1989. 

[13] M. Gaussen. L'auscultation de l'abdomen. Journal de médecine de Bordeaux, vol. 1, pp. 25-31, 1952.

[14] L. Hadjileontiadis, L. Liatsos, C. Mavrogiannis, T. Rokkas et S. Panas. Enhancement of bowel sounds by wavelet-based filtering. IEEE Trans. Biomed. Eng., vol. 47, n° 12, pp. 1269-1281, 2000.

[15] L. Hadjileontiadis et S. Panas. Separation of discontinuous adventitious sounds from vesicular sounds using a wavelet-based filter. IEEE Trans. Biomed. Eng., vol. 44, n° 7, pp. 876-886, 1997.

[16] S. Mallat. A wavelet tour of signal processing. Academic Press, 1999.

[17] G. Milton. Normal bowel sounds. Med. J. Aust., vol. 2, pp. 490-493, 1958.

[18] D. Schöbben. Generalized Gaussian PDF estimation. http://www.esp.ele.tue.nl/onderzoek/daniels/gengauss/gengauss.html

[19] J.-L. Starck et A. Bijaoui. Filtering and deconvolution by the wavelet transform. Signal Processing, vol. 35, p. 195-211, 1994.

[20] J.-L. Starck et F. Murtagh. Image restoration using wavelet transform. Astronomy and Astrophysics,n ° 288, pp. 342-348, 1994.

[21] A. Suzuki, C. Sumi, K. Nakayama et M. Mori. Real-time adaptive cancelling of ambient noise in lung sound measurement. Med. Biol. Eng. Comput., vol. 33, pp. 704-708, 1995.

[22] A. Tesei et C. Regazzon. HOS-based generalized noise PDF models for signal detection optimization. Signal Processing, vol. 65, n° 2, pp. 267-281, 1998.

[23] T. Tomomasa, A. Morikawa, R. Sandler, H. Mansy, H. Koneko, T. Masahiko, P. Hyman et Z. Itoh. Gastrointestinal sounds and migrating motor complex in fasted humans. Am. J. Roentgenol., vol. 94, n° 2, pp. 374-381, 1999.

[24] M. Unser et A. Aldroubi. A review of wavelets in biomedical applications. Proc. IEEE, vol. 84, n° 4, pp. 626-638, 1996.

[25] B. Widrow, J. Glover, J. McCool, J. Kaunitz, C. Williams, R. Hearn, J. Zeidler, E. Dong et R. Goodlin. Adaptive noise cancelling: principles and application. Proc. IEEE, vol. 63, n° 12, pp.1692-1716, 1975