Contribution to the Berkner Scheme for the Approximation of the Continuous Wavelet Transform: Application to the Measure of the Latency Time of the Genioglossus Muscle. Contribution au Schéma Hiérarchique de Berkner pour L’Approximation de la Transformée

Contribution to the Berkner Scheme for the Approximation of the Continuous Wavelet Transform: Application to the Measure of the Latency Time of the Genioglossus Muscle

Contribution au Schéma Hiérarchique de Berkner pour L’Approximation de la Transformée en Ondelettes: Application à la Mesure Électromyographique du Temps de Latence du Muscle Génioglosse

S. Meignen P.Y. Guméry  H. Roux-Buisson 

Laboratoire LMC-IMAG, 51, rue des mathématiques, B.P. 53, 38041 Grenoble cedex 9.

Laboratoire TIMC-IMAG, Bâtiment Jean Roget, Domaine de La Merci, 38700 La Tronche

Page: 
375-388
|
Received: 
14 January 2002
| |
Accepted: 
N/A
| | Citation

OPEN ACCESS

Abstract: 

The continuous wavelet transform is widely used in signal processing. It enables to choose significant scales with respect to detection and localization purposes. Berkner transform is an approximation of the continuous wavelet transform for which we propose an original synthesis formula. We then build a detector of reflex activity in EMG signals using Berkner transform. The significant scales are determined through the use of the reconstruction formula. The electromyographic measurement of the reflex activity of the genioglossus muscle under stimulation is of great interest for the study of sleep apnea. The reflex activity is a complex mixture of unpredictable nonstationary events that are surimposed on a stationary background containing noisy transients. The detector of reflex activity we propose is both robust and accurate. We end up the paper with a statistical analysis of the detector performances on synthetic signals and we give an illustration of the method on real signals.

Résumé

La transformée continue en ondelettes est un outil trés utilisé pour la détection de transitions dans les signaux. Elle permet un choix souple des échelles pertinentes vis à vis des objectifs de détection et de localisation des événements. Nous introduisons ici une approximation de la transformée continue en ondelettes, la transformée de Berkner, pour laquelle nous proposons une formule de reconstruction originale du signal. Nous appliquons ensuite cette transformée à la construction d'un détecteur d'événements réflexes dans les signaux EMG. Les échelles pertinentes utilisées par le détecteur sont sélectionnées en utilisant la formule de reconstruction. La mesure électromyographique (EMG) du temps de latence réflexe du muscle génioglosse en réponse à l'application d'une pression pharyngée négative est d'un grand intérêt dans l'étude physiopathologique du syndrome d'apnée du sommeil. Cette activité réflexe est un mélange complexe de signaux transitoires non prédictibles apparaissant dans une activité de fond stationnaire bruitée par des transitoires parasites. Le détecteur proposé permet une détection robuste de l'événement réflexe et une estimation précise du temps d'occurrence. Une analyse statistique des performances du détecteur sur signaux synthétiques est présentée ainsi qu'une illustration de détection sur des EMG réels.

Keywords: 

Multiscale decomposition, Berkner transform, EMG signals, maxima lines, detection, transients. 

Mots clés

Décomposition multi-échelles, transformée de Berkner, signaux EMG, lignes de maxima, détection, transitoires.

1. Introduction
2. Transformée de Berkner
3. Algorithme de Détection de L’événement EMG Réflexe et D’estimation du Temps de Latence
4. Analyse des Performances sur Signaux Synthétiques sans Transitoires Parasites
5. Influence des Artefacts sur la Détection de L’événement Réflexe et L’estimation du Temps de Latence
6. Conclusion
Annexe 1
  References

[1] P. Abry, P. Flandrin, « Multiresolution transient detection », Proceedings IEEE-SP Int. Symp. Time-Freq. Time-Scale Anal., Philadelphia, 1994, p. 225-228. 

[2] N.S. Arikidis, E.W. Abel and A. Forster, « Interscale wavelet maximum – A fine to coarse algorithm for wavelet analysis of the EMG interface pattern », IEEE Transcations on Biomedical Engineering, Vol. 49, 2002, p. 337-343. 

[3] P.Y. Arques, « Décision en traitement du signal », Collection CNET/ENST, Ed. Masson, 1979. 

[4] K. Berkner, R.O. Wells, « A new hierarchical scheme for approximating the continuous wavelet transform with applications to edge detection », IEEE Signal Processing Letters, Vol. 6, 1999, p. 193-195. 

[5] K. Berkner, R. O. Wells, « A fast Approximation to the continuous wavelet transform with Applications », Proceedings of the Asimolar, 1997. 

[6] M. Dematteis, J.L. Pepin, M. Jeanmart, C. Deschaux, A. Labarre-Vila, P. Levy, « Systematic association between Charcot-Marie-Tooth Desease 5CMTA and sleep apnea syndrome, a family study », Lancet, Vol. 357, p. 267-272, 2001. 

[7] B. Friedlander, B. Porat, « Adaptative detection of transient signals », IEEE Trans. ASSP, Vol. 34, 1986, p. 1410-1418. 

[8] B. Friedlander, B. Porat, « Performance analysis of transient detectors based on a class of linear data transforms », IEEE Trans. Information Theory, Vol. 38, 1992, p. 665-673. 

[9] M. Frisch, H. Messer, « The use of wavelet transform in the detection of an unknown transient signal », IEEE Transactions on Information Theory, Vol. 38, 1992, p. 892-897. 

[10] C. Li, C. Zheng, C. Tai, « Detection of ECG characteristic points using wavelet transforms », IEEE Transactions on Biomedical Engineering, Vol. 42, 1995, p. 21-29.

[11] M. Khalil, J. Duchene, « Uterine EMG analysis : a dynamic approach for change detection and classification », IEEE Transactions on Biomedical Engineering, Vol. 47, 2000, p. 748-756. 

[12] M. Khalil , J. Duchene, « Detection and classification of multiple events in piecewise stationnary signals : comparison between autoregressive and multiscale approaches », Signal Processing, Vol. 75, 1999, p. 239-251. 

[13] M. Khalil, J. Duchene, C. Marque, H. Leman, « Detection and classification in uterine electromyography by multiscale representation », in PRoc. XIXth IEEE-EMBS Conf., Chicago, IL, Oct 28-Nov. 02 1997, p. 16061608.

[14] T.T. Liu, A.C. Fraser-Smith, « Detection of transients in 1/f noise with the undecimated discrete wavelet trasnform », IEEE Transactions on signal processing, Vol. 48, 2000, p. 1458-1462. 

[15] S. Mallat, W.L. Hwang, « Singularity detection and processing with wavelets », IEEE Transactions on Information Theory, Vol. 38, 1992, p. 617-643.

[16] S. Mallat, S. Zhong, « Characterization of signals from multiscale edges », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 14, 1992, p. 710-732. 

[17] S. Meignen, P-Y. Gumery, « A new algorithm for continuous wavelet transform ridges with application to localization of transitions in signals », submitted. 

[18] L. Senhadji, J.J. Bellanger , G. Carraut, « Détection temps échelle d’évenements paroxytiques intercritiques en électroencéphalogramme » Traitement du signal, Vol. 12, 1995, p. 357-371. 

[19] N.V. Thakoz, G. Xin-Rong, D.F. Hanley, « Multiresolution wavelet analysis of evoked potentials », IEEE Trans. Biomed. Eng., Vol. 40, 1993, p. 1085-1094.