Time-Frequency Analysis of Non-Uniformly Sampled Signals via Sample Density Adaptation

Résumé Technique : Analyse Temps-Fréquence de Signaux Échantillonnés de Manière Non Uniforme via l'Adaptation de la Densité d'Échantillonnage

Énoncé du Problème
L'analyse de signaux non stationnaires au sein de données échantillonnées de manière non uniforme présente un défi important en traitement du signal. Les jeux de données réels provenant de domaines tels que l'astronomie, la géophysique et la biomédecine présentent souvent un échantillonnage clairsemé, des lacunes ou des intervalles de temps irréguliers ($t_{i+1} - t_i \neq \text{constante}$). Les approches existantes font face à des limitations distinctes :

1. Interpolation : La conversion de données non uniformes vers une grille uniforme pour appliquer des techniques standards (par exemple, la transformée de Fourier à fenêtre glissante, la S-transforme standard) peut introduire des artefacts significatifs.
2. Méthodes d'Intégration Temporelle : Les techniques telles que le périodogramme de Lomb-Scargle généralisé (GLS) offrent une évaluation statistique robuste des périodicités persistantes dans les données non uniformes, mais manquent de résolution temporelle, ce qui les rend aveugles aux événements transitoires ou aux dérives de fréquence.
3. Méthodes Temps-Fréquence à Fenêtre Fixe : Les approches temps-fréquence existantes appliquées aux données non uniformes reposent souvent sur des fenêtres de durée fixe ou ignorent la densité locale des échantillons. Cela conduit à des estimations peu fiables, particulièrement dans les régions à échantillonnage clairsemé où une fenêtre fixe étroite peut contenir un nombre insuffisant de points de données pour une estimation spectrale stable.

Méthodologie : La S-Transform Non Uniforme (NUST)
Les auteurs introduisent la S-Transform Non Uniforme (NUST), un cadre temps-fréquence conçu pour synthétiser la robustesse statistique du périodogramme GLS avec les principes de multi-résolution adaptative de la S-transforme. L'innovation centrale est un schéma de fenêtrage doublement adaptatif qui opère directement sur des données échantillonnées de manière non uniforme sans interpolation.

La méthodologie NUST se compose de deux composantes primaires :

1. Estimation de la Densité d'Échantillonnage :
   Pour quantifier la densité locale des données, la méthode emploie l'estimation par noyau (KDE). Une fonction de densité continue $\rho(t)$ est estimée à partir des échantillons de temps discrets $\{t_i\}$ en utilisant un noyau gaussien et un hyperparamètre de largeur de bande $h$. Cela permet à l'algorithme d'identifier les régions d'échantillonnage dense versus clairsemé.

2. Fenêtrage Doublement Adaptatif et GLS Localisé :
   Contrairement à la S-transforme standard, où la largeur de la fenêtre gaussienne $\sigma$ varie uniquement avec la fréquence ($\sigma \propto 1/|f|$), la NUST définit un écart-type adaptatif $\sigma_{\text{adaptive}}(\tau, f)$ qui dépend à la fois de la fréquence et de la densité locale des échantillons :
   $$\sigma_{\text{adaptive}}(\tau, f) = \frac{\alpha}{|f| \cdot [\rho(\tau)]^\gamma}$$
   Ici, $\alpha$ définit la largeur de base, et $\gamma$ contrôle la sensibilité aux changements de densité.

• Adaptation en Fréquence : Les hautes fréquences utilisent des fenêtres plus étroites pour une meilleure résolution temporelle ; les basses fréquences utilisent des fenêtres plus larges pour une meilleure résolution fréquentielle.
• Adaptation en Densité : Dans les régions de faible densité, la fenêtre s'élargit pour collecter suffisamment de points de données pour un ajustement stable. Dans les régions de haute densité, elle se contracte pour fournir des détails temporels plus fins.

La puissance spectrale à un point temps-fréquence spécifique $(\tau, f)$ est calculée en appliquant une analyse de Lomb-Scargle généralisée (GLS) localisée. Un modèle sinusoïdal $y(t) = a \cos(2\pi ft) + b \sin(2\pi ft) + c$ est ajusté aux données à l'intérieur de la fenêtre adaptative. Le processus d'ajustement utilise des poids combinés $W_i$ qui tiennent compte à la fois de l'incertitude intrinsèque de mesure ($1/\sigma_i^2$) et de la valeur de la fenêtre gaussienne adaptative à chaque point d'échantillonnage. Le résultat est la puissance normalisée $p(\tau, f)$, représentant la qualité de l'ajustement par rapport à un modèle à décalage constant.

Contributions Clés

• Développement de Cadre : La formulation de la NUST, qui remplace le noyau de Fourier de la S-transforme par une analyse GLS localisée, permettant le traitement direct des données non uniformes.
• Mécanisme Adaptatif : L'introduction d'une largeur de fenêtre qui s'ajuste dynamiquement en fonction de la densité locale des échantillons, répondant à l'instabilité des estimations spectrales dans les régions de faible échantillonnage.
• Validation : Tests complets sur des signaux synthétiques et des données astronomiques réelles.

Résultats Expérimentaux
Les auteurs ont validé la NUST par rapport au périodogramme GLS et à la S-transforme standard (appliquée à des données interpolées comme vérité terrain) en utilisant quatre types de signaux synthétiques : signaux multi-transitoires, chirps transitoires, bouffées (bursts) transitoires et signaux avec lacunes centrales.

• Données Synthétiques : La NUST a réussi à localiser les caractéristiques transitoires et non stationnaires tant en temps qu'en fréquence, correspondant étroitement aux spectrogrammes de la S-transforme de référence. En revanche, le périodogramme GLS a produit des pics ambigus en moyennant la puissance sur toute la durée, échouant à capturer le comportement transitoire.
• Robustesse : Des tests avec des réalisations d'échantillonnage non uniforme aléatoire et des rapports signal sur bruit (SNR) variables ont démontré que la NUST récupère systématiquement les structures temps-fréquence. Les limites de détection ont été observées à un SNR faible (0,8), où les composantes de basse fréquence ont commencé à fusionner avec le plancher de bruit.
• Application Réelle (HD 10180) : Appliquée aux données de vitesse radiale HARPS du système multi-planétaire HD 10180, la NUST a réussi à distinguer les signaux planétaires cohérents de l'activité stellaire.
  • Pour la planète C à haute fréquence, la NUST a révélé une trace horizontale stable, résolvant l'ambiguïté causée par des pics de bruit proches dans le périodogramme GLS.
  • Pour la planète D à basse fréquence, la NUST a visualisé son comportement temporel, montrant qu'il est moins constant et par intermittence plus faible que celui de la planète C. Les auteurs notent que bien que des fenêtres larges soient nécessaires pour la résolution des basses fréquences (approchant le comportement GLS), la méthode fournit tout de même un contexte diagnostique précieux pour séparer les signaux planétaires du bruit stellaire transitoire.

Signification et Revendications
L'article affirme que la NUST constitue un outil de diagnostic puissant pour l'analyse de signaux non stationnaires dans les ensembles de données non uniformes en ajoutant le contexte temporel absent des périodogrammes standards. Il soutient que la méthode surmonte les limitations des méthodes intégrées dans le temps (aveugles aux transitoires) et des méthodes à fenêtre fixe (instabilité dans les régions de faible densité). Les auteurs positionnent la NUST comme une alternative supérieure pour caractériser les signaux transitoires, localisés ou à fréquence variable dans des domaines comme l'astronomie, où les lacunes de données et l'échantillonnage irrégulier sont prédominants. Le travail conclut en suggérant une généralisation future incluant les ondelettes pour le traitement des données non uniformes.