Nettoyage des signaux de vibration des pas contre le bruit

Les signaux de vibration des pas peuvent nous en dire beaucoup sur ce qui se passe dans un bâtiment. Ces signaux aident à identifier qui est à l’intérieur, où ils sont, ce qu’ils font, et même à quel point la structure est saine. Cependant, les signaux que nous collectons sont souvent mélangés à du bruit à cause de diverses influences extérieures comme les sons environnementaux et l’interférence électronique. Ce bruit peut compliquer l'analyse des signaux de manière précise, ce qui peut entraîner des erreurs dans nos résultats.

#Travaux Connexes

Il y a eu pas mal de recherches sur comment nettoyer les signaux bruyants. Traditionnellement, différentes méthodes ont été utilisées pour réduire le bruit dans des trucs comme la parole, les sons d’animaux et les signaux cardiaques. Ces méthodes se classent généralement en deux catégories : techniques traditionnelles et techniques d'apprentissage profond.

Les méthodes traditionnelles incluent des choses comme le filtrage et les approches statistiques. Par exemple, une technique courante est le filtrage de Wiener, qui aide à éliminer le bruit sur la base de certaines hypothèses sur le son. En revanche, les méthodes d'apprentissage profond sont devenues populaires ces dernières années parce qu'elles peuvent gérer des environnements de bruit changeants et complexes. Divers modèles de réseaux neuronaux ont été créés pour nettoyer les signaux, comme RNNoise, Demucs, et DCCRN, qui ont montré de super résultats dans le nettoyage des signaux.

Notre objectif est de réduire le bruit des signaux causés par les pas. On regarde deux types de bruit : le bruit stationnaire, qui est constant et peut inclure des trucs comme du bruit blanc, et le Bruit non stationnaire, qui change fréquemment, comme des sons d'objets tombant ou des portes se fermant.

Comme on ne peut pas accéder facilement à un signal de vibration propre sans bruit, on a utilisé une méthode de simulation pour créer des signaux de haute qualité et ensuite on y a ajouté des types de bruit standards pour notre entraînement et nos tests. On a aussi collecté des données réelles en enregistrant les vibrations causées par des objets frappant le sol.

#Ensembles de Données Synthétiques

Pour générer les signaux de vibration, on a utilisé un outil appelé Abaqus pour construire un modèle qui simule les vibrations qui se produisent quand quelque chose frappe le sol. On a ajusté différentes choses dans le modèle, comme où on plaçait le capteur et combien le sol était épais. Ça nous a permis de créer divers signaux.

En utilisant les signaux propres de cette simulation, on a ajouté du bruit gaussien pour imiter des situations réelles. Chaque ensemble de signaux contenait environ 1 million de points de données, ce qui était trop pour notre modèle, alors on les a divisés en plus petits morceaux de 500 points. Au total, on a fini avec environ 112,224 segments de données.

Comme utiliser Abaqus peut être cher, on a aussi utilisé d'autres méthodes. En utilisant un solveur de SciPy, on a créé un autre ensemble de 100,000 signaux de séries temporelles synthétiques avec bruit ajouté. Cette approche a simplifié le modèle physique de la façon dont les sols vibrent quand des pas sont présents.

De plus, on a collecté des données réelles du sol. On a enregistré 900 signaux de vibration causés par des objets frappant le sol et 900 autres par des pas. Il y a aussi un ensemble de données qui contient du bruit musical collecté pendant qu'un haut-parleur jouait de la musique près du capteur. Cet ensemble de données nous a aidés à créer une image plus claire de comment séparer les signaux utiles du bruit.

#Tâches, Méthodes et Résultats

#Tâche 1 : Réduction du Bruit Stationnaire

Pour le bruit stationnaire comme le bruit gaussien, on a conçu un modèle de réseau neuronal récurrent (RNN) pour filtrer le bruit de nos données synthétiques. On a entraîné le modèle avec une fonction de perte pour mesurer sa performance. Après quelques entraînements, on a vu une chute significative de la perte, montrant que le modèle s'améliorait dans le nettoyage des signaux.

Pour améliorer encore notre méthode, on a expérimenté avec l'ajout de caractéristiques du domaine fréquentiel, qui capture plus de détails sur les vibrations. En utilisant un LSTM bidirectionnel (un type de RNN), nos résultats ont montré une amélioration marquée dans le nettoyage des signaux bruyants par rapport à notre modèle initial.

#Tâche 2 : Réduction du Bruit Non-Stationnaire

On a ensuite regardé comment gérer le bruit non-stationnaire comme les sons d’objets tombant. Au départ, on a supposé que les vibrations des pas et des objets n'interféraient pas l'une avec l'autre. Ça nous a permis de construire un simple réseau de neurones convolutionnels (CNN) pour classifier les deux types de vibrations. Le modèle a très bien fonctionné, atteignant une précision de 99%.

Dans un autre scénario, on a considéré un bruit qui se chevauche avec des sons de musique. Pour ça, on a utilisé un U-Net, qui est une architecture de réseau spécifique connue pour son efficacité dans des tâches comme ça. Après avoir ajusté nos hyperparamètres, on a observé une chute significative de l'erreur après le processus de nettoyage, démontrant la capacité du réseau à séparer efficacement les signaux.

#Tâche 3 : Réduction Générale du Bruit avec RNNoise

On a aussi investigué RNNoise, un modèle à l'origine conçu pour améliorer la clarté vocale face aux bruits de fond. Bien que ce modèle soit destiné à la voix, on voulait voir à quel point il pouvait nettoyer nos signaux de vibration aussi. En mélangeant des signaux propres avec du bruit, on a créé les données d’entraînement pour RNNoise.

On a testé à quel point RNNoise fonctionnait sur les signaux avec des bruits gaussiens et musicaux. Nos découvertes ont montré que RNNoise faisait un bon job, surtout avec le bruit gaussien, mais il avait du mal avec le bruit musical à cause de sa nature imprévisible. Quand on a écouté la sortie nettoyée, on a remarqué une nette réduction du bruit gaussien, mais un peu de bruit musical était encore présent.

#Résumé et Conclusion

Dans ce travail, on a examiné diverses méthodes pour nettoyer les signaux de vibration causés par des pas. On s'est concentré sur deux types principaux de bruit : le bruit stationnaire et le bruit non-stationnaire.

Pour le bruit stationnaire, on a réussi à utiliser un modèle RNN qui employait des techniques de dropout pour réduire efficacement le bruit. De plus, on a exploré des modèles LSTM bidirectionnels qui incorporaient des caractéristiques du domaine fréquentiel, menant à des performances encore meilleures.

En traitant les bruits non-stationnaires, on a différencié entre le bruit qui ne se chevauchait pas avec les signaux et celui qui le faisait. Le modèle CNN que l’on a utilisé pour la première situation a atteint une haute précision, tandis que le modèle U-Net a prouvé son efficacité à séparer le bruit musical des signaux utiles.

Enfin, on a exploré RNNoise pour une réduction générale du bruit, montrant qu'il pouvait considérablement réduire les taux d'erreur et améliorer la clarté de nos signaux de vibration. Tout au long de ce projet, on a démontré le potentiel des méthodes d'apprentissage profond dans le nettoyage efficace des signaux de vibration, ouvrant la voie à de meilleures applications de cette technologie dans des situations réelles.