Title Digital signal classification utilizing adaptive information entropy measures and machine learning : doctoral dissertation
Title (croatian) Klasifikacija digitalnih signala korištenjem adaptivnih informacijskih entropijskih mjera i strojnoga učenja : doktorski rad
Author Ana Vranković Lacković
Mentor Jonatan Lerga (mentor)
Committee member Ivo Ipšić (predsjednik povjerenstva)
Committee member Goran Mauša (član povjerenstva)
Committee member Nicoletta Saulig (član povjerenstva)
Granter University of Rijeka Faculty of Engineering Rijeka
Defense date and country 2024-05-16, Croatia
Scientific / art field, discipline and subdiscipline TECHNICAL SCIENCES Computing
Universal decimal classification (UDC ) 004 - Computer science and technology. Computing. Data processing
Abstract This thesis proposes a new approach for preprocessing method for signal classification based on blind source separation of signal components from noisy data in the timefrequency domain. The method is based on the local entropy, which is calculated within
adaptive, data-driven 2D regions. One of the advantages of the proposed technique is
that it requires no prior knowledge of the signal, its components or the noise, but the
processing is performed on the noisy signal mixtures. Furthermore, the method is robust to the selection of time-frequency distributions and entropy measures. The proposed
approach is demonstrated using several examples. The first example is synthetic signals
with different signal-to-noise ratios. This example is selected to demonstrate the usage
of the proposed method and the analysis of the results. The second example is a real
example of speech signals. This example was selected to demonstrate the ability to use
the proposed method on real-life signals. In addition, a novel entropy measure was introduced and adapted to improve the detection within the method. Finally, the method
was presented as a preprocessing tool for signal detection of seismology signals, and the
results of time-frequency representations and entropy maps were compared.
The results obtained by evaluating different machine learning models for classification
show excellent classification performance of the proposed approach, with classification
accuracy, area under the receiver operating characteristic curve, F1-score and Matthews
correlation coefficient up to 97.55%, 97.72%, 98.07% and 94.88%, respectively. Moreover,
the proposed approach significantly outperforms the model trained on the time-frequency
distributions in terms of all considered metrics, with statistical significance confirmed
by Cohran’s Q and McNemar tests. The obtained results indicate that the proposed
technique improves the classification of seismological signals and has the potential to be
extended to other practical applications of signal classification in other areas of research.
Abstract (croatian) Analiziranje nestacionarnih signala predstavlja kompleksan zadatak u različitim istraživačkim područjima zbog njihovog promjenjivog frekvencijskog spektra kroz vrijeme.
Takva analiza zahtijeva korištenje naprednih alata kako bi se istovremeno prikazali u vremenskoj i frekvencijskoj domeni, što nadilazi standardne tehnike analize signala u tim
pojedinačnim domenima. Osim toga, nestacionarni signali u stvarnim situacijama često
su višekomponentni i dodatno su izloženi šumovima iz vanjske okoline.
U ovom radu razvijena je i testirana metoda za odvajanje komponenti signala od
okolnog šuma bez da su potrebne dodatne informacije o prirodi signala i šuma. Metoda
je bazirana na adaptivnim izračunima lokalnih entropija unutar vremensko-frekvencijske
distribucije signala.
Metoda je testirana na tri različita sintetička signala. Svakom signalu dodane su tri
različite razine šuma čime se dobilo devet slučajeva. Za svaki od njih dobiveno je pet
vremensko-frekvencijskih distribucija što je razultiralo s 45 slučajeva. Za svaki slučaj
metoda je provedena koristeći tri klasične entropijske mjere i mjeru neizravne entropije
koja je bila adaptirana upravo za rad s predloženom metodom. Konačno, test je imao 180
slučajeva. Rezultati su pokazali kako predložena metoda može razdvojiti signal i šum s
točnošću od 89.8% do 99.5% za slučajeve kada je u signalu prisutno više šuma, odnosno
u odnosu signal-šum šum prevladava, te od 89.7% do 99.9% kada je šum slabiji, odnosno
signal nadjačava šum. F1 mjera se kreće izmedu 61.2% i 90.8% za slučajeve s jačim šumom
te između 64.8% i 97.3% kod slučajeva s više šuma. Ukupno gledano najbolje rezultate
ostvaruje predložena adaptacija entropijske mjere s najvišom točnošću između različitih
vremensko-frekvencijskih distribucija izmedu 94.5% i 99.9% te F1 mjerom između 78.2% i
97.3%. Nakon toga, metoda je testirana na primjeru audio signala iz javno dostupne baze
s različitim izvorima šuma i različitim odnosima signala i šuma. Dobiveni rezultati imaju točnost između 97.78% i 99.03%, preciznost između 98.94% i 99.65% te odziv između
98.96% i 99.65%.
Završni cilj je bio pokazati kako se predložena metoda može koristiti kao metoda
za predobradu signala sa svrhom klasifikacije signala. Testni slučaj je bila klasifikacija
potresa i šuma kod seizmografskih signala . Rezultati su pokazali kako korištenje entropijske mape dobivene iz predložene metode mogu poboljšati rezultate klasifikacije u odnosu
na dosad korišteni vremensko-frekvencijski prikaz signala. Postignuta su poboljšanja do
2.64% za točnost, do 2.34% poboljšanje kod površine ispod krivulje odnosa specifičnosti i
osjetljivosti, F1 mjera je poboljšana do 2.16% i Matthew-ov koeficijent korelacije je imao
povećanje do 5.38%.
Analiza dobivenih rezultata pokazuje da je predloženi pristup primjene adaptivnog
prozora za izračun lokalne entropije uspješan u odvajanju signala od šuma. Također
ukazuju i na to da je entropijska mapa dobivena predloženom metodom korisna kao
korak predobrade signala za unaprijeđenje kvalitete klasifikacije seizmoloških signala.
Predložena metoda za predobradu signala može se proširiti i za korištenje na drugim
područjima znanstvenog istraživanja različitih vrsta signala.
Keywords
entropy
time-frequency distributions
adaptive thresholding
signal classification
Keywords (croatian)
entropija
vremensko-freqvencijske distribucije
adaptivni prag
klasifikacija signala
Language english
URN:NBN urn:nbn:hr:190:848447
Promotion 2024
Study programme Title: Postgraduate University Doctoral Study in the area of Engineering Sciences, in the field of Computer Science Study programme type: university Study level: postgraduate Academic / professional title: doktor/doktorica znanosti, područje tehničkih znanosti, polje računarstvo (doktor/doktorica znanosti, područje tehničkih znanosti, polje računarstvo)
Type of resource Text
Extent IX, 160 str. ; 30 cm
File origin Born digital
Access conditions Open access
Terms of use
Created on 2024-05-22 12:51:50