De nombreux signaux du monde réel, tels que les indices climatiques, les enregistrements biomédicaux, l'imagerie médicale, ne restent pas figés. Leur caractère évolue au fil du temps : le rythme cardiaque s'accélère pendant l'effort, puis ralentit ; les températures de surface des océans oscillent avec les saisons mais changent également sur des décennies. Il s'agit de signaux non stationnaires.
La transformée en ondelettes est un outil mathématique conçu pour les traiter. Elle décompose un signal en composantes localisées à la fois dans le temps et à l'échelle, révélant précisément quand un motif particulier apparaît et sur quelle durée ou étendue il opère.
Contrairement à une analyse de Fourier conventionnelle qui décompose un signal en ondes sinusoïdales infinies, la transformée en ondelettes continue (CWT) construit une représentation temps-échelle à l'aide de copies adaptées à l'échelle et translatées d'une seule onde prototype. Cet article présente la logique de la CWT, comment choisir une ondelette mère, calculer et interpréter le scalogramme résultant, ainsi que ce que des décennies d'application ont démontré, sans oublier les limites inhérentes à la méthode.
Qu'est-ce qu'une transformée en ondelettes ?
Une transformée en ondelettes est une méthode mathématique permettant d'analyser un signal à plusieurs échelles. Au lieu de représenter l'intégralité du signal uniquement par des composantes sinusoïdales globales, elle compare le signal à des fonctions courtes appelées ondelettes. Ces fonctions sont décalées le long du signal et dilatées ou compressées pour révéler des motifs locaux.
Le résultat est une collection de coefficients. Chaque coefficient indique à quel point le signal ressemble à une ondelette particulière à une position et à une échelle données. Les petites échelles mettent généralement l'accent sur les changements rapides et les détails fins, tandis que les grandes échelles décrivent des variations plus lentes et une structure plus large.
Ce comportement local constitue la distinction centrale entre l'analyse en ondelettes et de nombreuses méthodes fréquentielles conventionnelles. Une transformée de Fourier peut montrer quelles fréquences sont présentes, mais une transformée en ondelettes peut également indiquer où ces caractéristiques se produisent. Cela la rend particulièrement adaptée aux transitoires, aux discontinuités, aux bouffées, aux fronts et à d'autres événements dont la chronologie est cruciale.
Transformée en ondelettes continue : comment ça marche
Au cœur de la CWT se trouve une fonction oscillante unique et localisée appelée l'ondelette mère, notée ψ(t). Vous n'avez pas besoin de décomposer le signal en un ensemble fixe de sinusoïdes. Au lieu de cela, vous générez une famille d'ondelettes en étirant (changement d'échelle) et en faisant glisser (translation) ce prototype unique. La CWT à l'échelle a et à la position b est le produit interne du signal x(t) avec une ondelette qui a été mise à l'échelle par a et décalée par b :
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
Le facteur 1/√a normalise l'énergie à travers les échelles. Lorsque a est petit, l'ondelette est compressée et capte les changements brefs et rapides. Lorsque a est grand, l'ondelette est étirée et capture les ondulations lentes et larges. La translation b déplace l'ondelette le long de l'axe temporel, de sorte que l'analyse glisse du début à la fin.
La sortie est une fonction bidimensionnelle du temps et de l'échelle qui peut être affichée sous forme de scalogramme. En 1988, des chercheurs tels qu'Ingrid Daubechies ont formalisé l'idée fondamentale de l'analyse multirésolution pour les ondelettes discrètes, prouvant que des bases orthonormées d'ondelettes à support compact peuvent être construites avec une grande régularité. La CWT hérite de ce principe fondamental de mise à l'échelle et de décalage, mais sans exiger de base orthogonale : vous pouvez utiliser n'importe quelle ondelette mère qui satisfait à une condition d'admissibilité simple, ce qui rend la transformée inversible.
Cette construction confère aux ondelettes leur force caractéristique. Comme une ondelette mère est une impulsion brève de type onde, elle se focalise naturellement sur les événements transitoires. La mise à l'échelle et le décalage offrent à eux seuls une vue simultanée du temps et de l'échelle, ce que l'approche de Fourier à fenêtre fixe ne peut égaler sans imposer un compromis artificiel entre la résolution temporelle et fréquentielle.
Qu'est-ce que la transformée en ondelettes discrète ?
La transformée en ondelettes discrète, ou DWT, échantillonne les paramètres d'échelle et de translation sur une grille structurée plutôt que d'évaluer chaque valeur possible. Dans les constructions courantes, les échelles et les positions changent de manière dyadique, souvent par puissances de deux. Cela produit un ensemble compact de coefficients tout en conservant l'information à plusieurs résolutions.
La DWT est généralement implémentée avec des paires de filtres passe-bas et passe-haut. La branche passe-bas conserve une approximation lissée du signal, tandis que la branche passe-haut capture les détails. Le sous-échantillonnage réduit ensuite le nombre d'échantillons à chaque niveau, et la branche d'approximation peut être décomposée à nouveau.
Cette structure en banc de filtres rend la DWT efficace pour les données numériques finies. Elle permet également la reconstruction lorsque les filtres d'analyse et de synthèse sont correctement conçus.
Les applications comprennent le débruitage, la compression, la détection d'événements et l'extraction de caractéristiques multi-échelles, bien que l'interprétation des coefficients reste dépendante de l'échantillonnage, du traitement des frontières et du choix de l'ondelette.
Explication de la transformée en ondelettes discrète
La DWT représente un signal échantillonné à l'aide de coefficients d'approximation et de coefficients de détail à des niveaux successifs. Au premier niveau, le signal est séparé en un contenu large, variant lentement, et en détails variant plus rapidement. La répétition de l'opération sur l'approximation crée une hiérarchie de résolutions.
Contrairement à la CWT, la DWT ne produit normalement pas de coefficients pour chaque position et échelle continues. Son échantillonnage structuré réduit la redondance et le coût de calcul. Cela la rend pratique pour les grands tableaux, le traitement en temps réel et les systèmes de compression.
Le niveau de décomposition détermine jusqu'où progresse l'analyse. Un nombre insuffisant de niveaux peut masquer la structure globale, tandis qu'un nombre excessif peut produire des coefficients difficiles à interpréter ou fortement influencés par la longueur du signal et les conditions aux limites. La profondeur utile est donc une propriété des données et de l'objectif analytique, et non une constante universelle.
Étapes de l'algorithme de la transformée en ondelettes discrète DWT
Une DWT standard procède par filtrage et sous-échantillonnage répétés. L'opération de base est simple, mais chaque étape affecte la représentation qui suit.
Sélectionner une famille d'ondelettes et le niveau de décomposition souhaité.
Passer le signal à travers un filtre passe-bas pour obtenir les échantillons d'approximation.
Passer le même signal à travers un filtre passe-haut pour obtenir les échantillons de détail.
Sous-échantillonner les deux sorties et répéter le processus sur la branche d'approximation.
Stocker les coefficients et reconstruire le signal au besoin.
L'arbre de coefficients qui en résulte sépare la structure grossière des détails de plus en plus fins. En pratique, la reconstruction peut être utilisée pour tester si les coefficients sélectionnés préservent les caractéristiques du signal pertinentes pour l'analyse.
Transformée en ondelettes de Haar : l'ondelette la plus simple
L'ondelette de Haar est l'ondelette la plus simple utilisée. Elle est constante par morceaux car elle prend une valeur sur une partie d'un court intervalle et la valeur opposée sur une autre partie, avec une moyenne nulle. Sa forme abrupte la rend naturellement sensible aux sauts et aux transitions de type échelon.
Pour une courte paire d'échantillons, la transformée de Haar peut être comprise comme le calcul d'une moyenne et d'une différence. La moyenne devient une approximation grossière, tandis que la différence enregistre le changement local. La répétition de cette opération crée une représentation multiniveau avec une interprétation particulièrement claire.
L'ondelette de Haar est peu coûteuse en termes de calcul et facile à expliquer, mais elle n'est pas lisse. Les signaux dominés par des oscillations progressives peuvent être représentés de manière moins efficace qu'avec des ondelettes plus douces. Sa valeur est maximale lorsque la simplicité, la rapidité de calcul ou la sensibilité aux discontinuités l'emportent sur une sélectivité fréquentielle lisse.
Choisir une ondelette mère
Toute petite ondulation ne peut prétendre au titre d'ondelette mère. La fonction doit satisfaire à la condition d'admissibilité, ce qui signifie essentiellement qu'elle a une moyenne nulle et une énergie finie : elle oscille au-dessus et en dessous de zéro et s'amortit pour finir par s'annuler en dehors d'un court intervalle.
Au-delà de cette exigence, vous êtes libre de choisir une forme qui correspond au type de caractéristiques attendues dans vos données. Le choix n'est pas automatique, mais l'expérience pratique suggère quelques heuristiques :
Similarité de forme. Si votre signal contient des bouffées oscillatoires, une ondelette de Morlet (une onde sinusoïdale complexe enveloppée dans une gaussienne) fonctionne souvent bien car elle ressemble à une oscillation localisée. Pour des transitoires pointus et brusques, une ondelette chapeau mexicain (la dérivée seconde d'une gaussienne) ou une ondelette à support compact peut isoler les fronts et les pics plus nettement.
Compromis de résolution temps-échelle. Une ondelette plus longue offre une distinction plus fine entre les échelles proches mais estompe le moment exact où une caractéristique se produit. Une ondelette plus courte localise précisément le temps mais mélange les échelles. C'est le compromis inévitable de l'analyse localisée, et non un défaut.
Ondelettes réelles ou complexes. Une ondelette mère à valeur réelle (par exemple, le chapeau mexicain) fournit uniquement des informations sur l'amplitude. Une ondelette complexe (par exemple, Morlet) fournit à la fois l'amplitude et la phase, ce qui peut être essentiel si vous souhaitez examiner ultérieurement les relations temporelles entre deux signaux par le biais de la cohérence en ondelettes croisées.
Les bases orthonormées d'ondelettes à support compact construites dans l'étude de Daubechies sont destinées aux tâches de reconstruction parfaite discrète. Pour la CWT, vous n'êtes pas lié à l'orthonormalité, vous pouvez donc librement sélectionner des ondelettes non orthogonales si elles correspondent mieux à la morphologie de votre signal.
Néanmoins, un support compact et la régularité restent souhaitables car ils peuvent réduire l'effet de bord et fournir des transformées nettes.
Calculer la transformée en ondelettes continue
En pratique, la CWT est approximée en effectuant le produit de convolution du signal avec des copies à l'échelle et inversées dans le temps de l'ondelette mère. Les signaux étant finis, l'ondelette dépasse inévitablement des limites des données lorsqu'elle s'approche du début ou de la fin de l'enregistrement. Ces zones de bordure produisent des valeurs faussées ; le cône d'influence (COI) délimite la région temps-échelle où les effets de bord rendent l'analyse peu fiable. Toute caractéristique qui pénètre dans le COI doit être traitée avec méfiance.
Pour construire un scalogramme, les échelles sont généralement échantillonnées sous forme de puissances fractionnaires de deux afin de couvrir une plage qui correspond à la durée du signal. Le calcul du carré de la magnitude des coefficients de la CWT donne la puissance de l'ondelette, qui est ensuite représentée sous forme de carte de couleurs avec le temps sur un axe et l'échelle sur l'autre.
Interpréter les scalogrammes
Un scalogramme est le principal support visuel de l'analyse en ondelettes. Les régions lumineuses correspondent à une puissance d'ondelette élevée ; ce sont des endroits où le signal présente une composante forte à une échelle et à un moment particuliers.
Cependant, toutes les zones d'activité intense ne sont pas significatives. Pour distinguer les véritables caractéristiques des fluctuations aléatoires, les chercheurs effectuent souvent des tests de signification statistique par rapport à des bruits de fond théoriques : le bruit blanc (qui répartit la puissance uniformément) et le bruit rouge (qui concentre la puissance sur les basses fréquences, comme le font de nombreux processus naturels). En comparant la puissance observée au 95e centile du spectre de fond, vous pouvez identifier les époques et les échelles qui ont peu de chances d'être le fruit du hasard.
Un lissage temporel, fréquentiel (en échelle) ou les deux peut accroître la fiabilité de ces caractéristiques.
Limites connues et mises en garde concernant la CWT
Aucun outil mathématique n'est exempt de points faibles, et la CWT ne fait pas exception. Le choix de l'ondelette mère est à la fois une source de flexibilité et un risque. Il n'existe pas de procédure automatique garantissant l'ondelette optimale pour un signal inconnu.
Un choix inapproprié (par exemple, une ondelette de Morlet longue pour un signal riche en pics acérés) peut estomper les caractéristiques ou créer des artefacts trompeurs sur le scalogramme. Même lorsque les expérimentateurs trouvent une correspondance satisfaisante à l'œil nu, l'analyse conserve une part de subjectivité.
Les effets de bord sont une réalité physique liée aux données finies. Les grandes échelles poussent l'ondelette bien au-delà des limites, de sorte que le COI peut engloutir une grande partie du scalogramme aux échelles les plus grossières. Tout événement déduit des marges doit être considéré comme provisoire. Les tests de signification, bien que rigoureux, reposent sur des modèles de bruit présumés qui peuvent ne pas s'appliquer à tous les ensembles de données.
Face à un nouvel ensemble de données, la démarche la plus claire combine un raisonnement physique sur la structure attendue du signal avec des vérifications statistiques prudentes, et l'acceptation lucide du fait que le scalogramme est une carte indicative et non un plan anatomique définitif.
Utilisation de la transformée en ondelettes pour l'analyse de l'EEG
L'électroencéphalographie enregistre les variations de tension au cours du temps, et ces variations contiennent souvent des rythmes superposés, des événements transitoires et des comportements non stationnaires. Une transformée en ondelettes peut représenter ces composantes à travers le temps et l'échelle, ce qui la rend utile pour examiner le moment d'apparition de motifs particuliers. Cette méthode est donc pertinente pour les neurosciences et pour l'analyse des enregistrements EEG.
Dans les travaux sur l'EEG, les coefficients peuvent être synthétisés par échelle, intervalle de temps, canal ou condition d'événement. Ces synthèses peuvent soutenir la recherche sur les rythmes, les réponses évoquées, les transitoires liés aux crises, les profils de sommeil ou la structure des artefacts. La transformée elle-même ne diagnostique pas un trouble cérébral ; l'interprétation nécessite une acquisition appropriée, un prétraitement, des groupes de comparaison et une expertise dans le domaine.
Le prétraitement reste primordial. Les artefacts d'électrodes, les mouvements oculaires, l'activité musculaire, les choix de référence, le filtrage, les données manquantes et les effets de bord peuvent tous altérer les coefficients d'ondelettes. Les résultats sont également sensibles à la correspondance fréquence-échelle et au fait que l'ondelette sélectionnée ressemble ou non à la morphologie temporelle étudiée.
Outils et logiciels pour le calcul des transformées en ondelettes
Les transformées en ondelettes peuvent être calculées avec des bibliothèques numériques, des environnements de programmation scientifique et des logiciels spécialisés dans le traitement du signal. Le choix approprié dépend de l'objectif : enseignement, visualisation exploratoire, traitement par lots, calcul embarqué ou recherche reproductible.
Un outil utile doit exposer clairement les paramètres de la transformée plutôt que de les masquer derrière une unique commande par défaut.
Un flux de travail typique charge et valide les données échantillonnées, choisit une ondelette, calcule la CWT ou la DWT, inspecte les coefficients et évalue la reconstruction ou les caractéristiques en aval. La répétition du flux de travail avec des modifications contrôlées des paramètres permet de vérifier si le résultat est stable. La documentation et l'historique des versions sont importants lorsque de petites différences d'implémentation affectent la valeur des coefficients.
Pour un travail fiable, l'évaluation des logiciels inclut souvent la précision numérique, la prise en charge des données multidimensionnelles, les options de gestion des frontières, le tracé graphique, le coût de calcul et l'interopérabilité. Le code doit également préserver la fréquence d'échantillonnage et l'historique du prétraitement, car des coefficients sans ce contexte sont difficiles à reproduire ou à interpréter.
Pourquoi l'analyse en ondelettes est essentielle pour la lecture des signaux non stationnaires
L'apport fondamental de la transformée en ondelettes est que l'identité d'un signal se comprend mieux non pas comme une liste statique de fréquences, mais comme une carte dynamique révélant quand les motifs apparaissent et combien de temps ils durent. Cette vision temps-échelle a fait ses preuves dans des conditions réelles. Pourtant, ces succès s'accompagnent toujours d'une mise en garde : l'analyse n'est fiable que dans la mesure des choix effectués avant même que les calculs ne commencent.
Le choix d'une ondelette mère relève du jugement scientifique, et les effets de bord combinés aux hypothèses sur le bruit imposent des limites réelles à ce qu'un scalogramme peut affirmer. Ce qu'il faut en retenir, c'est que l'analyse en ondelettes offre un moyen de discerner une structure dans des signaux changeants, mais qu'elle exige une interprétation prudente plutôt qu'une acceptation aveugle de chaque zone brillante.
Les chercheurs qui associent le raisonnement physique à des vérifications statistiques tirent le meilleur parti de cet outil tout en conservant une modestie appropriée dans leurs conclusions.
Références
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
Foire aux questions
Qu'est-ce que la transformée en ondelettes et pourquoi est-elle utilisée pour les signaux non stationnaires ?
La transformée en ondelettes décompose un signal en composantes localisées à la fois dans le temps et à l'échelle, révélant le moment d'apparition d'un motif et sa durée de fonctionnement. Elle est conçue pour les signaux non stationnaires, dont le caractère change au cours du temps, contrairement aux approches fixes qui supposent un comportement stable.
En quoi la transformée en ondelettes continue diffère-t-elle de l'analyse de Fourier ?
Au lieu de décomposer un signal en ondes sinusoïdales infinies, la CWT utilise des copies mises à l'échelle et translatées d'une unique ondelette mère. Cette construction offre une vue simultanée du temps et de l'échelle, évitant le compromis à fenêtre fixe entre la résolution temporelle et fréquentielle propre aux méthodes de Fourier.
Qu'est-ce qu'une ondelette mère et à quelle condition doit-elle satisfaire ?
Une ondelette mère est une fonction oscillante unique et localisée que l'on étire et décale pour analyser un signal. Pour être valide, elle doit satisfaire à la condition d'admissibilité, ce qui signifie essentiellement qu'elle a une moyenne nulle et une énergie finie : elle oscille au-dessus et en dessous de zéro et s'amortit jusqu'à s'annuler en dehors d'un court intervalle.
Comment choisir une ondelette mère pour un signal particulier ?
Choisissez une ondelette dont la forme correspond aux caractéristiques attendues ; par exemple, une ondelette de Morlet convient aux bouffées oscillatoires, tandis qu'une ondelette chapeau mexicain isole les pics acérés. Vous devez également équilibrer la résolution temporelle par rapport à la résolution en échelle et décider si vous avez besoin d'informations de phase, les ondelettes complexes offrant à la fois l'amplitude et la phase.
Qu'est-ce qu'un scalogramme et comment l'interprète-t-on ?
Un scalogramme est le principal support visuel de l'analyse en ondelettes, représentant la puissance de l'ondelette avec le temps sur un axe et l'échelle sur l'autre. Les zones lumineuses indiquent des composantes de signal fortes à un temps et à une échelle particuliers, mais des tests de signification par rapport à des bruits de fond blancs ou rouges aident à distinguer les caractéristiques réelles des fluctuations aléatoires.
Qu'est-ce que le cône d'influence et pourquoi est-il important ?
Le cône d'influence délimite la zone temps-échelle où les effets de bord rendent l'analyse en ondelettes peu fiable, car l'ondelette dépasse des limites des données finies. Toute caractéristique située à l'intérieur du COI doit être traitée avec suspicion.
Quelles sont les principales limites de la transformée en ondelettes continue ?
Le choix de l'ondelette mère est en partie subjectif, et un choix inapproprié peut estomper des caractéristiques ou créer des artefacts trompeurs. Les effets de bord peuvent contaminer de larges zones du scalogramme, et les tests de signification reposent sur des modèles de bruit supposés qui peuvent ne pas s'appliquer à tous les ensembles de données.
Comment les ondelettes mères réelles et complexes diffèrent-elles en pratique ?
Les ondelettes à valeur réelle, comme le chapeau mexicain, fournissent uniquement des informations d'amplitude. Les ondelettes complexes, comme celle de Morlet, fournissent à la fois l'amplitude et la phase, ce qui est indispensable pour examiner les relations temporelles entre signaux par le biais de la cohérence en ondelettes croisées.
Quelle est la différence entre CWT et DWT ?
La transformée en ondelettes continue évalue de nombreuses échelles et positions très rapprochées, produisant une représentation détaillée et souvent redondante. La transformée en ondelettes discrète utilise un ensemble structuré d'échelles et de positions pour fournir une représentation plus compacte.
Dans quel but l'ondelette de Haar est-elle utilisée ?
L'ondelette de Haar est utile pour l'analyse simple et rapide de signaux présentant des changements brusques ou des comportements de type échelon. Sa forme constante par morceaux rend également les moyennes et les différences sous-jacentes faciles à interpréter.
Emotiv est un leader des neurotechnologies qui aide à faire progresser la recherche en neurosciences grâce à des outils d'EEG et de données cérébrales accessibles.
Christian Burgos
