الـ signal detection في الـ noise

الـ signal موجودة ولا لأ؟

كل sensor وكل receiver وكل نظام قياس بيواجه نفس السؤال الأساسي: الـ signal اللي بدوّر عليها موجودة فعلًا، ولا أنا شايف noise وبس؟ دي مشكلة الـ signal detection (كشف الإشارة)، وهي من أقدم المشاكل وأهمها في الهندسة. الرادار لازم يحدّد هل الصدى ده راجع من هدف حقيقي ولا من thermal noise عشوائي. وجهاز المراقبة الطبي لازم يحدّد هل نمط دقات القلب حقيقي ولا مجرد interference. والـ receiver اللاسلكي لازم يحدّد هل الـ bit اللي اتبعت 0 ولا 1.

التحدي إن الـ noise مبيتوقّعش وممكن بالصدفة لوحدها يقلّد الـ signal. ومهما كان الـ detector بتاعك متطوّر، عمرك ما هتوصل لموثوقية مثالية — دايمًا فيه مقايضة بين إنك تلقط الـ signals الحقيقية وإنك تتجنّب الـ false alarms. والإطار الرياضي للتعامل مع المقايضة دي هو الـ hypothesis testing (اختبار الفرضيات)، اللي بيدّينا الأدوات عشان نخلّي المقايضة دي صريحة ومثالية.

الفكرة الأساسية

الـ signal detection هو مشكلة قرار binary: الاختيار بين “الـ signal مش موجودة” (H₀) و“الـ signal موجودة” (H₁). ونوعين الغلط — إنك تفوّت signal حقيقية (الـ missed detection) وإنك تدّعي وجودها غلط (الـ false alarm) — بيتبادلوا علاقة عكسية. واختيار الـ detection threshold بيتحكّم في مكانك على المنحنى ده.

الـ hypothesis testing: H₀ قصاد H₁

بنمثّل الملاحظة المستقبَلة y باحتمالين. تحت الـ null hypothesis H₀، فيه noise بس. وتحت الـ alternative hypothesis H₁، الـ signal المعروفة s[n] بتبقى مدفونة في الـ noise:

H₀: noise بس

y[n] = w[n], \quad w[n] \sim \mathcal{N}(0, \sigma^2)

الملاحظة y[n] عبارة عن additive Gaussian noise w[n] بـ variance σ².

H₁: signal + noise

y[n] = s[n] + w[n]

الملاحظة فيها الـ signal المعروفة s[n] زائد نفس الـ noise w[n].

الـ detector بيعالج y[n] وبيطلّع test statistic T(y) — رقم واحد بيلخّص الأدلة على وجود الـ signal. وبعدين بيقارن T(y) بـ threshold γ: لو T(y) ≥ γ، بنقرّر H₁؛ غير كده بنقرّر H₀.

نوعين الغلط

فيه نوعين غلط ممكن يحصلوا. الـ false alarm (الإنذار الكاذب) بيحصل لما الـ detector يعلن H₁ بس H₀ كانت الصح — يعني الـ noise بان شبه الـ signal. واحتمال الـ false alarm P_FA بيقيس ده بيحصل قد إيه. الـ missed detection (الكشف الفائت) بيحصل لما الـ detector يعلن H₀ بس H₁ كانت الصح — يعني الـ signal كانت موجودة بس كانت أضعف من إنها تشغّل الـ detector. واحتمال الـ detection P_D = 1 − P_miss بيقيس قد إيه بتلقط الـ signals الحقيقية وإنت تعتمد عليه.

P_D

احتمال الـ detection — عايزينه عالي

P_FA

احتمال الـ false alarm — عايزينه واطي

الـ threshold — بيتحكّم في المقايضة

إنك تعلّي الـ threshold γ بيقلّل الـ false alarms (بيصعّب تشغيل الـ detection) بس بينزّل كمان P_D (الـ signals الحقيقية احتمال تعدّي الـ threshold الأعلى أقل). وإنك توطّي γ بيلقط signals حقيقية أكتر بس على حساب false alarms أكتر. ودي مقايضة أساسية ومفيش منها مهرب.

معيار Neyman–Pearson

إزاي نختار الـ threshold γ بشكل مثالي؟ معيار Neyman–Pearson (NP) بيدّي إجابة مبنية على مبادئ: ثبّت الحد الأقصى لاحتمال الـ false alarm P_FA = α، واختار الـ detector اللي بيكبّر P_D تحت القيد ده. بمعنى تاني: بميزانية محدّدة من الـ false alarms، طلّع أكبر عدد ممكن من الـ detections الحقيقية.

نظرية Neyman–Pearson

الـ detector الـ NP المثالي بيحسب الـ likelihood ratio Λ(y) = p(y | H₁) / p(y | H₀) وبيقارنه بـ threshold بيتحدّد بـ P_FA = α. ومفيش detector تاني بنفس معدل الـ false alarm يقدر يوصل لمعدل detection أعلى.

قرّر H₁ لو Λ(y) ≥ γ | حيث γ بتتحدّد بحيث P(Λ ≥ γ | H₀) = α

لحالة signal معروفة s[n] في additive white Gaussian noise (AWGN)، اختبار الـ likelihood ratio بيتبسّط بشكل جميل: الـ test statistic المثالية هي ببساطة خرج الـ matched filter — الـ cross-correlation بين الـ signal المستقبَلة والـ template المعروف بتاع الـ signal. ودي نتيجة عميقة: الـ correlation مش بس أداة مريحة، ده الـ detector المثالي رياضيًا لـ signal معروفة في white Gaussian noise.

الـ test statistic بتاعة NP (AWGN)

T(\mathbf{y}) = \sum_{n=0}^{N-1} y[n]\, s[n]

T هو الـ cross-correlation بين الـ signal المستقبَلة y والـ signal المعروفة s. ودي الـ sufficient statistic للـ detector الـ NP المثالي في AWGN.

منحنيات ROC: تصوير المقايضة

منحنى الـ receiver operating characteristic (ROC) بيرسم العلاقة بين P_D وP_FA لما تغيّر الـ detection threshold γ من −∞ لـ +∞. كل نقطة على المنحنى بتقابل إعداد threshold مختلف، والمنحنى بيرسم كل الأزواج (P_FA، P_D) الممكنة لـ detector وSNR معيّنين.

منحنى الـ ROC ليه خصائص مهمة كتير. الخط القطري P_D = P_FA بيمثّل التخمين العشوائي — مبيعدّيش الصدفة. وأي detector مفيد لازم يبقى فوق القطر ده. والركن اللي فوق على الشمال (P_FA = 0، P_D = 1) بيمثّل الـ detection المثالي. والمساحة تحت منحنى الـ ROC (AUC) رقم واحد بيلخّص أداء الـ detector — الـ detector المثالي الـ AUC بتاعه = 1، والتخمين العشوائي الـ AUC بتاعه = 0.5.

الـ ROC للـ detection في AWGN

P_D = Q\!\left(Q^{-1}(P_{FA}) - d\right), \quad d = \frac{\sqrt{\sum_n s^2[n]}}{\sigma}

لـ signal معروفة في AWGN بـ SNR بتساوي d² = Σ s[n]² / σ²، الـ P_D بتبقى دالة في P_FA وd. وQ هي الـ Q-function (احتمال الذيل للتوزيع الطبيعي القياسي).

لما الـ SNR تعلى، منحنى الـ ROC بينحني أكتر ناحية الركن اللي فوق على الشمال، يعني detection أحسن عند كل معدل false alarm. وعند SNR عالية جدًا، تقريبًا أي إعداد threshold بيدّي detection شبه مثالي مع false alarms شبه معدومة. وعند SNR واطية جدًا، حتى الـ detector المثالي بالعافية بيغلب التخمين العشوائي.

الـ SNR المطلوبة للـ detection الموثوق

محتاجين SNR قد إيه؟ نقطة التصميم اللي بتتذكر عادةً هي P_D = 0.9 وP_FA = 10⁻³. ولقياس coherent واحد (matched filter)، ده محتاج SNR حوالي 13–15 ديسيبل. وعمليًا، الأنظمة بتستخدم كذا استراتيجية عشان تشتغل عند SNR خام أقل.

الـ integration: إنك تاخد متوسط N قياس مستقل بيقلّل الـ variance بتاع الـ noise بمعامل N، فالـ SNR الفعّالة بتتحسّن بمعامل N (يعني 10 log₁₀ N ديسيبل). رادار بيعمل coherent integration لـ 10 نبضات بيكسب 10 ديسيبل SNR. الـ diversity: إنك تستخدم قنوات مستقلة كتير (مكانية، في الـ frequency، في الزمن) وتجمعها بيحميك من الهبوط الحاد اللي ممكن يخلّي أي قناة لوحدها مش نافعة. الـ spreading: أنظمة الـ spread spectrum بتفرد الـ signal على نطاق frequency واسع بحيث قدرة كل band لوحدها تبقى تحت مستوى الـ noise، بس طاقة الـ signal كلها ممكن ترجع عن طريق الـ correlation، فبتدّي processing gain بيساوي حاصل ضرب الوقت في الـ bandwidth.

الـ processing gain

الـ coherent integration لـ N sample مستقلة بيعلّي الـ SNR الفعّالة بمعامل N. الـ GPS مثلًا بيستخدم 1 مللي ثانية من الـ spreading code (1023 chip) عشان يوصل لـ processing gain حوالي ~30 ديسيبل، وعشان كده signals الـ GPS بتشتغل كويس تحت مستوى الـ thermal noise ومبتبانش في تحليل الـ spectrum العادي.

التطبيقات

كشف أهداف الرادار: الرادار بيبعت نبضات وبيسمع الصدى اللي راجع. ومشكلة الـ detection هي: هل رجع صدى، ولا ده مجرد noise الـ receiver؟ الـ false alarm بيخلّي الرادار يعرض هدف وهمي؛ والـ missed detection بيسيب هدف حقيقي يعدّي من غير ما حد ياخد باله. وأنظمة الرادار الحديثة بتظبط P_FA عند حوالي 10⁻⁶ لـ 10⁻⁸ عشان الأهداف الوهمية تفضل في حدود ممكن تتحكّم فيها مع إن P_D تفضل عالية. ومعالجة الـ constant false alarm rate (CFAR) بتتكيّف وبتظبط γ ديناميكيًا لما مستويات الـ noise المحلية تتغيّر.

الاتصالات الرقمية: الـ receiver بيقرّر هل كل sample مستقبَلة بتقابل bit مبعوت 0 ولا 1. والـ detection threshold هو حد القرار بين hypothesisين الـ symbolين. ومعدل الـ bit error (BER) في الأساس هو 1 − P_D للـ signaling الـ binary، وبيتحسّن باستمرار مع E_b/N₀ (نسبة طاقة الـ bit لكثافة spectrum الـ noise). والـ receiver بتاع الـ matched filter هو التطبيق المعياري للـ detector الـ NP المثالي لقنوات AWGN.

التشخيص الطبي: الاختبار الإكلينيكي لمرض معيّن ليه sensitivity (P_D) وspecificity (1 − P_FA). ومنحنى الـ ROC هو الأداة المعيارية لتقييم الاختبارات التشخيصية ومقارنتها. والاختبار بيتعتبر كويس لو الـ AUC بتاعه عدّت 0.9. واختيار نقطة التشغيل (الـ threshold) بيعكس التكلفة الإكلينيكية للـ false positive قصاد الـ false negative — اختبار فحص السرطان ممكن يستحمل false alarms أكتر (biopsies ملهاش لازمة) عشان ميفوّتش أورام حقيقية.

الـ spectrum sensing في الـ cognitive radio: الراديو الثانوي لازم يكشف هل المستخدم الأساسي المرخّص بيبث قبل ما يشغّل band من الـ spectrum. وإطار الـ NP هو اللي بيحكم التصميم: حط P_FA عند مستوى بيحمي المستخدم الأساسي كفاية، وبعدين كبّر P_D عشان النظام الثانوي يقدر يوصل للـ spectrum المش مستخدم لما الفرصة تيجي.

الدرس الجاي: الـ matched filter — الـ linear filter المثالي لكشف signal معروفة في الـ noise، وإزاي بيرتبط بالـ pulse compression في الرادار والـ correlator receivers في الاتصالات الرقمية.

أهم النقط

الـ signal detection هو binary hypothesis test: H₀ (noise بس) قصاد H₁ (signal + noise). الـ detector بيحسب test statistic وبيقارنها بـ threshold γ.
فيه نوعين غلط: الـ false alarm (P_FA) والـ missed detection (1 − P_D). إنك تعلّي الـ threshold بينزّل P_FA بس بينزّل كمان P_D — متقدرش تصغّرهم الاتنين في نفس الوقت.
معيار Neyman–Pearson بيكبّر P_D تحت P_FA = α ثابتة. والـ detector المثالي هو اختبار الـ likelihood ratio.
لـ signal معروفة في AWGN، الـ test statistic المثالية حسب NP هي الـ cross-correlation (خرج الـ matched filter) بين الـ signal المستقبَلة والـ template المعروف للـ signal.
منحنى الـ ROC بيرسم العلاقة بين P_D وP_FA على كل الـ thresholds. ومنحنيات الـ SNR الأعلى بتنحني أكتر ناحية الركن المثالي اللي فوق على الشمال. والـ AUC بتلخّص الأداء الكلي للـ detector.
الـ coherent integration لـ N sample بيحسّن الـ SNR الفعّالة بمعامل N (يعني 10 log₁₀ N ديسيبل)، وده بيسمح بـ detection موثوق حتى لو الـ SNR لكل sample أقل من المطلوب.