In the field of information forensics, many emerging problems involve a critical step that estimates and tracks weak frequency components in noisy signals. It is often challenging for the prior art of frequency tracking to i) achieve a high accuracy under noisy conditions, ii) detect and track multiple frequency components efficiently, or iii) strike a good trade-off of the processing delay versus the resilience and the accuracy of tracking. To address these issues, we propose Adaptive Multi-Trace Carving (AMTC), a unified approach for detecting and tracking one or more subtle frequency components under very low signal-to-noise ratio (SNR) conditions and in near real time. AMTC takes as input a time-frequency representation of the system’s preprocessing results (such as the spectrogram), and identifies frequency components through iterative dynamic programming and adaptive trace compensation. The proposed algorithm considers relatively high energy traces sustaining over a certain duration as an indicator of the presence of frequency/oscillation components of interest and track their time-varying trend. Extensive experiments using both synthetic data and real-world forensic data of power signatures and physiological monitoring reveal that the proposed method outperforms representative prior art under low SNR conditions, and can be implemented in near real-time settings. The proposed AMTC algorithm can empower the development of new information forensic technologies that harness very small signals.

中文翻译：

---

自适应多轨迹雕刻，在法医学应用中实现稳健的频率跟踪

在信息取证领域，许多新出现的问题涉及关键步骤，该步骤估计并跟踪噪声信号中的弱频率分量。对于频率跟踪的现有技术而言，通常挑战如下：i）在嘈杂的条件下实现高精度； ii）有效地检测和跟踪多个频率分量，或iii）权衡处理延迟与弹性和噪声之间的良好权衡。跟踪的准确性。为了解决这些问题，我们提出了自适应多轨迹雕刻（AMTC），这是一种在非常低的信噪比（SNR）条件下并且几乎实时地检测和跟踪一个或多个微妙频率分量的统一方法。AMTC将系统预处理结果（例如频谱图）的时频表示作为输入，并通过迭代动态规划和自适应跟踪补偿来识别频率分量。所提出的算法将在一定持续时间内维持的相对较高的能量迹线视为感兴趣的频率/振荡分量的存在的指标，并跟踪它们的时变趋势。使用功率签名的合成数据和真实世界的取证数据以及生理监测进行的大量实验表明，该方法在低SNR条件下优于具有代表性的现有技术，并且可以在接近实时的环境中实施。提出的AMTC算法可以支持利用很小信号的新信息取证技术的开发。所提出的算法将在一定持续时间内维持的相对较高的能量迹线视为感兴趣的频率/振荡分量的存在的指标，并跟踪它们的时变趋势。使用功率签名的合成数据和真实世界的取证数据以及生理监测进行的大量实验表明，该方法在低SNR条件下优于具有代表性的现有技术，并且可以在接近实时的环境中实施。提出的AMTC算法可以支持利用很小信号的新信息取证技术的开发。所提出的算法将在一定持续时间内维持的相对较高的能量迹线视为感兴趣的频率/振荡分量的存在的指标，并跟踪它们的时变趋势。使用功率签名的合成数据和真实世界的取证数据以及生理监测进行的大量实验表明，该方法在低SNR条件下优于具有代表性的现有技术，并且可以在接近实时的环境中实施。提出的AMTC算法可以支持利用很小信号的新信息取证技术的开发。使用功率签名的合成数据和真实世界的取证数据以及生理监测进行的大量实验表明，该方法在低SNR条件下优于具有代表性的现有技术，并且可以在接近实时的环境中实施。提出的AMTC算法可以支持利用很小信号的新信息取证技术的开发。使用功率签名的合成数据和真实世界的取证数据以及生理监测进行的大量实验表明，该方法在低SNR条件下优于具有代表性的现有技术，并且可以在接近实时的环境中实施。提出的AMTC算法可以支持利用很小信号的新信息取证技术的开发。