BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.2.3.1//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:8023@i2m.univ-amu.fr DTSTART;TZID=Europe/Paris:20150706T140000 DTEND;TZID=Europe/Paris:20150706T160000 DTSTAMP:20241210T135419Z URL:https://www.i2m.univ-amu.fr/evenements/modeles-de-covariance-pour-l-an alyse-et-la-classification-de-signaux-electroencephalogrammes/ SUMMARY:Juliette Spinnato (I2M\, Aix-Marseille Université): Modèles de co variance pour l'analyse et la classification de signaux électroencéphalo grammes DESCRIPTION:Juliette Spinnato: -\nCette thèse s’inscrit dans le contexte de l’analyse et de la classification de signaux électroencéphalogramm es (EEG) par des méthodes d’analyse discriminante.\nCes signaux multi-c apteurs qui sont\, par nature\, très fortement corrélés spatialement et temporellement sont considérés dans ce travail le plan temps-fréquence . En particulier\, nous nous intéressons à des signaux de type potentiel s évoqués basse fréquence qui sont bien représentés dans l’espace d es ondelettes.\nPar la suite\, nous considérons donc les signaux représe ntés par des coefficients multi échelles et qui ont une structure matric ielle électrodes × coefficients.\nLes signaux EEG sont de plus\, consid érés comme un mélange entre l’activité d’intérêt que l’on souh aite extraire et l’activité spontanée (couramment appelée "bruit de f ond")\, qui est largement prépondérante.\nLa problématique principale e st ici de distinguer des signaux issus de différentes conditions expérim entales (classes).\nDans le cas binaire\, nous nous focalisons sur l’app roche probabiliste de l’analyse discriminante et des modèles de mélang e gaussien sont considérés\, décrivant dans chaque classe les signaux e n termes de composantes fixes (moyenne) et aléatoires.\nCette dernière\, caractérisée par sa matrice de covariance\, permet de modéliser diffé rentes sources de variabilité.\nEssentielle à la mise en oeuvre de l’a nalyse discriminante\, l’estimation de cette matrice (et de son inverse) peut être dégradée dans le cas de grandes dimensions et/ou de faibles échantillons d’apprentissage\, cadre applicatif de cette thèse.\n\nNou s nous intéressons aux alternatives qui se basent sur la définition de m odèle(s) de covariance(s) particulier(s) et qui permettent de réduire le nombre de paramètres à estimer.\n\nAbstract:\n\nThe present thesis find s itself within the framework of analyzing and classifying electroencephal ogram signals (EEG) using discriminant analysis. Those multi-sensor signal s which are\, by nature\, highly correlated spatially and temporally are c onsidered\, in this work\, in the time frequency domain. In particular\, w e focus on low-frequency evoked-related potential-type signals (ERPs) that are well described in the wavelet domain. Thereafter\, we will consider s ignals represented by multi-scale coefficients and that have a matrix stru cture electrodes × coefficients.\nMoreover\, EEG signals are seen as a mi xture between the signal of interest that we want to extract and spontaneo us activity (also called "background noise") which is overriding.\n-\nThe main problematic is here to distinguish signals from different experimenta l conditions (class). In the binary case\, we focus on the probabilistic a pproach of the discriminant analysis and Gaussian mixtures are used\, desc ribing in each class the signals in terms of fixed (mean) and random compo nents. The latter\, characterized by its covariance matrix\, allow to mode l different variability sources. The estimation of this matrix (and of its inverse) is essential for the implementation of the discriminant analysis and can be deteriorated by high-dimensional data and/or by small learning samples\, which is the application framework of this thesis.\n-\nWe are i nterested in alternatives that are based on specific covariance model(s) a nd that allow to decrease the number of parameters to estimate.\n-\n*Membr es du jury :\nRapporteurs:\n- Maureen CLERC (INRIA - Sophia Antipolis)\n- Jean-Marc LINA (Centre de recherches mathématiques - Montréal)\n\nExamin atrice:\n- Florence FORBES (INRIA - Rhône Alpes)\n\nDirecteurs:\n- Marie- Christine ROUBAUD (I2M)\n- Bruno TORRÉSANI (I2M)\n- Boris BURLE (LNC)\n\n Lien : theses.fr ATTACH;FMTTYPE=image/jpeg:https://www.i2m.univ-amu.fr/wp-content/uploads/2 020/01/Juliette_Spinnato.jpg CATEGORIES:Soutenance de thèse,ALEA,Signal et Apprentissage END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:DAYLIGHT DTSTART:20150329T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT END:VTIMEZONE END:VCALENDAR