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:8457@i2m.univ-amu.fr DTSTART;TZID=Europe/Paris:20231211T150000 DTEND;TZID=Europe/Paris:20231211T180000 DTSTAMP:20241209T160722Z URL:https://www.i2m.univ-amu.fr/evenements/soutenance-de-these-classificat ion-non-supervisee-des-productions-vocales-chez-le-bebe-humain-entre-0-et- 12-mois/ SUMMARY:Guillem Bonafos (I2M\, Aix-Marseille Université): Classification n on-supervisée des productions vocales chez le bébé humain entre 0 et 12 mois DESCRIPTION:Guillem Bonafos: Composition du jury\n\n\n\n\nM. Pierre PUDLO  \nAix Marseille Université \nDirecteur de thèse \n\n\nM. Bertrand MI CHEL \nÉcole Centrale de Nantes \nRapporteur \n\n\nMme Florence LEVRER O \nUniversité Jean Monnet \nRapporteure \n\n\nMme Marianne CLAUSEL \ nUniversité de Lorraine \nExaminatrice \n\n\nM. Vincent VANDEWALLE \nU niversité Côte d'Azur \nPrésident \n\n\nM. Jean-Marc FREYERMUTH \nAi x-Marseille Université \nCo-directeur de thèse \n\n\nM. Samuel TRONçO N \nRésurgences R&\;D \nCo-encadrant de thèse \n\n\nM. Arnaud REY  \nAix Marseille Université \nInvité\n\n\n\n\n\n\nMots-clés :\nClass ification\, Apprentissage statistique\, Développement du langage\, Statis tique bayésienne\, Analyse Topologique des Données\n\n\n\n\n \;\n\n\ n\nKeywords :\nClustering\, Machine learning\, Language Development\, Baye sian Statistics\, Topological Data Analysis\n\n\n\n \n\n\n\nRésumé :  \n\n\n\nAux alentours de son premier anniversaire\, l'enfant humain pron once son premier mot. Cette première production n'est pourtant pas le dé but de son apprentissage de la langue. Celui-ci commence dès sa naissance . En effet\, tout au long de sa première année\, l'enfant développe des capacités motrices lui permettant de produire une gamme de vocalisations de plus en plus large\, en les calibrant au langage qui l'entoure. Les mo yens d'enregistrements et de stockage récents permettent de construire de nouvelles bases de données de vocalisations produites tout au long de l' année. Nous construisons dans cette thèse une telle base et présentons trois contributions pour aider à étudier la question des vocalisations i nfantiles pré-langagières. Nous proposons d'abord une méthodologie pour détecter et classifier automatiquement les vocalisations dans les enregi strements audios massifs. Elle permet l'apprentissage d'un réseau de neur ones à partir d'un peu plus d'une heure de données étiquetées\, qui fa it ensuite le travail d'extraction de vocalisations d'enregistrements natu rels massifs. Elle a été appliquée sur deux ensembles d'enregistrements \, prouvant son adaptabilité : les enregistrements de bébé récoltés p our ce travail de thèse ainsi que des enregistrements d'un mois d'un encl os de singe\, permettant de produire deux nouveaux ensembles de données\, un de vocalisation de bébé et un de vocalisation de singe. Nous avons r endu ce dernier librement accessible\, tout comme le code permettant de re produire la méthodologie. Nous emmenons ensuite des preuves empiriques de l'intérêt d'incorporer une information topologique dans la représentat ion d'un signal vocal humain pour une tâche de classification. Nous quant ifions la plus-value d'une approche topologiquement augmentée et les diff érences selon l'objet représentant une vocalisation identique. On montre que l'information topologique est complémentaire à une information fré quentielle et que les homologies persistantes calculées sur chaque objet sont complémentaires entre elles. Pour répondre à cette question\, nous avons construit une nouvelle base d'enregistrements de 11 200 voyelles\, que nous avons rendu librement accessible. Nous avons comparé les résult ats sur trois tâches de classification selon que la représentation du si gnal est topologiquement augmentée ou non\, ainsi que la meilleure façon de vectoriser l'information contenue dans un diagramme de persistance. En fin\, nous avons classifié de manière non-supervisée\, par une modélis ation bayésienne non-paramétrique\, les vocalisations produites par un e nfant durant sa première année de vie\, à partir d'une représentation topologiquement augmentée du signal. On découvre huit classes de vocalis ations\, dont la proportion de production varie selon le développement\, et avec des caractéristiques fréquentielles différentes. \n\n\n \n\n\n \n\n\n\n\nAbstract :  \n\n\n\nAround her first birthday\, the human child utters her first word. This first utterance is not\, however\, the beginn ing of language learning. This begins at birth. Throughout the first year of life\, children develop motor skills that enable them to produce an inc reasingly wide range of vocalizations\, calibrated to the language around them. Recent recording and storage technologies have made it possible to b uild new databases of vocalizations produced throughout the year. In this thesis\, we build such a database and present three contributions to help study the question of pre-language infant vocalizations. First\, we propos e a methodology for automatically detecting and classifying vocalizations in massive audio recordings. It enables a neural network to be trained fro m just over an hour's worth of labeled data\, which then does the job of e xtracting vocalizations from massive natural recordings. It has been appli ed to two sets of recordings\, proving its adaptability: the baby recordin gs collected for this thesis work and one month's recordings from a monkey pen\, enabling us to produce two new data sets\, one of baby vocalization s and one of monkey vocalizations. We have made the latter freely accessib le\, as has the code enabling the methodology to be reproduced. We then pr ovide empirical evidence of the value of incorporating topological informa tion into the representation of a human vocal signal for a classification task. We quantify the added value of a topologically augmented approach an d the differences depending on the object representing an identical vocali zation. We show that topological information is complementary to frequency information and that the persistent homologies computed on each object ar e complementary to each other. To answer this question\, we built a new da tabase of recordings of 11\,200 vowels\, which we made freely accessible. We compared results on three classification tasks depending on whether the signal representation is topologically augmented or not\, as well as the best way to vectorize the information contained in a persistence diagram. Finally\, we performed an unsupervised classification\, using non-parametr ic Bayesian modeling\, of the vocalizations produced by a child during its first year of life\, based on a topologically augmented representation of the signal. Eight classes of vocalizations were discovered\, with differe nt proportions of production depending on development\, and with different frequency characteristics.\n\n\n \n\n\n\n CATEGORIES:Soutenance de thèse,ALEA,Statistique LOCATION:Saint-Charles - FRUMAM (2ème étage)\, 3 Place Victor Hugo\, Mar seille\, 13003\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=3 Place Victor Hugo\, Marse ille\, 13003\, France;X-APPLE-RADIUS=100;X-TITLE=Saint-Charles - FRUMAM ( 2ème étage):geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:STANDARD DTSTART:20231029T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD END:VTIMEZONE END:VCALENDAR