Modèles bayésiens pour la détection de synchronisations au sein de signaux électro-corticaux

• Main Author: Rio, Maxime
• Language: FRE
• Published: Université de Lorraine 2013
• Subjects: [INFO:INFO_TS] Computer Science/Signal and Image Processing; [INFO:INFO_TS] Informatique/Traitement du signal et de l'image; [SPI:SIGNAL] Engineering Sciences/Signal and Image processing; [SPI:SIGNAL] Sciences de l'ingénieur/Traitement du signal et de l'image; [INFO:INFO_LG] Computer Science/Learning; [INFO:INFO_LG] Informatique/Apprentissage; [MATH:MATH_ST] Mathematics/Statistics; [MATH:MATH_ST] Mathématiques/Statistiques; [STAT:TH] Statistics/Statistics Theory; [STAT:TH] Statistiques/Théorie; [STAT:ML] Statistics/Machine Learning; [STAT:ML] Statistiques/Machine Learning; [SDV:NEU] Life Sciences/Neurons and Cognition; [SDV:NEU] Sciences du Vivant/Neurosciences; modèles bayésiens; synchronisations corticales; représentations temps-fréquence; analyse simple essai; distribution de Rice; inférence bayésienne variationnelle
• Online Access: http://tel.archives-ouvertes.fr/tel-00859307; http://tel.archives-ouvertes.fr/docs/00/86/95/51/PDF/these.pdf

Cette thèse propose de nouvelles méthodes d'analyse d'enregistrements cérébraux intra-crâniens (potentiels de champs locaux), qui pallie les lacunes de la méthode temps-fréquence standard d'analyse des perturbations spectrales événementielles : le calcul d'une moyenne sur les enregistrements et l'emploi de l'activité dans la période pré-stimulus. La première méthode proposée repose sur la détection de sous-ensembles d'électrodes dont l'activité présente des synchronisations cooccurrentes en un même point du plan temps-fréquence, à l'aide de modèles bayésiens de mélange gaussiens. Les sous-ensembles d'électrodes pertinents sont validés par une mesure de stabilité calculée entre les résultats obtenus sur les différents enregistrements. Pour la seconde méthode proposée, le constat qu'un bruit blanc dans le domaine temporel se transforme en bruit ricien dans le domaine de l'amplitude d'une transformée temps-fréquence a permis de mettre au point une segmentation du signal de chaque enregistrement dans chaque bande de fréquence en deux niveaux possibles, haut ou bas, à l'aide de modèles bayésiens de mélange ricien à deux composantes. À partir de ces deux niveaux, une analyse statistique permet de détecter des régions temps-fréquence plus ou moins actives. Pour développer le modèle bayésien de mélange ricien, de nouveaux algorithmes d'inférence bayésienne variationnelle ont été créés pour les distributions de Rice et de mélange ricien. Les performances des nouvelles méthodes ont été évaluées sur des données artificielles et sur des données expérimentales enregistrées sur des singes. Il ressort que les nouvelles méthodes génèrent moins de faux-positifs et sont plus robustes à l'absence de données dans la période pré-stimulus.