Academic literature on the topic 'Signaux multivariés'

Independent component analysis (ICA) is a multivariate statistical method that is used to find factors or independent component from the data. ICA is a further development of factor analysis (FA). The different of ICA to FA is that in FA the distribution of the data is assumed to be normal (gaussian) while it is non-gaussian in ICA. In this paper we will elucidate ICA shortly from the formulation of the problem, the linear modeling of the problem, the solution of the problem through maximum likelihood method and information theory approach, to the formulation of computational algorithm through neural network optimalization of weight matrix. Since one of the common application of ICA is in analysis of biomedical signal, in this paper we will give an illustration of decomposition of electroencephalographic signals in to independent components. This action could help researchers or cliniciansto differentiate brain activities from artifact such as mucles of heart activities. The data samples are taken from open source EEG dataset and would be analyze with EEGLAB which is an open source extension module to Matlab. Analisis komponen independen (AKI) merupakan metode statistik multivariat yang digunakan untuk menemukan faktor atau komponen independen dari suatu data. AKI merupakan pengembangan lebih lanjut dari analisis faktor (AF). Perbedaannya AKI dengan AF ialah komponen diasumsikan berdistribusi normal (gaussian) pada AF, sedangkan pada AKI komponen diasumsikan berdistribusi non-gaussian. Pada makalah ini akan dipaparkan secara singkat AKI mulai dari perumusan masalah yang memunculkan metode AKI serta permodelan linear yang dihasilkan, pemecahan masalah linear tersebut melalui metode maximum likelihood (ML) dan pendekatan teori informasi, hingga formulasi algoritma komputasi melalui pendekatan optimalisasi matriks beban pada model jaringan syaraf. Karena salah satu penerapan AKI adalah pada analisis sinyal biomedis, dalam makalah ini akan disajikan ilustrasi dekomposisi sinyal elektroensefalografi (EEG) ke dalam komponen independen. Tindakan ini dapat membantu peneliti atau tenaga medis dalam membedakan mana sinyal dari otak dan mana yang merupakan artefak seperti sinyal dari aktivitas otot atau jantung. Data yang digunakan berupa data set EEG sumber terbuka dari daring yang kemudian dianalisis dengan menggunakan perangkat lunak EEGLAB yang merupakan modul tambahan atas perangkat lunak Matlab.

<p><strong>ABSTRACT</strong></p><p><strong>Background: </strong>The Blueprint for Pharmacy was a collaborative initiative involving all of the major pharmacy associations in Canada. It aimed to coordinate, facilitate, and be a catalyst for changes required to align pharmacy practice with the health care needs of Canadians. In partial fulfilment of this mandate, a needs assessment for specialist certification for pharmacists was conducted.</p><p><strong>Objective: </strong>To conduct a secondary analysis of data from the needs assessment to determine the perceptions of hospital pharmacists regarding a formal certification process for pharmacist specialties in Canada.</p><p><strong>Methods: </strong>A survey was developed in consultation with the Blueprint for Pharmacy Specialization Project Advisory Group and other key stakeholders. It was distributed electronically, in English and French, to Canadian pharmacists identified through national and provincial pharmacy organizations (survey period January 15 to February 12, 2015). Data for hospital pharmacists were extracted for this secondary analysis. Multivariable logistic regression analyses were conducted to characterize those respondents who supported the certification process and those intending to become certified if a Canadian process were introduced.</p><p><strong>Results: </strong>A total of 640 responses were received from hospital pharmacists. Nearly 85% of the respondents (543/640 [84.8%]) supported a formal certification process for pharmacist specialization, and more than 70% (249/349 [71.3%]) indicated their intention to obtain specialty certification if a Canadian process were introduced. Respondents believed that the main barriers to developing such a system were lack of reimbursement models, the time required, and lack of public awareness of pharmacist specialties. They felt that the most important factors for an optimal certification process were a consistent definition of pharmacist specialty practice and consistent recognition of pharmacist specialty practice across Canada. Multiple regression analysis showed that female respondents were more likely to support a formal certification process (odds ratio [OR] 2.6, 95% confidence interval [CI] 1.2–5.7). Also, those who already specialized in pharmacotherapy were more likely to support mandatory certification (OR 2.6, 95% CI 1.1–6.1).</p><p><strong>Conclusions: </strong>Hospital pharmacists who responded to this survey overwhelmingly supported certification for pharmacist specialization in Canada. Questions remain about the feasibility of establishing a pharmacist specialization system in Canada.</p><p><strong>RÉSUMÉ</strong></p><p><strong>Contexte : </strong>Le Plan directeur pour la pharmacie était un projet collaboratif auquel participaient les plus importantes associations canadiennes de pharmacie. Il cherchait à coordonner, faciliter et catalyser les changements nécessaires pour harmoniser la pratique de la profession avec les besoins en soins de santé des Canadiens. Une évaluation des besoins pour un système de certification des pharmaciens spécialistes a été menée dans le cadre de ce projet.</p><p><strong>Objectif : </strong>Réaliser une analyse secondaire des données recueillies lors de l’évaluation des besoins afin de cerner les opinions des pharmaciens d’hôpitaux en ce qui touche au mécanisme formel de certification pour les spécialités en pharmacie au Canada.</p><p><strong>Méthodes :</strong>Un sondage a été mis au point en consultation avec le Groupe consultatif sur le projet de spécialisation en pharmacie, sous l’égide du Plan directeur pour la pharmacie, et d’autres parties prenantes clés. Le sondage a été transmis par voie électronique, en anglais et en français, aux pharmaciens canadiens grâce aux organismes de pharmacie provinciaux et nationaux (l’enquête a eu lieu du 15 janvier au 12 février 2015). Cette analyse secondaire a porté sur le sous-ensemble des données relatives aux pharmaciens d’hôpitaux. Des analyses de régression logistique multivaria - ble ont été réalisées afin d’offrir un portrait des répondants qui sont partisans d’un mécanisme de certification et de ceux qui ont signalé leur intention d’obtenir la certification si un processus canadien était mis en place.</p><p><strong>Résultats : </strong>Au total, on a obtenu 640 réponses de pharmaciens d’hôpitaux. Près de 85 % des répondants (543/640 [84,8 %]) appuyaient un mécanisme formel de certification pour la spécialisation en pharmacie et plus de 70 % (249/349 [71,3 %]) ont indiqué leur intention d’obtenir une certification de spécialiste si un processus canadien était mis en place. Les répondants croyaient que les principaux obstacles au développement d’un tel système étaient l’absence de modèles de remboursement, le temps nécessaire et l’ignorance du public en matière de spécialités en pharmacie. Selon eux, un processus de certification optimal reposerait principalement sur une définition uniforme de la pratique spécialisée pour les pharmaciens et une reconnaissance systématique de la pratique spécialisée pour les pharmaciens partout au Canada. Une régression multiple a montré que les répondantes étaient plus enclines à appuyer un processus formel de certification (risque relatif approché [RRA] de 2,6, intervalle de confiance [IC] à 95 % de 1,2–5,7). De plus, les répondants déjà spécialisés en pharmacothérapie étaient plus susceptibles d’être partisans d’une certification obligatoire (RRA de 2,6, IC à 95 % de 1,1–6,1).</p><p><strong>Conclusions : </strong>Les pharmaciens d’hôpitaux ayant répondu à ce sondage appuyaient presque tous un mécanisme de certification pour la spécialisation en pharmacie au Canada. Par contre, certaines questions demeurent à propos de la viabilité d’un système de spécialisation en pharmacie au Canada.</p>

Dans cette thèse, nous étudions les méthodes d'approximation et d'apprentissage qui fournissent des représentations parcimonieuses. Ces méthodes permettent d'analyser des bases de données très redondantes à l'aide de dictionnaires d'atomes appris. Etant adaptés aux données étudiées, ils sont plus performants en qualité de représentation que les dictionnaires classiques dont les atomes sont définis analytiquement. Nous considérons plus particulièrement des signaux multivariés résultant de l'acquisition simultanée de plusieurs grandeurs, comme les signaux EEG ou les signaux de mouvements 2D et 3D. Nous étendons les méthodes de représentations parcimonieuses au modèle multivarié, pour prendre en compte les interactions entre les différentes composantes acquises simultanément. Ce modèle est plus flexible que l'habituel modèle multicanal qui impose une hypothèse de rang 1. Nous étudions des modèles de représentations invariantes : invariance par translation temporelle, invariance par rotation, etc. En ajoutant des degrés de liberté supplémentaires, chaque noyau est potentiellement démultiplié en une famille d'atomes, translatés à tous les échantillons, tournés dans toutes les orientations, etc. Ainsi, un dictionnaire de noyaux invariants génère un dictionnaire d'atomes très redondant, et donc idéal pour représenter les données étudiées redondantes. Toutes ces invariances nécessitent la mise en place de méthodes adaptées à ces modèles. L'invariance par translation temporelle est une propriété incontournable pour l'étude de signaux temporels ayant une variabilité temporelle naturelle. Dans le cas de l'invariance par rotation 2D et 3D, nous constatons l'efficacité de l'approche non-orientée sur celle orientée, même dans le cas où les données ne sont pas tournées. En effet, le modèle non-orienté permet de détecter les invariants des données et assure la robustesse à la rotation quand les données tournent. Nous constatons aussi la reproductibilité des décompositions parcimonieuses sur un dictionnaire appris. Cette propriété générative s'explique par le fait que l'apprentissage de dictionnaire est une généralisation des K-means. D'autre part, nos représentations possèdent de nombreuses invariances, ce qui est idéal pour faire de la classification. Nous étudions donc comment effectuer une classification adaptée au modèle d'invariance par translation, en utilisant des fonctions de groupement consistantes par translation.

Dans cette thèse, nous étudions les méthodes d'approximation et d'apprentissage qui fournissent des représentations parcimonieuses. Ces méthodes permettent d'analyser des bases de données très redondantes à l'aide de dictionnaires d'atomes appris. Etant adaptés aux données étudiées, ils sont plus performants en qualité de représentation que les dictionnaires classiques dont les atomes sont définis analytiquement. Nous considérons plus particulièrement des signaux multivariés résultant de l'acquisition simultanée de plusieurs grandeurs, comme les signaux EEG ou les signaux de mouvements 2D et 3D. Nous étendons les méthodes de représentations parcimonieuses au modèle multivarié, pour prendre en compte les interactions entre les différentes composantes acquises simultanément. Ce modèle est plus flexible que l'habituel modèle multicanal qui impose une hypothèse de rang 1. Nous étudions des modèles de représentations invariantes : invariance par translation temporelle, invariance par rotation, etc. En ajoutant des degrés de liberté supplémentaires, chaque noyau est potentiellement démultiplié en une famille d'atomes, translatés à tous les échantillons, tournés dans toutes les orientations, etc. Ainsi, un dictionnaire de noyaux invariants génère un dictionnaire d'atomes très redondant, et donc idéal pour représenter les données étudiées redondantes. Toutes ces invariances nécessitent la mise en place de méthodes adaptées à ces modèles. L'invariance par translation temporelle est une propriété incontournable pour l'étude de signaux temporels ayant une variabilité temporelle naturelle. Dans le cas de l'invariance par rotation 2D et 3D, nous constatons l'efficacité de l'approche non-orientée sur celle orientée, même dans le cas où les données ne sont pas tournées. En effet, le modèle non-orienté permet de détecter les invariants des données et assure la robustesse à la rotation quand les données tournent. Nous constatons aussi la reproductibilité des décompositions parcimonieuses sur un dictionnaire appris. Cette propriété générative s'explique par le fait que l'apprentissage de dictionnaire est une généralisation des K-means. D'autre part, nos représentations possèdent de nombreuses invariances, ce qui est idéal pour faire de la classification. Nous étudions donc comment effectuer une classification adaptée au modèle d'invariance par translation, en utilisant des fonctions de groupement consistantes par translation
In this thesis, we study approximation and learning methods which provide sparse representations. These methods allow to analyze very redundant data-bases thanks to learned atoms dictionaries. Being adapted to studied data, they are more efficient in representation quality than classical dictionaries with atoms defined analytically. We consider more particularly multivariate signals coming from the simultaneous acquisition of several quantities, as EEG signals or 2D and 3D motion signals. We extend sparse representation methods to the multivariate model, to take into account interactions between the different components acquired simultaneously. This model is more flexible that the common multichannel one which imposes a hypothesis of rank 1. We study models of invariant representations: invariance to temporal shift, invariance to rotation, etc. Adding supplementary degrees of freedom, each kernel is potentially replicated in an atoms family, translated at all samples, rotated at all orientations, etc. So, a dictionary of invariant kernels generates a very redundant atoms dictionary, thus ideal to represent the redundant studied data. All these invariances require methods adapted to these models. Temporal shift-invariance is an essential property for the study of temporal signals having a natural temporal variability. In the 2D and 3D rotation invariant case, we observe the efficiency of the non-oriented approach over the oriented one, even when data are not revolved. Indeed, the non-oriented model allows to detect data invariants and assures the robustness to rotation when data are revolved. We also observe the reproducibility of the sparse decompositions on a learned dictionary. This generative property is due to the fact that dictionary learning is a generalization of K-means. Moreover, our representations have many invariances that is ideal to make classification. We thus study how to perform a classification adapted to the shift-invariant model, using shift-consistent pooling functions

Cette thèse se situe dans le domaine de la statistique et porte, pour l'essentiel, sur les applications des ondelettes pour le traitement des signaux temporels univariés et multivariés. Dans une première partie, nous nous intéressons à une extension au cas multivarié, des procédures de débruitage par ondelettes, bien connues pour les signaux unidimensionnels. Cette nouvelle procédure combine l'analyse en composantes principales avec une généralisation directe au cas dimensionnel d'une stratégie classique de bruitage 1-D. L'idée est de changer de base en diagonalisant un estimateur robuste de la covariance du bruit, afin de décorréler les composantes du bruit affectant les signaux puis d'appliquer un débruitage univarié par ondelettes classique avant de faire une ACP sur les signaux simplifiés ainsi reconstitués ou sur les coefficients d'approximation. Dans une deuxième partie, nous nous intéressons particulièrement au problème de la prévision d'une série unidimensionnelle stationnaire ou non, à l'aide de la transformée en ondelettes non-décimée. Il s'agit de généraliser une procédure dont le principe est de sélectionner des coefficients d'ondelettes construits à partir des observations du passé puis d'estimer directement l'équation de prévision par la régression du processus sur les coefficients d'ondelettes du passé. Ce schéma est étendu à une ondelette orthogonale quelconque, à la prise en compte d'une composante non-stationnaire et de nombreuses variantes sont étudiées. Une dernière partie porte sur un thème un peu différent des autres, puisque les ondelettes n'y jouent pas un rôle prépondérant. Elle consiste à une approche bayésienne pour choisir une loi a priori et on peut la considérer comme une alternative aux proches paramétriques de la méthode de Bayes empirique pour le choix de l'a priori. Cette méthode peut s'appliquer au choix de la densitéa prior des coefficients d'ondelettes dans les méthodes de seuillage
This thesis takes place in statistics and deals with the applications of wavelets to the univariate and multivariate signals. The first part is devoted to a multivariate extension of the well known wavelet denoising procedure widely examined for scalar valued signals. It combines a straightforward multivariate generalization of a classical one and principal component analysis. This new procedure exhibits promising behavior on classical bench signals and the associated estimator is found to be near minimax in the one-dimensional sense, for Besov balls. The method is finally illustrated by an application to multichannel neural recordings. The second part is devoted to the forecasting problem of a stationary or non-stationary one dimensional time series, using non-decimated wavelet transform. A new proposal method to prediction stationary data and stationary data contaminated by additive trend is proposed. It consists of generalizing a procedure whose idea is to select the wavelet coefficients built from the past observations then to directly estimate the forecasting equation by the regression of the process on the past wavelet coefficients. This scheme is extended to an arbitrary orthogonal wavelet and to the introduction a non-stationary component. The third part relates to a topic a little bit different from the others. We introduce a method for prior selection. This method can be considered as an alternative approach to the parametric empirical Bayes method for priorselection and can then be applied to the choice of threshold in the denoising procedure using wavelets

De nos jours, les opérations chirurgicales sont impossibles à imaginer sans anesthésie générale, qui implique la perte de conscience, l'immobilité, l'amnésie et l'analgésie. La compréhension des mécanismes sous-jacents de chacun de ces effets garantit un traitement médical bien contrôlé. Cette thèse se concentre sur l'effet analgésique de l'anesthésie générale, précisément, sur la réaction du patient aux stimuli nociceptifs. Nous étudions également les différences des réactions entre différents médicaments anesthésiques. L'étude a été effectuée sur un ensemble de données constituées de 230 signaux EEG : enregistrements pré- et post-incision obtenus sur 115 patients qui ont reçu du desflurane et du propofol. La première phase de l'étude comprend l'analyse spectrale de puissance, qui est une méthode très répandue dans le traitement du signal. L'information spectrale a été décrite en ajustant l'activité de fond, qui exhibe un comportement $1/f$, aux estimations de la densité spectrale de puissance des signaux d'EEG et en mesurant la puissance contenue dans des bandes delta et alpha par rapport à la puissance de l'activité de fond. Une autre amélioration a été réalisée par l'expansion des spectres avec des informations de temps en raison de la nature non stationnaire observée dans les signaux EEG. Pour obtenir les représentations temps-fréquence des signaux nous appliquons trois méthodes différentes: scalogramme (basé sur la transformée en ondelettes continue), spectrogramme classique, et réaffectation de spectrogramme. Celle-ci permet d'améliorer la lisibilité d'une représentation temps-fréquence en réaffectant l'énergie contenue dans le spectrogramme à des positions plus précises. Par la suite, les spectrogrammes obtenus ont été utilisés pour la reconstruction de l'espace de phase, pour l'analyse récurrence et pour sa quantification par une mesure de complexité. L'analyse de récurrence permet de décrire et visualiser les dynamiques récurrentes d'un système et de découvrir des motifs structurels contenus dans les données. Ici, les diagrammes de récurrence ont été utilisés comme réécriture de grammaire pour transformer le signal original en une séquence symbolique, où chaque symbole représente un certain état du système. Trois mesures de complexité différentes sont alors calculées à partir de ces séquences symboliques afin de les utiliser comme éléments de classification. Enfin, en combinant les caractéristiques obtenues avec l'analyse spectrale de puissance et avec l'analyse symbolique de récurrence, nous effectuons la classification des données en utilisant deux méthodes de classification~: l'analyse discriminante linéaire et les machines à vecteurs de support. La classification a été effectuée sur des problèmes à deux classes, la distinction entre les signaux EEG pré- / post-incision, ainsi qu'entre les deux différents médicaments anesthésiques, desflurane et propofol
Nowadays, surgical operations are impossible to imagine without general anesthesia, which involves loss of consciousness, immobility, amnesia and analgesia. Understanding mechanisms underlying each of these effects guarantees well-controlled medical treatment. This thesis focuses on analgesia effect of general anesthesia, more specifically, on patients reaction to nociceptive stimuli. We also study differences in the reaction between different anesthetic drugs. The study was conducted on dataset consisting of 230 EEG signals: pre- and post-incision recordings obtained form 115 patients, who received desflurane and propofol. The first stage of the study comprise power spectral analysis, which is a widespread approach in signal processing. Spectral information was described by fitting the background activity, that exposes $1/f$ behavior, to power spectral density estimates of the EEG signals and measuring power contained in delta and alpha bands relatively to the power of background activity. A further improvement was done by expanding spectra with time information due to observed non-stationary nature of EEG signals. To obtain time-frequency representations of the signals we apply three different methods: scalogram (based on continuous wavelet transform), conventional spectrogram, and spectrogram reassignment. The latter allows to ameliorate readability of a time-frequency representation by reassigning energy contained in spectrogram to more precise positions. Subsequently, obtained spectrograms were used as phase space reconstruction in recurrence analysis and its quantification by complexity measure. Recurrence analysis allows to describe and visualize recurrent dynamics of a system and discover structural patterns contained in the data. Here, recurrence plots were used as rewriting grammar to turn an original signal into a symbolic sequence, where each symbol represents a certain state of the system. After computing three different complexity measures of resulting symbolic sequences they are used as features for classification. Finally, combining features obtained with power spectral analysis and recurrence symbolic analysis, we perform classification of the data using two classification methods: linear discriminant analysis and support vector machines. Classification was carried out on two-class problem, distinguishing between pre-/post-incision EEG signals, as well as between two different anesthetic drugs, desflurane and propofol

L'objectif de cette thèse est de proposer des méthodes non-paramétriques de détection rétrospective de ruptures. L'application principale de cette étude est la détection d'attaques dans les réseaux informatiques à partir de données recueillies par plusieurs sondes disséminées dans le réseau. Nous proposons dans un premier temps une méthode en trois étapes de détection décentralisée d'anomalies faisant coopérer des sondes n'ayant accès qu'à une partie du trafic réseau. Un des avantages de cette approche est la possibilité de traiter un flux massif de données, ce qui est permis par une étape de filtrage par records. Un traitement local est effectué dans chaque sonde, et une synthèse est réalisée dans un centre de fusion. La détection est effectuée à l'aide d'un test de rang qui est inspiré par le test de rang de Wilcoxon et étendu aux données censurées. Dans une seconde partie, nous proposons d'exploiter les relations de dépendance entre les données recueillies par les différents capteurs afin d'améliorer les performances de détection. Nous proposons ainsi une méthode non-paramétrique de détection d'une ou plusieurs ruptures dans un signal multidimensionnel. Cette méthode s'appuie sur un test d'homogénéité utilisant un test de rang multivarié. Nous décrivons les propriétés asymptotiques de ce test ainsi que ses performances sur divers jeux de données (bio-informatiques, économétriques ou réseau). La méthode proposée obtient de très bons résultats, en particulier lorsque la distribution des données est atypique (par exemple en présence de valeurs aberrantes).

Les graphes dynamiques permettent de comprendre l'évolution de systèmes complexes qui évoluent dans le temps. Ce type de graphe a récemment fait l'objet d'une attention considérable. Cependant, il n'existe pas de consensus sur les manières d'inférer et d'étudier ces graphes. Dans cette thèse, on propose des méthodes d'analyse de graphes dynamiques spécifiques. Ceux-ci peuvent être vues comme une succession de graphes complets partageant les mêmes nœuds, mais dont les poids associés à chaque lien évoluent dans le temps. Les méthodes proposées peuvent avoir des applications en neurosciences ou dans l'étude des réseaux sociaux comme Twitter et Facebook par exemple. L'enjeu applicatif de cette thèse est l'épilepsie, l'une des maladies neurologiques les plus rependues dans le monde affectant environ 1% de la population.La première partie concerne l'inférence de graphe dynamique à partir de signaux neurophysiologiques. Cette inférence est généralement réalisée à l'aide de mesures de connectivité fonctionnelle permettant d'évaluer la similarité entre deux signaux. La comparaison de ces mesures est donc d'un grand intérêt pour comprendre les caractéristiques des graphes obtenus. On compare alors des mesures de connectivité fonctionnelle impliquant la phase et l'amplitude instantanée des signaux. On s'intéresse en particulier à une mesure nommée Phase-Locking-Value (PLV) qui quantifie la synchronie des phases entre deux signaux. On propose ensuite, afin d'inférer des graphes dynamiques robustes et interprétables, deux nouvelles mesures de PLV conditionnées et régulariséesLa seconde partie présente des méthodes de décomposition de graphes dynamiques. L'objectif est de proposer une méthode semi-automatique afin de caractériser les informations les plus importantes du réseau pathologique de plusieurs crises d'un même patient. Dans un premier temps on considère des crises qui ont des durées et des évolutions temporelles similaires. Une décomposition tensorielle spécifique est alors appliquée. Dans un second temps, on considère des crises qui ont des durées hétérogènes. Plusieurs stratégies sont proposées et comparées. Ce sont des méthodes qui en plus d'extraire les sous-graphes caractéristiques communs à toutes les crises, permettent d'observer leurs profils d'activation temporelle spécifiques à chaque crise. Finalement, on utilise la méthode retenue pour une application clinique. Les décompositions obtenues sont comparées à l'interprétation visuelle du clinicien. Dans l'ensemble, on constate que les sous-graphes extraits correspondent aux régions du cerveau impliquées dans la crise d'épilepsie. De plus l'évolution de l'activation de ces sous-graphes est cohérente avec l'interprétation visuelle
Dynamic graphs make it possible to understand the evolution of complex systems evolving over time. This type of graph has recently received considerable attention. However, there is no consensus on how to infer and study these graphs. In this thesis, we propose specific methods for dynamical graph analysis. A dynamical graph can be seen as a succession of complete graphs sharing the same nodes, but with the weights associated with each link changing over time. The proposed methods can have applications in neuroscience or in the study of social networks such as Twitter and Facebook for example. The issue of this thesis is epilepsy, one of the most common neurological diseases in the world affecting around 1% of the population.The first part concerns the inference of dynamical graph from neurophysiological signals. To assess the similarity between each pairs of signals, in order to make the graph, we use measures of functional connectivity. The comparison of these measurements is therefore of great interest to understand the characteristics of the resulting graphs. We then compare functional connectivity measurements involving the instantaneous phase and amplitude of the signals. We are particularly interested in a measure called Phase-Locking-Value (PLV) which quantifies the phase synchrony between two signals. We then propose, in order to infer robust and interpretable dynamic graphs, two new indexes that are conditioned and regularized PLV. The second part concerns tools for dynamical graphs decompositions. The objective is to propose a semi-automatic method in order to characterize the most important patterns in the pathological network from several seizures of the same patient. First, we consider seizures that have similar durations and temporal evolutions. In this case the data can be conveniently represented as a tensor. A specific tensor decomposition is then applied. Secondly, we consider seizures that have heterogeneous durations. Several strategies are proposed and compared. These are methods which, in addition to extracting the characteristic subgraphs common to all the seizures, make it possible to observe their temporal activation profiles specific to each seizures. Finally, the selected method is used for a clinical application. The obtained decompositions are compared to the visual interpretation of the clinician. As a whole, we found that activated subgraphs corresponded to brain regions involved during the course of the seizures and their time course were highly consistent with classical visual interpretation

Ce mémoire s'intéresse à l'analyse de dynamiques de séries temporelles observées en cardiologie. La solution proposée se décompose en deux étapes. La première consiste à extraire l'information utile en segmentant chaque battement cardiaque à l'aide d'une décomposition en ondelettes, adaptée de la littérature. Le problème difficile de l'optimisation des seuils et des fenêtres temporelles est résolu à l'aide d'algorithmes évolutionnaires. La deuxième étape s'appuie sur les modèles Semi-Markovien Cachés pour représenter les séries temporelles composées de l'ensemble des variables extraites. Un algorithme de classification non-supervisée est proposé pour retrouver les groupements naturels. Appliquée à la détection des épisodes ischémiques et à l'analyse d'ECG d'efforts de patients atteints du syndrome de Brugada (pour la distinction des patients symptomatiques et asymptomatiques), la solution proposée montre des performances supérieures aux approches plus traditionnelles.

Ce mémoire s'intéresse à l'analyse de dynamiques de séries temporelles observées en cardiologie. La solution proposée se décompose en deux étapes. La première consiste à extraire l'information utile en segmentant chaque battement cardiaque à l'aide d'une décomposition en ondelettes, adaptée de la littérature. Le problème difficile de l'optimisation des seuils et des fenêtres temporelles est résolu à l'aide d'algorithmes évolutionnaires. La deuxième étape s'appuie sur les modèles Semi-Markovien Cachés pour représenter les séries temporelles composées de l'ensemble des variables extraites. Un algorithme de classification non-supervisée est proposé pour retrouver les groupements naturels. Appliquée à la détection des épisodes ischémiques et à l'analyse d'ECG d'efforts de patients atteints du syndrome de Brugada (pour la distinction des patients symptomatiques et asymptomatiques), la solution proposée montre des performances supérieures aux approches plus traditionnelles
This manuscript focuses on the problem of analysing dynamics of time series observed in cardiology. The proposed solution is divided into two steps. The first one consists in the extraction of useful information from the ECG by segmenting each beat with a wavelet decomposition algorithmn, adapted from the litterature. The difficult problem of optimising both thresholds and time windows is solved with evolutionary algorithms. The second step relies on Hidden Semi-Markovian models to represent the time series made up of the extracted variables. An algorithm of unsupervised classification is proposed to retrieve the natural groups. The application of this method to the detection of ischemic episodes and to the analysis of stress ECG from patients suffering from Brugada syndrome presents a higher performance than more tradionnal approaches

Cette thèse a comme domaine applicatif la détection précoce des événements d'apnée-bradycardie (AB) chez le prématuré. Après avoir situé l'importance sur le plan clinique de la détection des AB, une démarche méthodologique est proposée. Elle s'appuie sur un processus de fouille de données qui inclut le nettoyage et l'extraction de caractéristiques. Au chapitre 3, une méthode originale à base d'algorithmes évolutionnaires, pour optimiser des seuils et fenêtres d'analyse, est proposée pour adapter les algorithmes de traitement du signal ECG aux caractéristiques spécifiques du prématuré, très différentes de l'EGC de l'adulte. Au chapitre 4, une approche semi-Markovienne est adaptée pour la modélisation des dynamiques et plusieurs améliorations sont proposées : hétérogénéité des modèles, adaptation au traitement en ligne, optimisation de la gamme dynamique, extension de l'observabilité. Au chapitre 5, ces propositions sont exploitées dans des expériences de classification et de détection en ligne, tant sur signaux simulés que réels. Les résultats mettent bien en exergue l'intérêt de prendre en compte la dynamique des signaux. Ils soulignent également qu'avec un prétraitement approprié tel que la quantification des observations, l'introduction du retard entre les observables, un gain notable en performance peut être observé
This dissertation studies the early detection of apnea-bradycardia (AB) events in preterm infants. After defining the importance of AB detection from a clinical point of view, a methodological approach is proposed. It relies on a data mining process that includes data cleansing and feature extraction. In chapter 3, a novel method based on evolutionary algorithms, for optimizing the thresholds and the analysis windows, is proposed to adapt the algorithms of the ECG signal to the specific characteristics of preterm infants, very different from the EGC of adult. In chapter 4, a semi-Markovian approach is adapted for modeling of dynamics and several improvements are proposed : heterogeneous models, adaptation to online processing, optimization of experiments, are reported on simulated and read signals. They clearly highlight the importance of considering the dynamic of the signals. They also emphasize that with a suitable pre-treatment such as the quantification of observations and the introduction of delay between the observable, a significant gain in performance can be observed