JdS2012


 English   -  Français  

Résumé de communication



Résumé 143 :

Une approche modèle mixte pour la classification supervisée de signaux électropysiologiques
Spinnato, Juliette ; Roubaud, Marie-Christine ; Casini, Laurence ; Burle, Boris ; Torrésani, Bruno
LATP - LNC / Aix-Marseille Université / CNRS

La classification de données fortement bruitées et présentant une importante variabilité constitue un enjeu important. Les signaux électrophysiologiques (EEG) correspondent à ce type de données. Pour une tâche cognitive étudiée, l’activité cérébrale associée présente une importante variabilité temporelle d’une répétition à une autre et le signal d’intérêt, de faible amplitude, est noyé dans un ensemble d’artefacts et de bruit. Nous proposons une procédure permettant de discriminer, chez un même sujet, deux classes de signaux cérébraux à partir d'une modélisation par le modèle linéaire mixte gaussien. Ce travail s'inspire de la méthode présentée par Huang et al.(2008). Notre contribution réside d'une part dans une formalisation simpliée de la modélisation et d'autre part dans l'introduction d'une transformation en ondelettes permettant une réduction de la dimension temporelle sans perte d'information. La procédure présentée est appliquée à la détection d'ondes d'erreurs au cours d'une tâche cognitive, et nous étudions la performance de notre méthode sur six sujets en comparant les résultats obtenus aux résultats d'une analyse factorielle discriminante.