Juliette Spinnato - Mardi 27 mars - Frumam.

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 discrète 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. Cette détection de signaux fortement bruités en essai unique trouve une application intéressante dans les interfaces cerveau-machine (ICM) qui permettent une communication directe et non-musculaire entre en individu et un ordinateur. La structure d?une ICM comprend un système d?acquisition et de traitement des signaux cérébraux, ainsi qu'un système de classification permettant de traduire en une commande dans l'environnement de l'individu (un clavier sur écran, un fauteuil roulant, une prothèse, etc.). Nous parlerons notamment de l'application médicale de tels systèmes qui ont pour vocation d'améliorer le contrôle moteur et l'autonomie des personnes souffrant de graves handicaps.