BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.4.2//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:0-379@lisn.upsaclay.fr DTSTART;TZID=Europe/Paris:20260324T140000 DTEND;TZID=Europe/Paris:20260324T170000 DTSTAMP:20260324T172553Z URL:https://www.lisn.upsaclay.fr/evenements/apprentissage-des-representati ons-de-lelectroencephalogramme-a-laide-de-lapprentissage-profond/ SUMMARY:Apprentissage des représentations de l’électroencéphalogramme à l’aide de l’apprentissage profond DESCRIPTION:Le décodage de l'électroencéphalographie (EEG) fait face à un nouveau défi : les méthodes d'apprentissage profond qui ont transform é la science nécessitent d'énormes quantités de données\, alors que l es études EEG ne recueillent généralement que quelques centaines à que lques milliers d'essais par sujet. Cette rareté des données\, combinée à une grande variabilité inter-sujets et à un faible rapport signal à bruit\, limite l'application des approches modernes d'apprentissage automa tique. Cette thèse étudie les stratégies d'apprentissage de représenta tion pour répondre aux contraintes des données EEG\, en proposant des m éthodes pour réutiliser\, créer et contraindre les représentations tou t en établissant une infrastructure pour une évaluation reproductible et réplicable. Dans la première partie\, nous nous sommes concentrés sur la réutilisation des représentations grâce à l'apprentissage par trans fert entre tâches cognitives. Nous avons évalué si les caractéristique s apprises dans une tâche EEG donnée pouvaient améliorer le décodage d ans une autre tâche pour mesurer la transférabilité. Pour cela\, nous a vons testé ces approches sur 11 tâches issues de deux ensembles de donn ées comprenant 135 sujets. Nous avons constaté que le transfert est trè s asymétrique: certaines tâches constituent des sources efficaces pour p lusieurs cibles\, tandis que d'autres bénéficient de l'absence de pré-e ntraînement. La combinaison linéaire des répresentations a permis d'obt enir des gains de précision\, et le regroupement hiérarchique des matric es de transfert a révélé que les tâches faisant appel à des processus cognitifs similaires se regroupent. Dans la deuxième partie\, nous nous sommes concentrés sur la création de représentations à l'aide de la mo délisation générative afin d'enrichir des ensembles de données limité s. Nous avons entraîné des modèles de diffusion latente avec une nouvel le fonction de coût spectrale sur des données EEG du sommeil provenant d e deux ensembles de données afin de générer des époques réalistes de 30 secondes. Cette fonction de coût renforce la fidélité dans le domain e fréquentiel tout en minimisant les différences entre les transformées de Fourier à court terme des signaux réels et synthétiques\, et en pr éservant les oscillations physiologiquement pertinentes. % dans les bande s delta\, thêta et alpha. Dans la troisième partie\, nous avons abordé le défi de l'efficacité des paramètres en contraignant les représentat ions avec des a priori géométriques. Nous avons proposé l'approche Phas e-SPDNet\, qui combine la géométrie riemannienne sur la variété symét rique définie positive avec la reconstruction de l'espace de phase basée sur le théorème de Takens. %Cette approche enrichit les matrices de cov ariance spatiale avec une dynamique temporelle grâce à l'intégration d' un décalage temporel\, permettant un décodage efficace avec un minimum d 'électrodes. Évaluée sur six jeux de données d'imagerie motrice en uti lisant seulement trois électrodes\, Phase-SPDNet obtient les meilleurs pe rformances de la littérature. Dans la quatrième partie\, nous avons abor dé la crise de reproductibilité dans le décodage EEG en développant un e infrastructure de comparaison standardisée. Nous avons organisé une co mpétition à grande échelle sur plus de 3000 sujets avec six tâches cog nitives\, révélant que la généralisation inter-sujets reste nettement plus difficile que la généralisation inter-tâches.\nMots-clés : Appren tissage profond\,électroencéphalographie\,décodage\, ...\nLien vers ses publications CATEGORIES:AAC,IA,Science des Données,Thèses et HDR LOCATION:France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=France;X-APPLE-RADIUS=100;X -TITLE=:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:STANDARD DTSTART:20251026T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD END:VTIMEZONE END:VCALENDAR