Dissertations / Theses on the topic 'Graphene neurons'

Graphene displays properties that make it appealing for neuroregenerative medicine, yet the potential of large-scale highly-crystalline graphene as a conductive peripheral neural interface has been scarcely investigated. In particular, pristine graphene offers enhanced electrical properties that can be advantageous for nervous system regeneration applications. In this work, we investigate graphene potential as peripheral nerve interface. First, we perform an unprecedented analysis aimed at revealing how the typical polymeric coatings for neural cultures distribute on graphene at the nanometric scale. Second, we examine the impact of graphene on the culture of two established cellular models for peripheral nervous system: PC12 cell line and primary embryonic rat dorsal root ganglion (DRG) neurons, showing a better and faster axonal elongation using graphene. We then observe that the axon elongation in the first days of culture correlates to an altered nerve growth factor (NGF) axonal transport, with a reduced number of retrogradely moving NGF vesicles in favor of stalled vesicles. We thus hypothesize that the axon elongation observed in the first days of culture could be mediated by this pool of NGF vesicles locally retained in the medial/distal parts of axons. Furthermore, we investigate electrophysiological properties and cytoskeletal structure of peripheral neurons. We observe a reduced neural excitability and altered membrane potential together with a reduced inter-microtubular distance on graphene and correlate these electrophysiological and structural reorganizations of axon physiology to the observed vesicle stalling. Finally, the potential of another 2D material as neural interface, tungsten disulfide, is explored.

Dans la lignée des progrès technologiques récents en électronique, ces dernières décennies ont vu l’émergence d’une variété de systèmes permettant l’interface bioélectronique, allant de la mesure de l’activité électrique émise par l’ensemble du cerveau jusqu’à la mesure du signal émis par un neurone unique. Bien que des interfaces électroniques avec les neurones ont montré leur utilité pour des applications cliniques et sont communément utilisés par les neurosciences fondamentales, leurs performances sont encore très limitées, notamment en raison de l’incompatibilité relative entre les systèmes à l’état solide et le vivant. Dans ce travail de thèse, nous avons étudié des techniques et des matériaux nouveaux permettant une approche alternative et qui pourraient améliorer le suivi de l’activité de réseaux de neurones cultivés in situ et à terme la performance des neuroprothèses in vivo. Dans ce travail, des réseaux de nanofils de silicium et des microélectrodes en diamant sont élaborés pour respectivement améliorer la résolution spatiale et la stabilité des électrodes dans un environnement biologique. Un point important de cette thèse est également l’évaluation des performances de transistors à effet de champ en graphène pour la bio électronique. En raison des performances remarquables et combinées sur les aspects électrique, mécanique et chimique du graphène, ce matériau apparaît comme un candidat très prometteur pour la réalisation d’une électronique permettant une interface stable et sensible avec un réseau de neurones. Nous montrons dans ce travail l’affinité exceptionnelle des neurones avec une surface de graphène brut et la réalisation d’une électronique de détection rapide et sensible à base de transistor en graphène
In line with the technological progress of last decades a variety of adapted bioelectrical interfaces was developed to record electrical activity from the nervous system reaching from whole brain activity to single neuron signaling. Although neural interfaces have reached clinical utility and are commonly used in fundamental neuroscience, their performance is still limited. In this work we investigated alternative materials and techniques, which could improve the monitoring of neuronal activity of cultured networks, and the long-term performance of prospective neuroprosthetics. While silicon nanowire transistor arrays and diamond based microelectrodes are proposed for improving the spatial resolution and the electrode stability in biological environment respectively, the main focus of this thesis is set on the evaluation of graphene based field effect transistor arrays for bioelectronics. Due to its outstanding electrical, mechanical and chemical properties graphene appears as a promising candidate for the realization of chemically stable flexible electronics required for long-term neural interfacing. Here we demonstrate the outstanding neural affinity of pristine graphene and the realization of highly sensitive fast graphene transistors for neural interfaces

2011/2012
Nanotechnology underwent a very rapid development in the last decades, thanks to the invention of different techniques that allow reaching the nanoscale. The great interest in this area arises from the variety of possible applications in different fields, such as electronics, where the miniaturization of components is a key factor, but also medicine. The creation of smart systems able to carry out a specific task in the body in a controlled way, either in diagnosis or therapy or tissue engineering, is the ultimate goal of a newborn area of research, called nanomedicine. In fact, to reach such an outstanding objective, a nanometer‐sized material is needed and carbon nanotubes (CNTs) are among the most promising candidates. The aim of this thesis was to study this opportunity and, in particular, the possible application of carbon nanotubes for spinal network repairing. After a review of the main features of neuronal network systems and the most common techniques to study their functionality, possible applications of nanotechnology for nanomedicine purposes are considered, focusing the attention on CNTs as neuronal interface in nerve tissue engineering. The work can be divided into two big parts. In the first part the impact of carbon nanotubes on various neuronal systems was studied. Different form of carbonaceous materials (carbon nanotubes, nanohorns and graphene) were deposited in a homogeneous way on a glass surface playing with organic functionalization and different deposition techniques. Hippocampal neuronal cells were grown on their surface to better understand how morphology and conductivity of the material could influence the activity of the neuronal network evidencing how both these characteristics could affect the electrophysiological properties of neurons. Then, also spinal neurons were grown on carbon nanotubes network deposited on a glass substrate to evaluate, for the first time, the impact of carbon nanotubes on this kind of cells. The tight interaction between these two materials appeared to cause a faster maturation of the spinal neurons with respect II to the control grown on a glass substrate. The long-term impact on a complex tissue (spinal cord slice) grown on carbon nanotubes carpet was also studied. The intimate interaction between the two materials observed by TEM and SEM analysis caused an increase in dimensions and number of neuronal fibers that comes out from the body of a spinal cord slice. An increase in electrophysiological activity of all neuronal network of the slice was also reported. In the second part of the work different conductive biocompatible nanocomposite materials based on carbon nanotubes and “artificial” polymers (such as Nafion, PVA, PET, PEI, PDMS and PANI) were investigated. The idea is to test these materials as neuronal prosthesis to repair spinal cord damage. All the prepared scaffolds showed CNTs on the surface favoring CNTs-neurons interaction. To address this aim different techniques and different organic functionalizations of CNTs were utilized to control supramolecular interactions between the nanomaterial and polymers orienting the deposition of the CNTs and preventing their aggregation. After that, an innovative method to study the possible ability of this nanocomposite materials to transmit a neuronal signal between two portions of spinal cord was designed. Functionalization of gold surfaces with thiolated carbon nanotubes have been conducted in order to develop suitable devices for neuronal stimulation and consequent spinal cord lesions repairing. In particular thiol groups were introduced on the graphitic surface of carbon nanotubes by means of covalent functionalization. First of all, the interaction of CNTs with gold nanoparticles has been evaluated, then a gold surface has been coated by means of contact printing technique with a homogeneous film of CNTs. This hybrid material could be useful to produce innovative electrodes for neuronal stimulation
XXV Ciclo
1985

Le graphène, une couche monoatomique de carbone, est étudié comme matériau pourconstruire ou encapsuler des biocapteurs afin d’adresser les problèmes de durabilitérencontrés avec les implants intra-corticaux. Ces derniers sont des outils essentiels pour lesprojets médicaux de neuro-réhabilitation afin d’enregistrer les signaux de motoneuronesuniques dans le cerveau. Les implants actuels sont invasifs et leur efficacité est limitée dans letemps par la réaction de rejet des tissus. En combinant une synthèse de graphène optimiséeà cet usage (monocouche continue sur plusieurs cm²) et son intégration dans des capteursélectroniques ultra-sensibles, protégés par des polymères bioactifs, cette thèse propose unenouvelle approche pluridisciplinaire pour construire des implants offrant une meilleurebioacceptance. Au moyen de méthodes d’intégration innovantes et d’études ducomportement du graphène in-vivo et in-vitro, nous évaluons expérimentalement lafaisabilité d’intégration du graphène dans les futures interfaces cerveau machines pour desprojets médicaux au long terme
Graphene, an atomically thin layer of carbon, is investigated as a biosensing andcoating material in order to address the long term durability issues of invasive intracorticalimplants. These devices are essential tools to record specific single motor neurons activity formedical applications aiming at healing neural injuries. Today’s implants suffer from their highinvasiveness. It is responsible for local inflammation that leads to the failure in unique neuronsactivity recordings in the motor cortex on a long term basis. By combining a monolayergraphene growth and transfer with an ultra-sensitive electronic integration and a biochemicalfunctionalization, this thesis proposes a new multidisciplinary approach to build intracorticalimplants with an improved bioacceptance. By using innovative methods of grapheneintegration in implants, and in-vitro and in-vivo studies to assess the reactions of living tissuesto graphene, we provide an overview of graphene’s potential contribution to future brainmachine interfaces for long term medical projects

La tecnologia d’implants neuronals en medicina té com a objectiu restaurar la funcionalitat del sistema nerviós en casos de degeneració o dany greu registrant o estimulant l’activitat elèctrica del teixit nerviós. Els implants neuronals disponibles actualment ofereixen una eficàcia clínica modesta, en part a causa de les limitacions que tenen els metalls utilitzats en la interfície elèctrica amb el teixit. Aquests materials comprometen la resolució de la interfície i, per tant, la restauració funcional amb el rendiment i l’estabilitat. En aquest treball presento uns implants neuronals flexibles basats en una pel·lícula prima de grafè porós nanoestructurat i biocompatible que proporciona una interfície neural bidireccional estable i d’alt rendiment. En comparació amb els dispositius de microelectrodos de platí estàndard, elèctrodes de 25 μm de diàmetre basats en grafè ofereixen una impedància significativament menor i poden injectar de manera segura 200 vegades més càrrega durant més de 100 milions de polsos. N’evaluo les seves capacitats in vivo registrant activitat epicortical amb alta fidelitat i alta resolució, estimulant subconjunts d’axons dins del nervi ciàtic amb llindars de corrent baixos i alta selectivitat i modulant l’activitat de la retina amb alta precisió. La tecnologia de pel·lícula fina de grafè aquí descrita té el potencial de convertir-se en el nou punt de referència per la pròxima generació de tecnologia d’implants neuronals.
La tecnología de implantes neuronales en medicina tiene como objetivo restaurar la funcionalidad del sistema nervioso en casos de degeneración o daño grave registrando o estimulando la actividad eléctrica del tejido nervioso. Los implantes neurales disponibles actualmente ofrecen una eficacia clínica modesta, en parte debido a las limitaciones que plantean los metales utilizados en la interfaz eléctrica con el tejido. Dichos materiales comprometen la resolución de la interfaz y, por lo tanto, la restauración funcional con el rendimiento y la estabilidad. En este trabajo presento unos implantes neuronales flexibles basados en una película delgada de grafeno poroso nanoestructurado y biocompatible que proporciona una interfaz neural bidireccional estable y de alto rendimiento. En comparación con los dispositivos de microelectrodos de platino estándar, electrodos de 25 μm de diámetro basados en grafeno ofrecen una impedancia significativamente menor y pueden inyectar de forma segura 200 veces más carga durante más de 100 millones de pulsos. Aquí evaluo sus capacidades in vivo registrando actividad epicortical con alta fidelidad y alta resolución, estimulando subconjuntos de axones dentro del nervio ciático con umbrales de corriente bajos y alta selectividad y modulando la actividad de la retina con alta precisión. La tecnología de película fina de grafeno aquí descrita tiene el potencial de convertirse en el nuevo punto de referencia para la próxima generación de tecnología de implantes neuronales.
Neural implants technology in medicine aims to restore nervous system functionality in cases of severe degeneration or damage by recording or stimulating the electrical activity of the nervous tissue. Currently available neural implants offer a modest clinical efficacy partly due to the limitations posed by the metals used at the electrical interface with the tissue. Such materials compromise interfacing resolution, and therefore functional restoration, with performance and stability. In this work, I present flexible neural implants based on a biocompatible nanostructured porous graphene thin film that provides a stable and high performance bidirectional neural interface. Compared to standard platinum microelectrode devices, the graphene-based electrodes of 25 μm diameter offer significantly lower impedance and can safely inject 200 times more charge for more than 100 million pulses. I assessed their performance in vivo by recording high fidelity and high resolution epicortical activity, by stimulating subsets of axons within the sciatic nerve with low thresholds and high selectivity and by modulating the retinal activity with high precision. The graphene thin film technology I describe here has the potential to become the new performance benchmark for the next generation of neural implant technology.
Universitat Autònoma de Barcelona. Programa de Doctorat en Enginyeria Electrònica i de Telecomunicació

En els últims anys s’han produït desenvolupaments tecnològics innovadors en el camp dels implants neuronals per a aplicacions mèdiques. La comprensió de el cervell humà es considera com un dels majors reptes científics del nostre temps; com a conseqüència, estem sent testimonis d’una intensificació de la investigació en el desenvolupament de les interfícies cervell-màquina (IMC) per llegir i estimular l’activitat cerebral. No obstant això, els implants neuronals actualment disponibles ofereixen una eficàcia clínica modesta, en part a causa de les limitacions que plantegen la invasivitat dels materials. Aquests materials comprometen la resolució de la interfície, el rendiment i l’estabilitat a llarg termini dels implants. El desenvolupament d’una electrònica flexible que utilitzi materials biocompatibles és clau per al desenvolupament d’implants neuronals mínimament invasius, que puguin implantar-se de forma crònica. Un camp d’investigació molt prometedor, és l’ús de materials bidimensionals, com el grafè, per a aplicacions bioelectròniques. El transistor d’efecte de camp en solució de grafè (gSGFET) és una de d’aquestes noves tecnologies neuronals emergents. Aquests dispositius poden superar les limitacions esmentades anteriorment gràcies a les extraordinàries propietats del grafè, com ara la seva alta flexibilitat mecànica, estabilitat electroquímica, biocompatibilitat i alta sensibilitat. En aquesta tesi doctoral, s’han fabricat matrius de gSGFET i s’han optimitzat iterativament en termes de sensibilitat i relació senyal / soroll, adoptant mètodes de microfabricació a escala d’oblia. S’ha caracteritzat el soroll 1 / f en els gSGFETs i s’ha optimitzat amb un tractament UVO de la interfície metall / grafè i desacoblant el grafè del substrat utilitzant diferents nanomaterials com ara l’encapsulació del grafè amb nitrur de bor hexagonal (hBN), monocapes autoacoblades i grafè bicapa. A més, s’han fabricat amb èxit sondes neuronals epicorticals i intracorticals flexibles, que contenien matrius de gSGFET, i s’han fet enregistraments de microelectrocorticografia in vivo en rosegadors. S’han inserit dispositius intracorticals flexibles en el cervell utilitzant un protocol de reforç de la capa posterior del dispositiu amb proteïna de fibroïna de seda biorresistent. Els resultats presentats en aquesta tesi demostren la superior resolució espai-temporal dels gSGFET en comparació amb la tecnologia estàndard de microelèctrodes; en particular, la capacitat de mapejar amb alta fidelitat, l’activitat de molt baixa freqüència (ISA, <0,1 Hz) juntament amb els senyals en el típic ample de banda dels LFP. Avui dia se sap que l’activitat cerebral de molt baixa freqüència, contribueix a la fisiopatologia de diversos trastorns neurològics com el vessament cerebral, la lesió cerebral traumàtica, la migranya i l’epilèpsia. No obstant això, aquesta activitat rares vegades es registra a causa de les limitacions tècniques intrínseques dels elèctrodes convencionals acoblats a la CA. S’han obtingut mesures neuronals amb sondes de profunditat flexibles i multicanal de grafè (gDNP) en models animals desperts amb convulsions i epilèpsia. S’ha detectat i cartografiat l’AIS a través de diferents capes corticals i regions subcorticals, registrant simultàniament l’activitat epilèptica en bandes de freqüència més convencionals (1-600Hz). A més, com a part d’aquesta tesi s’ha demostrat també l’estabilitat i funcionalitat de registres a llarg termini, així com la biocompatibilitat dels gDNPs. La tecnologia bioelectrònica basada en grafè aquí descrita té el potencial d’esdevenir una eina de referència per a l’electrofisiologia d’ample de banda complet. Es preveu que aquesta tecnologia tingui un gran impacte en una comunitat àmplia i multidisciplinària que inclogui investigadors en neurotecnologia, enginyers biomèdics, neurocientífics que estudien la dinàmica cortical de banda ampla associada amb el comportament espontani i /o els estats cerebrals, així com investigadors clínics interessats en el paper de l’activitat de molt baixa freqüència en epilèpsia, els accidents cerebrovasculars i la migranya.
En los últimos años se han producido nuevos desarrollos tecnológicos en el campo de los implantes neuronales para aplicaciones médicas. La comprensión del cerebro humano se considera uno de los mayores desafíos científicos de nuestro tiempo; como consecuencia, estamos siendo testigos de una intensificación de la investigación en el desarrollo de las interfaces cerebro-máquina (IMC) para leer y estimular la actividad cerebral. No obstante, los implantes neuronales actualmente disponibles ofrecen una eficacia clínica modesta, en parte debido a las limitaciones que plantea la invasividad de los materiales. Esos materiales comprometen la resolución de la interfaz, el rendimiento y la estabilidad a largo plazo de los implantes neurales. El desarrollo de una electrónica flexible que utilice materiales biocompatibles es clave para la realización de implantes neuronales mínimamente invasivos que puedan implantarse de forma crónica. Un campo de investigación muy prometedor es el uso de materiales bidimensionales, como el grafeno, para aplicaciones bioelectrónicas. El transistor de efecto de campo en solución de grafeno (gSGFET) es una de dichas nuevas tecnologías neurales emergentes. Estos dispositivos pueden superar las limitaciones mencionadas anteriormente gracias a las extraordinarias propiedades del grafeno, como su alta flexibilidad mecánica, estabilidad electroquímica, biocompatibilidad y sensibilidad. En esta tesis doctoral, se han fabricado matrices de gSGFET y se han optimizado iterativamente en términos de sensibilidad y relación señal/ruido, adoptando métodos de microfabricación a escala de oblea. Se ha caracterizado el ruido 1/f en los gSGFETs y optimizado haciendo un tratamiento UVO en la interfaz metal/grafeno y desacoplando el canal de grafeno del sustrato utilizando diferentes nanomateriales como la encapsulación con nitruro de boro hexagonal (hBN), monocapas autoensambladas y bicapas de grafeno. Además, se han fabricado con éxito sondas neurales epicorticales e intracorticales flexibles con matrices de gSGFET y se han utilizado durante las medidas de microelectrocorticografía in vivo en roedores. Se han insertado dispositivos intracorticales flexibles en el cerebro utilizando un protocolo de refuerzo de la capa posterior de los dispositivos con proteína de fibroína de seda biorresistente. Los resultados presentados en esta tesis demuestran la superior resolución espacio-temporal de los gSGFET en comparación con la tecnología estándar de microelectrodos; en particular, referente a la capacidad de mapear con alta fidelidad, la actividad de muy baja frecuencia (ISA, < 0,1 Hz) junto con las señales en el típico ancho de banda LFP. Hoy en día se sabe que la actividad cerebral de muy baja frecuencia, contribuye a la fisiopatología de varios trastornos neurológicos como el derrame cerebral, la lesión cerebral traumática, la migraña y la epilepsia. Sin embargo, esta actividad rara vez se registra debido a las limitaciones técnicas intrínsecas de los electrodos convencionales acoplados a la CA. Se han obtenido registros con sondas neuronales de profundidad de grafeno (gDNP) en modelos animales de epilepsia. Se detectó ISA a través de diferentes capas corticales y regiones subcorticales, registrando simultáneamente la actividad epiléptica en bandas de frecuencia más convencionales (1-600Hz). Además, se ha demostrado también la evaluación de la estabilidad y funcionalidad en registros crónicos, así como la biocompatibilidad del gDNP. La tecnología bioelectrónica basada en el grafeno aquí descrita tiene el potencial de convertirse en una herramienta de referencia para la electrofisiología de ancho de banda completo. Se prevé que esta tecnología tenga un gran impacto en una comunidad amplia y multidisciplinaria que incluya investigadores en neurotecnología, ingenieros biomédicos, neurocientíficos que estudien la dinámica cortical de banda ancha asociada con el comportamiento espontáneo y/o los estados cerebrales, así como investigadores clínicos interesados en la actividad de baja frecuencia en la epilepsia, los accidentes cerebrovasculares y la migraña.
Recent years have witnessed novel technology developments of neural implants for medical applications which are expected to pave the way to unveil functionalities of the central nervous system. Understanding the human brain is commonly considered one of the biggest scientific challenges of our time; as a consequence, we are witnessing an intensified research in the development of brain-machine-interfaces (BMIs), which would allow us to both read and stimulate brain activity. Nevertheless, currently available neural implants offer a modest clinical efficacy, partly due to the limitations posed by the invasiveness of the implants materials and technology and by the metals used at the electrical interface with the tissue. Such materials compromise the interfacing resolution, the performance and the long term stability of neural implants. Development of flexible electronics using biocompatible materials is key for the realisation of minimally invasive neural implants, which can be chronically implanted without causing rejection from the immune system. A relatively young yet very promising research field, that is increasingly drawing attention is the use of two dimensional materials, such as graphene, for bioelectronic applications. Graphene solution-gated field effect transistor (gSGFET) is one of several emerging new neural technologies. These devices can overcome the above-mentioned limitations thanks to the outstanding properties of graphene, such as mechanical flexibility, electrochemical inertness, biocompatibility and high sensitivity. In this PhD thesis, arrays of gSGFETs have been fabricated and iteratively optimized in terms of sensitivity and signal-to-noise ratio, adopting wafer-scale micro-fabrication methods. The 1/f noise in gSGFETs has been characterised and the optimisation of both, contact and channel noises was achieved by UVO-treatment at the metal/graphene interface, as well as by decoupling the graphene channel from the substrate, using different nanomaterials such as graphene encapsulation with hexagonal boron nitride (hBN), self assembled monolayers and double transferred graphene. Moreover, flexible and ultra-thin epicortical and intracortical neural probes, containing arrays of gSGFETs, have been successfully fabricated and used during in vivo microelectrocorticography recordings in anaesthesized and awake rodents. Flexible intracortical devices were inserted into the brain using a back-coating stiffening protocol with bioresobable silk fibroin protein, developed during this PhD thesis. The results presented in this PhD demonstrate the superior spatio-temporal resolution of gSGFETs compared to standard microelectordes technology; particularly the ability to map with high fidelity, infraslow activity (ISA, < 0.1 Hz) together with signals in the typical local field potential bandwidth. Today it is known that infraslow brain activity, including spreading depolarisations, contribute to the pathophysiology of several neurological disorders such as stroke, traumatic brain injury, migraine and epilepsy. However, this activity is seldom recorded due to intrinsic technical limitations of conventional AC-coupled electrodes. To demonstrate the usefulness of the developed flexible gSGFET arrays technology, recordings have been obtained with multichannel flexible graphene depth neural probes (gDNP) in relevant awake animal models of seizures and established epilepsy. ISA was detected and mapped through different cortical layers and subcortical regions, whilst simultaneously recording epileptiform activity in more conventional frequency bands (1-600Hz). Furthermore, the assessment of the long term recording stability and functionality, as well as biocompatibility of the gDNP has also been demonstrated as part of this thesis. The graphene based bioelectronic technology here described has the potential to become a gold standard tool for full bandwidth electrophysiology. This technology is envisioned to have a great impact on a broad and multidisciplinary community including neurotechnology researchers, biomedical engineers, neuroscientists studying wide-band cortical dynamics associated with spontaneous behaviour and/or brain states, as well as clinical researchers interested in the role of infraslow activity in epilepsy, stroke and migraine.

The objective of my Ph.D. thesis is the investigation of the role of Single Layer Graphene (SLG) as a biointerface for its possible future exploitation in various biomedical applications; in particular for the development of biosensors, substrates for regenerative medicine, interfacing platforms for better recording of electrophysiological activity of neuronal networks, among others. This Ph.D. project is multidisciplinary involving both the material transfer and characterization part from one side and the biological part from another side. The material part offers an in-depth explanation of SLG synthesis, transfer, characterization and functionalization while the biological section sheds light on the studies performed for investigation of the behavior of different types of cell lines on SLG substrates. For better understanding of the sequence of the performed work, I have divided this thesis into separate chapters. In the beginning and end of every chapter, I added an introduction and conclusions related to it. Chapter 1 acts as a general introduction to graphene and graphene-related materials where a detailed explanation on the evolution of those materials as a cell interface is provided leading to the introduction of SLG in the end of this chapter along with its production process. Chapter 2 is oriented on the surface characterization of SLG substrates; in this chapter, I described the SLG transfer method, creation of the micrometric ablated geometric patterns on the transferred substrates using excimer laser micromachining, a technique developed in our lab, then further functionalization of the substrates and finally all the techniques employed for their physicochemical characterization. Chapter 3 is dedicated to the biological part of the project; i.e. studying the behavior of different cell lines on the SLG substrates. In this chapter, I have described and explained the interest of using the selected cell lines and the experiments that were performed on them. Chapter 4 has been devoted to a complete and separate project that I performed in collaboration with the Neuroscience and Brain Technologies department. The main focus of the project was the functionalization of the commercial multi-electrode arrays (MEAs) with SLG and studying the neuronal network activity on them throughout the complete network development. Although the main focus of my Ph.D. project was studying SLG biointerface, I have also been involved in side projects, among which, studying the neuronal-like response of mouse neuroblastoma (N2a) living cells to nanoporous patterns of thin supported anodic alumina which I have described in Appendix A, and studying the surface potential of graphene by polyelectrolyte coating which I have presented in Appendix B. To summarize, this thesis reports an original investigation, since, to the best of our knowledge, there is no report yet about the study of the effect of SLG functionalized MEA on the neuronal network activity throughout the complete network maturation. Furthermore, proliferation curves of different cell lines on SLG versus control substrates have been presented; in addition to physicochemical characterization of ablated and functionalized SLG substrates as means of possible explanation of a certain cellular behavior on graphene.

L'extraction de sous-structures significatives a toujours été un élément clé de l’étude des graphes. Dans le cadre de l'apprentissage automatique, supervisé ou non, ainsi que dans l'analyse théorique des graphes, trouver des décompositions spécifiques et des sous-graphes denses est primordial dans de nombreuses applications comme entre autres la biologie ou les réseaux sociaux.Dans cette thèse, nous cherchons à étudier la dégénérescence de graphe, en partant d'un point de vue théorique, et en nous appuyant sur nos résultats pour trouver les décompositions les plus adaptées aux tâches à accomplir. C'est pourquoi, dans la première partie de la thèse, nous travaillons sur des résultats structurels des graphes à arête-admissibilité bornée, prouvant que de tels graphes peuvent être reconstruits en agrégeant des graphes à degré d’arête quasi-borné. Nous fournissons également des garanties de complexité de calcul pour les différentes décompositions de la dégénérescence, c'est-à-dire si elles sont NP-complètes ou polynomiales, selon la longueur des chemins sur lesquels la dégénérescence donnée est définie.Dans la deuxième partie, nous unifions les cadres de dégénérescence et d'admissibilité en fonction du degré et de la connectivité. Dans ces cadres, nous choisissons les plus expressifs, d'une part, et les plus efficaces en termes de calcul d'autre part, à savoir la dégénérescence 1-arête-connectivité pour expérimenter des tâches de dégénérescence standard, telle que la recherche d’influenceurs.Suite aux résultats précédents qui se sont avérés peu performants, nous revenons à l'utilisation du k-core mais en l’intégrant dans un cadre supervisé, i.e. les noyaux de graphes. Ainsi, en fournissant un cadre général appelé core-kernel, nous utilisons la décomposition k-core comme étape de prétraitement pour le noyau et appliquons ce dernier sur chaque sous-graphe obtenu par la décomposition pour comparaison. Nous sommes en mesure d'obtenir des performances à l’état de l’art sur la classification des graphes au prix d’une légère augmentation du coût de calcul.Enfin, nous concevons un nouveau cadre de dégénérescence de degré s’appliquant simultanément pour les hypergraphes et les graphes biparties, dans la mesure où ces derniers sont les graphes d’incidence des hypergraphes. Cette décomposition est ensuite appliquée directement à des architectures de réseaux de neurones pré-entrainés étant donné qu'elles induisent des graphes biparties et utilisent le core d'appartenance des neurones pour réinitialiser les poids du réseaux. Cette méthode est non seulement plus performant que les techniques d'initialisation de l’état de l’art, mais il est également applicable à toute paire de couches de convolution et linéaires, et donc adaptable à tout type d'architecture
Extracting Meaningful substructures from graphs has always been a key part in graph studies. In machine learning frameworks, supervised or unsupervised, as well as in theoretical graph analysis, finding dense subgraphs and specific decompositions is primordial in many social and biological applications among many others.In this thesis we aim at studying graph degeneracy, starting from a theoretical point of view, and building upon our results to find the most suited decompositions for the tasks at hand.Hence the first part of the thesis we work on structural results in graphs with bounded edge admissibility, proving that such graphs can be reconstructed by aggregating graphs with almost-bounded-edge-degree. We also provide computational complexity guarantees for the different degeneracy decompositions, i.e. if they are NP-complete or polynomial, depending on the length of the paths on which the given degeneracy is defined.In the second part we unify the degeneracy and admissibility frameworks based on degree and connectivity. Within those frameworks we pick the most expressive, on the one hand, and computationally efficient on the other hand, namely the 1-edge-connectivity degeneracy, to experiment on standard degeneracy tasks, such as finding influential spreaders.Following the previous results that proved to perform poorly we go back to using the k-core but plugging it in a supervised framework, i.e. graph kernels. Thus providing a general framework named core-kernel, we use the k-core decomposition as a preprocessing step for the kernel and apply the latter on every subgraph obtained by the decomposition for comparison. We are able to achieve state-of-the-art performance on graph classification for a small computational cost trade-off.Finally we design a novel degree degeneracy framework for hypergraphs and simultaneously on bipartite graphs as they are hypergraphs incidence graph. This decomposition is then applied directly to pretrained neural network architectures as they induce bipartite graphs and use the coreness of the neurons to re-initialize the neural network weights. This framework not only outperforms state-of-the-art initialization techniques but is also applicable to any pair of layers convolutional and linear thus being applicable however needed to any type of architecture

Nous sommes entourés par une multitude de réseaux d'interactions, issus de contextes très différents. Ces réseaux peuvent être modélisés par des graphes, appelés graphes de terrain. Ils possèdent une structure en communautés, c'est-à-dire en groupes de nœuds très liés entre eux, et peu liés avec les autres. Un phénomène que l'on étudie sur les graphes dans de nombreux contextes est la diffusion. La propagation d'une maladie en est un exemple. Ces phénomènes dépendent d'un paramètre important, mais souvent peu étudié : l'échelle de temps selon laquelle on les observe. Selon l'échelle choisie, la dynamique du graphe peut varier de manière très importante.Dans cette thèse, nous proposons d'étudier des processus dynamiques en utilisant une échelle de temps adaptée. Nous considérons une notion de temps relatif, que nous appelons le temps intrinsèque, par opposition au temps "classique", que nous appelons temps extrinsèque. Nous étudions en premier lieu des phénomènes de diffusion selon une échelle de temps intrinsèque, et nous comparons les résultats obtenus avec une échelle extrinsèque. Ceci nous permet de mettre en évidence le fait qu'un même phénomène observé dans deux échelles de temps différentes puisse présenter un comportement très différent. Nous analysons ensuite la pertinence de l'utilisation du temps intrinsèque pour la détection de communautés dynamiques. Les communautés obtenues selon les échelles de temps extrinsèques et intrinsèques nous montrent qu'une échelle intrinsèque permet la détection de communautés beaucoup plus significatives et détaillées que l'échelle extrinsèque
We are surrounded by a multitude of interaction networks from different contexts. These networks can be modeled as graphs, called complex networks. They have a community structure, i.e. groups of nodes closely related to each other and less connected with the rest of the graph. An other phenomenon studied in complex networks in many contexts is diffusion. The spread of a disease is an example of diffusion. These phenomena are dynamic and depend on an important parameter, which is often little studied: the time scale in which they are observed. According to the chosen scale, the graph dynamics can vary significantly. In this thesis, we propose to study dynamic processes using a suitable time scale. We consider a notion of relative time which we call intrinsic time, opposed to "traditional" time, which we call extrinsic time. We first study diffusion phenomena using intrinsic time, and we compare our results with an extrinsic time scale. This allows us to highlight the fact that the same phenomenon observed at two different time scales can have a very different behavior. We then analyze the relevance of the use of intrinsic time scale for detecting dynamic communities. Comparing communities obtained according extrinsic and intrinsic scales shows that the intrinsic time scale allows a more significant detection than extrinsic time scale

Cette these traite de la resolution de problemes d'optimisation tres complexes (np. Complets) par le biais de l'etude des systemes complexes artificiels qui imitent les systemes physiques et qui sont simules avec des reseaux neuromimetiques. La solution optimale est identifiee a un etat fondamental d'un systeme physique. Plusieurs techniques neuronales sont presentees pour approcher la solution optimale. Elles utilisent soit l'analyse canonique, soit l'analyse microcanonique, definies en mecanique statistique. Parmi ces methodes, nous presentons l'utilisation des reseaux de hopfield analogiques, le recuit simule, l'approximation du champ moyen, le recuit en champ moyen et le recuit microcanonique. Elles sont particulierement bien adaptees aux problemes de graphes qui traitent de coupure et de connectivite, de morphisme et d'extraction de sous-graphes possedant des proprietes extremales. Dans ce cadre, les problemes de k-partitionnement de graphe, de mise en correspondance de graphes, et d'extraction de la plus grande clique sont traites. Dans la derniere partie, nous abordons le probleme de groupement perceptif en vision par ordinateur. On montre que ce probleme se ramene, par le biais de la theorie de la gestalt definie en psychologie experimentale, a un probleme d'optimisation combinatoire soluble par reseaux de neurones

Dans cette thèse, nous nous intéressons à un récent algorithme de segmentation d’images basé sur un processus de régularisation de graphes. L’objectif d’un tel algorithme est de calculer une fonction indicatrice de la segmentation qui satisfait un critère de régularité ainsi qu’un critère d’attache aux données. La particularité de cette approche est de représenter les images à l’aide de graphes de similarité. Ceux-ci permettent d’établir des relations entre des pixels non-adjacents, et ainsi de procéder à un traitement non-local des images. Afin d’en améliorer la précision, nous combinons cet algorithme à une seconde approche non-locale : des caractéristiques de textures. Un nouveau terme d’attache aux données est dans un premier temps développé. Inspiré des travaux de Chan et Vese, celui-ci permet d’évaluer l’homogénéité d’un ensemble de caractéristiques de textures. Dans un second temps, nous déléguons le calcul de l’attache aux données à un classificateur supervisé. Entrainé à reconnaitre certaines classes de textures, ce classificateur permet d’identifier les caractéristiques les plus pertinentes, et ainsi de fournir une modélisation plus aboutie du problème. Cette seconde approche permet par ailleurs une segmentation multiclasse. Ces deux méthodes ont été appliquées à la segmentation d’images texturées 2D et 3D
In this thesis, we improve a recent image segmentation algorithm based on a graph regularization process. The goal of this method is to compute an indicator function that satisfies a regularity and a fidelity criteria. Its particularity is to represent images with similarity graphs. This data structure allows relations to be established between similar pixels, leading to non-local processing of the data. In order to improve this approach, combine it with another non-local one: the texture features. Two solutions are developped, both based on Haralick features. In the first one, we propose a new fidelity term which is based on the work of Chan and Vese and is able to evaluate the homogeneity of texture features. In the second method, we propose to replace the fidelity criteria by the output of a supervised classifier. Trained to recognize several textures, the classifier is able to produce a better modelization of the problem by identifying the most relevant texture features. This method is also extended to multiclass segmentation problems. Both are applied to 2D and 3D textured images

De nombreux algorithmes d'Apprentissage automatique ont été proposés afin de résoudre les différentes tâches pouvant être extraites des problèmes de prédiction issus d'un contexte réel. Pour résoudre les différentes tâches pouvant être extraites, la plupart des algorithmes d'Apprentissage automatique se basent d'une manière ou d'une autre sur des relations liant les instances. Les relations entre paires d'instances peuvent être définies en calculant une distance entre les représentations vectorielles des instances. En se basant sur la représentation vectorielle des données, aucune des distances parmi celles communément utilisées n'est assurée d'être représentative de la tâche à résoudre. Dans ce document, nous étudions l'intérêt d'adapter la représentation vectorielle des données à la distance utilisée pour une meilleure résolution de la tâche. Nous nous concentrons plus précisément sur l'algorithme existant résolvant une tâche de classification en se basant sur un graphe. Nous décrivons d'abord un algorithme apprenant une projection des données dans un espace de représentation permettant une résolution, basée sur un graphe, optimale de la classification. En projetant les données dans un espace de représentation dans lequel une distance préalablement définie est représentative de la tâche, nous pouvons surpasser la représentation vectorielle des données lors de la résolution de la tâche. Une analyse théorique de l'algorithme décrit est développée afin de définir les conditions assurant une classification optimale. Un ensemble d'expériences nous permet finalement d'évaluer l'intérêt de l'approche introduite et de nuancer l'analyse théorique
Machine learning proposes numerous algorithms to solve the different tasks that can be extracted from real world prediction problems. To solve the different concerned tasks, most Machine learning algorithms somehow rely on relationships between instances. Pairwise instances relationships can be obtained by computing a distance between the vectorial representations of the instances. Considering the available vectorial representation of the data, none of the commonly used distances is ensured to be representative of the task that aims at being solved. In this work, we investigate the gain of tuning the vectorial representation of the data to the distance to more optimally solve the task. We more particularly focus on an existing graph-based algorithm for classification task. An algorithm to learn a mapping of the data in a representation space which allows an optimal graph-based classification is first introduced. By projecting the data in a representation space in which the predefined distance is representative of the task, we aim at outperforming the initial vectorial representation of the data when solving the task. A theoretical analysis of the introduced algorithm is performed to define the conditions ensuring an optimal classification. A set of empirical experiments allows us to evaluate the gain of the introduced approach and to temper the theoretical analysis

Tout d'abord, nous présentons des méthodes permettant d'inférer un graphe à partir de signaux, afin de modéliser le support des données à classifier. Ensuite, des translations préservant les voisinages des sommets sont identifiées sur le graphe inféré. Enfin, ces translations sont utilisées pour déplacer un noyau convolutif sur le graphe, afin dedéfinir un réseau de neurones convolutif adapté aux données d'entrée.Nous avons illustré notre méthodologie sur une base de données d'images. Sans utiliser de connaissances sur les signaux, nous avons pu inférer un graphe proche d'une grille. Les translations sur ce graphe sont proches des translations Euclidiennes, ce qui nous a permis de définir un réseau de neurones convolutif très similaire à ce que l'on aurait pu obtenir en utilisant l'information que les signaux sont des images. Ce réseau, entraîné sur les données initiales, a dépassé lesperformances des méthodes de l'état de l'art de plus de 13 points, tout en étant simple et facilement améliorable.La méthode que nous avons introduite est une généralisation des réseaux de neurones convolutifs, car ceux-ci sont des cas particuliers de notre approche quand le graphe est une grille. Nos travaux ouvrent donc de nombreuses perspectives, car ils fournissent une méthode efficace pour construire des réseaux adaptés aux données
This manuscript sums up our work on extending convolutional neuralnetworks to irregular domains through graph inference. It consists of three main chapters, each giving the details of a part of a methodology allowing the definition of such networks to process signals evolving on graphs with unknown structures.First, graph inference from data is explored, in order to provide a graph modeling the support of the signals to classify. Second, translation operators that preserve neighborhood properties of the vertices are identified on the inferred graph. Third, these translations are used to shift a convolutional kernel on the graph in order to define a convolutional neural network that is adapted to the input data.We have illustrated our methodology on a dataset of images. While not using any particular knowledge on the signals, we have been able to infer a graph that is close to a grid. Translations on this graph resemble Euclidean translations. Therefore, this has allowed us to define an adapted convolutional neural network that is very close what one would obtain when using the information that signals are images. This network, trained on the initial data, has out performed state of the art methods by more than 13 points, while using a very simple and easily improvable architecture.The method we have introduced is a generalization of convolutional neural networks. As a matter of fact, they can be seen as aparticularization of our approach in the case where the graph is a grid. Our work thus opens the way to numerous perspectives, as it provides an efficient way to build networks that are adapted to the data

Ces dernières années, les méthodes d'apprentissage profond ont atteint l'état de l'art dans une vaste gamme de tâches d'apprentissage automatique, y compris la classification d'images et la traduction automatique. Ces architectures sont assemblées pour résoudre des tâches d'apprentissage automatique de bout en bout. Afin d'atteindre des performances de haut niveau, ces architectures nécessitent souvent d'un très grand nombre de paramètres. Les conséquences indésirables sont multiples, et pour y remédier, il est souhaitable de pouvoir comprendre ce qui se passe à l'intérieur des architectures d'apprentissage profond. Il est difficile de le faire en raison de: i) la dimension élevée des représentations ; et ii) la stochasticité du processus de formation. Dans cette thèse, nous étudions ces architectures en introduisant un formalisme à base de graphes, s'appuyant notamment sur les récents progrès du traitement de signaux sur graphe (TSG). À savoir, nous utilisons des graphes pour représenter les espaces latents des réseaux neuronaux profonds. Nous montrons que ce formalisme des graphes nous permet de répondre à diverses questions, notamment: i) mesurer des capacités de généralisation ;ii) réduire la quantité de des choix arbitraires dans la conception du processus d'apprentissage ; iii)améliorer la robustesse aux petites perturbations ajoutées sur les entrées ; et iv) réduire la complexité des calculs
In recent years, Deep Learning methods have achieved state of the art performance in a vast range of machine learning tasks, including image classification and multilingual automatic text translation. These architectures are trained to solve machine learning tasks in an end-to-end fashion. In order to reach top-tier performance, these architectures often require a very large number of trainable parameters. There are multiple undesirable consequences, and in order to tackle these issues, it is desired to be able to open the black boxes of deep learning architectures. Problematically, doing so is difficult due to the high dimensionality of representations and the stochasticity of the training process. In this thesis, we investigate these architectures by introducing a graph formalism based on the recent advances in Graph Signal Processing (GSP). Namely, we use graphs to represent the latent spaces of deep neural networks. We showcase that this graph formalism allows us to answer various questions including: ensuring generalization abilities, reducing the amount of arbitrary choices in the design of the learning process, improving robustness to small perturbations added to the inputs, and reducing computational complexity

Les algorithmes de machine learning sont construits pour apprendre, à partir de données, des modèles statistiques de décision ou de prédiction, sur un large panel de tâches. En général, les modèles appris sont des approximations d'un "vrai" modèle de décision, dont la pertinence dépend d'un équilibre entre la richesse du modèle appris, la complexité de la distribution des données et la complexité de la tâche à résoudre à partir des données. Cependant, il est souvent nécessaire d'adopter des hypothèses simplificatrices sur la donnée (e.g. séparabilité linéaire, indépendance des observations, etc.). Quand la distribution des donnée est complexe (e.g. grande dimension avec des interactions non-linéaires entre les variables observées), les hypothèses simplificatrices peuvent être contre-productives. Il est alors nécessaire de trouver une représentation alternatives des données avant d'apprendre le modèle de décision. L'objectif de la représentation des données est de séparer l'information pertinente du bruit, en particulier quand l'information est latente (i.e. cachée dans la donnée), pour aider le modèle statistique de décision. Jusqu'à récemment, beaucoup de représentations standards étaient construites à la main par des experts. Avec l'essor des techniques nouvelles de machine learning, et en particulier l'utilisation de réseaux de neurones, des techniques d'apprentissage de représentation ont surpassées les représentations manuelles dans de nombreux domaines. Dans cette thèse, nous nous sommes intéressés à l'apprentissage de représentation de séries temporelles multivariées (STM) et de graphes. STM et graphes sont des objets complexes qui ont des caractéristiques les rendant difficilement traitables par des algorithmes standards de machine learning. Par exemple, ils peuvent avoir des tailles variables et ont des alignements non-triviaux, qui empêchent l'utilisation de métriques standards pour les comparer entre eux. Il est alors nécessaire de trouver pour les échantillons observés (STM ou graphes) une représentation alternatives qui les rend comparables. Les contributions de ma thèses sont un ensemble d'analyses, d'approches pratiques et de résultats théoriques présentant des nouvelles manières d'apprendre une représentation de STM et de graphes. Deux méthodes de représentation de STM ont dédiées au suivi d'état caché de systèmes mécaniques. La première propose une représentation basée "model-based" appelée Sequence-to-graph (Seq2Graph). Seq2Graph se base sur l'hypothèse que les données observées ont été généré par un modèle causal simple, dont l'espace des paramètres sert d'espace de représentation. La second méthode propose une méthode générique de détection de tendances dans des séries temporelles, appelée Contrastive Trend Estimation (CTE), qui fait l'hypothèse que le vieillissement d'un système mécanique est monotone. Une preuve d'identifiabilité et une extension à des problèmes d'analyse de survie rendent cette approche puissante pour le suivi d'état de système mécaniques. Deux méthodes de représentation de graphes pour la classification sont aussi proposées. Une première propose de voir les graphes comme des séquences de nœuds et donc de les traiter avec un outil standard de représentation de séquences : un réseau de neurones récurrents. Une second méthode propose une analyse théorique et pratique du spectre du Laplacien pour la classification de graphes
Machine learning (ML) algorithms are designed to learn models that have the ability to take decisions or make predictions from data, in a large panel of tasks. In general, the learned models are statistical approximations of the true/optimal unknown decision models. The efficiency of a learning algorithm depends on an equilibrium between model richness, complexity of the data distribution and complexity of the task to solve from data. Nevertheless, for computational convenience, the statistical decision models often adopt simplifying assumptions about the data (e.g. linear separability, independence of the observed variables, etc.). However, when data distribution is complex (e.g. high-dimensional with nonlinear interactions between observed variables), the simplifying assumptions can be counterproductive. In this situation, a solution is to feed the model with an alternative representation of the data. The objective of data representation is to separate the relevant information with respect to the task to solve from the noise, in particular if the relevant information is hidden (latent), in order to help the statistical model. Until recently and the rise of modern ML, many standard representations consisted in an expert-based handcrafted preprocessing of data. Recently, a branch of ML called deep learning (DL) completely shifted the paradigm. DL uses neural networks (NNs), a family of powerful parametric functions, as learning data representation pipelines. These recent advances outperformed most of the handcrafted data in many domains.In this thesis, we are interested in learning representations of multivariate time series (MTS) and graphs. MTS and graphs are particular objects that do not directly match standard requirements of ML algorithms. They can have variable size and non-trivial alignment, such that comparing two MTS or two graphs with standard metrics is generally not relevant. Hence, particular representations are required for their analysis using ML approaches. The contributions of this thesis consist of practical and theoretical results presenting new MTS and graphs representation learning frameworks.Two MTS representation learning frameworks are dedicated to the ageing detection of mechanical systems. First, we propose a model-based MTS representation learning framework called Sequence-to-graph (Seq2Graph). Seq2Graph assumes that the data we observe has been generated by a model whose graphical representation is a causality graph. It then represents, using an appropriate neural network, the sample on this graph. From this representation, when it is appropriate, we can find interesting information about the state of the studied mechanical system. Second, we propose a generic trend detection method called Contrastive Trend Estimation (CTE). CTE learns to classify pairs of samples with respect to the monotony of the trend between them. We show that using this method, under few assumptions, we identify the true state underlying the studied mechanical system, up-to monotone scalar transform.Two graph representation learning frameworks are dedicated to the classification of graphs. First, we propose to see graphs as sequences of nodes and create a framework based on recurrent neural networks to represent and classify them. Second, we analyze a simple baseline feature for graph classification: the Laplacian spectrum. We show that this feature matches minimal requirements to classify graphs when all the meaningful information is contained in the structure of the graphs

La découverte de relations causales est primordiale pour la planification, le raisonnement et la décision basée sur des données d'observations ; confondre corrélation et causalité ici peut mener à des conséquences indésirables. La référence pour la découverte de relations causales est d'effectuer des expériences contrôlées. Mais dans la majorité des cas, ces expériences sont coûteuses, immorales ou même impossible à réaliser. Dans ces cas, il est nécessaire d'effectuer la découverte causale seulement sur des données d'observations. Dans ce contexte de causalité observationnelle, retrouver des relations causales introduit traditionellement des hypothèses considérables sur les données et sur le modèle causal sous-jacent. Cette thèse vise à relaxer certaines de ces hypothèses en exploitant à la fois la modularité et l'expressivité des réseaux de neurones pour la causalité, en exploitant à la fois et indépendences conditionnelles et la simplicité des méchanismes causaux, à travers deux algorithmes. Des expériences extensives sur des données simulées et sur des données réelles ainsi qu'une analyse théorique approfondie prouvent la cohérence et bonne performance des approches proposées
Causal discovery is of utmost importance for agents who must plan, reason and decide based on observations; where mistaking correlation with causation might lead to unwanted consequences. The gold standard to discover causal relations is to perform experiments.However, experiments are in many cases expensive, unethical, or impossible to realize. In these situations, there is a need for observational causal discovery, that is, the estimation of causal relations from observations alone.Causal discovery in the observational data setting traditionally involves making significant assumptions on the data and on the underlying causal model.This thesis aims to alleviate some of the assumptions made on the causal models by exploiting the modularity and expressiveness of neural networks for causal discovery, leveraging both conditional independences and simplicity of the causal mechanisms through two algorithms.Extensive experiments on both simulated and real-world data and a throughout theoretical anaylsis prove the good performance and the soundness of the proposed approaches

Cette thèse consiste en l'étude des rapports entre l'architecture du graphe de connexion et les attracteurs du réseau, dans le cas de trois modèles mathématiques discrets: réseaux neuronaux discrets, réseaux monotones et réseaux AND-OR. En plus, est présentée une application de ces modèles pour la compréhension globale du comportement dynamique d'un réseau de régulation génétique. En ce qui concerne les réseaux neuronaux discrets, nous étudions les rapports entre les circuits positifs et négatifs du graphe et les attracteurs. En particulier, nous présentons des conditions nécessaires et des conditions suffisantes pour qu'un réseau ait des points fixes, ainsi qu'une borne supérieure du nombre de points fixes d'un réseau, en fonction du nombre et des interactions des circuits positifs. Pour les réseaux monotones à deux ou plusieurs états, ayant un graphe de connexion symétrique, nous étudions la longueur maximum des cycles. À ce sujet, nous construisons une famille de ces réseaux ayant des cycles de longueur maximum. En outre, nous démontrons que, dans le cas particulier de graphes de type caterpillar, les cycles du réseau sont de longueur inférieure ou égale à deux. Dans le cas des réseaux AND-OR, nous étudions le problème de la dynamique inverse et nous exhibons le nombre maximal exact de points fixes. En outre, nous étudions l'ensemble des points fixes de ces réseaux avec un nouveau type d'itération développé dans cette thèse : l'itération séquentielle de sous-graphes. Enfin, en guise d'application des résultats obtenus dans cette thèse, nous proposons, en collaboration avec des biologistes, la construction partielle d'un réseau de régulation génétique pour la formation du sillon ventral de la Drosophile Melanoyaster lors du développement précoce de l'embryon

Cette thèse consiste en l'étude des rapports entre l'architecture du graphe de connexion et les attracteurs du réseau, dans le cas de trois modèles mathématiques discrets: réseaux neuronaux discrets, réseaux monotones et réseaux AND-OR. En plus, est présentée une application de ces modèles pour la compréhension globale du comportement dynamique d'un réseau de régulation génétique. En ce qui concerne les réseaux neuronaux discrets, nous étudions les rapports entre les circuits positifs et négatifs du graphe et les attracteurs. En particulier, nous présentons des conditions nécessaires et des conditions suffisantes pour qu'un réseau ait des points fixes, ainsi qu'une borne supérieure du nombre de points fixes d'un réseau, en fonction du nombre et des interactions des circuits positifs. Pour les réseaux monotones à deux ou plusieurs états, ayant un graphe de connexion symétrique, nous étudions la longueur maximum des cycles. À ce sujet, nous construisons une famille de ces réseaux ayant des cycles de longueur maximum. En outre, nous démontrons que, dans le cas particulier de graphes de type caterpillar, les cycles du réseau sont de longueur inférieure ou égale à deux. Dans le cas des réseaux AND-OR, nous étudions le problème de la dynamique inverse et nous exhibons le nombre maximal exact de points fixes. En outre, nous étudions l'ensemble des points fixes de ces réseaux avec un nouveau type d'itération développé dans cette thèse : l'itération séquentielle de sous-graphes. Enfin, en guise d'application des résultats obtenus dans cette thèse, nous proposons, en collaboration avec des biologistes, la construction partielle d'un réseau de régulation génétique pour la formation du sillon ventral de la Drosophile Melanoyaster lors du développement précoce de l'embryon

Les travaux de cette thèse portent sur la reconnaissance des indices textuels dans les images et les vidéos. Dans ce cadre, nous avons conçu des prototypes d'OCR (optical character recognition) capables de reconnaître tant des textes incrustés que des textes de scène acquis n'importe où au sein d'images ou de vidéos. Nous nous sommes intéressée à la définition d'approches robustes à la variabilité des textes et aux conditions d'acquisition. Plus précisément, nous avons proposé deux types de méthodes dédiées à la reconnaissance de texte : - une approche fondée sur une segmentation en caractères qui recherche des séparations non linéaires entre les caractères adaptées à la morphologie de ces derniers ; - deux approches se passant de la segmentation en intégrant un processus de scanning multi-échelles ; la première utilise un modèle de graphe pour reconnaître les textes tandis que la seconde intègre un modèle connexionniste récurrent spécifiquement développé pour gérer les contraintes spatiales entre les caractères.Outre les originalités de chacune des approches, deux contributions supplémentaires de ce travail résident dans la définition d'une reconnaissance de caractères fondée sur un modèle de classification neuronale et l'intégration de certaines connaissances linguistiques permettant de tirer profit du contexte lexical. Les différentes méthodes conçues ont été évaluées sur deux bases de documents : une base de textes incrustés dans des vidéos et une base publique de textes de scène. Les expérimentations ont permis de montrer la robustesse des approches et de comparer leurs performances à celles de l'état de l'art, mettant en évidence leurs avantages et leurs limites
This thesis focuses on the recognition of textual clues in images and videos. In this context, OCR (optical character recognition) systems, able to recognize caption texts as well as natural scene texts captured anywhere in the environment have been designed. Novel approaches, robust to text variability (differentfonts, colors, sizes, etc.) and acquisition conditions (complex background, non uniform lighting, low resolution, etc.) have been proposed. In particular, two kinds of methods dedicated to text recognition are provided:- A segmentation-based approach that computes nonlinear separations between characters well adapted to the localmorphology of images;- Two segmentation-free approaches that integrate a multi-scale scanning scheme. The first one relies on a graph model, while the second one uses a particular connectionist recurrent model able to handle spatial constraints between characters.In addition to the originalities of each approach, two extra contributions of this work lie in the design of a character recognition method based on a neural classification model and the incorporation of some linguistic knowledge that enables to take into account the lexical context.The proposed OCR systems were tested and evaluated on two datasets: a caption texts video dataset and a natural scene texts dataset (namely the public database ICDAR 2003). Experiments have demonstrated the efficiency of our approaches and have permitted to compare their performances to those of state-of-the-art methods, highlighting their advantages and limits

Le développement d'algorithmes efficaces pour apprendre des représentations appropriées des données structurées, telles des sequences ou des graphes, est un défi majeur et central de l'apprentissage automatique. Pour atteindre cet objectif, l'apprentissage profond est devenu populaire pour modéliser des données structurées. Les réseaux de neurones profonds ont attiré une attention particulière dans divers domaines scientifiques tels que la vision par ordinateur, la compréhension du langage naturel ou la biologie. Par exemple, ils fournissent aux biologistes des outils de calcul qui leur permettent de comprendre et de découvrir les propriétés biologiques ou les relations entre les macromolécules des organismes vivants. Toutefois, leur succès dans ces domaines repose essentiellement sur des connaissances empiriques ainsi que d'énormes quantités de données annotées. Exploiter des modèles plus efficaces est nécessaire car les données annotées sont souvent rares.Un autre axe de recherche est celui des méthodes à noyaux, qui fournissent une approche systématique et fondée sur des principes théoriquement solides pour l'apprentissage de modèles non linéaires à partir de données de structure arbitraire. Outre leur simplicité, elles présentent une manière naturelle de contrôler la régularisation et ainsi d'éviter le surapprentissage.Cependant, les représentations de données fournies par les méthodes à noyaux ne sont définies que par des caractéristiques artisanales simplement conçues, ce qui les rend moins performantes que les réseaux de neurones lorsque suffisamment de données étiquetées sont disponibles. Des noyaux plus complexes, inspirés des connaissances préalables utilisées dans les réseaux de neurones, ont ainsi été développés pour construire des représentations plus riches et ainsi combler cette lacune. Pourtant, ils sont moins adaptatifs. Par comparaison, les réseaux de neurones sont capables d'apprendre une représentation compacte pour une tâche d'apprentissage spécifique, ce qui leur permet de conserver l'expressivité de la représentation tout en s'adaptant à une grande taille d'échantillon.Il est donc utile d'intégrer les vues complémentaires des méthodes à noyaux et des réseaux de neurones profonds pour construire de nouveaux cadres afin de bénéficier du meilleur des deux mondes.Dans cette thèse, nous construisons un cadre général basé sur les noyaux pour la modélisation des données structurées en tirant parti des connaissances préalables des méthodes à noyaux classiques et des réseaux profonds. Notre cadre fournit des outils algorithmiques efficaces pour l'apprentissage de représentations sans annotations ainsi que pour l'apprentissage de représentations plus compactes de manière supervisée par les tâches. Notre cadre peut être utilisé pour modéliser efficacement des séquences et des graphes avec une interprétation simple. Il offre également de nouvelles perspectives sur la construction des noyaux et de réseaux de neurones plus expressifs pour les séquences et les graphes
Developing efficient algorithms to learn appropriate representations of structured data, including sequences or graphs, is a major and central challenge in machine learning. To this end, deep learning has become popular in structured data modeling. Deep neural networks have drawn particular attention in various scientific fields such as computer vision, natural language understanding or biology. For instance, they provide computational tools for biologists to possibly understand and uncover biological properties or relationships among macromolecules within living organisms. However, most of the success of deep learning methods in these fields essentially relies on the guidance of empirical insights as well as huge amounts of annotated data. Exploiting more data-efficient models is necessary as labeled data is often scarce.Another line of research is kernel methods, which provide a systematic and principled approach for learning non-linear models from data of arbitrary structure. In addition to their simplicity, they exhibit a natural way to control regularization and thus to avoid overfitting.However, the data representations provided by traditional kernel methods are only defined by simply designed hand-crafted features, which makes them perform worse than neural networks when enough labeled data are available. More complex kernels inspired by prior knowledge used in neural networks have thus been developed to build richer representations and thus bridge this gap. Yet, they are less scalable. By contrast, neural networks are able to learn a compact representation for a specific learning task, which allows them to retain the expressivity of the representation while scaling to large sample size.Incorporating complementary views of kernel methods and deep neural networks to build new frameworks is therefore useful to benefit from both worlds.In this thesis, we build a general kernel-based framework for modeling structured data by leveraging prior knowledge from classical kernel methods and deep networks. Our framework provides efficient algorithmic tools for learning representations without annotations as well as for learning more compact representations in a task-driven way. Our framework can be used to efficiently model sequences and graphs with simple interpretation of predictions. It also offers new insights about designing more expressive kernels and neural networks for sequences and graphs

La compréhension des mécanismes cognitifs est un défi que les prouesses technologiques en imagerie par résonance magnétique fonctionnelle et de diffusion permettent de relever. Les réseaux neuronaux, ensembles de régions interconnectées anatomiquement et fonctionnellement, sont à l'ori- gine des processus cognitifs. Nous nous sommes intéressés à la relation entre la structure anatomique et la fonction de ces réseaux, au travers des deux principes fondamentaux du fonctionnement céré- bral que sont la ségrégation et l'intégration, ainsi que via la notion d'intégrité. En premier lieu, nous nous sommes penchés sur la ségrégation anatomique des noyaux gris centraux et son interprétation fonctionnelle. Puis, nous avons abordé le principe d'intégration, d'un point de vue descriptif par le biais de la théorie des graphes, puis explicatif par l'utilisation du modèle spatial autorégressif. Enfin, nous avons étudié l'intégrité structurelle du cerveau en présence de déficits neurocomportementaux suite à un traumatisme crânien léger. Nous avons ainsi mis en évidence l'existence d'un substrat ana- tomique sous-jacent aux réseaux fonctionnels. Nos résultats suggèrent que la structure anatomique des réseaux cérébraux est un substrat complexe optimisant les processus fonctionnels. De plus, une perte d'intégrité de ce substrat anatomique lors d'un traumatisme crânien léger se répercute sur le comportement et les performances cognitives. Ceci démontre que le fonctionnement cérébral, traduit par les réseaux neuronaux, est intimement lié à la structure anatomique de ces réseaux.

L’utilisation de la climatisation automobile engendre physiquement une surconsommation de carburant. Pour diminuer cette surconsommation, il existe deux leviers principaux. Le premier consiste à travailler en amont sur la définition technique de l’habitacle et du système de climatisation. Le second levier consiste à optimiser les stratégies de contrôle. Dans les deux cas, il s’avère incontournable de construire des modèles de thermique habitacle précis et rapides à évaluer. Ce qui fait l’objet de cette thèse CIFRE du Groupe Renault. Dans un premier temps, une méthodologie de réduction de modèles est exploitée pour passer d’un modèle éléments finis 3D à un modèle 0D. Ce modèle 0D est basé sur des bilans de masse et d’énergie sur les différentes parois et zones d’air de la cabine. Il prend la forme d’un système d’équations algébro-différentielles non-linéaire qui peut être transcrit en Bond Graph. De plus, le modèle 0D exploite un couplage faible entre la thermique et la mécanique des fluides issue des calculs CFD (aéraulique et aérodynamique externe). Dans un deuxième temps, on applique une méthode d’apprentissage automatique aux données générées par le modèle 0D en vue de construire un modèle 0D réduit. Un plan d’expériences est considéré à cette étape. Du fait de la non-linéarité des échanges thermiques, nous avons développé une approche qui s’inspire des méthodes Gappy POD et EIM. La base réduite utilisée est une base multiphysique qui tient compte de plusieurs contributions (températures, enthalpies, flux thermiques et humidités). Le modèle réduit obtenu est un modèle hybride qui couple quelques équations physiques d’origine à un réseau de neurones artificiel. La méthodologie de réduction a été déployée sur des véhicules Renault. Les modèles réduits ont été intégrés dans la plateforme GREEN de synthèse énergétique qui modélise différentes thermiques (moteur, transmission, circuit de refroidissement, batterie, HVAC, boucle froide, sous-capot) en vue de faire des études de gestion thermique qui revêtent une importance particulière pour les véhicules électriques et hybrides. Les modèles réduits ont été validés sur plusieurs scénarios (boucle de régulation pour le confort thermique, cycle d’homologation, couplage HVAC) et ont permis d’obtenir des gains CPU allant jusqu’à 99% avec des erreurs moyennes de 0,5°C sur les températures et 0,6% sur les humidités relatives
The use of automotive air conditioning leads to a fuel overconsumption. To reduce this overconsumption, we can either work upstream on the technical definitions of the cabin and the HVAC system or optimize control strategies. In both cases, it is essential to build a cabin thermal model that well balances accuracy and complexity. This is the topic of this PhD thesis driven by Renault Group. First, a model reduction methodology is used to build a 0D model starting from a 3D finite element cabin thermal model. This 0D model is based on mass and energy balances on the different cabin walls and air zones. It consists of a nonlinear differential algebraic equations system which can be reinterpreted as a Bond Graph. In addition, the 0D model is based on a weak coupling between the thermal equations and the fluid mechanics ones resulting from CFD calculations (internal airflow and external aerodynamics). Secondly, we apply a machine learning method to the data generated by the 0D model in order to build a reduced 0D model. A design of experiment is considered at this stage. Due to the nonlinearity of the heat exchanges, we have developed an approach which is inspired by the Gappy POD and EIM methods. We use a multiphysics reduced basis that takes several contributions into account (temperatures, enthalpies, heat fluxes and humidities). The resulting reduced model is a hybrid model that couples some of the original physical equations to an artificial neural network. The reduction methodology has been validated on Renault vehicles. The reduced order models have been integrated into a vehicle system-level energetic simulation platform (GREEN) which models different thermics (engine, transmission, cooling system, battery, HVAC, refrigerant circuit, underhood) in order to perform thermal management studies which are of particular importance for electric and hybrid vehicles. The reduced order models have been validated on several scenarios (temperature control for thermal comfort, driving cycles, HVAC coupling) and have achieved CPU gains of up to 99% with average errors of 0.5 °C on temperatures and 0.6% on relative humidities

Les recherches menées dans cette thèse portent sur le diagnostic de réseaux filaires complexes à l’aide de la réflectométrie distribuée. L’objectif est de développer de nouvelles technologies de diagnostic en ligne, distribuées des réseaux complexes permettant la fusion de données ainsi que la communication entre les réflectomètres pour détecter, localiser et caractériser les défauts électriques (francs et non francs). Cette collaboration entre les réflectomètres permet de résoudre le problème d’ambiguïté de localisation des défauts et d’améliorer la qualité du diagnostic. La première contribution concerne la proposition d’une méthode basée sur la théorie des graphes permettant la combinaison de données entre les réflectomètres distribués afin de faciliter la localisation d’un défaut. L’amplitude du signal réfléchi est ensuite utilisée pour identifier le type du défaut et estimer son impédance. Cette estimation est basée sur la régénération du signal en compensant la dégradation subie par le signal de diagnostic au cours de sa propagation à travers le réseau. La deuxième contribution permet la fusion des données de réflectomètres distribués dans des réseaux complexes affectés par de multiples défauts. Pour atteindre cet objectif, deux méthodes ont été proposées et développées : la première est basée sur les algorithmes génétiques (AG) et la deuxième est basée sur les réseaux de neurones (RN). Ces outils combinés avec la réflectométrie distribuée permettent la détection automatique, la localisation et la caractérisation de plusieurs défauts dans différents types et topologies des réseaux filaires. La troisième contribution propose d’intégrer la communication entre les réflectomètres via le signal de diagnostic porteur d’informations. Elle utilise adéquatement les phases du signal multiporteuses MCTDR pour transmettre des données. Cette communication assure l’échange d’informations utiles entre les réflectomètres sur l’état des câbles, permettant ainsi la fusion de données et la localisation des défauts sans ambiguïtés. Les problèmes d’interférence entre les réflectomètres sont également abordés lorsqu’ils injectent simultanément leurs signaux de test dans le réseau. Ces travaux de thèse ont montré l’efficacité des méthodes proposées pour améliorer les performances des systèmes de diagnostic filaire actuels en termes de diagnostic de certains défauts encore difficiles à détecter aujourd’hui, et d’assurer la sécurité de fonctionnement des systèmes électriques
The research conducted in this thesis focuses on the diagnosis of complex wired networks using distributed reflectometry. It aims to develop new distributed diagnostic techniques for complex networks that allow data fusion as well as communication between reflectometers to detect, locate and characterize electrical faults (soft and hard faults). This collaboration between reflectometers solves the problem of fault location ambiguity and improves the quality of diagnosis. The first contribution is the development of a graph theory-based method for combining data between distributed reflectometers, thus facilitating the location of the fault. Then, the amplitude of the reflected signal is used to identify the type of fault and estimate its impedance. The latter is based on the regeneration of the signal by compensating for the degradation suffered by the diagnosis signal during its propagation through the network. The second contribution enables data fusion between distributed reflectometers in complex networks affected by multiple faults. To achieve this objective, two methods have been proposed and developed: the first is based on genetic algorithms (GA) and the second is based on neural networks (RN). These tools combined with distributed reflectometryallow automatic detection, location, and characterization of several faults in different types and topologies of wired networks. The third contribution proposes the use of information-carrying diagnosis signal to integrate communication between distributed reflectometers. It properly uses the phases of the MCTDR multi-carrier signal to transmit data. This communication ensures the exchange of useful information (such as fault location and amplitude) between reflectometers on the state of the cables, thus enabling data fusion and unambiguous fault location. Interference problems between the reflectometers are also addressed when they simultaneously inject their test signals into the network. These studies illustrate the efficiency and applicability of the proposed methods. They also demonstrate their potential to improve the performance of the current wired diagnosis systems to meet the need and the problem of detecting and locating faults that manufacturers and users face today in electrical systems to improve their operational safety

Ce travail s’inscrit dans le cadre de la conception et réalisation d’un robot d’assistance à la personne. Dans cette thèse, nous nous intéressons particulièrement à la conception, à la modélisation et à la commande d’un robot manipulateur mobile. La conception mécanique couplée à un outil de simulation dynamique multi-corps nous a permis d’obtenir un modèle virtuel très réaliste. Le modèle cinématique du système a été obtenu en utilisant la méthode D-H modifiée. L’approche Bond graph et la méthode de Lagrange ont permis de construire le modèle dynamique. Un algorithme hybride qui combine la pseudoinverse du jacobien et la méthode RRT a été proposé pour la planification de mouvement d’un manipulateur redondant et rechercher de configurations continues, stables et sans collision. Un contrôleur basé sur les réseaux de neurones a été introduit pour la commande coordonnée d’un manipulateur mobile. Cette méthode ne nécessite pas un modèle précis du robot. Les paramètres inconnus sont identifiés et compensés en utilisant des réseaux de neurones RBF. Un algorithme de contrôle similaire est présenté pour la commande force/position d’un manipulateur mobile qui est soumis à des contraintes holonomes et nonholonomes. L’étude de la main robotique a été effectuée séparément avant d’être couplée au reste du système. Les modèles cinématique et dynamique du système main-objet ont été obtenus en utilisant les approches mathématiques et bond graph. Un algorithme est proposé afin d’assurer une prise ferme, éviter les dérapages et suivre les mouvements désirés. Les validations des modèles et des différentes lois de commande ont été effectuées grâce à la co-simulation Matlab/modèle virtuel
The purpose of this thesis is to design, model and control of a personal assistant robot used for domestic tasks. In order to make the robot’s design more efficient, a virtual simulation system is built using dynamic simulation software. The kinematic model is set up based on modified D-H principle. The dynamic model is built using the Lagrange theorem and elaborated in Matlab. We also employ an energy-based approach for modeling and its bond graph notation ensures encapsulation of functionality, extendibility and reusability of each element of the model. A hybrid algorithm of combining the Jacobian pseudoinverse algorithm with Rapidly-Exploring Random Tree method is presented for collision-free path planning of a redundant manipulator. An intelligent robust controller based on neural network is introduced for the coordinated control of a mobile manipulator. This method does not require an accurate model of the robot. Unknown dynamic parameters of the mobile platform and the manipulator are identified and compensated in closed-loop control using RBF neural network. A similar control algorithm is presented for coordinated force/motion control of a mobile manipulator suffering both holonomic and nonholonomic constraints. Kinematics and dynamics of a dexterous hand manipulating an object with known shape by rolling contacts are derived. A computed torque control algorithm is presented to ensure firm grip, avoid slippage and well track a given motion imposed to the object. The validation of models and different control laws were made by the co-simulation Matlab / virtual model

碩士
國立交通大學
材料科學與工程學系所
103
In the past few years, the current therapies for neurodegenerative diseases are not efficient because the morphology and properties of neurons are very different from normal cells. However, recently gene therapy is gradually developed as a new solution that have the potential for to cure neurodegenerative diseases at molecular level. Addition, the combination of targeting therapy and external stimulation will have the opportunity to increase the drug efficacy. Therefore, our research is to develop a gene delivery system and to investigate its behavior and transfection efficiency. In the first part of this study, a neuron-specific gene delivery system is developed by conjugating a neurotensin and poly(ethylenimine)-modificated reduced graphene oxide (rGO) via electrostatic force. This rGO-PEI-NT nanoparticle which stably protects plasmid DNA (pDNA) from digesting performs great targeting ability toward neuron-like cells. According to the literature, polyethyleneimine (PEI) has excellent transfection ability, the endosomal escaping power, and the ability to protect plasmid DNA from digesting; however, cell toxicity of PEI is high. In order to fix this problem, we conjugated neurotensin on PEI. The results show that neurotensin not only reduces the cytotoxicity of nanoparticles, but also increased the targeting ability toward neurons. We can observed that a large number of rGO-PEI-NT effectively accumulate in differentiated PC-12 by photoluminescence (PL) microscopy and confocal laser scanning microscopy (CLSM). From the transfection experiments in vitro and in vivo, the transfection efficiency are exactly improved by neurotensin. In the second part, in addition to the nanoparticles we mention in part one, we also combine it with external NIR laser. The thermal-vibration effect generated by rGO under NIR irradiation not only temporarily increase the permeability of cell membrane but also increase the possibility to escape from digesting in endo/lysosome. In our experiment, there are two steps of NIR laser, the function of first step laser (laser-step-1) is to increase the amount of nanoparticles internalization by temporarily increasing the permeability of the cell membrane. On the other hand, the second step of the laser (laser-step-2) to increase the chances of nanoparticles escaping from endo/lysosome. After the NIR irradiation, it can be found that nanoparticles gradually released from the lysosome into the cytoplasm, confirming the near-infrared laser light did increase the chance to escape from endo/lysosomes. Overall, both in extracellular or intracellular part, near-infrared laser does increase the efficiency of drug delivery and solve one of the factors that affect the transfection efficiency most. Besides, from the results of transfection experiment, we can conclude that second step of laser play a crucial role more than first step of laser, namely, the real key point affect the transfection is not captured by endo/lysosome.

Les patients pharmaco-résistants sont des candidats pour la chirurgie de l'épilepsie. Le but de cette chirurgie est d'enlever les zones à l'origine de la crise (SOZ) sans créer de nouveaux déficits neurologiques. Pour localiser les SOZs, une des meilleures approches consiste à analyser des électroencéphalogrammes intracérébraux (iEEG). Toutefois, l'enregistrement des crises, qui sont des événements rares et critiques, est compliqué contrairement à l'enregistrement de décharges épileptiques intercritiques (IED), qui sont généralement très fréquentes et anodines. La prévision des SOZs, par estimation des régions à l'origine des IEDs, est donc une alternative très intéressante, et la question de savoir si l'estimation des régions IED peut être utile pour prédire les SOZs, a été au coeur de plusieurs études. Malgré des résultats intéressants, la question reste ouverte, notamment en raison du manque de fiabilité des résultats fournis par ces méthodes. L'objectif de cette thèse est de proposer une méthode robuste d'estimation des régions à l'origine des IEDs (notées LIED) par analyse d'enregistrements intracérébraux iEEG. Le point essentiel de cette nouvelle méthode repose sur la détermination d'un graphe de connectivité différentiel (DCG), qui ne conserve que les noeuds (électrodes) associées aux signaux iEEG qui changent de façon significative selon la présence ou l'absence d'IEDs. En fait, on construit plusieurs DCGs, chacun étant caractéristique d'une échelle obtenue après transformée en ondelettes. La fiabilitié statistiques des DCGs est obtenue à l'aide des tests de permutation. L'étape suivante consiste à mesurer les quantités d'information émise par chaque noeud, et d'associer à chaque connexion (arête) du graphe une orientation qui indique le transfert d'information du noeud source vers le noeud cible. Pour celà, nous avons introduit une nouvelle mesure nommée Local Information (LI), que nous avons comparée à des mesures classiques de graphes, et qui permet de définir de façon robuste les noeuds sources pour les graphes de chaque échelle. Les LIEDs sont finalement estimées selon une méthode d'optimisation multi-objectifs (de type Pareto, peu utilisée dans la communauté signal-image) construite à partir des valeurs des LI des DCG dans les différentes bandes de fréquences. La méthode proposée a été validée sur cinq patients épileptiques, qui ont subi une chirurgie d'exérèse et sont déclarés guéris. L'estimation des régions LIED a été comparée avec les SOZs détectées visuellement par l'épileptologue et celles détectées automatiquement par une méthode utilisant une stimulation destinée à provoquer des crises. La comparaison révèle des résultats congruents entre les SOZs et les régions LIED estimées. Ainsi, cette approche fournit des LIED qui devraient être des indications précieuses pour l'évaluation préopératoire en chirugie de l'épilepsie.

Malgré des progrès constants en termes de capacité de calcul, mémoire et quantité de données disponibles, les algorithmes d'apprentissage machine doivent se montrer efficaces dans l'utilisation de ces ressources. La minimisation des coûts est évidemment un facteur important, mais une autre motivation est la recherche de mécanismes d'apprentissage capables de reproduire le comportement d'êtres intelligents. Cette thèse aborde le problème de l'efficacité à travers plusieurs articles traitant d'algorithmes d'apprentissage variés : ce problème est vu non seulement du point de vue de l'efficacité computationnelle (temps de calcul et mémoire utilisés), mais aussi de celui de l'efficacité statistique (nombre d'exemples requis pour accomplir une tâche donnée). Une première contribution apportée par cette thèse est la mise en lumière d'inefficacités statistiques dans des algorithmes existants. Nous montrons ainsi que les arbres de décision généralisent mal pour certains types de tâches (chapitre 3), de même que les algorithmes classiques d'apprentissage semi-supervisé à base de graphe (chapitre 5), chacun étant affecté par une forme particulière de la malédiction de la dimensionalité. Pour une certaine classe de réseaux de neurones, appelés réseaux sommes-produits, nous montrons qu'il peut être exponentiellement moins efficace de représenter certaines fonctions par des réseaux à une seule couche cachée, comparé à des réseaux profonds (chapitre 4). Nos analyses permettent de mieux comprendre certains problèmes intrinsèques liés à ces algorithmes, et d'orienter la recherche dans des directions qui pourraient permettre de les résoudre. Nous identifions également des inefficacités computationnelles dans les algorithmes d'apprentissage semi-supervisé à base de graphe (chapitre 5), et dans l'apprentissage de mélanges de Gaussiennes en présence de valeurs manquantes (chapitre 6). Dans les deux cas, nous proposons de nouveaux algorithmes capables de traiter des ensembles de données significativement plus grands. Les deux derniers chapitres traitent de l'efficacité computationnelle sous un angle différent. Dans le chapitre 7, nous analysons de manière théorique un algorithme existant pour l'apprentissage efficace dans les machines de Boltzmann restreintes (la divergence contrastive), afin de mieux comprendre les raisons qui expliquent le succès de cet algorithme. Finalement, dans le chapitre 8 nous présentons une application de l'apprentissage machine dans le domaine des jeux vidéo, pour laquelle le problème de l'efficacité computationnelle est relié à des considérations d'ingénierie logicielle et matérielle, souvent ignorées en recherche mais ô combien importantes en pratique.
Despite constant progress in terms of available computational power, memory and amount of data, machine learning algorithms need to be efficient in how they use them. Although minimizing cost is an obvious major concern, another motivation is to attempt to design algorithms that can learn as efficiently as intelligent species. This thesis tackles the problem of efficient learning through various papers dealing with a wide range of machine learning algorithms: this topic is seen both from the point of view of computational efficiency (processing power and memory required by the algorithms) and of statistical efficiency (n umber of samples necessary to solve a given learning task).The first contribution of this thesis is in shedding light on various statistical inefficiencies in existing algorithms. Indeed, we show that decision trees do not generalize well on tasks with some particular properties (chapter 3), and that a similar flaw affects typical graph-based semi-supervised learning algorithms (chapter 5). This flaw is a form of curse of dimensionality that is specific to each of these algorithms. For a subclass of neural networks, called sum-product networks, we prove that using networks with a single hidden layer can be exponentially less efficient than when using deep networks (chapter 4). Our analyses help better understand some inherent flaws found in these algorithms, and steer research towards approaches that may potentially overcome them. We also exhibit computational inefficiencies in popular graph-based semi-supervised learning algorithms (chapter 5) as well as in the learning of mixtures of Gaussians with missing data (chapter 6). In both cases we propose new algorithms that make it possible to scale to much larger datasets. The last two chapters also deal with computational efficiency, but in different ways. Chapter 7 presents a new view on the contrastive divergence algorithm (which has been used for efficient training of restricted Boltzmann machines). It provides additional insight on the reasons why this algorithm has been so successful. Finally, in chapter 8 we describe an application of machine learning to video games, where computational efficiency is tied to software and hardware engineering constraints which, although often ignored in research papers, are ubiquitous in practice.