Literatura académica sobre el tema "Données neuronales"

Le rapport annuel sur le prix et la qualité du service de l’eau (RPQS) constitue une source potentielle pour accéder à des informations indisponibles dans le système d’information des services publics d’eau et d’assainissement (Sispea). Cependant, le format textuel des rapports rend difficile leur exploitation sur plusieurs années ou à grande échelle dans une optique d’analyse de données massives. Notre travail s’intéresse à l’utilisation d’approches de traitement automatique du langage pour puiser de l’information dans ces rapports afin de constituer une base de connaissances à l’échelle soit d’un service, soit de plusieurs services. Cette base peut servir pour valider/compléter en partie les données contenues dans la base Sispea sujette à des erreurs ou à des oublis, mais elle peut également constituer une source qui alimente des modèles prédictifs à des fins d’aide à la décision. Dans cet article, nous développons un programme informatique fondé sur notre solution Ro-CamemBERT (Recurrence over CamemBERT) qui est un modèle de traitement automatique de la langue française basé sur l’apprentissage profond ou « deep learning », ce dernier consiste à faire apprendre à un modèle ou à une machine à partir d’un réseau neuronal artificiel, qui est une architecture spécifique formée de couches qui structurent des fonctions explicatives entre des extrants (variables expliquées) et une masse de données (variables explicatives). Le programme ainsi développé permet de répondre automatiquement à des questions dont les réponses se trouvent potentiellement dans les RPQS. Le décideur peut formuler des questions dont la réponse constitue une donnée recherchée. Il est alors possible de compléter une base de données existante ou d’en créer une nouvelle. Le processus d’analyse des rapports est ainsi automatisé, une évaluation de l’erreur des réponses automatiques est également effectuée pour mesurer l’écart possible entre les réponses obtenues et celles attendues. Le modèle développé apparaît comme fiable à hauteur de 80 %. Il a été testé sur des RPQS de service d’eau en Alsace.

Les systèmes de traduction automatique dite neuronale (TAN), basées sur de grandes masses de données bilingues et monolingues, représentent un saut qualitatif dans le traitement des données linguistiques. Dans certains milieux professionnels, ils se généralisent et deviennent ainsi un véritable outil de traduction. L’enjeu est donc de connaître les avantages et les faiblesses de leur utilisation, ce qui permettrait d’aborder la phase de post-édition de manière plus efficace. Cet article, fondé sur une approche textométrique et traductologique, propose l’exploration d’un corpus parallèle constitué de textes journalistiques en espagnol et de leur traduction en français réalisée par le système générique de TAN DeepL. Un échantillon formé des lexèmes les plus fréquents du corpus a été analysé qualitativement à l’aide du logiciel MkAlign dans le but d’évaluer le résultat du transfert automatique d’informations. L’analyse indique que, dans la majorité des cas, le contenu informationnel concernant les lexèmes étudiés a été correctement transféré en langue cible. De plus, ont été mis en évidence des choix de traduction pertinents au moment du traitement d’expressions anaphoriques. Cependant, le texte cible comporte des erreurs de transfert concernant certains néologismes, des noms propres et des parasynonymes.

La propriété associative des réseaux neurologiques artificiels et de leur capacité inhérente d’apprendre et identifier des rapports fortement non linéaires et complexes, les trouve idéalement convenus à une étendue des applications large dans le domaine du froid direct et indirect. Cet article traite les applications potentielles des réseaux neurones artificiels dans la particularité des problèmes thermiques soulevés par l’utilisation des fluides frigoporteurs diphasiques, tels que les coulis de glace (mélange de solutions binaires aqueuses et de cristaux de glace) dans les installations de distribution du froid. L’utilisation de ce type d’installation permet de diminuer, les quantités des fluides frigorigènes traditionnels, ainsi que les problèmes qu’ils engendrent, de réduire les volumes de stockage et les consommations d’électricité. La stratégie d’obtention du RN s'articule sur l'élaboration d'un programme sur MATLAB, comportant plusieurs boucles où on fait varier les algorithmes d’apprentissages, les fonctions d’activations, le nombre de couches cachées et le nombre de neurones dans chaque couche, afin de minimiser la fonction du coût sous contrainte d’une erreur relative fixée. Le modèle neuronal conçu a permis d’une part de reproduire avec une très bonne précision les données expérimentales tirées directement de littérature et d’autre part une estimation meilleure et plus précise des valeurs calculées par rapport aux modèles classiques (basé sur la formulation générale de la méthode enthalpique) des transferts thermiques dans le cas des solutions binaires dispersées sous forme d’émulsions ou de mini-émulsions subissant un changement de phase tirées directement de littérature.

Des crises psychogènes non épileptiques (CPNE) sont des manifestations transitoires d’allure neurologique pouvant évoquer, à tort, le diagnostic de crise épileptique, mais qui n’en présentent en réalité pas l’origine neurologique. Les CPNE ont rencontré ces cinq dernières années un intérêt croissant tant dans la description de la population concernée, que des origines du trouble et du substrat neuronal qui pourraient les sous-tendre. L’existence d’un profil particulier de traitements émotionnels constitue à ce jour une piste prometteuse de caractérisation de cette population qui a reçu une série de confirmations récentes. Nous présentons ici les données issues de différents domaines allant de la psychologie clinique aux neurosciences affectives et examinant les spécificités de traitements émotionnels rapportés dans les CPNE, ainsi que les pistes d’études à développer afin de mieux les caractériser.

La présente étude vise à déterminer les méthodes appropriées pour détecter la détresse financière des entreprises demandant un crédit auprès des établissements bancaires. L’étude applique des données composées d’un échantillon de 78 sociétés clientes des banques pour la période organisée de 2015 à 2018 et ses résultats empiriques montrent la supériorité des Réseaux de Neurones Artificiels (RNA) par rapport aux autres méthodes classiques en matière de détresse financière des firmes emprunteuses. Dans ce sens nous avons obtenu un taux de bon classement global de 84,23 %. Le nombre d’entreprises bien classées par le modèle est égal à 78,4 %. L’efficacité de la gestion des risques de crédit bancaire et la mise en œuvre des méthodes d’évaluation des risques est nécessaire pour permettre aux banques d’identifier les dossiers défaillants. Par conséquent, il est prévu que les preuves empiriques de cette recherche, montrent des implications méthodiques pour l’autorité réglementaire du secteur bancaire tunisien afin de détecter la détresse financière des entreprises demandant un crédit. En particulier, le risque de crédit est évalué en se basant sur l’analyse discriminante et l’approche neuronale.

La complexité de la nature est multiforme, et il est nécessaire de mettre en oeuvre des approches méthodologiques variées pour tenir compte de cette variété. Les efforts de représentation et d’explication des phénomènes naturels nous conduisent toujours à rechercher, en priorité, des relations de proportionnalité entre les mesures de ce que nous considérons comme des variables pertinentes. La linéarité a été et reste la règle d’or de nos représentations. Mais beaucoup de phénomènes sont rebelles à cette réduction. Les ordinateurs nous aident aujourd’hui à intégrer des myriades de données et à bâtir des modèles non linéaires. Ils ne se substituent pas à la pensée heuristique du savant, mais ils allègent les calculs et permettent des tests d’hypothèses quasiment instantanés. Il a fallu de longs mois de calcul pour que Le Verrier définisse l’orbite d’Uranus. Aujourd’hui, les ordinateurs exécutent ces calculs en quelques microsecondes, et ils ne font pas d’erreurs. Les complexités auxquelles nous devons faire face sont de plusieurs ordres : 1– celles de la physique statistique et de l’astrophysique, 2– celle des constructions moléculaires complexes, qui sont les précurseurs des organismes vivants, 3– celle des morphogenèses et des embryogenèses, 4– celle de la complexité neuronale, de ses processus que nous appelons le mental, 5- celles des phénomènes sociaux chez les animaux inférieurs, 6– celle des animaux sociaux, y compris les humains, particulièrement compliqués par leurs capacité d’anticipation, donc d’interactions réciproques.

AbstractThis review centers on the discoveries made during more than six decades of neuroscience research on the role of gamma-amino-butyric acid (GABA) as neurotransmitter. In doing so, special emphasis is directed to the significant involvement of Canadian scientists in these advances. Starting with the early studies that established GABA as an inhibitory neurotransmitter at central synapses, we summarize the results pointing at the GABA receptor as a drug target as well as more recent evidence showing that GABAA receptor signaling plays a surprisingly active role in neuronal network synchronization, both during development and in the adult brain. Finally, we briefly address the involvement of GABA in neurological conditions that encompass epileptic disorders and mental retardation.RESUMÉ: Le chemin long et sinueux pour que le GABA soit reconnu comme un neurotransmetteur. Cette revue est axée sur les découvertes réalisées durant plus de six décennies de recherche en neurosciences sur l’acide gamma-aminobutyrique (GABA) comme neurotransmetteur. À cet effet, nous mettons une emphase particulière sur le rôle significatif de chercheurs canadiens dans ce domaine de recherche. En prenant comme point de départ les premières études qui ont établi que le GABA était un neurotransmetteur au niveau de synapses centrales, nous faisons le sommaire des résultats identifiant le récepteur GABA comme étant une cible thérapeutique ainsi que des données plus récentes montrant que la signalisation du récepteur GABAA joue, de façon surprenante, un rôle actif dans la synchronisation du réseau neuronal, tant au cours du développement que dans le cerveau adulte. Finalement, nous traitons brièvement du rôle de GABA dans les maladies neurologiques incluant les troubles épileptiques et l’arriération mentale.

<p class="Abstract"><span lang="EN-US"><span style="vertical-align: inherit;"><span style="vertical-align: inherit;">Un système biométrique d'identification et d'authentification permet la reconnaissance automatique d'un individu en fonction de certaines caractéristiques ou caractéristiques uniques qu'il possède. </span><span style="vertical-align: inherit;">La reconnaissance de l'iris est une méthode d'identification biométrique qui applique la reconnaissance des formes aux images de l'iris. </span><span style="vertical-align: inherit;">En raison des motifs épigénétiques uniques de l'iris, la reconnaissance de l'iris est considérée comme l'une des méthodes les plus précises dans le domaine de l'identification biométrique. </span><span style="vertical-align: inherit;">L'algorithme de segmentation proposé dans cet article commence par déterminer les régions de l'œil à l'aide d'une approche neuronale non supervisée, après que le contour de l'œil a été trouvé à l'aide du bord de Canny, la transformation de Hough est utilisée pour déterminer le centre et le rayon de la pupille et de l'iris. . </span><span style="vertical-align: inherit;">Ensuite, la normalisation permet de transformer la région de l'iris circulaire segmenté en une forme rectangulaire de taille fixe en utilisant le modèle de feuille de caoutchouc de Daugman. </span><span style="vertical-align: inherit;">Une transformation en ondelettes discrètes (DWT) est appliquée à l'iris normalisé pour réduire la taille des modèles d'iris et améliorer la précision du classificateur. </span><span style="vertical-align: inherit;">Enfin, la base de données URIBIS iris est utilisée pour la vérification individuelle de l'utilisateur en utilisant le classificateur KNN ou la machine à vecteur de support (SVM) qui, sur la base de l'analyse du code de l'iris lors de l'extraction des caractéristiques, est discutée.</span></span></span></p>

Résumé La théorie sémiotique s’est développée comme une théorie de la production du sens et de sa manifestation dans les diverses pratiques humaines. Dernièrement, elle est demandée à rendre compte de l’émergence du sens, de sa nature. Pour la philosophie merleaupontienne ce point d’origine est donné dans la perception, comme le premier sol où le sens se fait. La perception détient la primauté de la construction du monde signifiant pour l’homme. Dans les sciences naturelles, les neurosciences pointent vers le cerveau, en particulier l’équipement neuronal que nous avons en tant qu’hommes, comme le siège de la construction du sens. Notre connaissance du monde vient d’une « neuroception », un néologisme inévitable pour lui donner un air de famille avec celui de la « per-ception ». Devant ces deux positions théoriques, nous pouvons en sémiologie et linguistique offrir et défendre l’hypothèse que notre connaissance du monde est péremptoirement générée dans les mailles des langages. Une opération de sémioception, basée sur l’acte sémiologique arbitraire des langages, commande la perception humaine elle-même, avec antécédence. Ce n’est pas le cerveau qui « fait de l’esprit », c’est plutôt le langage qui « fait le cerveau » humain.

Résumé Fréquemment, les chercheurs ont conceptualisé le conflit travail-famille de façon bidirectionnelle : l’étude des effets de la vie professionnelle à l’endroit de la vie de famille (appelé conflit travail-famille) et celle des effets de la vie de famille à l’égard de la vie d’emploi (appelé conflit famille-travail). Toutefois, les résultats inhérents aux recherches basées sur cette conceptualisation se sont avérés controversés. Autrement dit, très peu d’effort a été déployé afin de différencier entre les effets des différentes formes de ce conflit. Pourtant, Greenhaus et Beutell (1985) en ont proposé une conceptualisation multidimensionnelle, en ajoutant aux deux dimensions directionnelles trois autres supplémentaires liées au conflit de temps, d’effort et de comportement. Ainsi, notre recherche répond à la question générale suivante: la conceptualisation multidimensionnelle du conflit travail-famille est-elle plus efficace pour cerner la réalité de ce phénomène que la conceptualisation bidirectionnelle ? À partir d’un échantillon de 375 sujets provenant du personnel infirmier d’un centre hospitalier, nous avons privilégié une conceptualisation multidimensionnelle dudit conflit (Greenhaus et Beutell, 1985), et ce, afin d’identifier les effets spécifiques aux diverses dimensions de ce conflit. Pour ce faire, nous avons utilisé l’analyse en termes des cartes autoorganisatrices de Kohonen (SOM), cartes qui sont basées sur un réseau de neurones résultant de la méthode d’apprentissage non supervisée (Kohonen, 2001). Les résultats de l’analyse neuronale indiquent qu’il y a six formes de conflit. Deux d’entre elles paraissent générer des effets similaires à ceux obtenus selon la conceptualisation bidirectionnelle (conflit à haute intensité versus conflit à basse intensité), tandis que les quatre autres formes apparaissent engendrer des effets spécifiques, justifiant la nécessité d’appliquer la conceptualisation multidimensionnelle préconisée. En outre, l’analyse de variance appliquée aux données a révélé plusieurs différences significatives entre les six formes de ce conflit et des variables externes liées à des facteurs explicatifs dudit conflit, ainsi qu’à ses conséquences. Cette nouvelle taxonomie, basée sur la conceptualisation multidimensionnelle des conflits travail-famille, contribue à une meilleure compréhension de l’interférence entre la sphère de la vie familiale et celle de la vie professionnelle, en identifiant les formes spécifiques du conflit travail-famille au niveau desquelles une ou plusieurs sources de conflictualité sont en action. Des avenues de recherche et des implications managériales sont déduites à la lumière des résultats enregistrés.

Le système nerveux central humain est un système de traitement de l'information stupéfiant en termes de capacités, de polyvalence, d’adaptabilité et de faible consommation d'énergie. Sa structure complexe se compose de milliards de neurones, interconnectés par plusieurs trillions de synapses, formant des grappes spécialisées. Récemment, l'imitation de ces paradigmes a suscité un intérêt croissant en raison de la nécessité d'approches informatiques avancées pour s'attaquer aux défis liés à la génération de quantités massives de données complexes dans l'ère de l’Internet des Objets (IoT). Ceci a mené à un nouveau domaine de recherche, connu sous le nom d’informatique cognitive ou d'ingénierie neuromorphique, qui repose sur les architectures dites non-von-Neumann (inspirées du cerveau) en opposition aux architectures von-Neumann (ordinateurs classiques). Dans cette thèse, nous examinons l'utilisation des technologies de mémoire résistive telles que les mémoires à accès aléatoires à base de lacunes d’oxygène (OxRAM) et les mémoires à pont conducteur (CBRAM) pour la conception de synapses artificielles, composants de base indispensables des réseaux neuromorphiques. De plus, nous développons un réseau de neurones impulsionnels artificiel (SNN), utilisant des synapses OxRAM, pour l'analyse de données impulsionnelles provenant du cerveau humain en vue du traitement de troubles neurologiques, en connectant la sortie du SNN à une interface cerveau-ordinateur (BCI). L'impact des problèmes de fiabilité, caractéristiques des OxRAMs, sur les performances du système est étudié en détail et les moyens possibles pour atténuer les pénalités liées aux incertitudes des dispositifs seuls sont démontrés. En plus de l’implémentation avec des OxRAMs et CBRAMs de la bien connue plasticité fonction du temps d’occurrence des impulsions (STDP), qui constitue une forme de plasticité à long terme (LTP), les dispositifs OxRAM ont également été utilisés pour imiter la plasticité à court terme (STP). Les fonctionnalités fondamentalement différentes de la LTP et STP sont mises en évidence
The central nervous system of humankind is an astonishing information processing system in terms of its capabilities, versatility, adaptability and low energy consumption. Its complex structure consists of billions of neurons interconnected by trillions of synapses forming specialized clusters. Recently, mimicking those paradigms has attracted a strongly growing interest, triggered by the need for advanced computing approaches to tackle challenges related to the generation of massive amounts of complex data in the Internet of Things (IoT) era. This has led to a new research field, known as cognitive computing or neuromorphic engineering, which relies on the so-called non-von-Neumann architectures (brain-inspired) in contrary to von-Neumann architectures (conventional computers). In this thesis, we explore the use of resistive memory technologies such as oxide vacancy based random access memory (OxRAM) and conductive bridge RAM (CBRAM) for the design of artificial synapses that are a basic building block for neuromorphic networks. Moreover, we develop an artificial spiking neural network (SNN) based on OxRAM synapses dedicated to the analysis of spiking data recorded from the human brain with the goal of using the output of the SNN in a brain-computer interface (BCI) for the treatment of neurological disorders. The impact of reliability issues characteristic to OxRAM on the system performance is studied in detail and potential ways to mitigate penalties related to single device uncertainties are demonstrated. Besides the already well-known spike-timing-dependent plasticity (STDP) implementation with OxRAM and CBRAM which constitutes a form of long term plasticity (LTP), OxRAM devices were also used to mimic short term plasticity (STP). The fundamentally different functionalities of LTP and STP are put in evidence

Cette thèse s'attache à redéfinir des modèles financiers traditionnels en considérant un cadre d'analyse moins restrictif, s'accordant mieux avec les caractéristiques empiriques des fonds alternatifs. Ce cadre élargi, certes plus réaliste, a néanmoins pour principal effet de complexifier les modèles étudiés ; nous choisissons alors d'employer des procédés de calcul naturel pour les simplifier. Dans le premier chapitre de la thèse, nous répondons à une problématique générale qui concerne l'étape essentielle du traitement des données. Nous proposons ainsi une nouvelle approche de la complétion des valeurs manquantes, autorisant une meilleure prise en compte des dépendances inter-actifs. Nous montrons dans le deuxième chapitre comment intégrer des moments d'ordre supérieur dans les modèles d'allocation. Une technique d'optimisation définie à partir des fonctions dites de pénurie nous permet de résoudre les problèmes d'optimisation dans l'espace non-convexe des quatre premiers moments de la distribution de rendements des portefeuilles optimisés. Le troisième chapitre s'attache à évaluer l'impact des données aberrantes sur les modèles d'allocation d'actifs intégrant les moments d'ordre supérieur. Un réseau de neurones modélisant la volatilité nous permet d'étendre les travaux de Chen et Liu (1993). Nous terminons cette thèse avec le quatrième chapitre en proposant un modèle d'analyse de style défini à partir de cartes de Kohonen. Le lien entre les facteurs de style traditionnels et les neurones de la carte est effectué au moyen d'une analyse conditionnelle. Une projection dynamique des fonds autorise ainsi l'étude de la stabilité des styles des gérants d'actifs.

Le phytoplancton constitue un des premiers maillons du réseau trophique et génère jusqu'à 50% de la production primaire mondiale. L’étude du phytoplancton et de son environnement physique nécessite des observations ayant une résolution inférieure à la journée et au kilomètre, ainsi que la prise en compte des types hétérogènes de données impliquées et des structures de dépendance spatio-temporelles des écosystèmes marins.Cette thèse s’applique à développer des méthodes statistiques dans ce contexte en s’appuyant sur des technologies comme la cytométrie en flux automatisée. Les développements théoriques ont porté sur les modèles de cytométrie en flux automatisée profonds (DGMM) introduits par Viroli et McLachlan (2019). Afin de mieux caractériser les niches écologiques du phytoplancton, nous avons étendu ces modèles aux données mixtes (présentant des variables continues et non continues) souvent présentes en océanographie. Une méthode de clustering a ainsi été proposée ainsi qu’un algorithme de génération de données mixtes synthétiques.Concernant l'étude haute fréquence à proprement parler, des réseaux neuronaux convolutifs ont été introduits pour traiter les sorties de cytométrie en flux et étudier six groupes fonctionnels du phytoplancton en zone littorale et en océan ouvert. Des réactions différenciées et reproductibles de ces groupes ont été identifiées à la suite d'événements impulsionnels induits par le vent, soulignant l'importance du couplage entre la physique et la biologie. À cet égard, une méthode de détection de rupture a été proposée pour délimiter les zones épipélagique et mésopélagique, proposant ainsi une nouvelle base pour le calcul de budgets carbone mésopélagiques
Phytoplankton are one of the first links in the food web and generate up to 50% of the world's primary production. The study of phytoplankton and their physical environment requires observations with a resolution of less than a day and a kilometer, as well as the consideration of the heterogeneous types of data involved and the spatio-temporal dependency structures of marine ecosystems.This thesis aims to develop statistical methods in this context by using technologies such as automated flow cytometry. Theoretical developments focused on Deep Gaussian Mixture Models (DGMM) introduced by Viroli and McLachlan (2019). To better characterize phytoplankton ecological niches, we extended these models to mixed data (exhibiting continuous and non-continuous variables) often found in oceanography. A clustering method has been proposed as well as an algorithm for generating synthetic mixed data.Regarding the high-frequency study itself, convolutional neural networks have been introduced to process flow cytometry outputs and to study six functional groups of phytoplankton in the littoral zone and the open ocean. Differentiated and reproducible responses of these groups were identified following wind-induced pulse events, highlighting the importance of the coupling between physics and biology. In this regard, a change-point detection method has been proposed to delineate epipelagic and mesopelagic zones, providing a new basis for the calculation of mesopelagic carbon budgets

Le processus ponctuel de Hawkes est un outil statistique très répandu pour analyser des dynamiques temporelles. Les applications modernes des processus de Hawkes proposent des extensions du modèle initial pour prendre en compte certaines caractéristiques spécifiques à chaque domaine d'étude, ce qui complexifie les tâches d'inférence. Dans cette thèse, nous proposons différentes contributions à l'estimation paramétrique de deux variantes du processus de Hawkes dans les cadres univarié et multivarié. Motivée par la modélisation d'interactions complexes au sein d'une population de neurones, notre première étude porte sur la prise en compte conjointe d'effets excitateurs et inhibiteurs entre les signaux émis par les neurones au cours du temps, modélisés par un processus de Hawkes non-linéaire. Dans ce modèle, nous obtenons une expression explicite de la log-vraisemblance qui nous permet d'implémenter une procédure de maximum de vraisemblance.Nous établissons également une méthode de sélection de modèle qui fournit notamment une estimation du réseau d'interactions dans le cadre multivarié. La deuxième partie de cette thèse est consacrée à l'étude des processus de Hawkes bruités par deux types d'altérations : l'ajout ou la suppression de certains points. Le manque d'information lié à ces mécanismes de bruit rend les méthodes classiques d'inférence non-applicables ou numériquement coûteuses. Notre solution consiste à s'appuyer sur l'analyse spectrale des processus ponctuels afin d'établir un estimateur obtenu en maximisant la log-vraisemblance spectrale. Nous obtenons l'expression des densités spectrales des processus bruités et, après avoir établi des conditions d'identifiabilité pour nos différents modèles, nous montrons que cette méthode d'inférence ne nécessite pas de connaître la structure du bruit, contournant ainsi le problème d'estimation. Notre étude sur les processus bruités donne accès à une méthode de sous-échantillonnage qui nous permet d'améliorer les approches d'estimation en introduisant un paramètre de pénalisation. Nous illustrons la performance des différentes méthodes proposées à travers des implémentations numériques reproductibles
The Hawkes point process is a popular statistical tool to analyse temporal patterns.Modern applications propose extensions of this model to account for specificities in each field of study, which in turn complexifies the task of inference.In this thesis, we advance different approaches for the parametric estimation of two submodels of the Hawkes process in univariate and multivariate settings.Motivated by the modelling of complex neuronal interactions observed from spike train data,our first study focuses on accounting for both inhibition and excitation effects between neurons, modelled by the non-linear Hawkes process.We derive a closed-form expression of the log-likelihood in order to implement a maximum likelihood procedure.As a consequence of our approach, we gain access to a goodness-of-fit scheme allowing us to establish ad hoc model selection methods to estimate the interaction network in the multivariate setting.The second part of this thesis focuses on studying Hawkes process data noised by two different alterations: adding or removing points.The absence of knowledge on the noise dynamics makes classical inference procedures intractable or computationally expensive.Our solution is to leverage the spectral analysis of point processes to establish an estimator obtained by maximising the spectral log-likelihood.By deriving the spectral densities of the noised processes and by establishing identifiability conditions on our model, we show that the spectral inference method does not necessitate any information on the structure of the noise, effectively circumventing this issue.An additional result of the study of Hawkes processes with missing points is that it gives access to a subsampling paradigm to enhance the estimation methods by introducing a penalisation parameter.We illustrate the efficiency of all of our methods through reproducible numerical implementations

Cette thèse est une étude de phénomènes biologiques liés au cerveau à travers des modèles mathématiques et méthodes quantitatives. Le leitmotiv de ce travail est l'analyse des séries spatio-temporelles qui apparaissent naturellement dans les systèmes biologiques à différentes échelles. La première partie de la thèse se penche sur l’échelle la plus fine. J’étudie la dynamique des protéines au sein du réticulum endoplasmique (RE), un organite de la cellule eucaryote formé d’un réseau de structures membranaires tubulaires. Le RE joue un rôle clé dans le transport des protéines et son dysfonctionnement a été associé à de nombreuses maladies, dont notamment les troubles neurodégénératifs. Des observations expérimentales antérieures ont suggéré une possible déviation du transport luminal du RE par rapport à la diffusion classique. Pour tester cette hypothèse, j’introduis un modèle de réseau pour décrire la dynamique des protéines dans le RE. J’analyse le modèle et développe des simulations numériques, en révélant un possible mécanisme de transport de protéines agrégées qui s'écarte du mouvement purement diffusif. Pour tester davantage les prédictions du modèle, nous nous tournons ensuite vers l'analyse des données expérimentales. Alors que la mobilité des protéines a été traditionnellement caractérisée par l'imagerie par fluorescence, les caractéristiques morphologiques du RE posent de nouveaux défis à une analyse quantitative d'une telle dynamique à petite échelle. Pour résoudre ces problèmes, j’introduis une nouvelle méthode de traitement d'image pour analyser la dynamique du RE basée sur des protéines fluorescentes photoactivables. Cette technique joint l'analyse et la réduction du bruit à la segmentation automatique du RE, et peut fournir une estimation robuste de l'échelle de temps de transport. Cela nous permet également de caractériser l'hétérogénéité spatiale du processus de mélange des protéines. Je présente et compare les résultats pour les protéines luminales, membranaires et mal repliées dans le RE. Dans la deuxième partie de la thèse, nous étudions les signaux neuronaux à des échelles supérieures. Tout d'abord, à l'échelle du neurone, je présente une méthode de débruitage adaptée à l'enregistrement optique de l'activité unicellulaire chez les souris éveillées via des indicateurs de voltage fluorescents. Je montre comment il est possible de réduire le bruit instrumental et quantique dans de telles séries temporelles, ce qui permet d'extraire les potentiels d’action à une fréquence d'acquisition plus faible. Ce résultat rend possible l'enregistrement simultané de plusieurs cellules, permettant ainsi d'explorer la corrélation des pointes et des oscillations de voltage au sein d'un ensemble de neurones. Enfin, dans les derniers chapitres, nous atteignons le niveau le plus global avec l'étude des électroencéphalogrammes (EEG), qui enregistrent l'activité de l'ensemble du cerveau. Motivés par les applications de l'EEG dans la surveillance clinique, j’introduis une nouvelle méthode basée sur les ondelettes pour atténuer les artefacts indésirables qui contaminent l'enregistrement du signal EEG physiologique. La méthode est basée sur le remappage des coefficients d'ondelettes selon une distribution de référence extraite de portions propres du signal EEG. Notre technique peut fournir une alternative flexible aux approches traditionnelles, comme le seuillage d'ondelettes, dans le contexte de la surveillance clinique en temps réel. En conclusion, cette thèse illustre la manière dont une approche interdisciplinaire combinant données expérimentales, modélisation mathématique et traitement du signal peut fournir de nouveaux outils pour la compréhension d'une large variété de mécanismes biologiques, allant du transport des protéines au suivi EEG
This dissertation is an investigation of biological phenomena related to the brain by means of mathematical models and quantitative methods. The leitmotiv of this work is the analysis of spatiotemporal series which naturally arise in biological systems at different scales. In the first part of the thesis, we study the finest of such scales. I analyse intracellular protein dynamics in the endoplasmic reticulum (ER), an organelle of eukaryotic cells formed by a network of tubular membrane structures. The ER plays a key role in protein transport, and its dysfunction has been associated with numerous diseases, including, in particular, neurodegenerative disorders. Previous experimental observations suggested a possible deviation of ER luminal transport compared to classical diffusion. Based on this hypothesis, I introduce a graph model to describe ER protein dynamics. I analyse the model and develop numerical simulations, revealing a possible mechanism of aggregated protein transport that deviates from purely diffusive motion. Then, to further test the predictions of the model, we turn to the analysis of experimental data. While protein mobility has been traditionally characterized by fluorescence imaging, the morphological characteristics of the ER pose new challenges to a quantitative analysis of such small scale dynamics. To address these issues, I introduce a novel image processing method to analyse ER dynamics based on photoactivatable fluorescent proteins. By joining analysis and reduction of noise with automatic segmentation of the ER, the technique can provide a robust estimation of the timescale of transport. Moreover, it allows us to characterize the spatial heterogeneity of the protein mixing process. I present and compare results for luminal, membrane, and misfolded proteins in the ER. In the second part of the dissertation, we study neuronal signals at coarser scales. First, at the scale of the single neuron, I present a denoising method suitable for optical recording of single-cell activity in awake, behaving mice via fluorescent voltage indicators. I show how it is possible to reduce instrumental and photon-counting noise in such time series, allowing us to extract spike patterns at lower acquisition frequency. Such results enable simultaneous recording of multiple cells, thus allowing to explore the correlation of spikes and voltage oscillations within ensembles of neurons. Finally, in the last chapters, we reach the coarsest scale with the study of electroencephalograms (EEG) which record the activity of the entire brain. Motivated by the applications of EEG in clinical monitoring, I introduce a new wavelet-based method that can attenuate undesired artefacts which contaminate the recording of the physiological EEG signal. The method is based on the remapping of the wavelet coefficients according to a reference distribution extracted from clean portions of the EEG signal. This technique can provide a flexible alternative to traditional approaches such as wavelet thresholding in the context of real-time clinical monitoring. In conclusion, this thesis illustrates how an interdisciplinary approach combining experimental data with mathematical modelling and signal processing can provide new tools for the understanding of a wide variety of biological mechanisms, ranging from protein transport to EEG monitoring

Deux types de neurotransmission se produisent dans les neurones du cerveau : la transmission évoquée et la transmission spontanée. Contrairement à la transmission évoquée, le rôle de la transmission spontanée sur la plasticité synaptique - un mécanisme utilisé pour doter le cerveau de capacités d'apprentissage et de mémorisation - reste incertain. Les neurotransmissions spontanées sont localisées et se produisent aléatoirement dans les synapses des neurones. Lorsqu'un tel événement spontané se produit, ce que l'on appelle un influx synaptique miniature d'ions calcium (miniature Synaptic Ca²⁺ Transient, mSCT), des ions calcium messagers secondaires pénètrent dans la synapse, activant les voies de signalisation en aval de la plasticité synaptique. L'utilisation de l'imagerie calcique du neurone in vitro permet la visualisation spatiotemporelle de l'entrée des ions calcium. Les vidéos calciques qui en résultent permettent une étude quantitative de l'impact du mSCT sur la plasticité synaptique. Cependant, la localisation des mSCTs dans l'imagerie du calcium est difficile en raison de leur petite taille, de leur faible intensité par rapport au bruit de l'imagerie et de leur caractère aléatoire inhérent. Dans ce mémoire, nous présentons une méthode d'analyse quantitative à grande échelle des vidéos d'imagerie calcique limitant la variabilité induite par les interventions humaines pour obtenir des données probantes, dans le but de caractériser l'impact des mSCTs sur la plasticité synaptique. En nous basant sur un outil semi-automatique de détection à seuil d'intensité (Intensity Thresholded Detection, ITD), nous sommes capables de générer des données pour entraîner un réseau pleinement convolutionnel (Fully Convolutional Network, FCN) afin de détecter rapidement et automatiquement les mSCTs à partir de vidéos calciques. En utilisant les segmentations bruitées de l'ITD comme données d'entraînement, combinées à un schéma d'entraînement positif (P) et non étiqueté (Unlabeled, U), les performances du FCN surpassent ITD. Le FCN détecte des mSCTs de faible intensité non détectés auparavant par ITD et offre une segmentation supérieure à ITD. Nous avons ensuite caractérisé l'impact des paramètres PU tels que le nombre de P et le ratio P:U. Le FCN entraîné est intégré dans une routine tout-en-un pour permettre une analyse à grande échelle des mSCTs. La routine offre la détection, la segmentation, la caractérisation et la visualisation des mSCTs ainsi qu'une solution logicielle pour gérer plusieurs vidéos avec différentes métadonnées.
Two types of neurotransmission occur in brain’s neurons: evoked transmission and spontaneous transmission. Unlike the former, the role of spontaneous transmission on synaptic plasticity –a mechanism used to endow the brain learning and memory abilities – remain unclear. Spontaneous neurotransmissions are localized and randomly happening in neuron’s synapses. When such spontaneous events happen, so-called miniature synaptic Ca²⁺ transients(mSCT), second messenger calcium ions entered the spine, activating downstream signaling pathways of synaptic plasticity. Using calcium imaging of in vitro neuron enable spatiotemporal visual-ization of the entry of calcium ions. Resulting calcium videos enable quantitative study of mSCT’s impact on synaptic plasticity. However, mSCT localization in calcium imaging can be challenging due to their small size, their low intensity compared with the imaging noise and their inherent randomness. In this master’s thesis, we present a method for quantitative high-through put analysis of calcium imaging videos that limits the variability induced by human interventions to obtain evidence for characterizing the impact of mSCTs on synaptic plasticity. Based on a semi-automatic intensity thresholded detection (ITD) tool, we are able to generate data to train a fully convolutional neural network (FCN) to rapidly and automaticaly detect mSCT from calcium videos. Using ITD noisy segmentations as training data combine with a positive and unlabeled (PU) training schema, we leveraged FCN performances and could even detect previously undetected low instensity mSCTs missed by ITD. The FCN also provide better segmentation than ITD. We then characterized the impact of PU parameters such as the number of P and the ratio P:U. The trained FCN is bundled in a all-in-one pipeline to permit a high-thoughtput analysis of mSCT. The pipeline offers detection, segmentation,characterization and visualization of mSCTs as well as a software solution to manage multiple videos with different metadatas.

L'électroencéphalographie (EEG) mesure de manière non invasive l'activité électrique du cerveau par le biais de champs électromagnétiques générés par l'activité synchronisée de millions de neurones. Cela permet de collecter des données temporelles multivariées qui constituent une trace de l'activité électrique du cerveau mesurée au niveau du cuir chevelu. À tout instant, les mesures enregistrées par ces capteurs sont des combinaisons linéaires des activités électriques provenant d'un ensemble de sources sous-jacentes situées dans le cortex cérébral. Ces sources interagissent entre elles selon un modèle biophysique complexe qui reste mal compris. Dans certaines applications, telles que la planification chirurgicale, il est crucial de reconstruire avec précision ces sources électriques corticales, une tâche connue sous le nom de résolution du problème inverse de reconstruction de sources. Bien qu'intellectuellement satisfaisante et potentiellement plus précise, cette approche nécessite le développement et l'application d'un modèle spécifique au sujet, ce qui est à la fois coûteux et techniquement difficile à réaliser. Il est cependant souvent possible d'utiliser directement les mesures EEG au niveau des capteurs et d'en extraire des informations sur l'activité cérébrale. Cela réduit considérablement la complexité de l'analyse des données par rapport aux approches au niveau des sources. Ces mesures peuvent être utilisées pour une variété d'applications comme par exemple la surveillance des états cognitifs, le diagnostic des conditions neurologiques ou le développement d'interfaces cerveau-ordinateur (BCI). De fait, même sans avoir une compréhension complète des signaux cérébraux, il est possible de créer une communication directe entre le cerveau et un appareil externe à l'aide de la technologie BCI. Le travail décrit dans ce document est centré sur les interfaces cerveau-ordinateur basées sur l'EEG, qui ont plusieurs applications dans divers domaines médicaux, comme la réadaptation et la communication pour les personnes handicapées, ou dans des domaines non médicaux, notamment les jeux et la réalité virtuelle. La première contribution de cette thèse va dans ce sens, avec la proposition d'une méthode basée sur une matrice de covariance augmentée (ACM). Sur cette base, la méthode de covariance augmentée Block-Toeplitz (BT-ACM) représente une évolution notable, améliorant l'efficacité de calcul tout en conservant son efficacité et sa versatilité. Enfin, ce travail se poursuit avec la proposition d'un réseau de neurones artificiel Phase-SPDNet qui permet l'intégration de ces méthodologies dans une approche de Deep Learning et qui est particulièrement efficace même avec un nombre limité d'électrodes. Nous avons en outre proposé le cadre pseudo-on-line pour mieux caractériser l'efficacité des méthodes BCI et la plus grande étude de reproductibilité BCI basée sur l'EEG en utilisant le benchmark MOABB (Mother of all BCI Benchmarks). Cette recherche vise à promouvoir une plus grande reproductibilité et fiabilité des études BCI. En conclusion, nous relevons dans cette thèse deux défis majeurs dans le domaine des interfaces cerveau-ordinateur (BCI) basées sur l'EEG : l'amélioration des performances par le développement d'algorithmes avancés au niveau des capteurs et l'amélioration de la reproductibilité au sein de la communauté BCI
Electroencephalography (EEG) non-invasively measures the brain's electrical activity through electromagnetic fields generated by synchronized neuronal activity. This allows for the collection of multivariate time series data, capturing a trace of the brain electrical activity at the level of the scalp. At any given time instant, the measurements recorded by these sensors are linear combinations of the electrical activities from a set of underlying sources located in the cerebral cortex. These sources interact with one another according to a complex biophysical model, which remains poorly understood. In certain applications, such as surgical planning, it is crucial to accurately reconstruct these cortical electrical sources, a task known as solving the inverse problem of source reconstruction. While intellectually satisfying and potentially more precise, this approach requires the development and application of a subject-specific model, which is both expensive and technically demanding to achieve.However, it is often possible to directly use the EEG measurements at the level of the sensors and extract information about the brain activity. This significantly reduces the data analysis complexity compared to source-level approaches. These measurements can be used for a variety of applications, including monitoring cognitive states, diagnosing neurological conditions, and developing brain-computer interfaces (BCI). Actually, even though we do not have a complete understanding of brain signals, it is possible to generate direct communication between the brain and an external device using the BCI technology. This work is centered on EEG-based BCIs, which have several applications in various medical fields, like rehabilitation and communication for disabled individuals or in non-medical areas, including gaming and virtual reality.Despite its vast potential, BCI technology has not yet seen widespread use outside of laboratories. The primary objective of this PhD research is to try to address some of the current limitations of the BCI-EEG technology. Autoregressive models, even though they are not completely justified by biology, offer a versatile framework to effectively analyze EEG measurements. By leveraging these models, it is possible to create algorithms that combine nonlinear systems theory with the Riemannian-based approach to classify brain activity. The first contribution of this thesis is in this direction, with the creation of the Augmented Covariance Method (ACM). Building upon this foundation, the Block-Toeplitz Augmented Covariance Method (BT-ACM) represents a notable evolution, enhancing computational efficiency while maintaining its efficacy and versatility. Finally, the Phase-SPDNet work enables the integration of such methodologies into a Deep Learning approach that is particularly effective with a limited number of electrodes.Additionally, we proposed the creation of a pseudo online framework to better characterize the efficacy of BCI methods and the largest EEG-based BCI reproducibility study using the Mother of all BCI Benchmarks (MOABB) framework. This research seeks to promote greater reproducibility and trustworthiness in BCI studies.In conclusion, we address two critical challenges in the field of EEG-based brain-computer interfaces (BCIs): enhancing performance through advanced algorithmic development at the sensor level and improving reproducibility within the BCI community

Par rapport au traitement électrique des données, en passant au domaine optique et aux circuits nanophotoniques la bande passante disponible augmente considérablement, la parallélisation est intrinsèquement possible et le calcul en mémoire peut être réalisé avec des matériaux à changement de phase. Ce chapitre présente les détails et les applications de cette technologie, jusqu’à un réseau neuronal artificiel optique.

L’atelier proposé part du présupposé que, dans la maladie d’Alzheimer, la dégénérescence des fonctions intellectuelles ne doit pas être interprétée comme la perte du JE en tant que personne. Le patient garde-t-il sa personnalité malgré les dommages causés par la Démence de Type Alzheimer (DTA) ? La détérioration neuronale, d’un point de vue clinique, n’entraîne pas la détérioration des qualités psychiques du patient qui garde encore les outils pour se réapproprier les nouvelles données qui s’offrent à lui au cours de la maladie. L’utilisation de l’encre va permettre au praticien d’entrer en contact avec ce JE profond. Cet outil déclenche des bénéfices physiques et psychologiques que l’on peut comparer à la méditation. Lorsqu’elle crée, la personne retrouve ses facultés et devient autre ; elle n’est plus une personne « malade ».

A sequel to our study of the uses and perceptions of machine translation and post-editing within the European Commission’s Directorate-General for Translation (Rossi et al. 2019), this article sets out to reconsider the implications of the shift to neural machine translation in this institution. On the basis of semi-directed interviews conducted in March 2022 with 11 translators in different language department of the D-G Translation, we outline a set of concomitant factors likely to account for the transformations underway, calling into question the boundaries between machine translation and computer-assisted translation, and between translation and post-editing.

Les mots &#171;&#160;tabletter&#160;&#187;, &#171;premi&#232;re nation&#160;&#187;, garder la chaleur, &#171;&#160;coup de c&#339;ur&#160;&#187; et &#171;&#160;pouler bicyclette&#160;&#187;, &#171;&#160;pied la route&#160;&#187;, &#171;&#160;cafarder&#160;&#187;, &#171;&#160;d&#233;brouiller ne pas voler&#160;&#187; sont des &#233;l&#233;ments des langues substrat qu&#233;b&#233;cois et africain, respectivement, qui naissent des ph&#233;nom&#232;nes neuro-psycholinguistiques qui trouvent d&#8217;espace en fran&#231;ais superstrat. Nous avan&#231;ons que des expressions ou des mots qui s&#8217;insurgent dans fran&#231;ais superstrat venant des espaces extraterritoriaux du fran&#231;ais de France participent &#224; un fran&#231;ais des valeurs &#233;largies de la Francophonie&#160;; et qu&#8217;ils sont influenc&#233;s par des ph&#233;nom&#232;nes neuro-psycholinguistiques. Les neurons individuels, quitte collectifs, font face &#224; des contraintes et limites de capacit&#233;s expressives et se distinguent d&#8217;une collectivit&#233; donn&#233;e impos&#233;e ou tol&#233;r&#233;e et se jettent dans une plus grande collectivit&#233; qui est la Francophonie. Des analyses des auteurs autochtones de chacune de ces collectivit&#233;s, surtout celles d&#8217;Afrique et de Canada, nous conduisent &#224; d&#233;duire que leurs espaces respectifs et leurs capacit&#233;s neuronales obligent des expressions qui peuvent qu&#8217;&#234;tre unique &#224; eux-m&#234;mes et contraignent le fran&#231;ais dynamique &#224; se reconstruire. Ainsi, pour rester toujours vivant dans un monde qui continuent &#224; cr&#233;er des occasions de diff&#233;renciation au lieu d&#8217;affiliation humaniste, force est d&#8217;observer la beaut&#233; des toiles d&#8217;araign&#233;e langagiers et qui se donne &#224; abstraire l&#8217;impossibilit&#233; de la cr&#233;ation des ilots &#233;tanches langagiers pour ne serait-ce que contraindre les humains &#224; vivre plus ou moins en harmonie. Nos analyses et des interpr&#233;tations portent foi &#224; cette hypoth&#232;se.