I'MTech L'actualité scientifique et technologique de l'IMT
Chaque année, un Prix récompense la meilleure thèse du programme d’excellence Futur & ruptures (co-financé par la Fondation Mines-Télécom et l’institut Carnot Télécom & Société numérique). En 2018, celui-ci sera attribué le 27 mars prochain lors d’une cérémonie chez BNP Paribas. En attendant de connaître le grand gagnant, I’MTech relaie les vidéos réalisées par les quatre finalistes pour présenter leurs travaux de recherche. Les quatre thèses ont été menées au sein des laboratoires des écoles de l’IMT.
(4/4) Yousra Bekhti cherche d’où viennent les signaux électromagnétiques dans nos cerveaux
Titre de la thèse :
Méthodes parcimonieuses pour la localisation de sources en magnétoencéphalographie (MEG) et l’électroencéphalographie (EEG).
Résumé de la thèse :
Pour un champ électromagnétique donné, il y a un nombre infini de sources réparties à l’intérieur du cerveau qui auraient pu le créer. Cela signifie que le problème inverse est mal-posé, ayant de nombreuses solutions possibles. Cela nous contraint à faire des hypothèses ou des a priori sur le problème.
Cette thèse a étudié les méthodes parcimonieuses, lorsque seulement quelques sources focales sont activées lors d’une tâche précise. La première contribution est de modéliser le problème comme une régression pénalisée dans le domaine temps-fréquence avec un dictionnaire multi-échelle pour prendre en compte tous les aspects d’un signal cérébral. En ajoutant le terme de régularisation spatio-temporel, le modèle ajoute un hyperparamètre qui reste à optimiser. Ceci a constitué la seconde contribution de cette thèse où une estimation automatique des hyperparamètres a été mise en œuvre.
La troisième contribution est de réduire l’écart entre les deux communautés qui formulent le problème inverse comme étant une régression pénalisée ou comme un modèle bayésien. Cette thèse montre sous quelles hypothèses et sous quelle paramétrisation on obtient une équivalence des deux formulations et comment profiter de cette nouvelle formulation bayésienne pour quantifier l’incertitude de nos solutions.
La dernière contribution a eu pour but de valider les solveurs sur des données fantômes, c’est à dire des vraies données avec une réalité terrain pour pouvoir quantifier l’erreur de localisation en position, orientation, et amplitude.