Une approche spectrale pour la classification d'états de conscience

Résumé

Dans ce mémoire, nous proposons une méthode permettant de détecter les états de conscience de personnes n'étant pas dans un état physiologique normal, à partir de données temporelles récoltées via la technique d'imagerie par résonance magnétique fonctionnelle. Cette approche se base sur l'opérateur de Koopman permettant de caractériser la dynamique de séries temporelles, et sur des techniques de Machine Learning permettant d'automatiser l'analyse de ces caractérisations. Plus précisément, nous avons combiné des méthodes de décompositions en modes dynamiques approximant les propriétés spectrales de l'opérateur de Koopman avec des techniques de classification supervisée telles que les arbres de décision. Tout au long de ce mémoire, nous avons tenté d'optimiser la performance de la classification des états de conscience grâce à plusieurs pistes d'améliorations. Celles-ci sont la sélection de features adéquates, la variation d'un paramètre du modèle de classification Extra-trees, l'utilisation d'autres classificateurs, l'augmentation des données, le modèle du sac de mots, la méthode de Hankel et la combinaison de plusieurs méthodes de classification.

la date de réponse	24 juin 2022
langue originale	Français
L'institution diplômante	Universite de Namur
Superviseur	Alexandre Mauroy (Promoteur) & Benoît Frénay (Copromoteur)