Département d'Electronique

Permanent URI for this collection

https://dspace.ummto.dz/handle/ummto/16

Browse

Browsing Département d'Electronique by Author "Fodil Yacine"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Traitement du signal electroencéphalographique (EEG) : Application à la détection et à la classification automatique des activités cérébrales par intelligence artificielle avec un noyau Riemannien
    (FGEI-UMMTO, 2024-03-21) Fodil Yacine
    Au cours de ce travail de recherche, deux approches ont été étudiées ; la classification des signaux d’imagerie motrice par un perceptron multicouches à noyau riemannien adaptatif et le filtrage géodésique sur les méthodes à base SVM et ANN. La première partie a été consacrée à étudier les interfaces cerveau-machine et les méthodes déjà existantes. La seconde partie, s’est focalisée sur la reproduction de la méthode à géométrie riemannienne, la méthode ARK-SVM, pour ensuite présenter nos approches. Nous avons étudié d’une part l’application d’un filtrage géodésique sur la méthode SVM pour produire la FG-ARK-SVM avant de procéder, d’autre part à l’élaboration de la méthode ARK-ANN. Ces approches ont été utilisées dans deux contextes de classification binaire. Le premier dans un contexte intra-sujet, où les modèles proposés ont appris sur le jeu de donnée du même sujet séparé en deux sessions d’enregistrement, la première pour l’entrainement et la seconde pour le test. Le deuxième contexte quant à lui est inter-sujet, où les modèles ont appris sur les sessions d’entrainement de divers sujets, pour faire une généralisation sur un sujet à part. Les résultats ont démontré la robustesse de la méthode ARK-ANN, tant sur la partie intra-sujet que sur la partie inter-sujet. Cette méthode a été comparée à l’ARK-SVM et à des approches riemanniennes et non riemanniennes ayant exploité la même base de donnée, BCI Compétition IV set IIa. Le filtrage géodésique quant à lui a apporté des résultats différents en fonction de la méthode, avec une légère amélioration sur la méthode SVM, mais nous observons une dégradation des performances de la méthode à réseau de neurones, quel que soit le contexte de classification.