| Version imprimable |
| Estimation et caractérisation de connectivité effective par approches tensorielles : application aux réseaux épileptiques (Estimation and characterization of effective connectivity using tensor approaches : application to epilepsy) | ||
Chantal, Pierre-Antoine - (2021-03-23) / Universite de Rennes 1 - Estimation et caractérisation de connectivité effective par approches tensorielles : application aux réseaux épileptiques Langue : Français Directeur de thèse: Le Bouquin Jeannès, Régine Laboratoire : Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATHSTIC Thématique : Sciences de l'ingénieur, Médecine et santé | ||
Mots-clés : connectivité cérébrale, décomposition tensorielle, graphes dirigés, visualisation de données, Connectivité fonctionnelle, Algèbre tensorielle, Data visualisation, Épilepsie Résumé : L’épilepsie est une maladie cérébrale chronique qui nécessite parfois une opération chirurgicale. Un pré-examen indispensable est alors réalisé à partir d’électrodes de profondeur et peut permettre une analyse du réseau épileptique notamment grâce à l’inférence de la connectivité cérébrale. Celle-ci peut évoluer au cours du temps, mais aussi spatialement, fréquentiellement et selon les enregistrements. Dans un tel contexte, une analyse multi-dimensionnelle prend tout son sens et peut être appréhendée au travers de décompositions tensorielles. Dans ce travail, une première approche est proposée pour identifier un graph de connectivité et déterminer les scores d’émission et de réception pour chacun des noeuds qui composent ce graphe à l’aide d’une décomposition canonique polyadique d’une modélisation vectorielle auto-régressive sous des contraintes spécifiques. Une seconde approche consiste en une analyse multi-dimensionnelle des mesures de connectivité effective basée sur la cohérence dirigée partielle afin d’extraire les patterns de connectivité les plus dominants avec leurs profils respectifs de temps, de fréquence et éventuellement leurs contributions aux différentes crises pour un même patient. Cette analyse est effectuée suivant deux décompositions tensorielles de rang faible, la décomposition canonique polyadique et la décomposition de Tucker. Les résultats obtenus sont en accord avec les simulations de signaux cérébraux proposés pour 3, 5 ou 10 voies représentatives d’activités neurophysiologiques et avec l’expertise clinique de crises épileptiques enregistrées chez un patient. Résumé (anglais) : Epilepsy is a brain chronic disease that sometimes requires surgery. An essential pre-examination is then carried out using depth electrodes and can allow an analysis of the epileptic network in particular thanks to the inference of cerebral connectivity. This can vary over time, but also spatially, frequentially and over recordings. In such a context, a multidimensional analysis is relevant and can be understood through tensor decompositions. In this work, a first approach is proposed to identify a connectivity graph and to determine the sending and receiving scores for each of the nodes that make up this graph using a polyadic canonical decomposition of an autoregressive modelling under specific constraints. A second approach consists in a multidimensional analysis of effective connectivity measures based on partial directed coherence in order to extract the most dominant connectivity patterns with their respective profiles of time, frequency and possibly their contributions to the different epileptic seizures for a given patient. This analysis is carried out according to two low-rank tensor decompositions, the polyadic canonical decomposition and the Tucker decomposition. Our results are in agreement with the brain simulated signals proposed for 3, 5 or 10 representative pathways of neurophysiological activities as well as with the clinical expertise of epileptic seizures recorded from a particular patient. Identifiant : rennes1-ori-wf-1-14903 | ||
| Exporter au format XML |