Logo equipe ADTSI

Décision par apprentissage

L’objectif visé dans ce thème est de rechercher, pour des signaux difficilement modélisables, des espaces de représentation pertinents vis-à-vis de la nature de ces signaux et de l’objectif du traitement. Les espaces explorés correspondent à des représentations temps-fréquence et temps-échelle et les espaces optimaux sont obtenus au terme d’une procédure d’apprentissage automatique et d’optimisation portant sur un critère de qualité, dont la définition prend en compte l’objectif : décision, compression, reconnaissance de formes ou séparation de sources. Les applications privilégiées sont l’interface cerveau-ordinateur et l’analyse de contenu multimédia.

Analyse de scènes sonores

L’objectif est de proposer des modèles de signaux permettant de faciliter l’extraction d'informations d’intérêts, correspondant aux propriétés physiques des objets de la scène sonore, ou correspondant à la perception qu’un humain aurait de cette scène. Le concept fondamental est la notion de structure, autant en terme d’objectif : inférer l’organisation de différents éléments d’intérêts au sein de la scène, ou outil : comment utiliser la structure inhérente des données, pour proposer des algorithmes adéquats.

Pour en savoir plus :

  • [1] M. Lagrange, G. Scavone, et P. Depalle, Analysis/Synthesis of sounds generated by sustained contact between rigid objects, IEEE Transactions on Audio Speech and Language Processing, vol. 18, no. 3, pp. 509–518, 2010.
  • [2] M. Lagrange, L. G. Martins, J. Murdoch, et G. Tzanetakis, Normalized cuts for predominant melodic source separation, IEEE Transactions on Acoustics, Speech and Language Processing, vol. 16, no. 2, February 2008 Page 278-290 2008.

Interface cerveau-ordinateur

Nous nous intéressons ici à une interface cerveau-machine (BCI, Brain Computer Interface) permettant de commander une prothèse par la pensée. Le rôle du BCI est de décoder à partir de signaux électroencéphalographiques (EEG) le mouvement désiré par le sujet. Le coeur du BCI est un algorithme de classification caractérisé par le choix des descripteurs des signaux et des règles de décision. Notre objectit est de développer un système BCI précis, capable d’améliorer ses performances en cours d’utilisation et de s’adapter à l’utilisateur sans nécessiter de multiples sessions d’apprentissage. Nous combinons deux moyens pour y parvenir. Le premier consiste à augmenter la précision du système de décision en recherchant des descripteurs pertinents vis à vis de l’objectif de classification. Le second est d’inclure un retour de l’utilisateur sur le système de décision : l’idée est d’estimer l’erreur du BCI à partir de potentiels cérébraux évoqués, reflétant l’état émotionnel du patient corrélé au succès ou à l’échec de la décision prise par le BCI, et de corriger le système de décision du BCI en conséquence.

Pour en savoir plus :

  • [1] D. Vautrin, X. Artusi, M. Lucas et D. Farina, A novel criterion of wavelet packet best basis selection for signal classification with application to brain-computer interfaces, IEEE Transactions on Biomedical Engineering, vol. 56, no. 11, pp. 2734–2738, 2009.
  • [2] X. Artusi, I. Niazi, M. Lucas, D. Farina, Performance of a simulated adaptive BCI based on experimental classification of movement-related and error potentials, IEEE Journal of Emerging and Selected Topics in Circuits and Systems, vol. 1, no. 4, pp. 480-488, 2011.
Logo-cnrsLogo-AtlanSticLogo-UniversiteNantesLogo-MinesNantesLogo-CentraleNanteslunamCOMUE