Modélisation et identification en épilepsie : de la dynamique des populations neuronales aux signaux EEG

par Paul Frogerais

Thèse de doctorat en Traitement du signal et télécommunications

Sous la direction de Jean-Jacques Bellanger et de Lotfi Senhadji.

Soutenue en 2008

à Rennes 1 .


  • Résumé

    Les enregistrements EEG de profondeur effectués lors d’examens pré-chirurgicaux de patients épileptiques candidats à une résection, porte réellement à priori des informations précieuses sur la dynamique spatio-temporelle des zones épileptogènes locales. Actuellement l’interprétation de tels signaux, essentiellement qualitative reste un problème délicat et des efforts restent à faire pour interpréter quantitativement l’information physiologique qu’ils contiennent. Cette thèse traite de l’identification d’un mode��le dont les paramètres représentent l’excitation et l’inhibition dans le tissu neuronal enregistré. Une analyse qualitative de ce modèle et une méthode d’identification des paramètres combinant filtrage bayesien non linéaire et algorithme d’optimisation globale de la vraisemblance sont proposées. Cet estimateur est enfin appliqué sur des données réelles et des difficultés inhérentes à l’adéquation du modèle sont discutées.

  • Titre traduit

    Modelling and identification in epilepsy : from the dynamic of neuronal populations to EEG signals


  • Résumé

    In the context of pre-surgical evaluation of epileptic patients, SEEG signals constitute a valuable source of information to characterize the spatiotemporal organization of paroxysmal interictal and ictal activities, prior to surgery. However, interpretation of these very complex data remains a formidable task. Indeed, interpretation is currently mostly qualitative and efforts are still to be produced in order to quantitatively assess physiological information conveyed by signals. In this thesis a model whose free parameters represent excitation and inhibition levels in recorded neuronal tissue is analyzed and identified. First, a qualitative study of this model and an identification method based on a Bayesian nonlinear filter and a global optimization algorithm are proposed. Finally this estimator is applied to real data and some difficulties about model adequacy are enhanced.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (X-178 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 173-177

Où se trouve cette thèse ?

  • Bibliothèque : Université de Rennes I. Service commun de la documentation. Section sciences et philosophie.
  • Disponible pour le PEB
  • Cote : TA RENNES 2008/70
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.