Tests multivariés de comparaison de groupes basés reconnaissance des formes : applicatio à la pharmaco-EEG

Multivariate tests based on a pattern recognition approach : application to pharmaco-EEG

• Auteur / Autrice : Mireille Tohmé
• Direction : Régis Lengellé
• Type : Thèse de doctorat
• Discipline(s) : Optimisation et sûreté des systèmes
• Date : Soutenance en 2009
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube)

Mots clés

Mots clés contrôlés

Apprentissage

Tests d'hypothèses (statistique)

Électroencéphalographie

Intelligence artificielle

Reconnaissance des formes (informatique)

Résumé

L’objectif des travaux de thèse est de permettre la détection de l’efficacité d’une molécule et de réaliser une taxonomie des familles de psychotropes. La difficulté essentielle réside dans le fait que les observations sont de faible effectif et dans un espace de grande dimension. L’approche retenue consiste à remplacer les tests de comparaison de groupes par un test sur la probabilité d’erreur d’un détecteur linéaire. Nous avons considéré l’estimateur Leave One Out (LOO) comme statistique de décision. Nous avons utilisé la stabilité d’apprentissage pour caractériser les performances de généralisation des détecteurs étudiés. Nous avons relié expérimentalement la puissance du test proposé à la stabilité d’apprentissage du détecteur et observé l’indépendance de la distribution de l’estimateur LOO à la loi de probabilité des données sous H0 pour le détecteur NMC, ce qui autorise la tabulation de la valeur seuil du test indépendamment de toute hypothèse sur la distribution des données. Notre test a été mis en œuvre sur des données de potentiels évoqués. Nous avons étendu le test NMC au cas multi-classes. Enfin, nous avons introduit un classifieur possédant des surfaces de décision fermées, ce qui autorise le rejet d’ambigüité et de distance, nécessaires à la taxonomie des molécules. Compte tenu de l’usage intense de simulations de Monte Carlo, nous avons proposé des algorithmes rapides d’apprentissage de SVM, pour la décision binaire, pour la régression ou encore pour les One Class SVM. Ces algorithmes s’avèrent efficaces, y compris sur de grands jeux de données

Our objective is to quantify the efficiency of a psychotropic drug and perform a taxonomy of psychotropics. The difficulty of the problem results from the very few number of observations lying in a high dimensional space. We propose to replace the traditional hypothesis tests by a pattern recognition approach based on the error probability of the detector. We use the Leave One Out (LOO) estimator and the algorithmic stability to analyze the generalization performance of the considered detectors. We have observed a relationship between the power function of our test and the algorithmic stability. Under H0 and for NMC, we have shown that the distribution of the LOO estimate is independent from the observations probability density function. Our test has been successfully applied to ERP signals. We have finally extended the NMC test to the multi-class case. In order to obtain closed decision function, we proposed to optimize One Class SVM using the constraints of binary detection. This new approach allows us to reject outliers and proceed to the taxonomy of psychotropic drugs. Determining the threshold of our tests requires a lot of Monte Carlo simulations. For this reason, we also proposed fast SVM learn-ing algorithms, for classification, regression and also One Class SVM. These algorithms have shown to be efficient and able to perform on large data sets