Thèse soutenue

Analyse et modélisation de la Dominance Temporelle des Sensations à l'aide de processus stochastiques

FR  |  
EN
Auteur / Autrice : Guillaume Lecuelle
Direction : Pascal SchlichHervé Cardot
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 01/10/2019
Etablissement(s) : Bourgogne Franche-Comté
Ecole(s) doctorale(s) : École doctorale Environnements, Santé (Dijon ; Besançon ; 2012-....)
Partenaire(s) de recherche : Laboratoire : Centre des Sciences du Goût et de l'Alimentation (Dijon ; 2010-....)
Jury : Président / Présidente : Denys Pommeret
Examinateurs / Examinatrices : Anne Saint-Eve, El Mostafa Qannari
Rapporteur / Rapporteuse : Vlad Barbu, Anne Saint-Eve

Résumé

FR  |  
EN

La Dominance Temporelle des Sensations (DTS) est une méthode d’analyse sensorielle qui mesure la perception temporelle d’un produit au cours de sa dégustation. Pour un panéliste, la DTS consiste à choisir parmi une liste de descripteurs lequel est dominant à chaque instant. Ce travail a pour but la modélisation des données DTS à l’aide de processus stochastiques et propose d’utiliser les processus semi-markoviens (PSM), une généralisation des chaînes de Markov qui permet de modéliser librement les durées de dominance. Le modèle obtenu peut être utilisé pour comparer des échantillons DTS en réalisant un rapport de vraisemblance. Étant donné que les probabilités de transition entre les descripteurs peuvent dépendre du temps, nous proposons d’utiliser des modèles différents par période et nous proposons un algorithme pour déterminer le nombre et les frontières de ces périodes de manière optimale. Le modèle est représenté sous forme d’un graphe montrant les transitions entre descripteurs les plus observées. Finalement, ce travail introduit les modèles de mélange de processus semi-markoviens afin de segmenter le panel en fonction des différences de perception interindividuelles.Les méthodes développées sont appliquées à des jeux de données DTS variés : chocolats, fromages frais et Goudas. Les résultats montrent que la modélisation par un PSM apporte de nouvelles informations sur la perception temporelle, en particulier sur la variabilité de perception au sein d’un panel, alors que les méthodes classiques se focalisent sur une vision moyenne de la perception du panel. De plus, à notre connaissance, ce travail est le premier à proposer l’identification d’un modèle de mélange de processus semi-markoviens.