Détection et analyse de formes pour les séries temporelles physiologiques

Pattern detection and shape analysis for physiological timeseries

• Auteur / Autrice : Thibaut Germain
• Direction : Laurent Oudre
• Type : Projet de thèse
• Discipline(s) : Mathématiques aux interfaces
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : Centre Borelli
• Partenaire(s) de recherche : Equipe de recherche : Apprentissage statistique et données massives
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Mathématiques (2020-....)

Mots clés

Mots clés libres

Apprentissage non supervisé

Reconnaissance de formes

Séries temporelles

Analyse de formes

Unsupervised learning

Pattern recognition

Time series analysis

Shape analysis

Résumé

L'analyse automatisée de séries temporelles multimodales et multivariées est un problème particulièrement complexe. En effet, dans de nombreux contextes applicatifs, le volume de ces données peut être gigantesque et les questions scientifiques associées souvent peu spécifiées. On propose dans ce projet de thèse d'extraire de façon semi-supervisée et automatisée des éléments structurels permettant de résumer l'information contenue. On s'intéressera principalement à l'extraction automatique de motifs, c'est à dire de formes répétitives, et à la détection d'anomalies, c'est à dire de formes inhabituelles. Ces éléments structurels devront permettre de compresser au mieux l'information disponible afin d'aider à l'interprétation et l'analyse de ces données.

The automated analysis of multimodal and multivariate time series is a particularly complex problem. Indeed, in many application contexts, the volume of the data can be gigantic and associated with poorly specified scientific questions. In this thesis project, we propose to extract in an semi-supervised and automated way structural elements allowing to summarize the contained information. We are mainly interested in the automatic extraction of patterns, i.e. repetitive forms, and in the detection of anomalies, i.e. unusual forms. These structural elements should allow to compress the available information in order to help the interpretation and the analysis of these data.