Apprentissage statistique et adaptation de domaine pour l'amélioration de la mesure de la santé cérébrale à partir de signaux MEG et EEG

Machine learning and domain adaptation for enhancing the measure of brain health with MEG and EEG signals

• Auteur / Autrice : Apolline Mellot
• Direction : Alexandre Gramfort, Sylvain Chevallier
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Centre INRIA Saclay - Île-de-France
• Partenaire(s) de recherche : Equipe de recherche : Parietal - Modélisation de la structure, du fonctionnement et de la variabilité du cerveau à partir d'IRM à haut champ
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)

Mots clés

Mots clés libres

Neurosciences

Santé

Traitement du signal

Apprentissage statistique

Adaptation de domaine

Domain adaptation

Neuroscience

Signal processing

Health

Machine learning

Résumé

Ce projet ambitionne d'adresser le déficit de généralisation des modèles prédictifs de la santé cérébrale lors de leur utilisation sur des données venant d'autres sources: différents protocoles d'acquisition, dispositifs d'enregistrement, pays et sites d'enregistrement. Le problème d'apprentissage statistique (Machine Learning, ML) en question est connu sous le nom d'adaptation de domaine: il se résume à apprendre sur un domaine source, par exemple les données d'un hôpital, et à prédire sur un nouvel ensemble de données provenant d'un domaine cible, par exemple les données d'un nouvel hôpital. Bien que l'adaptation au domaine ne soit pas un sujet nouveau dans le domaine du ML, il existe un intérêt croissant pour ce sujet dans les applications médicales. L'ambition de ce projet est de développer et de valider à grande échelle des techniques d'adaptation de domaine qui fonctionnent avec succès sur des signaux électrophysiologiques.

This project focuses on tackling the generalisation gap of predictive models targeting brain health when moving between different datasets, that is, between different acquisition protocols, recording devices, countries and recording sites. The statistical machine learning (ML) problem at hand is known as “domain adaptation”, as it boils down to learning on a source domain, e.g. the data from one hospital, and predicting on new dataset from a target domain, e.g. the data from a new hospital. While domain adaptation is not a new topic in ML, there is a growing interest in this topic for healthcare applications. The ambition of this project is to develop and validate at scale domain adaptation techniques that work successfully on electrophysiological time-series.