Modèles linéaires pour données fonctionnelles multivariées.

Linear models for multivariate functional data

• Auteur / Autrice : Issam Moindjie
• Direction : Cristian Preda, Sophie Dabo
• Type : Projet de thèse
• Discipline(s) : Mathématiques et leurs interactions
• Date : Inscription en doctorat le 01/10/2020
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : MADIS Mathématiques, sciences du numérique et de leurs interactions
• Partenaire(s) de recherche : Laboratoire : INRIA - Institut national de recherche en informatique et en automatique Lille Nord Europe

Mots clés

Mots clés libres

Analyse fonctionnelle

Statistique fonctionnelle

Régression

Classification supervisée

EEG (électroencéphalographie)-MEG foetal (magnetoencéphalographie)

Données fonctionnelles multivariées

Functional analysis

Functional Statistics

Regression analysis

Supervised Classification

EEG (electroencephalography) -Fetal MEG (magnetoencephalography)

Multivariate functional data

Résumé

L'analyse fonctionnelle assistée par ordinateur de l'activité cérébrale du nouveau-né prématuré pour la caractérisation de la fonction normale et anormale du réseau neuronal est peu traité dans la littérature. La spécificité de l'activité neuronale au cours du dernier trimestre de gestation est très différente de celle des adultes. Elle est construite autour de différents types de générateurs endogènes spontanés qui apparaissent successivement entre 26 et 40 semaines d'âge gestationnel. De plus, le réglage du futur réseau se développe progressivement à partir d'un modèle de bouffées d'activités synchronisées qui sont séparées par des périodes d'inactivité relative avec une augmentation progressive de la fréquence dominante au fur et à mesure du développement. En outre, des contraintes anatomiques doivent être prises en compte telles que la conductivité spécifique du tissu, l'épaisseur de l'os, la présence de fontanelles, la gyrification non développée du cerveau, etc. Le réseau neuronal initiale, immature, peut également jouer un rôle par l'intermédiaire d'un élément structural transitoire, la sous-plaque, dans l'émergence de l'activité neuronale du nouveau-né. Pour accéder à la physiologie et à la physiopathologie du réseau en développement l'EEG (électroencéphalographie) est une méthode de routine dans la prise en charge des prématurés depuis les années 1950. Cependant, chez le foetus le seul accès à l'activité cérébrale à l'intérieur de l'utérus est réalisé par des enregistrements utilisant MEG foetal (magnetoencéphalographie). En fait, le courant électrique diminue rapidement de la tête des fœtus à la surface de l'utérus, tandis que les champs magnétiques sont moins sensibles. Néanmoins, le rapport signal/bruit pour la MEG fœtal est bien inférieur au rapport signal/bruit pour l'EEG du prématuré pour lequel les électrodes sont placées près des sources, sur le cuir chevelu. Tout cela rend l'extraction d'informations de l'EEG chez les prématurés et de la MEG chez les fœtus très spécifique. Elle nécessite des compétences complémentaires afin de construire des bases d'apprentissage de connaissances à partir des enregistrements EEG et MEG et d'identifier les neuro-biomarqueurs du développement normal mais aussi pathologique. L'idée de ce projet de thèse est donc dans une première étape de définir des biomarqueurs à partir de l'EEG du prématuré et dans une deuxième étape d'utiliser les informations "a priori" construites dans la première étape de l'EEG prématuré pour identifier des biomarqueurs dans la MEG.

The computer-assisted functional analysis of brain activity in the premature newborn for the characterization of normal and abnormal neural network function is little discussed in the literature. The specificity of neuronal activity in the last trimester of gestation is very different from that of adults. It is built around different types of spontaneous endogenous generators that appear in the last trimester of gestation. successively between 26 and 40 weeks of gestational age. In addition, the tuning of the future network develops progressively from a pattern of synchronized bursts of activity that are separated by periods of relative inactivity with a progressive increase in the dominant frequency as development progresses. In addition, anatomical constraints must be taken into account such as the specific conductivity of the tissue, the thickness of the bone, the presence of fontanelles, the undeveloped gyrification of the brain, etc. The initial, immature neural network may also play a role through a transient structural element, the sub-plate, in the emergence of neuronal activity in the newborn. To access the physiology and pathophysiology of the developing network the EEG (electroencephalography) has been a routine method in the management of premature infants since the 1950s. However, in the fetus the only access to brain activity inside the uterus is through recordings using fetal MEG (magnetoencephalography). In fact, the electrical current decreases rapidly from the fetal head to the surface of the uterus, while the magnetic fields are less sensitive. Nevertheless, the signal-to-noise ratio for fetal MEG is much lower than the signal-to-noise ratio for the EEG of the premature infant for which the electrodes are placed close to the sources on the scalp. All this makes the extraction of information from the EEG in the preterm infant and the MEG in the fetus very specific. It requires complementary skills in order to build a knowledge base from EEG and MEG recordings and to identify neuro-biomarkers of normal as well as pathological development. The idea of this thesis project is therefore in a first step to define biomarkers from of the EEG of the premature and in a second step to use the "a priori" information constructed in the first step of the premature EEG to identify biomarkers in the MEG.