Décomposition en modes de Koopman pour les processus de Hawkes et application aux données neuronales
| Auteur / Autrice : | Noé Garric |
| Direction : | Patricia Reynaud-bouret |
| Type : | Projet de thèse |
| Discipline(s) : | Doctorat mathematiques |
| Date : | Inscription en doctorat le 01/10/2026 |
| Etablissement(s) : | Université Côte d'Azur |
| Ecole(s) doctorale(s) : | École doctorale Sciences fondamentales et appliquées |
| Partenaire(s) de recherche : | Laboratoire : LJAD - Laboratoire Jean-Alexandre Dieudonné |
Mots clés
Résumé
La décomposition en modes de Koopman est un outil puissant pour étudier les systèmes dynamiques. Des avancées récentes en machine learning ont permis l'estimation de cette décomposition pour des processus en temps discret par l'observation de séries temporelles. Cet outil a de nombreuses applications, en particulier en neurosciences. Il permet de mieux analyser et comprendre des données électrophysiologiques, de type électroencéphalogramme ou potentiel local de champ. Des travaux plus récents s'intéressent aussi à l'estimateur du générateur infinitésimal de processus de diffusion. Pourtant, les neurobiologistes mesurent également d'autres données fondamentalement différentes. En effet, les neurones sont traversés par des potentiels d'action au cours du temps, qui sont l'unité de base pour la communication entre neurones. Ces données peuvent être modélisées par des processus ponctuels, en particulier des processus de Hawkes. L'estimation de leurs paramètres fait émerger des graphes de connectivité fonctionnelle. L'objectif de cette thèse est de formuler une décomposition en modes de Koopman pour ces processus discontinus en temps continu, mettre au point et implémenter des estimateurs de cette décomposition, et explorer son potentiel pour interpréter des données neuronales. Cette approche devrait être complémentaire de l'étude de la connectivité fonctionnelle.