Afficher la notice abrégée
dc.contributor.author |
Boureghda, Mohammed |
|
dc.contributor.author |
Bouden, Toufik (encadreur) |
|
dc.date.accessioned |
2022-10-24T09:11:32Z |
|
dc.date.available |
2022-10-24T09:11:32Z |
|
dc.date.issued |
2019-12-17 |
|
dc.identifier.uri |
http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/11300 |
|
dc.description.abstract |
Le cerveau est un organe complexe dont le fonctionnement est intimement lié sa structure.Il est donc important, afin de comprendre son fonctionnement de rappeler certains aspects de la structure du cerveau et de ses cellules.
L’imagerie par résonance magnétique fonctionnelle (IRMf) joue un rôle essentiel dans ce travail puisque, grâce à cette technique le fonctionnement du cerveau peut être étudié de maniéré totalement non-invasive. L’IRMf utilisant l’effet BOLD (Blood Oxygen Level De pendent) entant qu’indicateur de l’activité neuronale, est une technique très utile pour identifier les régions cérébrales actives pendant la perception, la cognation, l’action et le repos
L’enjeu de la présente thèse est de proposer de nouvelles méthodes d’analyse des données d’imagerie cérébrale acquises en IRMf. Elle s’est concentrée en particulier sur la compréhension des signaux temporels mesurés en IRMf et leur lien avec l’activité cérébrale. En effet, les variations du signal que l’on observe en IRMf sont dues aux changements de l’afflux du sang dans le cerveau et de l’oxygénation de ce sang. Ces changements sont liés à l’activité des neurones, et l’onnomme ce phénomène la réponse hémodynamique. Cette réponse hémodynamique fait l’objet d’un important effort de modélisation, de manière à mieux pouvoir interpréter les données d’IRMf.
Cette thèse présente des travaux liés à la modélisation de l’activité cérébrale, avec l’étude de certains détails des modèles hémodynamiques, et leurs utilisations pour l’analyse des données IRMf. |
fr_FR |
dc.language.iso |
fr |
fr_FR |
dc.subject |
Données IRMf, activité neuronale, modèles hémodynamiques, systèmes à temps continue-discrète, équations différentielles ordinaires ODEs, équations différentielles stochastiques EDS,estimation Bayésienne, filtre de Kalmancubature, filtrage adaptatif, estimation variationnelle deBayes, estimation séquentielle des paramètres, estimateur du maximum de vraisemblance EMV,méthodes d’optimisation basées sur les gradients, équations de sensibilité du filtre de Kalman,décomposition QR de Householder |
fr_FR |
dc.title |
Contribution à la modélisation et l'identification de l'activité cérébrale |
fr_FR |
dc.type |
Thesis |
fr_FR |
Fichier(s) constituant ce document
Ce document figure dans la(les) collection(s) suivante(s)
Afficher la notice abrégée