Rapport de stage Master Recherche en Mathématiques Appliquées. Problèmes inverses en électroencéphalographie

Dimension: px
Commencer à balayer dès la page:

Download "Rapport de stage Master Recherche en Mathématiques Appliquées. Problèmes inverses en électroencéphalographie"

Transcription

1 Rapport de stage Master Recherche en Mathématiques Appliquées Problèmes inverses en électroencéphalographie Sylvain Vallaghé Responsable du stage : Maureen Clerc, Laboratoire Odyssée, ENPC - ENS Ulm - INRIA Lieu du stage : Laboratoire Odyssée, INRIA Sophia Antipolis Durée du stage : du 01/04/2005 au 30/09/2005 1

2 Table des matières 1 Introduction Modélisation de la tête Conductivité Objet du stage Problème direct Définition Application à notre modèle de tête Modèle de source : dipôle de courant Résolution par la méthode des élements finis de frontière (Boundary Element Method) Théorème de représentation Formulation intégrale symmétrique Mise en oeuvre numérique Problème inverse Paramètres du problème Unicité de la solution Calcul du gradient : méthode naïve Calcul du gradient : méthode de l état adjoint Implémentation Assemblage des matrices Géométries de la tête Résolution du problème inverse Résultats expérimentaux Illustration de la sensibilité aux conductivités Erreur due à l approximation P Estimation des paramètres Contexte Protocole Résultats Conclusion et perpectives 21 2

3 1 Introduction L électroencéphalographie (EEG) permet de mesurer de manière non invasive l activité électrique du cerveau. Le dispositif expérimental consiste en un casque contenant plusieurs électrodes (généralement 64), permettant d enregistrer le potentiel électrique à la surface du scalp d un patient. À partir de cette donnée, on essaye ensuite d estimer la distribution spatiale des sources de courant à l intérieur du cerveau, qui est censée rendre compte de l activité cérébrale au moment des mesures. Le problème consistant à retrouver la configuration des sources de courant qui a généré le potentiel mesuré est appelé problème inverse EEG. Cela fait référence au problème direct EEG, qui correspond au calcul du potentiel connaissant la distribution des sources de courant. D un point de vue médical, seule la résolution du problème inverse est intéressante. Malheureusement, le problème inverse est mal posé : il existe des sources de courant différentes qui produisent néanmoins le même potentiel à la surface d un conducteur. Le problème direct est mieux défini mathématiquement, et on peut donc plus facilement le modéliser. Pour résoudre le problème inverse, on se base donc sur une modélisation du problème direct, et plus cette dernière est précise, meilleure est la résolution du problème inverse. 1.1 Modélisation de la tête Tout d abord, comment définit-on les sources de courant à l intérieur du cerveau? Il est communément admis dans la littérature neuroscientifique que la majeure partie de l activité électrique provient des cellules pyramidales situées à la surface extérieure du cortex (matière grise). En première approximation, on peut considérer que ces cellules se comportent comme des dipôles de courant, et on peut donc modéliser l activité cérébrale par une distribution de dipôles. Ici nous nous limiterons à un simple dipôle isolé, censé représenter une activité très localisée. Ensuite, comment modélise-t-on la tête? Les premières modélisations du problème direct en EEG utilisent un modèle de la tête constitué de sphères concentriques, ou chaque interrégion possède une conductivité différente et représente un type particulier de tissu (scalp, crâne, matière grise, matière blanche, etc). Bien que peu réaliste, ce modèle permet d exprimer le potentiel électrique (solution du problème direct) sous forme analytique. On dispose maintenant de géométries réalistes de la tête, où les interfaces entre les différents tissus sont obtenues par la segmentation d images IRM. On ne peut alors plus exprimer les solutions analytiquement, et on résout le problème direct par la méthode des éléments finis. Si on suppose que la conductivité est constante par morceaux (i.e. constante pour chaque type de tissu, exemple figure 1), on peut se contenter d utiliser des éléments surfaciques sur des maillages discrétisant les interfaces entre les différents tissus. Les maillages volumiques autorisent quant à eux des modèles de conductivité beaucoup plus complexes. Dans ce rapport, nous considérons que la conductivité est constante par morceaux afin de pouvoir utiliser l approche surfacique. 3

4 1.2 Conductivité Dans le problème inverse EEG classique, on considère que la conductivité de la tête est un paramètre connu. Classiquement, dans un modèle constant par morceaux, on fixe les conductivités du scalp et du cerveau à la même valeur et celle du crâne est 80 fois plus faible. En réalité, on possède peu de données sur les valeurs des conductivités des différents tissus. Pour des raisons évidentes, on ne dispose que de mesures in vitro qui ne rendent pas compte de la réalité des tissus dans leur milieu naturel, et de plus les valeurs varient selon les personnes. Ce manque de connaissance est d autant plus important que le problème inverse est très sensible aux valeurs de conductivité. Une méthode peu invasive pour estimer les conductivités in vivo est la Tomographie par Impédance Électrique (EIT). Cette méthode consiste à injecter un faible courant sur le scalp à l aide de deux électrodes et à mesurer le potentiel qui en résulte par EEG. En supposant négligeables les sources de courant à l intérieur du cerveau, on connaît alors totalement la distribution de sources et on résout le problème inverse dont l inconnue est cette fois la conductivité. Les résultats obtenus par EIT [4, 2] ont mis en défaut les valeurs classiques puisque les rapports de conductivité cerveau-crâne (ou scalp-crâne) trouvés sont trés variables selon les sujets, et sont compris entre 20 et 60 donc assez loin de Objet du stage Le but de ce stage est de développer une nouvelle méthode d estimation des conductivités in vivo qui permette d éviter certains problèmes rencontrés avec l EIT. Tout d abord, le courant injecté à la surface du scalp n est pas toujours mesurable avec précision, ce qui introduit des erreurs d approximation supplémentaires. De plus, compte tenu de la faible conductivité du crâne, le courant injecté a tendance à ressortir du scalp sans traverser le cerveau, ce qui laisse penser que les méthodes EIT sont mal adaptées à l estimation de la conductivité du cerveau. Une nouvelle approche est donc de considérer une source de courant située à l intérieur du cerveau, afin que le potentiel mesuré sur le scalp soit plus significatif. Bien entendu, on ne peut pas injecter directement du courant à l intérieur du cerveau, et on va utiliser des sources de courant provenant d une activité cérébrale naturelle. Le problème qui se pose alors est que l on ne connaît pas la distribution de sources de manière totale comme dans le cas de l EIT. On va donc considérer un problème inverse EEG général, dont les inconnues sont à la fois la distribution des sources de courant et les conductivités. Cela augmente grandement la taille de l inconnue du problème, toutefois on peut imposer certaines contraintes. Par exemple, la somatotopie du cortex sensitif est assez bien connue et se modélise bien par des simples dipôles de courant. Ainsi, si on applique des stimuli sensoriels sur une zone précise pendant une expérience EEG, on peut contraindre la localisation des sources. Une telle expérience a été pratiquée dans [3], combinée avec des mesures MEG (Magnétoencéphalographie). En effet, la MEG permet de déterminer la position et la composante tangentielle du 4

5 dipôle de courant sans connaissance préalable des conductivités. En contrepartie, la complexité du dispositif expérimental augmente grandement car un casque de mesure MEG est beaucoup plus volumineux et coûte surtout beaucoup plus cher qu un casque d EEG. Nous allons donc étudier la possibilité d effectuer une expérience semblable mais en se passant de mesures MEG. Pour cela nous allons étudier la résolution du problème inverse EEG général dans lequel on ne connaît ni les conductivités ni aucun paramètre précis du dipôle source de courant. On supposera seulement que l on peut imposer certaines contraintes sur le dipôle (localisation dans le cortex sensitif par exemple). 5

6 Ω 1 σ 1 Ω 2 S 1 Ω 3 σ 3 S 2 S 3 FIG. 1 La tête est modélisée comme un ensemble de régions distinctes Ω 1, Ω 2, Ω 3 de conductivités constantes σ 1,, σ 3, séparées par les interfaces S 1, S 2, S 3. Ω 1 représente le cerveau et le liquide céphalorachidien, Ω 2 le crâne et Ω 3 le scalp. Les flèches indiquent les directions des normales sortantes aux surfaces S i. 6

7 2 Problème direct 2.1 Définition Afin de calculer le potentiel généré par une configuration connue de sources, on applique les équations de Maxwell régissant le champ électromagnétique à notre modèle de tête, considéré comme un environnement conducteur. De plus, les fréquences d intérêt en EEG se situent en dessous de 1000 Hz, ce qui permet de se restreindre à l approximation quasistatique des équations de Maxwell. Dans cette approximation, la densité de courant est de divergence nulle J = 0. Un modèle macroscopique pour la densité de courant dans le cerveau est la combinaison d une contribution ohmique (le courant dû au champ électrique) et des sources primaires (le courant dû aux variations du potentiel post-synaptique des cellules pyramidales) : J = σe + J p. Toujours dans l approximation quasistatique, le champ électrique E dérive d un potentiel E = V (car son rotationnel est nul, E = 0). On obtient ainsi l équation suivante pour le potentiel électrique : (σ V ) = f = J p dans R 3 (1) où σ est la conductivité et f est la divergence de la densité de courant primaire J p, les deux étant supposées connues dans le probème direct ; V est le potentiel électrique (inconnue du problème). 2.2 Application à notre modèle de tête Dans ce rapport, nous nous restreignons à un modèle à trois couches décrit par la figure 1. La conductivité est donc supposée constante par morceaux. De plus on considère que la conductivité de l air est nulle et que les sources de courant primaires ne peuvent être localisées que dans le cortex (inclus dans Ω 1 ). L équation (1) devient alors un ensemble d équations liées par des conditions aux bords : [ V ] σ 1 V = f dans Ω 1 (2) V = 0 dans Ω i, pour i = 2, 3 (3) j = [ σ n V ] j = 0 sur S j, pour j = 1, 2, 3 (4) La notation n V = n V designe la dérivée partielle de V dans la direction du vecteur unitaire n, normal à l interface S j, j = 1, 2, 3 et orienté vers l extérieur. [f] j = f S j f + S j définit le saut d une fonction f : R 3 R à l interface S j, les fonctions f et f + sur S j étant respectivement les limites intérieures et extérieures de f : pour r S j, f ± S j (r) = lim f(r + αn). α 0 ± 7

8 Les différentes conditions aux bords peuvent s interpréter physiquement. [ V ] j = 0 impose la continuité du potentiel électrique à travers les interfaces. L approximation quasistatique implique quant à elle la continuité du flux de courant à travers les interfaces, ce qui correspond à la deuxième condition au bord [ σ n V ] j = 0, car σ nv = n σe est précisément la densité de courant. 2.3 Modèle de source : dipôle de courant On rappelle qu on se restreint ici à une source modélisée par un dipôle de courant. Concrètement, un dipôle est défini par deux paramètres : sa position r 0 et son moment dipolaire q. La source de courant générée par un dipôle s écrit alors J p (r) = qδ r0 (r). Le terme source correspondant dans (2) est f = J p = q δ r0. Dans un domaine infini et homogène (de conductivité constante égale à 1), le potentiel électrique crée par une telle source est v(r) = 1 q (r r 0 ) 4π r r 0 3 8

9 2.4 Résolution par la méthode des élements finis de frontière (Boundary Element Method) Pour résoudre le système d équations (2), (3) muni des conditions aux bords (4), on utilise la méthode des éléments finis. L inconnue du problème (le potentiel électrique à l intérieur de la tête) sera approximée par des éléments P 1 et sa dérivée par des élements P 0. Dans notre modèle de tête, nous considérons que la conductivité est constante par morceaux. L avantage de ce modèle est de pouvoir résoudre le problème direct en utilisant seulement des éléments finis surfaciques, c est à dire que le potentiel électrique n est défini que sur les interfaces S j entre les différentes couches, au lieu d être défini partout dans le volume de la tête. Par conséquent, le maillage surfacique sur lequel on résout le système d éléments finis comporte beaucoup moins de sommets que dans le cas volumique (pour une même précision), ce qui permet de réduire considérablement la taille de la matrice du système correspondant. Cette méthode est appelée méthode des éléments finis de frontière (Boudary Element Method). Elle est souvent utilisée pour résoudre des problèmes d acoustique et délectromagnétisme. Sa formulation repose sur le théorème de représentation exposé dans cette partie Théorème de représentation La fonction de Green pour l équation de Poisson dans R 3, G(r) = 1 4π r satisfait G = δ 0, où δ 0 est la distribution de Dirac en r = 0. Soit Ω R 3 un ouvert borné de frontière Ω régulière. Soient r, r Ω, on note n, resp. n le vecteur unitaire normal en r, resp. r, et orienté vers l extérieur de Ω. On définit quatre opérateurs intégraux : D, S, N et D (adjoint de D pour le produit scalaire de L 2 ( Ω)). Chaque opérateur associe une fonction scalaire f définie sur Ω à une autre fonction scalaire définie sur Ω : ( ) ( ) Df (r) = n G(r r )f(r ) ds(r ), Sf (r) = G(r r )f(r ) ds(r ), (5) Ω ( Nf ) (r) = n,n G(r r )f(r ) ds(r ), Ω ( D f ) (r) = n G(r r )f(r ) ds(r ). Ω Pour simplifier le problème et éviter les ambiguïtés, on dit qu une fonction u satisfait l hypothèse H, si simultanément lim r u(r) < r lim r u r r (r) = 0, où r = r, et u (r) désigne la dérivée partielle radiale de u. La fonction de Green G r de (5) vérifie H. Ω 9

10 Théorème 1 (Théorème de représentation) Soit Ω R 3 un ensemble ouvert borné de frontière Ω régulière. Soit u : (R 3 \ Ω) R une fonction harmonique ( u = 0 dans R 3 \ Ω), satisfaisant l hypothèse H. Alors pour r Ω n u ± = N[u] Ω + ( ± I 2 D ) [ n u] Ω u ± = ( I 2 D) [u] Ω +S[ n u] Ω où I désigne l opérateur identité Formulation intégrale symmétrique La formulation intégrale symmétrique a été développée pour le problème direct de l EEG dans [5] et provient du travail de Nédélec [6]. Nous l utilisons ici dans le cas particulier de notre modèle de tête. Le principe consiste à appliquer le théorème de représentation sur chaque domaine Ω i à une fonction u i harmonique. Les u i sont choisies telles qu on puisse facilement exprimer le potentiel V sur Ω i en fonction de u i. Cela permet d obtenir la matrice diagonale par blocs suivante, constituée d opérateurs intégraux : (σ 1 + )N 11 2D 11 N 12 D 12 0 V S1 (σ 1 n v) S1 2D 11 (σ1 1 + σ2 1 )S 11 D 12 σ2 1 S 12 0 N 21 D 21 ( + σ 3 )N 22 2D 22 σ 3 N 23 D 21 σ2 1 S 21 2D 22 (σ2 1 + σ3 1 )S 22 D 23 p S1 V S2 p S2 = (v) S1 0 0 (6 0 0 σ 3 N 32 D 32 σ 3 N 33 V S3 0 Chaque bloc de la matrice correspond à un des opérateurs définis en (2.4.1). Pour un opérateur A donné, les indices i et j signifient que A ij associe une fonction sur S j à une autre fonction sur S i. Par exemple, soit f définie sur S 1 et g définie sur S 2 telles que g = S 21 f. Alors r S 2 g(r) = S 1 G(r r )f(r ) ds(r ) V Si et p Si sont les inconnues du problème direct EEG. V Si est le potentiel électrique sur la surface S i et p Si = σ i ( n V ) S i = σ i+1 ( n V ) + S i désigne le flux de courant à travers l interface S i. v est la solution de σ 1 v = f = J p, dans un domaine infini (i.e. R 3 ) de conductivité σ 1. La définition de la fonction de Green pour l équation de Poisson donne directement v = 1 σ 1 f G. On rappelle de plus qu on se restreint à une source de 10

11 courant constituée d un simple dipôle isolé donc v(r) = 1 q (r r 0 ) 4πσ 1 r r 0 3 σ 1 n v(r) = 1 ( 1 4π r r 0 q + 3q (r r ) 0) (r r 3 r r ) n Nous ne détaillons pas ici les calculs intermédiaires permettant d obtenir la matrice d opérateurs, ils sont disponibles dans [5] Mise en oeuvre numérique Les différentes surfaces S j sont discrétisées par des maillages triangulaires. On note ψ (k) i l élément P 0 correspondant au triangle i de la surface S k, et φ (l) j l élément P 1 associé au sommet j de la surface S l. Le potentiel V sur les différentes surfaces S k est approximé par des éléments P 1 tandis que le flux de courant p est approximé par des éléments P 0. En effet p est comparable à une dérivée spatiale de V, il est donc inutile de l approximer par des polynômes de même degré que V. Sur chaque surface S k on a donc : V Sk (r) = i p Sk (r) = i x (k) i y (k) i φ (k) i ψ (k) i (r) (r) On discrétise alors (6) en écrivant sa formulation variationnelle sur l espace des fonctions P 0 et P 1 par morceaux. On obtient ainsi un système linéaire reliant les x (k) i et les y (k) i : (σ 1 + )N 11 2D 11 N 12 D 12 0 x 1 b 2D 11 (σ 1 1 +σ 1)S 2 11 D 12 σ 1 2 S 12 0 y N 21 D 21 ( +σ 3 )N 22 2D 1 c 22 σ 3 N 23 x 2 D 21 σ 1 2 S 21 2D 22 (σ 1 2 +σ 1)S 3 22 D 23 y = σ 3 N 32 D 32 σ 3 N 33 x 3 0 (7) Les vecteurs x k et y k sont définis par ( ) x k = i x(k) i, ( ) y = k i y(k) i. Chaque bloc de la matrice représente les interactions entre les éléments pour un couple de surfaces S k et S l donné. 11

12 ( Nkl ) ij = N kl φ (l) j, φ(k) i ( Dkl ) ij = ( D lk) ji = D kl φ (l) j ( Skl ) ij = S kl ψ (l), ψ(k) i ( Ikk ) ij = ψ (k) i j, ψ(k) i, φ (k) j Dans notre cas, on considère que la source de courant est un simple dipôle isolé et on a alors une expression analytique de v et σ 1 n v. Le second membre du système est obtenu simplement en calculant ( b ) = σ i 1 n v, φ (1) ( i et c )i = v, ψ (1) i. 12

13 3 Problème inverse L EEG permet de mesurer le potentiel électrique grâce à des électrodes situées en plusieurs points à la surface du scalp. Soit n le nombre d électrodes, on désigne par r 1,..., r n leurs positions et par v1 mes,..., vn mes le potentiel mesuré en chacune de ces positions. On a vu précédemment que la résolution du problème direct permet de reconstituer le potentiel électrique (sur le scalp en particulier), connaissant certains paramètres : les sources de courant primaire J p et la conductivité σ. Le problème inverse consiste en fait à trouver les paramètres du problème direct qui génèrent un potentiel V le plus proche possible de v mes. On cherche donc à minimiser la quantité suivante E(p) = 1 2 n i=1 (V (r i ) v mes i ) 2 = 1 2 V (p) vmes 2 où p représente les paramètres du problème direct et est la norme euclidienne dérivant du produit scalaire u, v = n i=1 u(r i)v(r i ). Afin de trouver les paramètres p qui minimisent E(p), on choisit d utiliser une méthode de descente de gradient. 3.1 Paramètres du problème Les paramètres optimaux que nous cherchons à déterminer dans le problème inverse sont la conductivité σ et les sources de courant J p. Dans notre modèle, cela revient à trouver les conductivités σ 1,, σ 3 des différents tissus, ainsi que le couple (r 0, q) définissant le dipôle de courant. On choisit de fixer σ 1 = 1 car il y a une forte dépendance entre l amplitude q du dipôle et la valeur de σ 1. Cela évite que les deux paramètres ne se compensent mutuellement lorsqu on cherche à minimiser E(p). De plus, les valeurs de conductivité sont définies à un facteur déchelle près et on cherche surtout à trouver les valeurs relatives des conductivités des différents tissus (rapport de conductivité scalp-crâne et crâne-cerveau). Finalement, notre vecteur de paramètres p est de dimension 8 : p = (r 0x, r 0y, r 0z, q x, q y, q z,, σ 3 ) r 0 et q sont ici représentées en coordonnées cartésiennes mais on peut également utiliser les coordonnées sphériques (r, θ, φ) pour tenir compte de certaines propriétés géométriques des sources à l intérieur du cerveau. 3.2 Unicité de la solution Si la conductivité est un paramètre connu, alors il y a unicité du dipôle de courant résolvant le problème inverse [1]. A l inverse, si on connaît le dipôle de courant, on ne peut pas affirmer que la conductivité solution est unique. Un des travaux du stage est justement d essayer de démontrer cette unicité, mais pour l instant nous n avons 13

14 aucun résultat significatif à présenter. A fortiori on ne peut donc pas être certain que notre problème inverse général (dipôle et conductivité) admet une unique solution. 3.3 Calcul du gradient : méthode naïve Le gradient de E par rapport à p vaut p E(p) = V (p) v mes, p V (p) On peut donc calculer p V (p) pour obtenir p E(p). Le système obtenu en (6) peut s écrire comme A [ V 1 p 1 V 2 p 2 V 3 ] T = B (8) Chaque composante pi V = ( p V ) i du gradient de V est donc solution d un système qui s obtient simplement en dérivant (8) A [ pi V 1 pi p 1 pi V 2 pi p 2 pi V 3 ] T = pi A [ V 1 p 1 V 2 p 2 V 3 ] T + pi B D après la forme de A et B, cf (6), on voit qu il est facile de dériver par rapport aux σ i. De plus, A ne dépend pas de (r 0, q) et il suffit de dériver le second membre B pour obtenir le système vérifié par les dérivées de V par rapport à r 0 et q. 3.4 Calcul du gradient : méthode de l état adjoint La méthode précédente a un inconvénient majeur : on doit résoudre autant de systèmes linéaires qu il y a de paramètres (scalaires) dans le problème. Il est possible de se ramener à la résolution d un seul système en utilisant la méthode de l état adjoint. On considère un nouveau système AW = C où A est toujours la matrice du système (6), et C = [ n i=1 (V (r ] i) vi mes T )δ ri L inconnue W = [ W 1 q 1 W 2 q 2 W 3 ] T est appelée état adjoint. On peut alors montrer que pi E(p) = W, pi AV pi B où V = [ V 1 p 1 V 2 p 2 ] T V 3 est la solution de (6) et B le second membre correspondant. On a ainsi transformé la résolution de 8 systèmes en la résolution d un système et le calcul de 8 produits scalaires. 14

15 4 Implémentation La majeure partie du code pour l estimation des conductivités a été réalisée en Scilab, et quelques ajouts ont été apportés au code C++ pour le problème direct disponible au laboratoire Odyssée. 4.1 Assemblage des matrices Un code C++ implémentant la formulation intégrale [5] était déjà disponible au laboratoire Odyssée. Ce code permet d assembler la matrice et le second membre du système éléments finis (7) résolvant le problème direct. Pour assembler la matrice du système, il faut spécifier en entrée un fichier head.geo correspondant à la géométrie de la tête. Ce fichier contient la liste des points des maillages de chaque interface S j ainsi que les valeurs des conductivités des différentes couches. L assemblage du second membre nécessite en entrée le fichier head.geo ainsi que le fichier dipole contenant la position du dipôle source. Exemple d utilisation : Assemblage matrice : direct -LHS head.geo [fichier sortie] Assemblage second membre : direct -rhs dipole head.geo [fichier sortie] On a ajouté le code C++ permettant d assembler les seconds membres pi B des systèmes dérivés par rapport aux paramètres (r 0, q). La commande correspondante est direct -rhsd dipole head.geo [fichier sortie]. Les systèmes dérivés par rapport aux conductivités sont assemblées directement en Scilab. En effet, dans le système (7), la dépendance en conductivité est une multiplication scalaire de blocs, on peut donc obtenir facilement le système dérivé à partir du systéme initial. 4.2 Géométries de la tête On dispose de plusieurs géométries pour expérimenter notre méthode. Géométries sphériques : La tête est modélisée par des sphères emboîtées. S 1, S 2, S 3 sont des sphères de rayons 0.87,0.92,1. On a plusieurs finesses de maillage variant de 42 à 642 points par sphère. L intérêt des géométries sphériques est que l on peut calculer la solution analytique du problème direct. Cela permet de générer des simulations de mesures sans passer par le schéma numérique éléments finis, ce qui rend mieux compte d une expérience réelle. Géométries réelles : Une seule géométrie réelle a été utilisée et provient d une expérience EIT réalisée par 15

16 le laboratoire Odyssée [2]. S 1, S 2, S 3 sont représentées par des maillages contenant respectivement 510, 510 et 616 points. 4.3 Résolution du problème inverse La résolution du problème inverse a été codée en Scilab. Cela a consisté principalement à programmer l oracle pour la méthode de gradient, c est à dire la boîte noire qui prend en entrée une valeur de paramètre p et retourne la valeur de E(p) ainsi que son gradient p E(p). Chaque appel à l oracle nécessite donc la résolution de plusieurs systèmes linéaires correspondant au problème direct (et à ses dérivées, ou au calcul de l état adjoint) et on a donc inclus des appels au code C++ dans le programme Scilab afin d assembler les matrices. La résolution de chaque système a ensuite simplement consisté à utiliser la commande "backslash" de Scilab. On notera au passage que par défaut la résolution de système linéaire dans Scilab est beaucoup moins performante que dans Matlab et qu il a fallu recompiler Scilab avec des librairies ad hoc pour obtenir les mêmes performances qu avec Matlab. Nous n avons pas programmé de méthode de descente de gradient car il y en a plusieurs déjà disponibles dans Scilab, auxquelles il sufit de fournir en entrée l oracle de la fonction à minimiser. Nous avons donc utilisé la fonction optim qui propose les méthodes quasi-newton et gradient conjugué, ainsi que la fonction lsqrsolve qui correspond à la méthode de Levenberg-Marquardt, particulièrement bien adaptée aux problèmes de moindres carrés (ce qui est le cas de notre fonction E(p)). 16

17 5 Résultats expérimentaux 5.1 Illustration de la sensibilité aux conductivités Pour bien comprendre que les valeurs de conductivité sont des paramètres importants en EEG, nous présentons ici deux potentiels calculés analytiquement sur une géométrie sphérique, avec le même dipôle de courant situé dans Ω 1 et des conductivités légérement différentes. Le potentiel V 1 est calculé avec σ 1 = 1, = , σ 3 = 1 et V 2 avec σ 1 = 1, = , σ 3 = 0.95 soit une différence relative de 3.54%. La troisième image à droite affiche la différence relative des deux potentiels calculée par V 1 V 2 max( V 1, V 2 ). La différence relative l2 sur la sphère extérieure est de 4.97% entre les deux potentiels. FIG. 2 Potentiels obtenus avec des conductivités différentes On constate que l erreur sur les conductivités se propage directement au niveau du potentiel sur le scalp. On peut donc raisonnablement espérer que la fonction E(p) soit fortement dépendante des conductivités et ainsi que la méthode de gradient converge assez vite. En contrepartie, si le schéma numérique pour approximer V n est pas assez précis, ou si les mesures EEG sont mauvaises, la méthode risque de ne pas converger vers la vraie solution. 5.2 Erreur due à l approximation P 1 Ici nous affichons l erreur entre la solution analytique et celle calculée par la méthode éléments finis exposée précédemment. L erreur l 2 relative entre les deux potentiels est de 1.32%, pour un maillage de 642 points par sphères. L erreur produite est assez faible mais n est pas négligeable au vu de la partie précédente, et il est logique de penser que la précision du schéma numérique va directement influer sur la précision de notre méthode d estimation des conductivités. 17

18 FIG. 3 Différence entre solution analytique et solution numérique 5.3 Estimation des paramètres Contexte Durant le stage, nous n avons pas eu l occasion de faire une expérience EEG correspondant à notre problème. Afin de valider notre méthode, nous avons donc produit des simulations de mesures. Pour produire une simulation, on fixe une géométrie et des valeurs pour les paramètres du problème direct p réel = (r 0, q,, σ 3 ), qui représenteront les valeurs "réelles". On résout ensuite le problème direct avec ces valeurs de paramètres et on obtient la valeur du potentiel électrique sur S 3. On choisit ensuite un nombre restreint (64) de sommets du maillage de S 3 qui représentent les positions des électrodes de mesure. On conserve alors les valeurs de V en ces points, éventuellement on y ajoute du bruit, et on obtient ainsi une simulation d un potentiel v mes mesuré par EEG. Pour une géométrie réelle, la seule façon de résoudre le problème direct et de produire des simulations est d utiliser le schéma numérique éléments finis. Pour de telles simulations, on a exactement V (p) = v mes pour p = p réel. Cela ne rend donc pas compte de la réalité puisque le schéma numérique ne calcule qu une approximation du potentiel. Pour des mesures réelles, on devrait avoir une erreur ɛ = V (p réel ) v mes même si on calcule V avec le paramètre p réel. Nous avons donc travaillé sur des géométries sphériques, afin de pouvoir calculer analytiquement le potentiel solution du problème direct, et ainsi produire des simulations de mesures qui rendent mieux compte d une expérience réelle Protocole Les résultats présentés dans la suite proviennent d expériences éffectuées sur la même géométrie sphérique : S 1, S 2, S 3 sont des sphères de rayons respectifs 0.87, 0.92, 1, et le maillage utilisé comporte 642 points par sphère. Les conductivités des différents tissus sont fixées à σ 1 = 1, = , σ 3 = 1, soit des rapports σ 1 = σ 3 =

19 Nous avons effectué 5 simulations pour 5 dipôles différents. Pour chaque simulation de mesure, nous avons lancé plusieurs fois notre méthode résolvant le problème inverse en choisissant différentes valeurs initales p 0 de la façon suivante : les paramètres (r 0, q) ont été initialisés entre 10% et 20% d erreur par rapport auv valeurs réelles, et les rapports de conductivités σ 1 et σ 3 ont été initialisés entre 40% et 60% d erreur. Ce choix est justifié par le fait qu en pratique, si on réalise une expérience EEG avec des stimuli sensoriels, on possède un a priori sur la forme et la localisation du dipôle de courant correspondant. C est pourquoi les paramètres du dipôle sont initialisés avec une erreur assez faible. A l inverse, on initialise les conductivités de telle façon que l erreur sur les rapports scalp-crâne et cerveau-crâne soit assez grande, afin de prendre en compte la grande variation de ces valeurs selon les sujets. Pour la descente de gradient, la méthode de Levenberg-Marquardt s est avérée être la plus performante dans tous les cas et ce sont les résultats correspondant à cette méthode que nous présentons Résultats Avant de présenter les résultats obtenus sur les simulations analytiques, il est important de signaler que pour des simulations produites avec le schéma numérique, la méthode retrouve exactement les paramètres réels, ce qui n est pas très surprenant puisque dans ce cas le minimum E(p) = 0 est obtenu exactement pour p = p réel, mais cela prouve avant toute chose que la méthode marche dans l absolu. Pour ce qui est des simulations analytiques, nous présentons dans le tableau suivant la moyenne des résultats obtenus pour chaque simulation. TAB. 1 Erreur relative entre le paramètre p trouvé par la méthode et le paramètre p réel Erreur dipôle Erreur σ 1 Erreur σ 3 Dipôle e e e-3 Dipôle e e e-3 Dipôle e e e-3 Dipôle e e e-3 Dipôle e e e-3 Comme l on s y attendait, les résultats ne sont pas parfaits à cause de l erreur due au schéma numérique. Il est toutefois intéressant de constater que les erreurs ne sont pas réparties de façon homogène. L estimation de σ 3 est très bonne au contraire de σ 1, et les paramètres du dipôle sont estimées avec une excellente précision. On peut en déduire plusieurs choses. Premièrement, cela prouve que cette méthode est efficace pour estimer le rapport σ 3. Ensuite, bien que l estimation de σ 1 soit mauvaise, on retrouve bien les paramètres du dipôle, ce qui semble indiquer que la connaissance 19

20 précise du rapport σ 1 n est pas essentiel pour le problème inverse de localisation des sources. 20

21 6 Conclusion et perpectives L idée de départ de notre méthode est de corriger certains défauts de l EIT, en particulier le fait que l EIT n est pas adaptée à l estimation de σ 1. Au vu de nos premiers résultats, on ne peut pas dire que notre méthode soit meilleure, mais en tous cas on peut espérer qu elle fasse aussi bien, c est à dire bien estimer σ 3. L avantage se situe du point de vue expérimental, puisqu on n injecte pas de courant sur le scalp (non-invasivité), et qu on localise le dipôle sans mesures MEG [3]. Il faut évidemment rester prudent quant à l efficacité de la méthode puisque les résultats obtenus ne proviennent pour l instant que de simulations, et on espère pouvoir dans la suite du stage tester la méthode sur des mesures réelles, en comparant les résultats trouvés avec ceux d une expérience EIT par exemple. Un autre aspect qui n a pas été rapporté ici est la base théorique de la méthode. Bien que la descente de gradient converge assez bien comme on a pu le constater expérimentalement, on n a pas encore réussi à montrer de résultat probant sur l unicité de la conductivité solution du problème inverse. C est donc un des travaux sur lesquels on va continuer à se pencher pendant la suite du stage. Une autre perspective du stage (et à plus longue échéance de la thèse qui suit le stage) est de considérer d autres modèles de conductivités plus proches de la réalité que le modèle constant par morceaux, et d étudier leur impact sur la reconstruction des sources. En effet, certains tissus de la tête ne sont pas du tout homogène et le modèle constant par morceaux constitue donc une approximation assez grossière. 21

22 Remerciements Je remercie toutes les personnes qui ont participé de près ou de loin au bon déroulement de ce stage. Maureen Clerc tout d abord, qui a été d une grande disponibilité pendant ces trois mois et qui a suivi avec intérêt mes travaux. Je remercie eǵalement toute l équipe du laboratoire Odyssée pour son accueil, et plus particulièrement : Nicolas Wotawa avec qui j ai partagé le bureau ; Christophe Lenglet et Jean-Philippe Pons pour leur assistance technique ; François Grimbert, Maxime Descoteaux, Camilo La Rota, Adrien Wohrer, Ihab Hujeiri, Tej-Eddine Ghoul et Haythem Mehouachi pour leur bonne humeur permanente. Enfin je tiens à remercier Valérie Perrier, professeur à l ENSIMAG, qui m a mis en contact avec le laboratoire Odyssée. 22

23 Références [1] Abdellatif El Badia and Tuong Ha-Duong. An inverse source problem in potential analysis. Inverse Problems, 16 : , [2] Maureen Clerc, Geoffray Adde, Jan Kybic, Theo Papadopoulo, and Jean-Michel Badier. In vivo conductivity estimation with symmetric boundary elements. In Proc. Joint Meeting of 5th International Conference on Bioelectromagnetism and 5th International Symposium on Noninvasive Functional Source Imaging, Minneapolis, May [3] S. Gonçalves, J.C. de Munck, J.P. Verbunt, R.M. Heethaar, and F.H. Lopes da Silva. In vivo measurement of the brain and skull resistivities using an EIT-based method and the combined analysis of SEF/SEP data. IEEE Transactions on Biomedical Engineering, 50(9) :1124 8, September [4] Sonia I. Gonçalves, Jan C. de Munck, Jeroen P.A. Verbunt, Fetsje Bijma, Rob M. Heethaar, and Fernando Lopes da Silva. In vivo measurement of the brain and skull resistivities using an EIT-based method and realistic models for the head. IEEE Transactions on Biomedical Engineering, 50(6), [5] J. Kybic, M. Clerc, T. Abboud, O. Faugeras, R. Keriven, and T. Papadopoulo. A common formalism for the integral formulations of the forward EEG problem. IEEE Transactions on Medical Imaging, 24(1) :12 28, January [6] Jean-Claude Nédélec. Acoustic and Electromagnetic Equations. Springer Verlag,

Applications en imagerie cérébrale (MEG/EEG)

Applications en imagerie cérébrale (MEG/EEG) EEG : mesure du potentiel électrique Ordre de grandeur : qq µ-volts Capteurs : électrodes MEG : mesure du champ magnétique Ordre de grandeur : 10 13 Tesla Capteurs SQUID couplés à des bobines VI. Applications

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

de calibration Master 2: Calibration de modèles: présentation et simulation d

de calibration Master 2: Calibration de modèles: présentation et simulation d Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Les Conditions aux limites

Les Conditions aux limites Chapitre 5 Les Conditions aux limites Lorsque nous désirons appliquer les équations de base de l EM à des problèmes d exploration géophysique, il est essentiel, pour pouvoir résoudre les équations différentielles,

Plus en détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015 Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Différentiabilité ; Fonctions de plusieurs variables réelles

Différentiabilité ; Fonctions de plusieurs variables réelles Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2

Plus en détail

Cours d électricité. Circuits électriques en courant constant. Mathieu Bardoux. 1 re année

Cours d électricité. Circuits électriques en courant constant. Mathieu Bardoux. 1 re année Cours d électricité Circuits électriques en courant constant Mathieu Bardoux mathieu.bardoux@univ-littoral.fr IUT Saint-Omer / Dunkerque Département Génie Thermique et Énergie 1 re année Objectifs du chapitre

Plus en détail

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Programmation linéaire

Programmation linéaire 1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit

Plus en détail

Transmission d informations sur le réseau électrique

Transmission d informations sur le réseau électrique Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en

Plus en détail

Cours d analyse numérique SMI-S4

Cours d analyse numérique SMI-S4 ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,

Plus en détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 5 : Flot maximal dans un graphe Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d

Plus en détail

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2. Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3

Plus en détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

La demande Du consommateur. Contrainte budgétaire Préférences Choix optimal

La demande Du consommateur. Contrainte budgétaire Préférences Choix optimal La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007 Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................

Plus en détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP PSI - 2010 Mathématiques 1 : un corrigé CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P

Plus en détail

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Continuité et dérivabilité d une fonction

Continuité et dérivabilité d une fonction DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité

Plus en détail

Cours Fonctions de deux variables

Cours Fonctions de deux variables Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Le produit semi-direct

Le produit semi-direct Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

Eteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :

Eteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques : MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE

Plus en détail

Plan du cours : électricité 1

Plan du cours : électricité 1 Semestre : S2 Module Physique II 1 Electricité 1 2 Optique géométrique Plan du cours : électricité 1 Partie A : Electrostatique (discipline de l étude des phénomènes liés aux distributions de charges stationnaires)

Plus en détail

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes. Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis

Plus en détail

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les

Plus en détail

T.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY

T.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................

Plus en détail

Approximations variationelles des EDP Notes du Cours de M2

Approximations variationelles des EDP Notes du Cours de M2 Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation

Plus en détail

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008)

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008) Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut

Plus en détail

1 Systèmes triphasés symétriques

1 Systèmes triphasés symétriques 1 Systèmes triphasés symétriques 1.1 Introduction Un système triphasé est un ensemble de grandeurs (tensions ou courants) sinusoïdales de même fréquence, déphasées les unes par rapport aux autres. Le système

Plus en détail

Manipulateurs Pleinement Parallèles

Manipulateurs Pleinement Parallèles Séparation des Solutions aux Modèles Géométriques Direct et Inverse pour les Manipulateurs Pleinement Parallèles Chablat Damien, Wenger Philippe Institut de Recherche en Communications et Cybernétique

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Aide - mémoire gnuplot 4.0

Aide - mémoire gnuplot 4.0 Aide - mémoire gnuplot 4.0 Nicolas Kielbasiewicz 20 juin 2008 L objet de cet aide-mémoire est de présenter les commandes de base pour faire rapidement de très jolis graphiques et courbes à l aide du logiciel

Plus en détail

Optimisation des fonctions de plusieurs variables

Optimisation des fonctions de plusieurs variables Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

Plus en détail

Exercices Corrigés Premières notions sur les espaces vectoriels

Exercices Corrigés Premières notions sur les espaces vectoriels Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Calculs et Certificats de Quantités d Intérêts Non Linéaires d un Mousqueton Cédric Bellis

Calculs et Certificats de Quantités d Intérêts Non Linéaires d un Mousqueton Cédric Bellis Ecole Normale Supérieure de Cachan Département de Génie Mécanique Rapport de Stage de M1 Mécanique et Ingéniérie des Systèmes Stage effectué du 10/04 au 27/08 Laboratori de Càlcul Numèric - Universitat

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Gestion obligataire passive

Gestion obligataire passive Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage

Plus en détail

Cours de Mécanique du point matériel

Cours de Mécanique du point matériel Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels

Plus en détail

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples 45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

Cours 9. Régimes du transistor MOS

Cours 9. Régimes du transistor MOS Cours 9. Régimes du transistor MOS Par Dimitri galayko Unité d enseignement Élec-info pour master ACSI à l UPMC Octobre-décembre 005 Dans ce document le transistor MOS est traité comme un composant électronique.

Plus en détail

Calcul différentiel. Chapitre 1. 1.1 Différentiabilité

Calcul différentiel. Chapitre 1. 1.1 Différentiabilité Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace

Plus en détail

Algorithmes pour la planification de mouvements en robotique non-holonome

Algorithmes pour la planification de mouvements en robotique non-holonome Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot

Plus en détail

(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)

(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01) (19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4

Plus en détail

Dérivées d ordres supérieurs. Application à l étude d extrema.

Dérivées d ordres supérieurs. Application à l étude d extrema. Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une

Plus en détail

Pratique des options Grecs et stratégies de trading. F. Wellers

Pratique des options Grecs et stratégies de trading. F. Wellers Pratique des options Grecs et stratégies de trading F. Wellers Plan de la conférence 0 Philosophie et structure du cours 1 Définitions des grecs 2 Propriétés des grecs 3 Qu est ce que la volatilité? 4

Plus en détail

Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur

Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en détail

Dérivation : cours. Dérivation dans R

Dérivation : cours. Dérivation dans R TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

Cours d initiation à la programmation en C++ Johann Cuenin

Cours d initiation à la programmation en C++ Johann Cuenin Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision d un résultat et calculs d incertitudes Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................

Plus en détail

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables

Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude des propriétés empiriques du lasso par simulations Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.

Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la

Plus en détail

Représentation des Nombres

Représentation des Nombres Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

1 Définition. 2 Systèmes matériels et solides. 3 Les actions mécaniques. Le système matériel : Il peut être un ensemble.un sous-ensemble..

1 Définition. 2 Systèmes matériels et solides. 3 Les actions mécaniques. Le système matériel : Il peut être un ensemble.un sous-ensemble.. 1 Définition GÉNÉRALITÉS Statique 1 2 Systèmes matériels et solides Le système matériel : Il peut être un ensemble.un sous-ensemble..une pièce mais aussi un liquide ou un gaz Le solide : Il est supposé

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

Représentation d un nombre en machine, erreurs d arrondis

Représentation d un nombre en machine, erreurs d arrondis Chapitre Représentation d un nombre en machine, erreurs d arrondis Ce chapitre est une introduction à la représentation des nombres en machine et aux erreurs d arrondis, basé sur [], [].. Un exemple :

Plus en détail

Oscillations libres des systèmes à deux degrés de liberté

Oscillations libres des systèmes à deux degrés de liberté Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

Exercice : la frontière des portefeuilles optimaux sans actif certain

Exercice : la frontière des portefeuilles optimaux sans actif certain Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué

Plus en détail

LA MESURE DE PRESSION PRINCIPE DE BASE

LA MESURE DE PRESSION PRINCIPE DE BASE Page 1 / 6 LA MESURE DE PRESSION PRINCIPE DE BASE 1) Qu est-ce qu un sensor de pression? Tout type de sensor est composé de 2 éléments distincts : Un corps d épreuve soumit au Paramètre Physique φ à mesurer

Plus en détail

Traitement bas-niveau

Traitement bas-niveau Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.

Plus en détail

Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.

Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique

Plus en détail

SDLS08 - Modes propres d'une plaque carrée calculés sur base réduite

SDLS08 - Modes propres d'une plaque carrée calculés sur base réduite Titre : SDLS08 - Modes propres d'une plaque carrée calculé[...] Date : 03/08/2011 Page : 1/6 SDLS08 - Modes propres d'une plaque carrée calculés sur base réduite Résumé : Ce cas test a pour objectif de

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES

I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et

Plus en détail

Chapitre 2. Matrices

Chapitre 2. Matrices Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce

Plus en détail

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013 Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité

Plus en détail