|
ZOOM
|
Heures (Cumul)
|
Activités
|
Dates
|
1.1
|
Introduction – Les signaux cérébraux électromagnétiques : origine et modèles
|
3
|
Présentation des ‘projets’
|
07-01
|
1.2
|
L’analyse quantitative des signaux EEG (Analyse spectrale, modeles linéaires, Hilbert,…)
|
6
|
Assignation des projets (I)
|
14-01
|
2.1
|
Temps-fréquence I (introduction, ondelettes continues, Morlet)
|
9
|
|
21-01
|
2.2
|
Temps-fréquence II (ondelettes continues, ridges, synchrosqueezing, invariance d’échelle)
|
12
|
|
28-01
|
2.3
|
Temps-fréquence III (représentation multi-échelle, filtres en quadrature, algorithmes de Mallat)
|
15
|
T1
|
4-02
|
2.4
|
Temps-fréquence IV (Ondelettes de Daubechies, arbres et paquets d’ondelettes, algorithmes de poursuite)
|
18
|
|
11-02
|
3.1
|
Problèmes inverses I (introduction, PCA, ICA)
|
21
|
Assignation des projets (II)
|
18-02
|
3.2
|
Problèmes inverses II (Tikhonov et méthodes régularisées, Minimum Norm, LORETA)
|
24
|
|
04-03
|
3.3
|
Problèmes inverses III (méthodes Bayesiennes, Maximum d’entropie)
|
27
|
|
11-03
|
3.4
|
Problèmes inverses IV (fusion multimodales MEGEEG, compressed sensing)
|
30
|
|
18-03
|
4.1
|
Formalisme Bayesien et Apprentissage I (Modèles génératifs, principe de l’énergie libre, algorithme EM et apprentissage)
|
33
|
T2
|
25-03
|
4.2
|
Formalisme Bayesien et Apprentissage II
(Cerveau et algorithme d’apprentissage Bayesien; predictive coding; modèle de masses neurales)
|
36
|
|
01-04
|
4.3
|
Récapitulatif : représentation de l’information et présentation des ‘projets’
|
39
|
Présentations orales
|
08-04
|