Classification automatique de données IRMf : application à l'étude des réseaux de l'émotion Automatic classification of fMRI data : application to the study of emotion networks Fr En

Fiche du document

Date

11 septembre 2013

Périmètre
Langue
Identifiant
Source

Theses.fr

Collection

Theses.fr

Organisation

ABES

Licences

Restricted Access , http://purl.org/eprint/accessRights/RestrictedAccess


Mots-clés

IRMf Analyse Multivariée Cartes de Kohonen Emotion Valence Fmri Multivariate analysis Self-organizing maps Emotion Valence


Citer ce document

Arnaud Fournel, « Classification automatique de données IRMf : application à l'étude des réseaux de l'émotion », Theses.fr, ID : 10670/1.dzyw94


Métriques


Partage / Export

Résumé Fr En

Depuis une quinzaine d'années, l'Imagerie par Résonance Magnétique fonctionnelle (IRMf) permet d'extraire de l'information sur le fonctionnement cérébral et particulièrement sur la localisation des processus cognitifs. L'information contenue par les acquisitions en IRMf est extraite à l'aide du modèle linéaire général et du processus d'inférence statistique. Bien que cette méthode dite « classique » ait permis de valider la plupart des modèles lésionnels de manière non invasive, elle souffre de certaines limites. Pour résoudre ce problème, différentes techniques d'analyse ont émergé et proposent une nouvelle façon d'interpréter les données de la neuroimagerie. Nous présentons deux nouvelles méthodes multivariées basées sur les cartes de Kohonen. Nos méthodes analysent les données IRMf avec le moins d'a priori possibles. En parallèle, nous tentons d'extraire de l'information sur les réseaux neuronaux impliqués dans les émotions. La première de ces méthodes s'intéresse à l'information de spécialisation fonctionnelle et la seconde à l'information de connectivité fonctionnelle. Nous présentons les résultats qui en découlent, puis chacune des méthodes est comparée à l'analyse dite classique en termes d'informations extraites. De plus, notre attention s'est focalisée sur la notion de valence émotionnelle et nous tentons d'établir l'existence d'un éventuel réseau partagé entre valence positive et valence négative. La constance de ce réseau est évaluée à la fois entre modalités perceptives et entre catégories de stimuli. Chacune des méthodes proposées permet de corroborer l'information recueillie par la méthode classique, en apportant de nouvelles informations sur les processus étudiés. Du point de vue des émotions, notre travail met en lumière un partage du réseau cérébral pour les va-lences négative et positive ainsi qu'une constance de cette information dans certaines régions cérébrales entre modalités perceptives et entre catégories.

In the last fifteen years, functional magnetic resonance imaging (fMRI) have been used to extract information about cognitive processes location. The information contained in fMRI acquisitions is usually extracted using the general linear model coupled to the statistical inference process. Although this classical method has validated noninvasively most of the lesional models, it suffers from some limitations. To solve this problem, various analysis techniques have emerged and propose a new way of interpreting neuroimaging data. In this thesis, we present two multivariate methods to analyze fMRI data with the least possible a priori. In parallel, we are trying to extract information about brain emotion processing. The first method focuses on the brain functional specialization and the second method on the brain functional connectivity. After results presentation, each method is compared to the so-called classical analysis in terms of extracted information. In addition, emphasis was put on the concept of emotional valence. We try to establish the existence of a possible split between positive and negative valence networks. The consistency of the network is evaluated across both perceptual modalities and stimuli categories. Each of the proposed methods are as accurate as the conventional method and provide new highlights on the studied processes. From the perspective of emotions, our work highlights a shared brain network for positive and negative valences and a consistency of this information in some brain regions across both perceptual modalities and stimuli categories.

document thumbnail

Par les mêmes auteurs

Sur les mêmes sujets

Exporter en