,
Sur quelques méthodes stochastiques
appliquées à la neuroimagerie
MECHTA Nardjes - SEKKAI Meriem
June 11, 2025 — Université des sciences et de la technologie – Houari Boumediene
Faculté de Mathématiques
Plan
1. Introduction
2. Problématique et Objectifs
3. État d’avancement
4. Protocoles de Simulation
5. Résultats
6. Difficultés
7. Prochaines étapes
8. Conclusion
MECHTA Nardjes - SEKKAI Meriem USTHB 2/27
Introduction
Introduction
Introduction
• La neuroimagerie explore la structure et la dynamique du
cerveau grâce à l’IRMf, l’EEG et la MEG.
• Ces technologies sont essentielles pour comprendre et
diagnostiquer les pathologies neurologiques et
psychiatriques.
• Ce mémoire développe et compare des méthodes
stochastiques pour l’analyse de ces données complexes.
EEG – enregistrement de l’activité
cérébrale
MECHTA Nardjes - SEKKAI Meriem USTHB 4/27
Problématique et Objectifs
Problématique et Objectifs
Rappel sur la problématique
• Les données de neuroimagerie sont caractérisées par une très haute dimension,
une forte dépendance temporelle/spatiale et un niveau élevé de bruit.
• Leur analyse exige des outils statistiques capables de révéler la dynamique
cérébrale cachée et d’identifier les transitions entre états fonctionnels.
• La modélisation doit s’adapter à la variabilité individuelle et à la non-linéarité des
interactions cérébrales.
MECHTA Nardjes - SEKKAI Meriem USTHB 6/27
Problématique et Objectifs
Objectifs du mémoire
• Développer et valider des modèles statistiques robustes pour les signaux
cérébraux.
• Améliorer l’identification des réseaux neuronaux via connectivité et causalité.
• Comparer l’efficacité des approches sur données simulées et réelles.
• Faciliter l’interprétation clinique des dynamiques cérébrales (épilepsie,
pathologies...).
MECHTA Nardjes - SEKKAI Meriem USTHB 7/27
État d’avancement
État d’avancement
Cadre théorique
• Revue détaillée des techniques de neuroimagerie (IRMf, EEG, MEG).
• Présentation des concepts clés : effet BOLD, ICA, analyse spectrale,
connectivité cérébrale.
• Étude approfondie des modèles temporels : ARMA, VAR, causalité de Granger.
• Introduction aux modèles à espace d’état et changements de régime (MS-SSM).
MECHTA Nardjes - SEKKAI Meriem USTHB 9/27
Protocoles de Simulation
Protocoles de Simulation
Simulation
• Implémentation de simulations sous Python et MATLAB pour différents
modèles :
• Modèle dynamique à changement de régime (Switching Dynamics - Modèle 2)
• Modèle VAR à régimes (Switching VAR - Modèle 3)
• Switching Observations (Modèle 4)
• Génération de séries temporelles simulées avec paramètres contrôlés (nombre
de canaux, régimes, longueur...).
• Utilisation de l’algorithme EM pour l’estimation et du bootstrap paramétrique
pour la quantification de l’incertitude.
MECHTA Nardjes - SEKKAI Meriem USTHB 11/27
Protocoles de Simulation
Génération des données simulées (MS-SSM)
Paramètres de la simulation :
• Nombre de variables observées :
𝑁 = 10
• Longueur de la série temporelle :
𝑇 = 400
• Nombre de régimes latents : 𝑀 = 2
• Ordre autorégressif : 𝑝 = 2, dimension
des états : 𝑟 = 2
• Matrice de transition de Markov :
0.98 0.02 Exemple de trajectoire simulée
𝑍=( )
0.02 0.98
MECHTA Nardjes - SEKKAI Meriem USTHB 12/27
Protocoles de Simulation
Simulation : Structure des régimes et paramètres
• Matrices de transition d’état :
• Modèles à espace d’état : 𝐴1𝑗 ∼ (0, 0,7),A2𝑗 ∼ (0, 0,3) (tirages indépendants).
• Switching VAR : 𝐴1𝑗 diagonal sur [0,85, 0,95], 𝐴2𝑗 diagonal sur [−0,05, 0,05].
• Variance du bruit: 𝑄𝑗 (Wishart) est donnée : 𝑄𝑗 ∼ 𝑟 (𝑟, 0,005 𝐼𝑟 ) ,La matrice 𝑅 = (𝑅𝑖𝑗 )
est définie par :
σ𝑅2 ρ σ𝑅2
𝑅=( 2 )
ρ σ𝑅 σ𝑅2
• Avec :
σ𝑅2 = 0,005 𝑁 ρ = 0,1
• SNR ajusté : 5 à 10 (données EEG/IRMf).
• Répétitions : 500 simulations, 200 bootstrap.
MECHTA Nardjes - SEKKAI Meriem USTHB 13/27
Protocoles de Simulation
Méthodes d’estimation et de comparaison
• Cibles de l’estimation :
• Séquence de régimes (𝑆𝑡 ), paramètres dynamiques et matrices de covariance stationnaires
• Benchmarks :
• SW-KM : Fenêtres glissantes + K-means sur matrices de covariance
• SSM-OLS : Initialisation par moindres carrés (EM Step 0)
• SSM-ML : Maximum de vraisemblance (EM)
• Oracle : Estimateurs avec régimes connus (OR-OLS, OR-ML)
• Évaluation : Comparaison des performances (précision des régimes, paramètres,
matrices de corrélation), analyse de l’impact de l’incertitude sur l’estimation.
MECHTA Nardjes - SEKKAI Meriem USTHB 14/27
Protocoles de Simulation
Schéma général de la simulation
Choix des paramètres 𝑁, 𝑇, 𝑀, 𝑝
Génération des données simulées
Estimation des modèles (SW-KM, SSM-OLS, SSM-ML, Oracle)
Analyse des performances et validation par bootstrap
MECHTA Nardjes - SEKKAI Meriem USTHB 15/27
Résultats
Résultats
Analyse des performances
• Pour toutes les longueurs temporelles 𝑇 analysées, on observe
systématiquement l’ordre suivant :
SSM-ML > SW-KM > SSM-OLS
• SSM-ML domine clairement les autres méthodes avec un gain moyen de :
• +1 % à +16 % par rapport à SSM-OLS,
• +1 % à +2 % par rapport à SW-KM.
• La méthode SSM-ML affiche d’excellentes performances en termes de
classification dans tous les scénarios testés, excepté pour les cas difficiles
(𝑁 = 50, 100 dans le modèle à changement de régimes VAR (3)).
MECHTA Nardjes - SEKKAI Meriem USTHB 17/27
Résultats
Comparaison entre les trois méthodes testées
MECHTA Nardjes - SEKKAI Meriem USTHB 18/27
Résultats
Les Performances sur le modèle VAR
MECHTA Nardjes - SEKKAI Meriem USTHB 19/27
Résultats
Erreur relative sur les paramètres du MS-SSM
Les résultats obtenus pour les erreurs relatives des paramètres du modèle
Markov-switching state-space sont globalement conformes aux résultats rapportés
dans Degras et al. (2021).
• L’estimation de la matrice d’observation 𝐶 est très précise, avec des erreurs
proches de zéro quel que soit (𝑁, 𝑇).
• Les erreurs sur les matrices de transition 𝐴 sont plus importantes (environ 2.3 à
2.6), traduisant une complexité structurelle accrue dans leur identification.
• L’estimation des matrices de covariance du bruit d’état 𝑄 reste modérément
précise, avec des erreurs moyennes entre 1.2 et 1.5.
• La matrice de bruit d’observation 𝑅 présente des erreurs modérées (environ 0.3 à
0.6), mais montre une tendance à décroître avec l’augmentation de 𝑁 ou 𝑇.
Ces observations confirment les difficultés reconnues dans la littérature pour
l’estimation fiable des composantes dynamiques cachées du modèle,
particulièrement
MECHTA Nardjes - SEKKAI pour
Meriemdes dimensions élevées
USTHB ou des durées courtes. 20/27
Difficultés
Difficultés
Difficultés rencontrées
• Coût computationnel élevé : estimation lente (> 24h), matériel limité
• Exploration limitée : difficile de tester plusieurs variantes/modèles
• Dépendance à l’initialisation : EM parfois instable
• Prétraitement essentiel : artéfacts EEG/IRMf impactent les résultats
• Limites des modèles linéaires : dynamique cérébrale souvent non-linéaire
MECHTA Nardjes - SEKKAI Meriem USTHB 22/27
Prochaines étapes
Prochaines étapes
Prochaines êtapes
• Finaliser le bootstrap paramétrique et la validation croisée sous MATLAB.
• Appliquer les modèles à des données réelles (bases EEG publiques)
• Évaluer la robustesse et la pertinence clinique des résultats (épilepsie,
pathologies).
• Finaliser la synthèse finale avec recommandations pratiques.
MECHTA Nardjes - SEKKAI Meriem USTHB 24/27
Conclusion
Conclusion
Conclusion
• Les modèles à espace d’état avec changement de régime (MS-SSM) permettent
une modélisation fine de la dynamique cérébrale latente.
• La méthode SSM-ML offre les meilleures performances en classification,
confirmant sa robustesse sur données simulées, malgré des défis
computationnels importants.
• Des limitations persistent (coût, initialisation, non-linéarité), ouvrant la voie à des
modèles plus flexibles ou hybrides.
• L’application aux données réelles constitue l’étape suivante pour valider l’utilité
clinique des approches proposées.
MECHTA Nardjes - SEKKAI Meriem USTHB 26/27
Merci de votre attention !
