L'apnée est une complication fréquente chez les nouveaux-nés prématurés. L'un des problèmes les plus fréquents est l'épisode d'apnée bradycardie dont la répétition influence de manière négative le développement de l'enfant. C'est pourquoi les enfants prématurés sont surveillés en continu par un système de monitoring. Depuis la mise en place de ce système, l'espérance de vie et le pronostic de vie des prématurés ont été considérablement améliorés et ainsi la mortalité réduite. En effet, les avancées technologiques en électronique, informatique et télécommunications ont conduit à l'élaboration de systèmes multivoies de monitoring néonatal de plus en plus performants. L'un des principaux signaux exploités dans ces systèmes est l'électrocardiogramme (ECG). Toutefois, même si l'analyse de l'ECG a évolué au fil des années, l'ensemble des informations qu'il fournit n'est pas encore totalement exploité dans les processus de décision, notamment en monitoring en Unité de Soins Intensifs en Néonatalogie (USIN). L'objectif principal de cette thèse est d'améliorer la prise en compte des dynamiques multi-dimensionnelles en proposant de nouvelles approches basées sur un formalisme bayésien, pour la détection précoce des apnées bradycardies chez le nouveau-né prématuré. Aussi, dans cette thèse, nous proposons deux approches bayésiennes, basées sur les caractéristiques de signaux biologiques en vue de la détection précoce de l'apnée bradycardie des nouveaux-nés prématurés. Tout d'abord avec l'approche de Markov caché, nous proposons deux extensions du Modèle de Markov Caché (MMC) classique. La première, qui s'appelle Modèle de Markov Caché Couplé (MMCC), créé une chaîne de Markov à chaque dimension de l'observation et établit un couplage entre les chaînes. La seconde, qui s'appelle Modèle Semi-Markov Caché Couplé (MSMCC), combine les caractéristiques du modèle de MSMC avec le mécanisme de couplage entre canaux. Pour les deux nouveaux modèles (MMCC et MSMCC), les algorithmes récursifs basées sur la version classique de Forward-Backward sont introduits pour résoudre les problèmes d'apprentissage et d'inférence dans le cas couplé. En plus des modèles de Markov, nous proposons deux approches passées sur les filtres de Kalman pour la détection d'apnée. La première utilise les modifications de la morphologie du complexe QRS et est inspirée du modèle générateur de McSharry, déjà utilisé en couplant avec un filtre de Kalman étendu dans le but de détecter des changements subtils de l'ECG, échantillon par échantillon. La deuxième utilise deux modèles AR (l'un pour le processus normal et l'autre pour le processus de bradycardie). Les modèles AR sont appliqués sur la série RR, alors que le filtre de Kalman suit l'évolution des paramètres du modèle AR et fournit une mesure de probabilité des deux processus concurrents. / Apnea-bradycardia episodes (breathing pauses associated with a significant fall in heart rate) are the most common disease in preterm infants. Consequences associated with apnea-bradycardia episodes involve a compromise in oxygenation and tissue perfusion, a poor neuromotor prognosis at childhood and a predisposing factor to sudden-death syndrome in preterm newborns. It is therefore important that these episodes are recognized (early detected or predicted if possible), to start an appropriate treatment and to prevent the associated risks. In this thesis, we propose two Bayesian Network (BN) approaches (Markovian and Switching Kalman Filter) for the early detection of apnea bradycardia events on preterm infants, using different features extracted from electrocardiographic (ECG) recordings. Concerning the Markovian approach, we propose new frameworks for two generalizations of the classical Hidden Markov Model (HMM). The first framework, Coupled Hidden Markov Model (CHMM), is accomplished by assigning a Markov chain (channel) to each dimension of observation and establishing a coupling among channels. The second framework, Coupled Hidden semi Markov Model (CHMM), combines the characteristics of Hidden semi Markov Model (HSMM) with the above-mentioned coupling concept. For each framework, we present appropriate recursions in order to use modified Forward-Backward (FB) algorithms to solve the learning and inference problems. The proposed learning algorithm is based on Maximum Likelihood (ML) criteria. Moreover, we propose two new switching Kalman Filter (SKF) based algorithms, called wave-based and R-based, to present an index for bradycardia detection from ECG. The wave-based algorithm is established based on McSarry's dynamical model for ECG beat generation which is used in an Extended Kalman filter algorithm in order to detect subtle changes in ECG sample by sample. We also propose a new SKF algorithm to model normal beats and those with bradycardia by two different AR processes.

De nos jours, la Santé Publique porte de plus en plus d’intérêts aux maladies chroniques neuro-dégénératives liées au vieillissement telles que la démence ou la maladie de Parkinson. Ces pathologies ne peuvent ni être évitées ni guéries et occasionnent une détérioration progressive de la santé des malades requérant donc des soins spécifiques. Le contexte démographique actuel laisse entrevoir un vieillissement de la population et un allongement de l’espérance de vie continus, ce qui aura pour conséquence majeure d’aggraver le fardeau économique, social et démographique de ces maladies dans les années à venir. C’est pourquoi, dans l’optique d’anticiper les problèmes à venir, il est important de développer des modèles statistiques permettant de faire des projections et d’évaluer le fardeau futur de ces maladies via divers indicateurs de santé. De plus, il est intéressant de pouvoir donner des projections,en fonction de scénarios potentiels, qui pourraient être mis en place (e.g. un nouveau traitement), afin d’évaluer l’impact qu’aurait une telle intervention de Santé Publique, mais aussi de prendre en compte une variation de l’incidence due, par exemple, à des changements de comportement. Une approche utilisant le modèle illness-death sous une hypothèse Markovienne a été proposée par Joly et al. 2013 pour répondre à cet objectif. Cette approche est particulièrement adaptée dans ce contexte, car elle permet, notamment, de prendre en compte le risque compétitif qui existe entre devenir malade ou décéder (pour un individu non-malade). L’utilisation de ce modèle pour faire des projections a l’avantage, d’une part, de faire intervenir des projections démographiques nationales pour mieux capter l’évolution de la mortalité au cours du temps, et d’autre part, de proposer une modélisation adaptée de la mortalité (en distinguant la mortalité des malades, des non-malades et générale). C’est sur la base de ce modèle que découle tout le travail de cette thèse. Dans une première partie, les hypothèses du modèle existant ont été améliorées ou modifiées dans le but de considérer l’évolution de l’incidence de la maladie au cours du temps,puis de passer d’un modèle Markovien à un modèle semi-Markovien afin de modéliser la mortalité des malades en fonction de la durée passée avec la maladie. Dans une deuxième partie, la méthode initiale, permettant de considérer l’impact d’une intervention mais avec des hypothèses restrictives, a été développée et généralisée pour prendre en compte des interventions plus flexibles. Puis, les expressions mathématiques/statistiques d’indicateurs de santé pertinents ont été développées dans ce contexte dans le but d’avoir un panel de projections permettant une meilleure évaluation du fardeau futur de la maladie. L’application principale de ce travail a porté sur des projections concernant la démence. Cependant, en appliquant ces modèles à la maladie de Parkinson, nous avons proposé des méthodes permettant d’adapter notre approche à d’autres types de données. / Nowadays, Public Health is more and more interested in the neuro-degenerative chronic diseases related to the ageing such as Dementia or Parkinson’s disease. These pathologies cannot be prevented or cured and cause a progressive deterioration of health, requiring specific cares. The current demographic situation suggests a continuous ageing of the population and a rise of the life expectancy. As consequence of this, the economic, social and demographic burden related to these diseases will worsen in years to come. That is why, developing statistical models, which allow to make projections and to estimate the future burden of chronic diseases via several health indicators, is becoming of paramount importance. Furthermore, it would be interesting to give projections, according to hypothetical scenarios, which could be set up (e.g. a new treatment), to estimate the impact of such Public health intervention, but also to take into account modifications in disease incidence due, for example, to behavior changes. To attend this objective, an approach was proposed by Joly et al. 2013, using the illness-death model under Markovian hypothesis. Such approach has shown to be particularly adapted in this context, since it allows to consider the competive risk existing between the risk of death and the risk to develop the disease (for anon-diseased subject). On one hand, projections made by using this model take advantage of including national demographic projections to better consider the mortality trends over time. Moreover, the approach proposes to carefully model mortality, distinguishing overall mortality, non-diseased and diseased mortality trends. All the work of this thesis have been developed based on this model. In a first part, the hypotheses of the existing model are improved or modified in order to both :consider the evolution of disease incidence over time ; pass from a Markov to a semi-Markov hypothesis, which allows to model the mortality among diseased subjects depending on the time spent with the disease. In a second part, the initial method, allowing to take into account the impact of an intervention, but with many restrictive assumptions, is developed and generalized for more flexible interventions. Then, the mathematical/statistical expressions of relevant health indicators are developed in this context to have a panel of projections giving a better assessment of the future disease burden. The main application of this work concerns projections of Dementia. However, by applying these models to Parkinson’s disease, we propose methods which allows to adapt our approach to other types of data.

In Natural Language Processing (NLP), speech and text are parsed and generated with language models and parser models, and translated with translation models. Each model contains a set of numerical parameters which are found by applying a suitable training algorithm to a set of training data. Many such training algorithms are instances of the Expectation-Maximization (EM) algorithm. In [BSV15], a generic EM algorithm for NLP is described. This work presents a particular speech model, the Hidden Markov model, and its standard training algorithm, the Baum-Welch algorithm. It is then shown that the Baum-Welch algorithm is an instance of the generic EM algorithm introduced by [BSV15], from which follows that all statements about the generic EM algorithm also apply to the Baum-Welch algorithm, especially its correctness and convergence properties.

No description available.

No description available.

Les modèles latents sont très utilisés en pratique, comme en génomique, économétrie, reconnaissance de parole... Comme la modélisation paramétrique des densités d’émission, c’est-à-dire les lois d’une observation sachant l’état latent, peut conduire à de mauvais résultats en pratique, un récent intérêt pour les modèles latents non paramétriques est apparu dans les applications. Or ces modèles ont peu été étudiés en théorie. Dans cette thèse je me suis intéressée aux propriétés asymptotiques des estimateurs (dans le cas fréquentiste) et de la loi a posteriori (dans le cadre Bayésien) dans deux modèles latents particuliers : les modèles de Markov caché et les modèles de mélange. J’ai tout d’abord étudié la concentration de la loi a posteriori dans les modèles non paramétriques de Markov caché. Plus précisément, j’ai étudié la consistance puis la vitesse de concentration de la loi a posteriori. Enfin je me suis intéressée à l’estimation efficace du paramètre de mélange dans les modèles semi paramétriques de mélange. / Latent models have been widely used in diverse fields such as speech recognition, genomics, econometrics. Because parametric modeling of emission distributions, that is the distributions of an observation given the latent state, may lead to poor results in practice, in particular for clustering purposes, recent interest in using non parametric latent models appeared in applications. Yet little thoughts have been given to theory in this framework. During my PhD I have been interested in the asymptotic behaviour of estimators (in the frequentist case) and the posterior distribution (in the Bayesian case) in two particuliar non parametric latent models: hidden Markov models and mixture models. I have first studied the concentration of the posterior distribution in non parametric hidden Markov models. More precisely, I have considered posterior consistency and posterior concentration rates. Finally, I have been interested in efficient estimation of the mixture parameter in semi parametric mixture models.

This thesis deals with the systems reliability. At First, there is discussed the concept of reliability itself and its indicators, which can specifically express reliability. The second chapter describes the different kinds of reliability models for simple and complex systems. It further describes the basic methods for construction of reliability models. The fourth chapter is devoted to a very important Markov models. Markov models are very powerful and complex model for calculating the reliability of advanced systems. Their suitability is explained here for recovered systems, which may contain absorption states. The next chapter describes the standby redundancy. Discusses the advantages and disadvantages of static, dynamic and hybrid standby. There is described the influence of different load levels on the service life. The sixth chapter is devoted to the implementation, description of the application and description of the input file in XML format. There are discussed the results obtaining in experimental calculations.

In this thesis, methods of implementing an online gesture recognition system for the novel Stylaero Board device are investigated. Two methods are evaluated - one based on LSTMs and one based on HMMs - on three kinds of gestures: Tap, circle, and flick motions. A method’s performance was measured in its accuracy in determining both whether any of the above listed gestures were performed and, if so, which gesture, in an online single-pass scenario. Insight was acquired regarding the technical challenges and possible solutions to the online aspect of the problem. Poor performance was, however, observed in both methods, with a likely culprit identified as low quality of training data, due to an arduous and complex gesture performance capturing process. Further research improving on the process of gathering data is suggested.

Financial data is often said to follow different market regimes. These regimes, which not possible to observe directly, are assumed to influence the observable returns. In this thesis such regimes are modeled using hidden Markov models. We will investigate whether the five different currency pairs EUR/NOK, USD/NOK, EUR/USD, EUR/SEK, and USD/SEK exhibit market regimes that can be described using hidden Markov modeling. We will find the most optimal number of states and study the mean, variance, and correlations in each market regime. / Finansiella data sägs ofta följa olika marknadsregimer. Dessa marknadsregimer kan inte observeras direkt men antas ha inflytande på de observerade avkastningarna. I denna uppsats undersöks om de fem valutaparen EUR/NOK, USD/NOK, EUR/USD, EUR/SEK och USD/SEK tycks följa separata marknadsregimer som kan detekteras med hjälp av en dold Markovkedja.

Philosophiae Doctor - PhD / This chapter outlines basic gene structure and how gene structure is related to promoter structure in both prokaryotes and eukaryotes and their transcription machinery. An in-depth discussion is given on variations types of the promoters among both prokaryotes and eukaryotes and as well as among three prokaryotic organisms namely, E.coli, B.subtilis and Mycobacteria with emphasis on Mituberculosis. The simplest definition that can be given for a promoter is: It is a segment of Deoxyribonucleic Acid (DNA) sequence located upstream of the 5' end of the gene where the RNA Polymerase enzyme binds prior to transcription (synthesis of RNA chain representative of one strand of the duplex DNA). However, promoters are more complex than defined above. For example, not all sequences upstream of genes can function as promoters even though they may have features similar to some known promoters (from section 1.2). Promoters are therefore specific sections of DNA sequences that are also recognized by specific proteins and therefore differ from other sections of DNA sequences that are transcribed or translated. The information for directing RNA polymerase to the promoter has to be in section of DNA sequence defining the promoter region. Transcription in prokaryotes is initiated when the enzyme RNA polymerase forms a complex with sigma factors at the promoter site. Before transcription, RNA polymerase must form a tight complex with the sigma/transcription factor(s) (figure 1.1). The 'tight complex' is then converted into an 'open complex' by melting of a short region of DNA within the sequence involved in the complex formation. The final step in transcription initiation involves joining of first two nucleotides in a phosphodiester linkage (nascent RNA) followed by the release of sigma/transcription factors. RNA polymerase then continues with the transcription by making a transition from initiation to elongation of the nascent transcript.