Le sujet principal de notre travail d'habilitation concerne l'extension de l'approche systémique, initialement implantée dans le Système de Recherche d'Information NOMAD, qui a fait l'objet de notre travail de thèse, pour mettre en place un nouveau paradigme général d'analyse de données basé sur les points de vue multiples, paradigme que nous avons baptisé MVDA (Multi-View Data Analysis). Ce paradigme couvre à la fois le domaine de l'analyse de données et celui de la fouille de données. Selon celui-ci, chaque analyse de données est considérée comme une vue différente sur les données. Le croisement entre les vues s'opère par l'intermédiaire d'un réseau bayésien construit, de manière non supervisée, à partir des données ou des propriétés partagées entre ces dernières. Le paradigme MDVA repose également sur l'exploitation de méthodes spécifiques de visualisation, comme la visualisation topographique ou la visualisation hyperbolique. La mise en place de nouveaux estimateurs de qualité de type Rappel/Précision non supervisés basés sur l'analyse de la distribution des propriétés associées aux classes, et qui à la fois sont indépendants des méthodes de classification et des changements relatifs à leur mode opératoire (initialisation, distances utilisées ...), nous a permis de démontrer objectivement la supériorité de ce paradigme par rapport à l'approche globale, classique en analyse de données. Elle nous a également permis de comparer et d'intégrer dans le paradigme MVDA des méthodes de classification non supervisées (clustering) neuronales qui sont plus particulièrement adaptées à la gestion des données ultra-éparses et fortement multidimensionnelles, à l'image des données documentaires, ainsi que d'optimiser le mode opératoire de telles méthodes. Notre démarche a par ailleurs impliqué de développer la cohabitation entre le raisonnement neuronal et le raisonnement symbolique, ou entre des modèles de nature différente, de manière à couvrir l'ensemble des fonctions de la recherche et de l'analyse de l'information et à éliminer, sinon à réduire, les défauts inhérents à chacun des types d'approche. A travers de nombreuses applications, notamment dans le domaine de l'évaluation des sciences, nous montrons comment l'exploitation d'un tel paradigme peut permettre de résoudre des problèmes complexes d'analyse de données, comme ceux liés l'analyse diachronique à grande échelle des données textuelles polythématiques. Nous montrons également comment l'ensemble des outils développés dans le cadre de ce paradigme nous ont permis mettre en place de nouvelles méthodes très robustes et très performantes pour la classification supervisée et pour le clustering incrémental. Nous montrons finalement comment nous envisageons d'étendre leur application à d'autres domaines très porteurs, comme ceux du traitement automatique des langues ou de la bioinformatique.

Dans cette thèse, le comportement d'un modèle mathématique permettant de transcrire la dynamique neuronale est étudié : le système de FitzHugh-Nagumo. En particulier, nous nous intéressons au caractère aléatoire d'ouverture et de fermeture des canaux ioniques d'un neurone qui reçoit ou non un stimulus. Ce caractère aléatoire de la dynamique neuronale est considéré, dans notre modèle, comme un bruit. Dans un premier temps, le comportement du modèle de FitzHugh-Nagumo a été caractérisé au voisinage de la bifurcation d'Andronov-Hopf qui traduit la transition entre l'état d'activation et l'état de repos du neurone. Classiquement, un neurone positionné à l'état de repos ne produit aucun potentiel d'action. Cependant, il a été montré un phénomène pour lequel une quantité appropriée de bruit permet la production de potentiels d'action des plus réguliers : la résonance cohérente. Le deuxième effet observé lors de simulations numériques permet au neurone d'améliorer la détection et l'encodage d'un signal subliminal : il s'agit de la résonance stochastique. De plus, cette thèse s'inscrit dans un contexte électronique puisqu'en plus de simuler numériquement le système de FitzHugh-Nagumo, les résultats de simulations ont également été confirmés en réalisant un circuit électronique. En effet, nous avons reproduit la dynamique non linéaire du système de FitzHugh-Nagumo à l'aide de ce circuit électronique. Cela a permis de mettre en évidence expérimentalement les deux phénomènes de résonance cohérente et de résonance stochastique pour lesquelles le bruit peut avoir une influence constructive sur le comportement de notre circuit électronique.

Dans cette thèse, le comportement d'un modèle mathématique permettant de transcrire la dynamique neuronale est étudié : le système de FitzHugh-Nagumo. En particulier, nous nous intéressons au caractère aléatoire d'ouverture et de fermeture des canaux ioniques d'un neurone qui reçoit ou non un stimulus. Ce caractère aléatoire de la dynamique neuronale est considéré, dans notre modèle, comme un bruit. Dans un premier temps, le comportement du modèle de FitzHugh-Nagumo a été caractérisé au voisinage de la bifurcation d'Andronov-Hopf qui traduit la transition entre l'état d'activation et l'état de repos du neurone. Classiquement, un neurone positionné à l'état de repos ne produit aucun potentiel d'action. Cependant, il a été montré un phénomène pour lequel une quantité appropriée de bruit permet la production de potentiels d'action des plus réguliers : la résonance cohérente. Le deuxième effet observé lors de simulations numériques permet au neurone d'améliorer la détection et l'encodage d'un signal subliminal : il s'agit de la résonance stochastique. De plus, cette thèse s'inscrit dans un contexte électronique puisqu'en plus de simuler numériquement le système de FitzHugh-Nagumo, les résultats de simulations ont également été confirmés en réalisant un circuit électronique. En effet, nous avons reproduit la dynamique non linéaire du système de FitzHugh-Nagumo à l'aide de ce circuit électronique. Cela a permis de mettre en évidence expérimentalement les deux phénomènes de résonance cohérente et de résonance stochastique pour lesquelles le bruit peut avoir une influence constructive sur le comportement de notre circuit électronique. / We study the nonlinear FitzHugh-Nagumo model witch describes the dynamics of excitable neural element. It is well known that this system exhibits three different possible responses. Indeed, the system can be mono-stable, oscillatory or bistable. In the oscillatory regime, the system periodically responds by generating action potential. By contrast, in the mono-stable state the system response remains constant after a transient. Under certain conditions, the system can undergo a bifurcation between the stable and the oscillatory regime via the so called Andronov-Hopf bifurcation. In this Phd thesis, we consider the FitzHugh-Nagumo model in the stable state, that is set near the Andronov-Hopf bifurcation. Moreover, we take into account the contribution of noise witch can induces two phenomena coherence resonance and stochastic resonance. First, without external driving, we show the effect of coherence resonance since a critical noise level enhances the regularity of the system response. Another numerical investigation reports how noise can allow to detect a subthreshold deterministic signal applied to the system. In this case, an appropriate amount of noise maximizes the signal to noise ratio reveling the stochastic resonance signature. Besides this numerical studies, we have also built a non linear circuit simulating the FitzHugh-Nagumo model under the presence of noise. This circuit has allowed to confirm experimentally the numerical observation of stochastic resonance and coherence resonance. Therefor, this electronic circuit contributes a framework for further experimental investigation in the field of neural sciences to better understand the role of noise in neural encoding.