La sclérose en plaques (SEP) est une maladie neuro-inflammatoire chronique, première cause de handicap chez le jeune adulte. Actuellement, aucun traitement ne freine l'aggravation des symptômes liée aux formes progressives. Bien que connue, l'implication des macrophages et de la microglie dans la démyélinisation et l'atteinte axonale doit être plus finement caractérisée. Ce d'autant plus que la plasticité fonctionnelle de ces cellules suggère une réponse spécifique selon la pathologie, la localisation des lésions et le stade évolutif de la maladie. Ce travail de thèse a consisté en une caractérisation moléculaire des programmes d'activation macrophagique/ microgliale dans deux types d'altérations tissulaires du système nerveux central des patients SEP : les zones partiellement démyélinisées bordant les plaques de la moelle épinière et les lésions corticales. Cette étude a été réalisée sur des tissus post-mortem de patients atteints de formes progressives, formes dans lesquelles les lésions médullaires et corticales sont nombreuses et impliquées dans le handicap progressif et irréversible. Nous avons identifié des spécificités moléculaires caractérisant l'activation macrophagique/microgliale au cours de la SEP en comparant, par une approche in silico, les profils caractérisés à ceux observés dans des pathologies neuro-dégénératives à composantes inflammatoires, la maladie d'Alzheimer et de Parkinson notamment. Dans l'ensemble, ces résultats suggèrent que l'activation chronique des macrophages/cellules microgliales contribue à l'extension à bas bruit des lésions médullaires et corticales pendant la phase progressive de la SEP et proposent de nouvelles cibles thérapeutiques

Uma vez que sistemas de inferência neuro-fuzzy adaptativos são aproximadores universais que podem ser usados em aplicações de aproximação de funções e de previsão, este trabalho tem por objetivo determinar seus melhores parâmetros e suas melhores arquiteturas com o propósito de se executar previsão de demanda de energia elétrica no curtíssimo prazo em subestações de distribuição. Isto pode possibilitar o desenvolvimento de controles automáticos de carga mais eficientes para sistemas elétricos de potência. As entradas do sistema são séries temporais de demanda de energia elétrica, compostas por dados mensurados em intervalos de cinco minutos ao longo de sete dias em subestações localizadas em cidades do interior do estado de São Paulo. Diversas configurações de entrada e diferentes arquiteturas foram examinadas para se fazer a previsão de um passo a frente. Os resultados do sistema de inferência neuro-fuzzy adaptativo frente às abordagens encontradas na literatura foram promissores. / Since adaptive neuro-fuzzy inference systems are universal approximators that can be used in functions approximation and forecasting applications, this work has the objective to determine their best parameters and best architectures with the purpose to execute very short term load forecasting in distribution substations. This can allow the development of more efficient load automatic control for power systems. The system inputs are load demand time series, which are composed of data measured at each five minutes interval, during seven days, from substations located in cities from São Paulo state countryside. Several input configurations and different architectures were examined to make a prediction aiming one step forecasting. The adaptive neuro-fuzzy inference system results in comparison with other approaches found in literature were promising.

[pt] A energia eólica é uma das alternativas mais promissoras para geração de energia elétrica, pois assegura a diversidade e segurança no fornecimento de energia e atende à necessidade premente de reduzir os níveis de emissão de gases poluentes. Na operação de sistemas elétricos com forte presença de geração eólica é fundamental prever com pelo menos um dia de antecedência os valores futuros (pelo menos horários) da veloci-dade do vento, pois assim pode-se avaliar a disponibilidade de energia para o próximo dia, uma informação útil no despacho das unidades geradoras e no controle do sistema elétrico. A proposta dessa dissertação objetiva especificamente desenvolver modelos de previsão de curto prazo da velocidade do vento, baseado em técnicas de inteligência artificial, modelo da rede neural artificial e neuro-fuzzy adaptativa (ANFIS) e um mode-lo Estatístico composto por um modelo de regressão harmônica e Box-Jenkins. Para aplicação da metodologia considerou-se o município de São João do Cariri (Estado de Paraíba), onde está localizada uma das estações de referência do projeto SONDA (Sis-tema Nacional de Dados Ambientais para o setor de energia). O desempenho dos mode-los rede neural, neuro-fuzzy (ANFIS) e modelo Estatístico são comparados nas previ-sões de 6 horas, 12 horas, 18 h e 24horas a frente. Os resultados obtidos mostram o me-lhor desempenho da modelagem ANFIS e encorajam novos estudos no tema. / [en] Wind power is one of the most promising options for power generation. It ensures the diversity and security of energy supply and meets the pressing need to reduce the levels of emission of polluting gases. In the operation of electrical systems with a strong presence of wind generation, it is essential to provide at least one day in advance the future values (at least hourly) of wind speed, so that we can assess the availability of energy for the next day, a useful information in the order of the generating units and electrical control system. The purpose of this dissertation aims to develop models spe-cifically to develop models to forecast short-term wind speed, based on artificial intelligence techniques, artificial neural network model and adaptive neuro-fuzzy Systems (ANFIS) and a statistical model composed of a harmonic regression model and Box-Jenkins. For application of the methodology, the city of São João do Cariri (State of Paraíba), where a reference station of SONDA project (National Environmental Data for the energy sector) is located, was considered.To apply the methodology was consi-dered the city of the ray tracing model (State of Paraíba), which is located a station ref-erence design (National Environmental Data for the energy sector). The performance of artificial neural network model and adaptive neuro-fuzzy Systems (ANFIS) and a statis-tical model are compared mixed forecasts of 6 hours, 12 hours, 18hours and 24 hours ahead. The results show the best performance of the ANFIS model and encourage fur-ther studies on the subject.

Made available in DSpace on 2014-12-17T15:12:17Z (GMT). No. of bitstreams: 1 VilmaVC_DISSERT.pdf: 889078 bytes, checksum: 236d2cd4e34c943d1fefd496c524e7d4 (MD5) Previous issue date: 2012-12-11 / L ?tude de la neuro?tique, est plac?e dans le champs de l ?tique philosophique, o? l ?motion et la ration se trouve comme des elements important dans le processus des decition moral. Les champs d ?tude de la neuroscience et neuro?thique ouvre la discussion sur le changement et les emergences conceptuels, le progr?s da la science, le dev?loppement de la tecnique, de la tecnhologie et la biotecnologie, et ses relations vis-a-vis des dilemes morales concernat au champs des ?tudes et recherches dans ce domaine. On compprende que les procedures adopt?s em ces ?tudes et recherches ne sont pas concernant solement aux individus soumises aux procedures et or traitement, mas a tout la societ?. Le champs d ?tude de la neuroscience comme quelque d outre est soumis a des principles morales et ?tiques, sourtout c est relatifs aux prises de decition par rapport aux ?tres vivants. Dans ces processus les scientifiques sont charch?es des responsabilit?s et des risques, en face des dilemes morales concernat a tout les recherches. L analise a ?t? faite, appui dentre outres, en la pens?e de Immanuel Kant et Jonh Stuart Mill em ce que dit respect au devoir et l utilit? / O estudo da neuro?tica situa-se no campo da ?tica filos?fica, onde raz?o e emo??o fazem parte do jogo das decis?es morais, constituindo-se elementos importantes dessa an?lise. Os campos de atua??o da neuroci?ncia e da neuro?tica v?m oportunizando discuss?es acerca das mudan?as de conceitua??es n?o s? nas ci?ncias m?dicas, mas tamb?m nas ci?ncias sociais, educa??o e filosofia. Da?, nos determos nas emerg?ncias conceituais, no desenvolvimento t?cnico, tecnol?gico e biotecnol?gico, que comp?em o repert?rio do avan?o da ci?ncia e dos dilemas morais que lhes s?o inerentes. Discuss?o que nos remete aos procedimentos adotados nesses campos de estudos, dado ao fato destes n?o afetarem somente a vida dos indiv?duos submetidos aos procedimentos acad?micos e/ou tratamentos, mas ? sociedade como um todo. A neuroci?ncia como qualquer ci?ncia encontra-se submetida a princ?pios morais e ?ticos, sobretudo, aos que dizem respeito aos processos de tomada de decis?o nos estudos, interven??es ou manipula??es envolvendo seres vivos, processo no qual os cientistas assumem responsabilidades e riscos. Para discutir e analisar este tema nos apoiamos como referencia principal, dentre outras, nas teses de Immanuel Kant e John Stuart Mill acerca do dever e da utilidade

[pt] Esta dissertação investiga o desempenho de técnicas de inteligência computacional na previsão de carga em curto prazo. O objetivo deste trabalho foi propor e avaliar sistemas de redes neurais, lógica nebulosa, neuro-fuzzy e híbridos para previsão de carga em curto prazo, utilizando como entradas variáveis que influenciam o comportamento da carga, tais como: temperatura, índice de conforto e perfil de consumo. Este trabalho envolve 4 etapas principais: um estudo sobre previsão de carga e sobre as variáveis que influenciam o comportamento da carga; um estudo da aplicação de técnicas de inteligência computacional em previsão de carga; a definição de sistemas de redes neurais, lógica fuzzy e neuro-fuzzy em previsão de carga; e estudo de casos. No estudo sobre previsão de carga, foi observada a influência de algumas variáveis no comportamento da curva de carga de uma empresa de energia elétrica. Entre estas variáveis se encontram alguns dados meteorológicos (Temperatura, Umidade, Luminosidade, Índice de conforto, etc.), além de informações sobre o perfil de consumo de carga das empresas. Também foi observado o comportamento da série de carga com relação ao dia da semana, sua sazonalidade e a correlação entre o valor atual e valores passados. Foi realizado um levantamento bibliográfico sobre a aplicação de técnicas de inteligência computacional na previsão de carga. Os modelos de redes neurais, são os mais explorados até o momento. Os modelos de lógica fuzzy começaram a ser utilizados mais recentemente. Modelos neuro-fuzzy são mais recentes que os demais, não existindo portanto, muita bibliografia a respeito. Os projetos de aplicação dos três modelos foram classificados quanto à sua arquitetura, desempenho, erros medidos, entradas utilizadas e horizonte da previsão. Foram propostos e implementados 4 sistemas de previsão de carga: lógica fuzzy, redes neurais, sistema neuro-fuzzy hierárquico e um sistema híbrido neural/neuro- fuzzy. Os sistemas foram especializados para cada dia da semana, pelo fato do comportamento da carga ser distinto entre estes dias. Para os sistemas neural, neuro-fuzzy e híbrido os dados também foram separados em inverno e verão, pois o perfil de consumo de carga é diferente nestas estações. O sistema com lógica fuzzy foi modelado para realizar previsões de curtíssimo prazo (10 em 10 minutos), utilizando para isto o histórico de carga, hora do dia e intervalo de dez minutos dentro da hora do dia. As regras do sistema foram geradas automaticamente a partir do histórico de carga e os conjuntos nebulosos foram pré-definidos. O sistema com redes neurais teve sua arquitetura definida através de experimentos, utilizando- se apenas dados de carga, hora do dia e mês como entradas. O modelo de rede escolhido foi com retropropagação do erro (backpropagation). Foram realizados testes incluindo outras entradas como temperatura e perfil de consumo. Para o sistema neuro-fuzzy foi escolhido um sistema neuro-fuzzy hierárquico, que define automaticamente sua estrutura e as regras a partir do histórico dos dados. Em uma última etapa, foi estudado um sistema híbrido neural/ neuro- fuzzy, no qual a previsão da rede neural é uma entrada do sistema neuro-fuzzy. Para os três últimos modelos as previsões realizadas foram em curto prazo, com um horizonte de uma hora Os sistemas propostos foram testados em estudos de casos e os resultados comparados entre si e com os resultados obtidos em outros projetos na área. Os dados de carga utilizados no sistema com lógica fuzzy foram da CEMIG, no período de 1994 a 1996, em intervalos de 10 minutos, para previsões em curtíssimo prazo. Os resultados obtidos podem ser considerados bons em comparação com um sistema de redes neurais utilizando os mesmos dados. Para os demais modelos foram utilizados os seguintes dados: dados horários de carga da Light e da CPFL, no períod / [en] This thesis examines the performance of computational intelligence in short term load forecasting. The main objective of the work was to propose and evaluate neural network, fuzzy logic, neurofuzzy and hybrid systems in the role of short term load forecast, considering some variables that affect the load behavior such as temperature, comfort indexes and consumption profile. The work consisted in four main steps: a study about load forecasting; the modeling of neural network systems, fuzzy logic and neurofuzzy related to load forecast; and case studies. In the load forecasting studies, some variables appeared to affect the behavior of the load curve in the case of electrical utilities. These variables include meteorological data like temperature, humidity, lightening, comfort indexes etc, and also information about the consumption profile of the utilities. It was also noted the distinct behavior of the load series related to the day of the week, the seasonableness and the correlation between the past and present values. A bibliographic research concerning the application of computational intelligence techniques in load forecasting was made. This research showed that neural network models have been largely employed. The fuzzy logic models have just started to be used recently. Neuro-fuzzy are very recent, and there are almost no references on it. The surveyed application projects using the three models were classified by its architecture, performance, measured errors, inputs considered and horizon of the forecast. In this work four systems were proposed and implemented for load forecasting: fuzzy logic, neural network, hierarchical neuro-fuzzy and hybrid neural/neuro- fuzzy. The systems were specialized for each day of the week, due to the different behavior of the load found for each of the days. For the neural network, neuro-fuzzy and hybrid, the data were separated in winter and summer, due to the different behavior of the load in each of the seasons. The fuzzy logic system was modeled for very short term forecasting using the historic load for each hour of the day, in steps of 10 minutes within each hour. The fuzzy system rules were generated automatically based on the historic load and the fuzzy sets were pre-defined. The system with neural network had its architecture defined through experiments using only load data, hour of the day and month as input. The network model chosen was the back- propagation. Tests were performed adding other inputs such as temperature and consumption profile. For the neural- fuzzy, a hierarchical neuro-fuzzy system, which defines automatically its structure and rules based on the historical data, was employed. In a further step, a hybrid neural/neuro-fuzzy was studied, so as the neural network forecast is the input for the neuro-fuzzy system. For the last three models, short term forecasting was made for one hour period. The proposed systems were tested in case studies, and the results were compared themselves and with results obtained in other projects in the same area. The load data of CEMIG between 1994 and 1996 was used in the fuzzy logic system in steps of 10 minutes for very short term forecasting. The performance was good compared with a neural network system using the same data. For the other models, short term load forecasting (I hour, 24 steps ahead) was done using the following data: load data of LIGHT and CPFL between 1996 and 1998; temperature (hourly for LIGHT and daily for CPFL); the codification of month and hour of the day; and a profile of load by consumption class. For doing. The error results obtained by the models were around 1,15% for the fuzzy logic, 2,0% for the neural network, 1,5% for the neuro-fuzzy system, and 2,0% for the hybrid system. This work has showed the applicability of the computational intelligence techniques on load forecasting, demonstrating that a preliminary study of the series and their relation with

Les macrophages (MΦ) du système nerveux central forment la microglie, qui contrôle son homéostasie. Plusieurs modèles de "fate mapping" ont montré que la microglie provenait du Sac vitellin (SV). Celui-ci produit les MΦ en deux vagues indépendantes. Dans la première, des progéniteurs restreints génèrent des MΦ primitifs, alors que dans la seconde, des progéniteurs érythro-myéloïdes produisent des MΦ définitifs. Les progéniteures primitifs et définitifs ont les mêmes phenotype et voie de différenciation. Leurs spécificités et leurs contributions aux étapes ultérieures du développement sont donc encore incomprises. Nous montrons que l'expression du facteur de transcription Lyl-1 discrimine les populations de MΦ primitifs et définitifs. Les MΦ primitifs Lyl-1+ fournissent la microglie de l'embryon. De plus, l'invalidation de Lyl-1 disruption conduit à une production accrue de MΦ primitive dans le SV précoce, puis à une réduction du contingent microglial à deux stades spécifiques du développement. Lyl-1 est spécifiquement exprimé par la microglie et aucun autre type cellulaire nerveux. Son inactivation conduit à des modifications comportementales typiques de l'anxiété sociale. Nous identifions donc Lyl-1 comme un marqueur des MΦ primitifs du SV qui donnent naissance à la microglie de l'embryon. Nous montrons également que Lyl-1 contrôle l'expansion et la différenciation de la microglie, et est ainsi impliqué dans la régulation des processus du neuro-développement. / Microglia are tissue macrophages (MΦ) of the central nervous system that control tissue homeostasis. Different fate mapping models have shown that microglia originates from the yolk sac (YS). Macrophages production in the YS occurs in two independent waves. In the first, primitive MΦ originate from restricted progenitors, while in the second, definitive MΦ are produced by erythro-myeloid progenitors. Because primitive and definitive MΦ progenitors share the same phenotype and differentiation pathway, their specific features and contribution to further developmental steps are still poorly understood. We here show that the expression of thee transcription factor Lyl-1 discriminates primitive and definitive MΦ populations. YS-derived Lyl-1+ primitive MΦ contribute to embryonic microglia. Moreover, Lyl-1 disruption results in an increased production of primitive MΦ progenitors in the early YS. It also leads to the reduction of the microglia pool at two specific development stages. Lyl-1 is specifically expressed in microglia, but not other brain cells and its inactivation leads to behavioral changes typical for social anxiety disorders. Thus, we identify Lyl-1 as a marker for YS primitive MΦ that will give rise to the entire microglia. We show that Lyl-1 controls microglia expansion and differentiation and is involved in the regulation of neurodevelopmental processes.

[pt] Esta dissertação apresenta a proposta e o desenvolvimento de um sistema de mineração de dados inteiramente automático. O objetivo principal é criar um sistema que seja capaz de realizar a extração de informações obscuras a partir de bases de dados complexas, sem exigir a presença de um especialista técnico para configurá-lo. O sistema híbrido neuro-fuzzy hierárquico com particionamento binário (NFHB) vem apresentando excelentes resultados em tarefas de classificação de padrões e previsão, além de possuir importantes características não encontradas em outros sistemas similares, entre elas: aprendizado automático de sua estrutura; capacidade de receber um número maior de entradas abrangendo um maior número de aplicações; e geração de regras lingüísticas como produto de seu treinamento. Entretanto, este modelo ainda necessita de uma complexa parametrização inicial antes de seu treinamento, impedindo que o processo seja automático em sua totalidade. O novo modelo proposto busca otimizar a parametrização do sistema NFHB utilizando a técnica de coevolução genética, criando assim um novo sistema de mineração de dados completamente automático. O trabalho foi realizado em quatro partes principais: avaliação de sistemas existentes utilizados na mineração de dados; estudo do sistema NFHB e a determinação de seus principais parâmetros; desenvolvimento do sistema híbrido neuro-fuzzy-genético automático para mineração de dados; e o estudo de casos. No estudo dos sistemas existentes para mineração de dados buscou-se encontrar algum modelo que apresentasse bons resultados e ainda fosse passível de automatização. Várias técnicas foram estudadas, entre elas: Métodos Estatísticos, Árvores de Decisão, Associação de Regras, Algoritmos Genéticos, Redes Neurais Artificiais, Sistemas Fuzzy e Sistemas Neuro-Fuzzy. O sistema NFHB foi escolhido como sistema de inferência e extração de regras para a realização da mineração de dados. Deste modo, este modelo foi estudado e seus parâmetros mais importantes foram determinados. Além disso, técnicas de seleção de variáveis de entradas foram investigadas para servirem como opções para o modelo. Ao final, foi obtido um conjunto de parâmetros que deve ser automaticamente determinado para a completa configuração deste sistema. Um modelo coevolutivo genético hierárquico foi criado para realizar com excelência a tarefa de otimização do sistema NFHB. Desta forma, foi modelada uma arquitetura hierárquica de Algoritmos Genéticos (AG s), onde os mesmos realizam tarefas de otimização complementares. Nesta etapa, também foram determinados os melhores operadores genéticos, a parametrização dos AG s, a melhor representação dos cromossomas e as funções de avaliação. O melhor conjunto de parâmetros encontrado é utilizado na configuração do NFHB, tornando o processo inteiramente automático. No estudo de casos, vários testes foram realizados em bases de dados reais e do tipo benchmark. Para problemas de previsão, foram utilizadas séries de carga de energia elétrica de seis empresas: Cerj, Copel, Eletropaulo, Cemig, Furnas e Light. Na área de classificação de padrões, foram utilizadas bases conhecidas de vários artigos da área como Glass Data, Wine Data, Bupa Liver Disorders e Pima Indian Diabetes. Após a realização dos testes, foi feita uma comparação com os resultados obtidos por vários algoritmos e pelo NFHB original, porém com parâmetros determinados por um especialista. Os testes mostraram que o modelo criado obteve resultados bastante satisfatórios, pois foi possível, com um processo completamente automático, obter taxas de erro semelhantes às obtidas por um especialista, e em alguns casos taxas menores. Desta forma, um usuário do sistema, sem qualquer conhecimento técnico sobre os modelos utilizados, pode utilizá-lo para realizar mineração de banco de dados, extraindo informações e até mesmo conhecimento que podem auxiliá-lo em processos de tomada de decisão, o qual é o objetivo final de um processo de Knowledge Data Discovery. / [en] This dissertation presents the proposal and the development of a totally automatic data mining system. The main objective is to create a system that is capable of extracting obscure information from complex databases, without demanding the presence of a technical specialist to configure it. The Hierarchical Neuro-Fuzzy Binary Space Partitioning model (NFHB) has produced excellent results in pattern classification and time series forecasting tasks. Additionally, it provides important features that are not present in other similar systems, such as: automatic learning of its structure; ability to deal with a larger number of input variables, thus increasing the range of possible applications; and generation of linguistic rules as a result of its training process. However, this model depends on a complex configuration process before the training is performed, hindering to achieve a totally automatic system. The model proposed in this Dissertation tries to optimize the NFHB system parameters by using the genetic coevolution technique, thus creating a new automatic data mining system. This work consisted of four main parts: evaluation of existing systems used in data mining; study of the NFHB system and definition of its main parameters; development of the automatic hybrid neuro-fuzzy-genetic system for data mining; and case studies. In the study of existing data mining systems, the aim was to find a suitable model that could yield good results and still be automated. Several techniques have been studied, among them: Statistical methods, Decision Trees, Rules Association, Genetic Algorithms, Artificial Neural Networks, Fuzzy and Neuro- Fuzzy Systems. The NFHB System was chosen for inference and rule extraction in the data mining process. In this way, this model was carefully studied and its most important parameters were determined. Moreover, input variable selection techniques were investigated, to be used with the proposed model. Finally, a set of parameters was defined, which must be determined automatically for the complete system configuration. A hierarchical coevolutive genetic model was created to execute the system optimization task with efficiency. Therefore, a hierarchical architecture of genetic algorithms (GAs) was created, where the GAs execute complementary optimization tasks. In this stage, the best genetic operators, the GAs configuration, the chromossomes representation, and evaluation functions were also determined. The best set of parameters found was used in the NFHB configuration, making the process entirely automatic. In the case studies, various tests were performed with benchmark databases. For forecasting problems, six electric load series were used: Cerj, Copel, Eletropaulo, Cemig, Furnas and Light. In the pattern classification area, some well known databases were used, namely Glass Data, Wine Data, Bupa Liver Disorders and Pima Indian Diabetes. After the tests were carried out, a comparison was made with known models and with the original NFHB System, configured by a specialist. The tests have demonstrated that the proposed model generates satisfactory results, producing, with an automatic process, similar errors to the ones obtained with a specialist configuration, and, in some cases, even better results can be obtained. Therefore, a user without any technical knowledge of the system, can use it to perform data mining, extracting information and knowledge that can help him/her in decision taking processes, which is the final objective of a Knowledge Data Discovery process.

This master thesis present a method for building topological maps for mobile robot navigation using neural network and neural fuzzy network. The master thesis concentrates on classification method. Neural fuzzy network is compared with two neural networks. It was also designed control algorithm exploration environment for autonomous mobile robot. This will rereduce the time to build the map. I developed simulation program in Matlab, which simulate move mobile robot in unknown environment.

Ce travail de thèse explore la mémoire de stimuli émotionnels au cours de quatre études en adoptant une approche pluridisciplinaire chez l’enfant sain et consécutivement à une chirurgie de l’épilepsie du lobe temporal (ELT). Nos objectifs étaient (1) de comparer l’influence des émotions sur la mémoire verbale et non verbale au cours du développement sain et en cas d’ELT, (2) de décrire les bases cérébrales des processus de la mémoire de visages exprimant la peur au cours du développement au moyen de l’IRMf, (3) de s’intéresser à l'impact de l’ELT droit sur ce réseau (4) d’illustrer l’impact d’une chirurgie de l’ELT droite sur la mémoire émotionnelle et les caractéristiques cognitivo-émotionnelles en phase pré- puis post-opératoire. Nos résultats montrent que La reconnaissance mnésique de stimuli émotionnels est perturbée chez les jeunes patients présentant un dysfonctionnement du LTM, sauf pour les visages exprimant la peur. Chez les sujets sains, l’activation de l’amygdale basolatérale qui se met en place au moment de l’adolescence, serait notamment la signature cérébrale du phénomène de modulation émotionnelle des souvenirs associée à la recollection, et la maturation fonctionnelle des structures de la mémoire au sein du lobe temporal médian (LTM) suivrait un gradient caudo-rostral. Des capacités de réorganisation controlatérale sont néanmoins observées chez les patients avec ELT droite, au niveau de l’amygdale et des structures mnésiques du LTM, avec une sur-compensation au niveau du cortex parahippocampique. Ces adaptations permettraient de soutenir la mémoire de visage exprimant la peur sur la base d’un sentiment de familiarité, notamment après le contrôle des crises. Ce travail de thèse a permis de mettre en évidence des résultats novateurs à propos de l’implication du LTM du développement du lien entre mémoire et émotion. / In this multidisciplinary work, four studies were conducted to examine the memory for emotional stimuli in healthy children and post-surgery for temporal lobe epilepsy (TLE). The aims were (1) to compare emotional influences on memory for faces and words in healthy and TLE children, (2) to explore age-related neural networks of fear faces memory with fMRI, (3) to elicit the effect of childhood right-TLE on these developing networks and (4) to illustrate the impact of right-TLE surgery on emotional memory and cognitive-emotional features in a pre- vs. post-surgery case study. Our results show that patients suffering from a MTL dysfunction are impaired in emotional memory, except for fear faces. In heathly participants, emotional modulation of recollected memories is associated with an activation of basolateral amygdala in adolescents and that functional maturation through the mesial temporal lobe (MTL) is characterized by a caudo-rostral gradient. In right-TLE patients, controlateral recovery abilities are nonetheless observed, in amygdala and memory structures in MTL, with an over-activation in parahippocampal cortex. This reorganization would allow sustaining memory for fear faces supported with familiarity process. This thesis highlights new results about MTL involvement in memory-emotions interactions during development.

[pt] Esta dissertação apresenta uma nova proposta de sistemas (modelos) neuro-fuzzy que possuem, além do tradicional aprendizado dos parâmetros, comuns às redes neurais e aos sistemas nero-fuzzy, as seguintes características: aprendizado de estrutura, a partir do uso de particionamentos recursisvos; número maior de entradas que o comumente encontrado nos sistemas neuro-fuzzy; e regras com hierarquia. A definição da estrutura é uma necessidade que surge quando da implementação de um determinado modelo. Pode-se citar o caso das redes neurais, em que se deve determinar (ou arbitrar) a priori sua estrutura (número de camadas e quantidade de neurônios por camadas) antes de qualquer teste. Um método automático de aprendizado da estrutura é, portanto, uma característica importante em qualquer modelo. Um sistema que também permita o uso de um número maior de entradas é interessante para se abranger um maior número de aplicações. As regras com hierarquia são um subproduto do método de aprendizado de estrutura desenvolvido nestes novos modelos. O trabalho envolveu três partes principais: um levantamento sobre os sistemas neuro-fuzzy existentes e sobre os métodos mais comuns de ajuste de parâmetros; a definição e implementação de dois modelos neuro-fuzzy hierárquicos; e o estudo de casos. No estudo sobre os sistemas neuro-fuzzy(SNF) fez-se um levantamento na bibliografia da área sobre as características principais desses sistemas, incluindo suas virtudes e deficiências. Este estudo gerou a proposta de uma taxonomia para os SNF, em função das características fuzzy neurais. Em virtude deste estudo constataram-se limitações quanto à capacidade de criação de sua própria estrutura e quanto ao número reduzido de entradas possíveis. No que se refere aos métodos de ajuste dos parâmetros abordou-se os métodos mais comuns utilizados nos SNF, a saber: o método dos mínimos quadrados com sua solução através de métodos numéricos iterativos; e o método gradient descent e seus derivados como o BackPropagation e o RProp(Resilient BackPropagation). A definição dos dois novos modelos neuro-fuzzy foi feita a partir do estudo das características desejáveis e das limitações dos SNF até então desenvolvidos. Observou-se que a base de regras dos SNF juntamente com os seus formatos de particionamento dos espaços de entrada e saída têm grande influência sobre o desempenho e as limitações destes modelos. Assim sendo, decidiu-se utilizar uma nova forma de particionamento que eliminasse ou reduzisse as limitações existentes- os particionamentos recursivos. Optou-se pelo uso dos particionamentos Quadtree e BSP, gerando os dois modelos NFHQ (Neuro-Fuzzy Hierárquico Quadree) e NFHB (Neiro-Fuzzy Hierárquico BSP). Com o uso de particionamentos obteve-se um nova classe de SNF que permitiu além do aprendizado dos parâmetros, também o aprendizado dos parâmetros. Isto representa um grande diferencial em relação aos SNF tradicionais, além do fato de se conseguir extender o limite do número de entradas possíveis para estes sistemas. No estudo de casos, os dois modelos neurofuzzy hierárquicos foram testados 16 casos diferentes, entre as aplicações benchmarks mais tradicionais da área e problemas com maior número de entradas. Entre os casos estudados estão: o conjunto de dados IRIS; o problema das duas espirais; a previsão da série caótica de Mackey- Glass; alguns sistemas de diagnóstico e classificação gerados a partir de conjuntos de dados comumente utilizados em artigos de machine learning e uma aplicação de previsão de carga elétrica. A implementação dos dois novos modelos neuro-fuzzy foi efetuada em linguagem pascal e com o uso de um compilador de 32 bits para micros da linha PC (Pentium) com sistema operacional DOS 32 bits, Windows, ou Linux. Os testes efetuados demostraram que: esses novos modelos se ajustam bem a qualquer conjunto de dados; geram sua própria estrutura; ajustam seus parâmetros com boa generalização e extraem / [en] This dissertation presents a new proposal of neurofuzzy systems (models), which present, in addition to the learning capacity (which are common to the neural networks and neurofuzzy systems) the following features: learning of the structure; the use of recursive partitioning; a greater number of inputs than usually allowed in neurofuzzy systems; and hierarchical rules. The structure´s definition is needed when implementing a certain model. In the neural network case, for example, one must, first of all, estabilish its structure (number of layers and number of neurons per layers) before any test is performed. So, an important feature for any model is the existence of an automatic learning method for creating its structure. A system that allows a larger number of inputs is also important, in order to extend the range of possible applications. The hierarchical rules feature results from the structure learning method developed for these two models. The work has involved three main parts: study of the existing neurofuzzy systems and of the most commom methods to adjust its parameters; definition and implementation of two hierarchical neurofuzzy models; and case studies. The study of neurofuzzy systems (NFS) was accomplished by creating a survey on this area, including advantages, drawbacks and the main features of NFS. A taxonomy about NFS was then proposed, taking into account the neural and fuzzy features of the existing systems. This study pointed out the limitations of neurofuzzy systems, mainly their poor capability of creating its own structure and the reduced number of allowed inputs. The study of the methods for parameter adjustment has focused on the following algorithms: Least Square estimator (LSE) and its solutions by numerical iterative methods; and the basic gradient descent method and its offsprings such as Backpropagation and Rprop (Resilient Backpropagation). The definition of two new neurofuzzy models was accomplished by considering desirable features and limitations of the existing NFS. It was observed that the partitioning formats and rule basis of the NFS have great influence on its performance and limitations. Thus, the decision to use a new partitioning method to remove or reduce the existing limitations - the recursive partitioning. The Quadtree and BSP partitioning were then adopted, generating the so called Quadree Hierarchical Neurofuzzy model (NFHQ) and the BSP hierarchical Neurofuzzy model (NFHB). By using these kind os partitioning a new class of NFS was obtained allowing the learning of the structure in addition to parameter learning. This Feature represents a great differential in relation to the traditional NFS, besides overcoming the limitation in the number of allowed inputs. In the case studies, the two neurofuzzy models were tested in 16 differents cases, such as traditional benchmarks and problems with a greater number of inputs. Among the cases studied are: the IRIS DATA set; the two spirals problem; the forecasting of Mackey-Glass chaotic time series; some diagnosis and classifications problems, found in papers about machine learning; and a real application involving load forecasting. The implementation of the two new neurofuzzy models was carried out using a 32 bit Pascal compiler for PC microcomputers using DOS or Linux operating system. The tests have shown that: these new models are able to adjust well any data sets; they create its own struture; they adjust its parameters, presenting a good generalization performance; and automatically extract the fuzzy rules. Beyond that, applications with a greater number of inputs for these neurofuzzy models. In short two neurofuzzy models were developed with the capability of structure learning, in addition to parameter learning. Moreover, these new models have good interpretability through hierarchical fuzzy rules. They are not black coxes as the neural networks.