• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 2
  • 2
  • Tagged with
  • 4
  • 4
  • 2
  • 2
  • 2
  • 2
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
1

Développement d'un système d'avertissemment sonore, validé par EEG, basé sur des approches vision et acoustique pour la detection de véhicules approchants des véhicules moteur deux roues / Visual and acoustic techniques for motorcycle collision warning system with EEG validation

Muzammel, Muhammad 03 July 2018 (has links)
Dans de nombreux pays, le taux de mortalité des motocyclistes est beaucoup plus élevé que celui des autres conducteurs de véhicules. Parmi de nombreux autres facteurs, les collisions arrière des motocyclettes contribuent fortement à ces décès de motards. Les systèmes de détection de collision peuvent être utilisés pour minimiser ces accidents mortels. Cependant, la plupart des systèmes de détection de collision existants n'identifient pas le type de danger potentiel auquel sont exposés les motocyclistes. Chaque système d'alerte de collision utilise une technique de détection de collision distincte, ce qui limite ses performances et rend impératif l'étude de son efficacité. Malheureusement, aucun travail de ce type n'a été signalé dans ce domaine particulier pour les motocyclistes. Par conséquent, il est important d'étudier la réponse physiologique du motocycliste contre ces systèmes d'alerte de collision. Dans cette recherche, une méthode de détection et de classification des véhicules approchant par l'arrière est présentée. Pour la détection de collision, une approche basee vision et la technique basee sur le son ont été utilisées. Pour les techniques visuelles et acoustiques, des caractéristiques d'apparence et de spectre de puissance ont été utilisées, respectivement, pour détecter le véhicule qui s'approche à l'extrémité arrière de la motocyclette. En ce qui concerne la classification des véhicules, seule une technique acoustique est utilisée; un spectre de puissance acoustique et des caractéristiques énergétiques sont utilisés pour classer les véhicules qui approchent. Deux types d'ensembles de données, à savoir des ensembles de données acquises durant ce travail (obtenues en plaçant une caméra à l'arrière d'une motocyclette) et des ensembles de données disponibles telechargeables (pour la détection visuelle et pour la classification audio des véhicules) sont utilisés pour la validation. La méthodologie proposée a permis de détecter et de classer les véhicules pour des ensembles de données acquises durent cette these. De même, pour les ensembles de données disponibles , le taux positif vrai le plus élevé et le taux de détection faux le plus faible ont été atteints par rapport aux méthodes de l etat de l art. En outre, une étude physiologique basée sur le potentiel lié à l'événement (ERP) a été réalisée sur les motocyclistes afin d'étudier leurs réponses vis-à-vis du système d'alerte de collision arrière. Deux types d'avertissements auditifs (c'est-à-dire verbal et buzzer) sont utilisés pour ce système d'avertissement. Pour étudier la réponse des motocyclistes, les composantes N1, N2, P3 et N400 ont été extraits des données d'électroencéphalographie (EEG). Ces systèmes d avertissement ont montré des effets positifs au niveau des neuronal sur les motocyclistes et réduisent leur temps de réaction et les ressources attentionnelles nécessaires pour traiter correctement la cible. En résumé, le système d'avertissement de collision par l'arrière proposé avec des avertissements verbaux auditifs augmente considérablement la vigilance du motocycliste et peut être utile pour éviter les scénarios possibles de collision arrière. / In many countries, motorcyclist fatality rate is much higher than that of other vehicle drivers. Among many other factors, motorcycle rear-end collisions are also contributing to these biker fatalities. Collision detection systems can be used to minimize these fatalities. However, most of the existing collision detection systems do not identify the type of potential hazard faced by motorcyclists. Every collision warning system used a distinctive collision detection technique, which limits its performance and makes it imperative to study its effectiveness. Unfortunately, no such work has been reported in that particular domain for motorcyclists. Therefore, it is important to study the physiological response of the motorcyclist against these collision warning systems. In this research, a rear end vehicle detection and classification method is presented for motorcyclists. For collision detection, vision technique and acoustic technique have been used. For visual and acoustic techniques, appearance features and power spectrum have been used, respectively, to detect the approaching vehicle at the rear end of the motorcycle. As for the vehicle classification, only an acoustic technique is utilized; an acoustic power spectrum and energy features are used to classify the approaching vehicles. Two types of datasets which are comprised of self-recorded datasets (obtained by placing a camera at the rear end of a motorcycle) and online datasets (for vision-based vehicle detection and for audio based vehicle classification techniques) are used for validation. Proposed methodology successfully detected and classified the vehicle for self-recorded datasets. Similarly, for online datasets, the higher true positive rate and less false detection rate has been achieved as compared to the existing state of the art methods. Moreover, an event-related potential (ERP) based physiological study has been performed on motorcyclists to investigate their responses towards the rear end collision warning system. Two types of auditory warnings (i.e., verbal and buzzer) are used for this warning system. To study the response of the motorcyclists, the N1, N2, P3, and N400 components have been extracted from the Electroencephalography (EEG) data. These introduced systems have shown positive effects at neural levels on motorcyclists and reduce their reaction time and attentional resources required for processing the target correctly. In summary, the proposed rear-end collision warning system with auditory verbal warnings significantly increases the alertness of the motorcyclist and can be helpful to avoid the possible rear-end collision scenarios.
2

Compression, analyse et visualisation des signaux physiologiques (EEG) appliqués à la télémedecine / Compression, analysis and visualization of EEG signals applied to telemedicine

Dhif, Imen 13 December 2017 (has links)
En raison de la grande quantité d’EEG acquise sur plusieurs journées, une technique de compression efficace est nécessaire. Le manque des experts et la courte durée des crises encouragent la détection automatique des convulsions. Un affichage uniforme est obligatoire pour assurer l’interopérabilité et la lecture des examens EEG transmis. Le codeur certifié médical WAAVES fournit des CR élevés et assure une qualité de diagnostic d’image. Durant nos travaux, trois défis sont révélés : adapter WAAVES à la compression des signaux, détecter automatiquement les crises épileptiques et assurer l’interopérabilité des afficheurs EEG. L’étude du codeur montre qu’il est incapable de supprimer la corrélation spatiale et de compresser des signaux monodimensionnels. Par conséquent, nous avons appliqué l’ICA pour décorréler les signaux, la mise en échelle pour redimensionner les valeurs décimales et la construction d’image. Pour garder une qualité de diagnostic avec un PDR inférieur à 7%, nous avons codé le résidu. L’algorithme de compression EEGWaaves proposé a atteint des CR de l’ordre de 56. Ensuite, nous avons proposé une méthode d’extraction des caractéristiques des signaux EEG basée sur un nouveau modèle de calcul de la prédiction énergétique (EAM) des signaux. Ensuite, des paramètres statistiques ont été calculés et les Réseaux de Neurones ont été appliqués pour détecter les crises épileptiques. Cette méthode nous a permis d’atteindre de meilleure sensibilité allant jusqu’à 100% et une précision de 99.44%. Le dernier chapitre détaille le déploiement de notre afficheur multi-plateforme des signaux physiologiques. Il assure l’interopérabilité des examens EEG entre les hôpitaux. / Due to the large amount of EEG acquired over several days, an efficient compression technique is necessary. The lack of experts and the short duration of epileptic seizures require the automatic detection of these seizures. Furthermore, a uniform viewer is mandatory to ensure interoperability and a correct reading of transmitted EEG exams. The certified medical image WAAVES coder provides high compression ratios CR while ensuring image quality. During our thesis, three challenges are revealed : adapting WAAVES coder to the compression of the EEG signals, detecting automatically epileptic seizures in an EEG signal and ensure the interoperability of the displays of EEG exams. The study of WAAVES shows that this coder is unable to remove spatial correlation and to compress directly monodimensional signals. Therefore, we applied ICA to decorrelate signals, a scaling to resize decimal values, and image construction. To keep a diagnostic quality with a PDR less than 7%, we coded the residue. The proposed compression algorithm EEGWaaves has achieved CR equal to 56. Subsequently, we proposed a new method of EEG feature extraction based on a new calculation model of the energy expected measurement (EAM) of EEG signals. Then, statistical parameters were calculated and Neural Networks were applied to classify and detect epileptic seizures. Our method allowed to achieve a better sensitivity up to 100% and an accuracy of 99.44%. The last chapter details the deployment of our multiplatform display of physiological signals by meeting the specifications established by doctors. The main role of this software is to ensure the interoperability of EEG exams between healthcare centers.
3

Analyse de distributions spatio-temporelles de transitoires dans des signaux vectoriels. Application à la détection-classification d'activités paroxystiques intercritiques dans des observations EEG

Bourien, Jérôme 20 December 2003 (has links) (PDF)
Les signaux électroencéphalographiques enregistrés chez les patients épileptiques reflètent, en dehors des périodes correspondant aux crises d'épilepsie, des signaux transitoires appelés "activités épileptiformes" (AE). L'analyse des AE peut contribuer à l'étude des épilepsies partielles pharmaco-résistantes. Une méthode de caractérisation de la dynamique spatio-temporelle des AE dans des signaux EEG de profondeur est présentée dans ce document. La méthode est constituée de quatre étapes:<br /><br />1. Détection des AE monovoie. La méthode de détection, qui repose sur une approche heuristique, utilise un banc de filtres en ondelettes pour réhausser la composante pointue des AE (généralement appelée "spike" dans la littérature). La valeur moyenne des statistiques obtenues en sortie de chaque filtre est ensuite analysée avec un algorithme de Page-Hinkley dans le but de détecter des changements abrupts correspondant aux spikes.<br /><br />2. Fusion des AE. Cette procédure recherche des co-occurrences entre AE monovoie à l'aide d'une fenêtre glissante puis forme des AE multivoies.<br /><br />3. Extraction des sous-ensembles de voies fréquement et significativement activées lors des AE multivoies (appelés "ensembles d'activation").<br /><br />4. Evaluation de l'éxistence d'un ordre d'activation temporel reproductible (éventuellement partiel) au sein de chaque ensemble d'activation.<br /><br />Les méthodes proposées dans chacune des étapes ont tout d'abord été évaluées à l'aide de signaux simulés (étape 1) ou à l'aide de models Markoviens (étapes 2-4). Les résultats montrent que la méthode complète est robuste aux effets des fausses-alarmes. Cette méthode a ensuite été appliquée à des signaux enregistrés chez 8 patients (chacun contenant plusieurs centaines d'AE). Les résultats indiquent une grande reproductibilité des distributions spatio-temporelles des AE et ont permis l'identification de réseaux anatomo-fonctionnels spécifiques.
4

Study and experimentation of cognitive decline measurements in a virtual reality environment

Dakoure, Caroline 05 1900 (has links)
À l’heure où le numérique s’est totalement imposé dans notre quotidien, nous pouvons nous demander comment évolue notre bien-être. La réalité virtuelle hautement immersive permet de développer des environnements propices à la relaxation qui peuvent améliorer les capacités cognitives et la qualité de vie de nombreuses personnes. Le premier objectif de cette étude est de réduire les émotions négatives et améliorer les capacités cognitives des personnes souffrant de déclin cognitif subjectif (DCS). À cette fin, nous avons développé un environnement de réalité virtuelle appelé Savannah VR, où les participants ont suivi un avatar à travers une savane. Nous avons recruté dix-neuf personnes atteintes de DCS pour participer à l’expérience virtuelle de la savane. Le casque Emotiv Epoc a capturé les émotions des participants pendant toute l’expérience virtuelle. Les résultats montrent que l’immersion dans la savane virtuelle a réduit les émotions négatives des participants et que les effets positifs ont continué par la suite. Les participants ont également amélioré leur performance cognitive. La confusion se manifeste souvent au cours de l’apprentissage lorsque les élèves ne comprennent pas de nouvelles connaissances. C’est un état qui est également très présent chez les personnes atteintes de démence à cause du déclin de leurs capacités cognitives. Détecter et surmonter la confusion pourrait ainsi améliorer le bien-être et les performances cognitives des personnes atteintes de troubles cognitifs. Le deuxième objectif de ce mémoire est donc de développer un outil pour détecter la confusion. Nous avons mené deux expérimentations et obtenu un modèle d’apprentissage automatique basé sur les signaux du cerveau pour reconnaître quatre niveaux de confusion (90% de précision). De plus, nous avons créé un autre modèle pour reconnaître la fonction cognitive liée à la confusion (82 % de précision). / At a time when digital technology has become an integral part of our daily lives, we can ask ourselves how our well-being is evolving. Highly immersive virtual reality allows the development of environments that promote relaxation and can improve the cognitive abilities and quality of life of many people. The first aim of this study is to reduce the negative emotions and improve the cognitive abilities of people suffering from subjective cognitive decline (SCD). To this end, we have developed a virtual reality environment called Savannah VR, where participants followed an avatar across a savannah. We recruited nineteen people with SCD to participate in the virtual savannah experience. The Emotiv Epoc headset captured their emotions for the entire virtual experience. The results show that immersion in the virtual savannah reduced the negative emotions of the participants and that the positive effects continued afterward. Participants also improved their cognitive performance. Confusion often occurs during learning when students do not understand new knowledge. It is a state that is also very present in people with dementia because of the decline in their cognitive abilities. Detecting and overcoming confusion could thus improve the well-being and cognitive performance of people with cognitive impairment. The second objective of this paper is, therefore, to develop a tool to detect confusion. We conducted two experiments and obtained a machine learning model based on brain signals to recognize four levels of confusion (90% accuracy). In addition, we created another model to recognize the cognitive function related to the confusion (82% accuracy).

Page generated in 0.057 seconds