Σκοπός είναι να ερευνηθεί αν οι μετρήσεις του Πάχος του Ενδοθηλίου των Κοινών Καρωτίδων (ΠΕΚΚΑ) σε ασθενείς με Αγγειακό Εγκεφαλικό Επεισόδιο (ΑΕΕ) σχετίζονται με την άμεση ή μακροπρόθεση έκβαση του ΑΕΕ, με την μελλοντική εμφάνιση νοητικής έκπτωσης ή κατάθλιψης και με την υποτροπή του ΑΕΕ. ΜΕΘΟΔΟΙ: 284 ασθενείς με πρώτο ισχαιμικό ΑΕΕ που υποβλήθηκαν σε υπερηχογραφική μέτρηση του ΠΕΚΚΑ στην οξεία φάση, παρακολουθήθηκαν για ένα χρόνο. Η άμεση έκβαση εκτιμήθηκε κατά την έξοδο, ενώ η μακροπρόθεσμη έκβαση, η νοητική και συναισθηματική κατάσταση εκτιμήθηκαν μετά από 12 μήνες. Επίσης καταγράφηκαν οι υποτροπές στη διάρκεια του πρώτου χρόνου. ΑΠΟΤΕΛΕΣΜΑΤΑ: το ΠΕΚΚΑ δε συσχετιζόταν με την άμεση ή μακροπρόθεσμη έκβαση του ΑΕΕ ούτε με την ύπαρξη κατάθλιψης ένα χρόνο αργότερα. Αντίθετα, αυξημένες τιμές ΠΕΚΚΑ σχετίζονταν σημαντικά και ανεξάρτητα τόσο με την ύπαρξη νοητικής έκπτωσης 12 μήνες αργότερα όσο και με τoν κίνδυνο υποτροπής του ΑΕΕ κατά τη διάρκεια του πρώτου χρόνου. ΣΥΜΠΕΡΑΣΜΑ: οι μετρήσεις του ΠΕΚΚΑ αμέσως μετά από ισχαιμικό ΑΕΕ μπορεί να χρησιμεύουν στην αναγνώριση ασθενών με αυξημένο κίνδυνο για μελλοντική νοητική έκπτωση ή υποτροπή του ΑΕΕ. / Thesis objective is to investigate whether the measurements of Common Carotid Artery Intima Media Thickness (CCA-imt) in patients with acute stroke are associated with the stroke outcome, either short term or long term, with the future development of post stroke cognitive impairment and post stroke depression and with stroke recurrences within the first year after the stroke. METHODS: 284 consequent patients with first ever ischaemic stroke that underwent carotid ultrasonographic measurement of CCA-imt in the acute phase, were followed-up for one year. The short-term outcome was assessed at discharge. The long-term outcome and the presence of cognitive impairment and depressive symptoms were assessed 12 months later. The number of recurrences within the first year was also recorded. RESULTS: CCA-imt values were not associated with the short- or long-term stroke outcome or the presence of depression one year after the ictus. On the contrary, increased CCA-imt values were significantly and independently associated with cognitive impairment and with the risk of recurrence during the first year. CONCLUSION: measurements of CCA-imt right in the acute phase after an ischaemic stroke can help with the identification of patients in higher risk for future cognitive impairment and stroke recurrence.

No description available.

Les réseaux de neurones à réservoir, dont le principe est de combiner un vaste réseau de neurones fixes avec un apprenant ne possédant aucune forme de mémoire, ont récemment connu un gain en popularité dans les communautés d’apprentissage machine, de traitement du signal et des neurosciences computationelles. Ces réseaux qui peuvent être classés en deux catégories : 1. les réseaux à états échoïques (ESN)[29] dont les activations des neurones sont des réels 2. les machines à états liquides (LSM)[43] dont les neurones possèdent des potentiels d’actions, ont été appliqués à différentes tâches [11][64][49][45][38] dont la génération de séquences mélodiques [30]. Dans le cadre de la présente recherche, nous proposons deux nouveaux modèles à base de réseaux de neurones à réservoir. Le premier est un modèle pour la reconnaissance de rythmes utilisant deux niveaux d’apprentissage, et avec lequel nous avons été en mesure d’obtenir des résultats satisfaisants tant au niveau de la reconnaissance que de la résistance au bruit. Le second modèle sert à l’apprentissage et à la génération de séquences périodiques. Ce modèle diffère du modèle génératif classique utilisé avec les ESN à la fois au niveau de ses entrées, puisqu’il possède une Horloge, ainsi qu’au niveau de l’algorithme d’apprentissage, puisqu’il utilise un algorithme que nous avons spécialement développé pour cette tache et qui se nomme "Orbite". La combinaison de ces deux éléments, nous a permis d’obtenir de bons résultats, pour la génération, le sur-apprentissage et l’extraction de données. Nous pensons également que ce modèle ouvre une fenêtre intéressante vers la réalisation d’un orchestre entièrement virtuel et nous proposons deux architectures possibles que pourrait avoir cet orchestre. Dans la dernière partie de ce travail nous présentons les outils que nous avons développés pour faciliter notre travail de recherche. / Reservoir computing, the combination of a recurrent neural network and one or more memoryless readout units, has seen recent growth in popularity in and machine learning, signal processing and computational neurosciences. Reservoir-based methods have been successfully applied to a wide range of time series problems [11][64][49][45][38] including music [30], and usually can be found in two flavours: Echo States Networks(ESN)[29], where the reservoir is composed of mean rates neurons, and Liquid Sates Machines (LSM),[43] where the reservoir is composed of spiking neurons. In this work, we propose two new models based upon the ESN architecture. The first one is a model for rhythm recognition that uses two levels of learning and with which we have been able to get satisfying results on both recognition and noise resistance. The second one is a model for learning and generating periodic sequences, with this model we introduced a new architecture for generative models based upon ESNs where the reservoir receives inputs from a clock, as well as a new learning algorithm that we called "Orbite". By combining these two elements within our model, we were able to get good results on generation, over-fitting and data extraction. We also believe that a combination of several instances of our model can serve as a basis for the elaboration of an entirely virtual orchestra, and we propose two architectures that this orchestra may have. In the last part of this work, we briefly present the tools that we have developed during our research. / Les fichiers sons qui accompagne mon document sont au format midi. Le programme que nous avons développés pour ce travail est en language Python.

L'objectif de ce travail de thèse est d'étudier d'une part les spécificités de la commande nerveuse lors de la contraction excentrique en explorant les mécanismes impliqués au niveau spinal et d'autre part d'examiner les mécanismes nerveux responsables de la plasticité du système neuromusculaire après un entraînement de force excentrique sous-maximal. A travers ce travail de thèse, nous mettons en évidence la contribution de l'inhibition récurrente à la réduction de l'activation musculaire classiquement observée lors de la contraction excentrique. Par ailleurs, nous montrons que l'inhibition récurrente est majorée lors des contractions sous-maximales indépendamment du mode de contraction. Ces résultats soulignent le rôle important de l'inhibition récurrente dans la spécificité de la commande nerveuse lors de la contraction excentrique. Nous confirmons que le pilotage nerveux de la contraction excentrique peut être modulé par l'entraînement de force excentrique même si les modulations de l'excitabilité spinale semblent dépendre des caractéristiques de l'entraînement. / The purpose of this PhD research is, on the one hand, to study the neural drive specificities during eccentric contractions by exploring the neural mechanisms involved at spinal level and, on the other hand, to examine the neural mechanisms responsible for the modulations of neuromuscular system following a strength submaximal eccentric training. Through this PhD research we highlight the contribution of recurrent inhibition by the Renshaw cell to the decrease of muscular activation typically observed during eccentric contraction. Furthermore, we show that recurrent inhibition is enhanced during submaximal contractions regardless of the contraction type. These results emphasize the important role of recurrent inhibition in the specificity of neural control during eccentric contractions. We confirm that the neural drive of the eccentric contraction may be modulated by eccentric strength training although modulations of spinal excitability seem to depend on the characteristics of training.

This essay deals with translation changes and problems that occur when translating collocations, i.e. sequences of words that are usually combined such as work hard, from Swedish to German. Being an essential part of our communication, collocations are common both in everyday-life and in technical terminology. This qualitative research deals with collocations in scientific texts about children’s literature and aims to increase attention on collocations in the translation process. The term collocation as used here refers to the concept of hierarchical relations between the lexemes of a collocation by the German linguist F. J. Hausmann (1984), distinguishing between bases and collocators. It proved itself useful in the translation process and showed that the translator must pay special attention to the collocator in order to find the equivalent expression in the target language. In doing so he/she is not at all obliged to translate a collocation with the respective target collocation. In fact due to stylistic reasons collocations were replaced by individual lexemes or paraphrases. Referring to Hausmann’s terminology and the studies of Baker (1992) this essay highlights the importance of considering collocations as translation units, i.e. not translating the lexemes of a collocation separately. Furthermore the assumption was disproved that translation errors, e.g. interferences and semantic deficits, are mainly caused when translating collocations to a foreign language. Even translators translating into their mother tongue have to examine collocations carefully to avoid errors that can result in doubts about the quality of the whole translation.

The neural net computer simulations which will be presented here are based on the acceptance of a set of assumptions that for the last twenty years have been expressed in the fields of information processing, neurophysiology and cognitive sciences. First of all, neural networks and their dynamical behaviors in terms of attractors is the natural way adopted by the brain to encode information. Any information item to be stored in the neural net should be coded in some way or another in one of the dynamical attractors of the brain and retrieved by stimulating the net so as to trap its dynamics in the desired item's basin of attraction. The second view shared by neural net researchers is to base the learning of the synaptic matrix on a local Hebbian mechanism. The last assumption is the presence of chaos and the benefit gained by its presence. Chaos, although very simply produced, inherently possesses an infinite amount of cyclic regimes that can be exploited for coding information. Moreover, the network randomly wanders around these unstable regimes in a spontaneous way, thus rapidly proposing alternative responses to external stimuli and being able to easily switch from one of these potential attractors to another in response to any coming stimulus.<p><p>In this thesis, it is shown experimentally that the more information is to be stored in robust cyclic attractors, the more chaos appears as a regime in the back, erratically itinerating among brief appearances of these attractors. Chaos does not appear to be the cause but the consequence of the learning. However, it appears as an helpful consequence that widens the net's encoding capacity. To learn the information to be stored, an unsupervised Hebbian learning algorithm is introduced. By leaving the semantics of the attractors to be associated with the feeding data unprescribed, promising results have been obtained in term of storing capacity. / Doctorat en sciences appliquées / info:eu-repo/semantics/nonPublished

De nombreuses études cliniques ou interventions de lutte ont été faites ou sont en cours en Afrique pour la lutte contre le fléau du paludisme. En zone d'endémie, le paludisme est une maladie récurrente. La revue de littérature indique une application limitée des outils statistiques appropriés existants pour l'analyse des données récurrentes de paludisme. Nous avons mis en oeuvre des méthodes statistiques appropriées pour l'analyse des données répétées d'essais thérapeutiques de paludisme. Nous avons également étudié les mesures répétées d'hémoglobine lors du suivi de traitements antipaludiques en vue d'évaluer la tolérance ou sécurité des médicaments en regroupant les données de 13 essais cliniques.Pour l'analyse du nombre d'épisodes de paludisme, la régression binomiale négative a été mise en oeuvre. Pour modéliser la récurrence des épisodes de paludisme, quatre modèles ont été utilisés : i) Les équations d'estimation généralisées (GEE) utilisant la distribution de Poisson; et trois modèles qui sont une extension du modèle Cox: ii) le modèle de processus de comptage d'Andersen-Gill (AG-CP), iii) le modèle de processus de comptage de Prentice-Williams-Peterson (PWP-CP); et iv) le modèle de Fragilité partagée de distribution gamma. Pour l'analyse de sécurité, c'est-à-dire l'évaluation de l'impact de traitements antipaludiques sur le taux d'hémoglobine ou la survenue de l'anémie, les modèles linéaires et latents généralisés mixtes (« GLLAMM : generalized linear and latent mixed models ») ont été mis en oeuvre. Les perspectives sont l'élaboration de guides de bonnes pratiques de préparation et d'analyse ainsi que la création d'un entrepôt des données de paludisme. / Numerous clinical studies or control interventions were done or are ongoing in Africa for malaria control. For an efficient control of this disease, the strategies should be closer to the reality of the field and the data should be analyzed appropriately. In endemic areas, malaria is a recurrent disease. Repeated malaria episodes are common in African. However, the literature review indicates a limited application of appropriate statistical tools for the analysis of recurrent malaria data. We implemented appropriate statistical methods for the analysis of these data We have also studied the repeated measurements of hemoglobin during malaria treatments follow-up in order to assess the safety of the study drugs by pooling data from 13 clinical trials.For the analysis of the number of malaria episodes, the negative binomial regression has been implemented. To model the recurrence of malaria episodes, four models were used: i) the generalized estimating equations (GEE) using the Poisson distribution; and three models that are an extension of the Cox model: ii) Andersen-Gill counting process (AG-CP), iii) Prentice-Williams-Peterson counting process (PWP-CP); and (iv) the shared gamma frailty model. For the safety analysis, i.e. the assessment of the impact of malaria treatment on hemoglobin levels or the onset of anemia, the generalized linear and latent mixed models (GLLAMM) has been implemented. We have shown how to properly apply the existing statistical tools in the analysis of these data. The prospects of this work remain in the development of guides on good practices on the methodology of the preparation and analysis and storage network for malaria data.

The work in this thesis is separated into two parts. The first part deals with the load planning and sequencing problem for double-stack intermodal railcars, an operational problem found at many rail container terminals. In this problem, containers must be assigned to a platform on which the container will be loaded, and the loading order must be determined. These decisions are made with the objective of minimizing the costs associated with handling the containers, as well as minimizing the cost of containers left behind. The deterministic version of the problem can be cast as a shortest path problem on an ordered graph. This problem is challenging to solve because of the large size of the graph. We propose a two-stage heuristic based on the Iterative Deepening A* algorithm to compute solutions to the load planning and sequencing problem within a five-minute time budget. Next, we also illustrate how a Deep Q-learning algorithm can be used to heuristically solve the same problem.The second part of this thesis considers sequential models in deep learning. A recent strategy to circumvent the exploding and vanishing gradient problem in recurrent neural networks (RNNs) is to enforce recurrent weight matrices to be orthogonal or unitary. While this ensures stable dynamics during training, it comes at the cost of reduced expressivity due to the limited variety of orthogonal transformations. We propose a parameterization of RNNs, based on the Schur decomposition, that mitigates the exploding and vanishing gradient problem, while allowing for non-orthogonal recurrent weight matrices in the model. / Le travail de cette thèse est divisé en deux parties. La première partie traite du problème de planification et de séquencement des chargements de conteneurs sur des wagons, un problème opérationnel rencontré dans de nombreux terminaux ferroviaires intermodaux. Dans ce problème, les conteneurs doivent être affectés à une plate-forme sur laquelle un ou deux conteneurs seront chargés et l'ordre de chargement doit être déterminé. Ces décisions sont prises dans le but de minimiser les coûts associés à la manutention des conteneurs, ainsi que de minimiser le coût des conteneurs non chargés. La version déterministe du problème peut être formulé comme un problème de plus court chemin sur un graphe ordonné. Ce problème est difficile à résoudre en raison de la grande taille du graphe. Nous proposons une heuristique en deux étapes basée sur l'algorithme Iterative Deepening A* pour calculer des solutions au problème de planification et de séquencement de la charge dans un budget de cinq minutes. Ensuite, nous illustrons également comment un algorithme d'apprentissage Deep Q peut être utilisé pour résoudre heuristiquement le même problème. La deuxième partie de cette thèse examine les modèles séquentiels en apprentissage profond. Une stratégie récente pour contourner le problème de gradient qui explose et disparaît dans les réseaux de neurones récurrents (RNN) consiste à imposer des matrices de poids récurrentes orthogonales ou unitaires. Bien que cela assure une dynamique stable pendant l'entraînement, cela se fait au prix d'une expressivité réduite en raison de la variété limitée des transformations orthogonales. Nous proposons une paramétrisation des RNN, basée sur la décomposition de Schur, qui atténue les problèmes de gradient, tout en permettant des matrices de poids récurrentes non orthogonales dans le modèle.

Recurrent neural networks (RNN) are known for their notorious exploding and vanishing gradient problem (EVGP). This problem becomes more evident in tasks where the information needed to correctly solve them exist over long time scales, because it prevents important gradient components from being back-propagated adequately over a large number of steps. The papers written in this work formalizes gradient propagation in parametric and semi-parametric RNNs to gain a better understanding towards the source of this problem. The first paper introduces a simple stochastic algorithm (h-detach) that is specific to LSTM optimization and targeted towards addressing the EVGP problem. Using this we show significant improvements over vanilla LSTM in terms of convergence speed, robustness to seed and learning rate, and generalization on various benchmark datasets. The next paper focuses on semi-parametric RNNs and self-attentive networks. Self-attention provides a way by which a system can dynamically access past states (stored in memory) which helps in mitigating vanishing of gradients. Although useful, it is difficult to scale as the size of the computational graph grows quadratically with the number of time steps involved. In the paper we describe a relevancy screening mechanism, inspired by the cognitive process of memory consolidation, that allows for a scalable use of sparse self-attention with recurrence while ensuring good gradient propagation. / Les réseaux de neurones récurrents (RNN) sont connus pour leur problème de gradient d'explosion et de disparition notoire (EVGP). Ce problème devient plus évident dans les tâches où les informations nécessaires pour les résoudre correctement existent sur de longues échelles de temps, car il empêche les composants de gradient importants de se propager correctement sur un grand nombre d'étapes. Les articles écrits dans ce travail formalise la propagation du gradient dans les RNN paramétriques et semi-paramétriques pour mieux comprendre la source de ce problème. Le premier article présente un algorithme stochastique simple (h-detach) spécifique à l'optimisation LSTM et visant à résoudre le problème EVGP. En utilisant cela, nous montrons des améliorations significatives par rapport au LSTM vanille en termes de vitesse de convergence, de robustesse au taux d'amorçage et d'apprentissage, et de généralisation sur divers ensembles de données de référence. Le prochain article se concentre sur les RNN semi-paramétriques et les réseaux auto-attentifs. L'auto-attention fournit un moyen par lequel un système peut accéder dynamiquement aux états passés (stockés en mémoire), ce qui aide à atténuer la disparition des gradients. Bien qu'utile, il est difficile à mettre à l'échelle car la taille du graphe de calcul augmente de manière quadratique avec le nombre de pas de temps impliqués. Dans l'article, nous décrivons un mécanisme de criblage de pertinence, inspiré par le processus cognitif de consolidation de la mémoire, qui permet une utilisation évolutive de l'auto-attention clairsemée avec récurrence tout en assurant une bonne propagation du gradient.

No description available.