Actuellement la connaissance objectif de dispositifs magnétomécaniques est achevée par diverses approches complémentaires . D'une part l'approche physique avec ses formulations mathématiques des forces magnétiques. D'autre part, les approches multiphysiques afin d'aboutir à une connaissance plus fine, et plus réelle, des phénomènes physiques associés aux interactions qui agissent dans le dispositifs. Et finalement, l'approche interdisciplinaire qui tiendrait en compte le cycle de vie du produit, l'éco-conception. Une conception d'un micromoteur ultra rapide à aimantation induite et flux axial est présentée dans ce mémoire avec l'approche physique montrant les limites de celle-ci . Partant donc de l'approche physique, une nouvelle méthode tensorielle générale est développée comme apport à une modélisation multiphysique de dispositifs magnétomécaniques, regroupant ainsi les diverses formulations numériques de forces magnétiques. Une caractérisation du nouveau tenseur est présentée et appliquée pour le calcul des forces sur des milieux en contact. / Currently the goal of knowledge magnetomechanical devices is completed by means of several complementary approaches. On one hand the physical approach with mathematical formulations of magnetic forces. On the other hand, multiphysics approaches to achieve a deeper insight and more real, physical phenomena associated with interactions that act in the devices. And finally, the interdisciplinary approach that takes into account the lifecycle of the product, so called eco-design. A design of a ultra fast micromotor with induced magnetization and axial flux is presented in this paper with the physical approach showing the restrictions thereof. Accordingly therefore, the physical approach, a new tensor method is developed as a general contribution to a multiphysics modeling of magnetomechanical devices, bringing together the various numerical formulations of magnetic forces. A characterization of the new tensor is presented and applied to calculate the forces on bodies in contact.

Dans cette thèse, nous explorons de nouvelles méthodes d’analyse d’images pour la détection précoce des changements métaboliques cérébraux causés par la maladie d’Alzheimer. Nous introduisons deux apports méthodologiques que nous appliquons à un ensemble de données réelles. Le premier est basé sur l’apprentissage automatique afin de créer une carte des informations pertinentes pour la classification d'un ensemble d’images. Pour cela nous échantillonnons des blocs de Voxels selon un algorithme de Monte-Carlo. La mise en œuvre d’une classification basée sur ces patchs 3d a pour conséquence la réduction significative du volume de patchs à traiter et l’extraction de caractéristiques dont l’importance est statistiquement quantifiable. Cette méthode s’applique à différentes caractéristiques et est adaptée à des types d’images variés. La résolution des cartes produites par cette méthode peut être affinée à volonté et leur contenu informatif est cohérent avec des résultats antérieurs obtenus dans la littérature. Le second apport méthodologique porte sur la conception d’un nouvel algorithme de décomposition de tenseur d’ordre important, adapté à notre application. Cet algorithme permet de réduire considérablement la consommation de mémoire et donc en évite la surcharge. Il autorise la décomposition rapide de tenseurs, y compris ceux de dimensions très déséquilibrées. Nous appliquons cet algorithme en tant que méthode d’extraction de caractéristiques dans une situation où le clinicien doit diagnostiquer des stades précoces de la maladie d'Alzheimer en utilisant la TEP-FDG seule. Les taux de classification obtenus sont souvent au-dessus des niveaux de l’état de l’art. / In this thesis we want to explore novel image analysis methods for the early detection of metabolic changes in the human brain caused by Alzheimer's disease (AD). We will present two methodological contributions and present their application to a real life data set. We present a machine learning based method to create a map of local distribution of classification relevant information in an image set. The presented method can be applied using different image characteristics which makes it possible to adapt the method to many kinds of images. The maps generated by this method are very localized and fully consistent with prior findings based on Voxel wise statistics. Further we preset an algorithm to draw a sample of patches according to a distribution presented by means of a map. Implementing a patch based classification procedure using the presented algorithm for data reduction we were able to significantly reduce the amount of patches that has to be analyzed in order to obtain good classification results. We present a novel non-negative tensor factorization (NTF) algorithm for the decomposition of large higher order tensors. This algorithm considerably reduces memory consumption and avoids memory overhead. This allows the fast decomposition even of tensors with very unbalanced dimensions. We apply this algorithm as feature extraction method in a computer-aided diagnosis (CAD) scheme, designed to recognize early-stage ad and mild cognitive impairment (MCI) using fluorodeoxyglucose (FDG) positron emission tomography (PET) scans only. We achieve state of the art classification rates.

Reproduction de : Thèse de doctorat : mathématiques appliquées : Grenoble 1 : 1954. / Titre provenant de l'écran-titre. La page [105] constitue la page de titre de : "Analogies dans les systèmes linéaires" mais le texte de cette thèse n'est pas dans le volume. Bibliogr. p. [99]-104.

.

La présence de porosités dans les lingots métalliques représente un problème majeur dans l’industrie des matériaux. En effet, ces porosités altèrent significativement les caractéristiques mécaniques du matériau (ductilité notamment), et sont des sources d’apparition de défauts en mise en forme ou en tenue en service. Pour éliminer ces porosités, les industriels utilisent souvent des procédés de mise forme à chaud tels que le forgeage ou le laminage, mais il est souvent difficile de définir le taux de déformation à appliquer pour refermer entièrement ces porosités. La modélisation numérique s’avère donc être un outil particulièrement intéressant afin d’étudier l’impact des paramètres procédé sur le taux de refermeture de porosités. Dans ce travail, nous avons développé une méthodologie de calibration basée sur des algorithmes d’optimisation et une base de données de 800 simulations à champ complet sur VER, où les paramètres influents sur la refermeture des porosités sont variés (mécaniques et géométriques). Le premier modèle proposé est un modèle scalaire qui s’affranchit de l’hypothèse de chargement axisymétrique, largement utilisée dans la littérature. Le paramètre de Lode a permis avec l’utilisation de la triaxialité des contraintes de définir l’état de contraintes d’une manière unique. Les comparaisons de ce nouveau modèle à trois autres modèles de refermeture de la littérature montrent le gain de précision de ce nouveau modèle scalaire de refermeture. Le deuxième modèle est un modèle tensoriel adapté aux procédés multipasses grâce à l’analyse de la matrice d’inertie de la porosité. Cette matrice sert pour calculer le volume, la forme et l’orientation de la porosité. Ce modèle a été calibré en utilisant une approche basée sur les réseaux de neurones artificiels. La comparaison avec le modèle scalaire et la modélisation en champ complet a montré un gain en précision jusqu’à 35%. Il s’agit là par ailleurs du premier modèle tensoriel proposé dans la littérature. / The presence of voids in ingots is a major issue in the casting industry. These voids decrease materials properties (in particular ductility) and may induce premature failure during metal forming or service life. Hot metal forming processes are therefore used to close these voids and obtain a sound product. However, the amount of deformation required to close these voids is difficult to estimate.Numerical modeling is an interesting tool to study the influence of process parameters on void closure rate. In this work, an optimization-based strategy has been developed to identify the parameters of a mean-field model based on a database of 800 full-field REV simulations with various loading conditions and voids geometry and orientations. The first void closure model is a scalar model that gets rid of the axisymmetric loading hypothesis considered in most models in the literature. The Lode angle, coupled with the stress triaxiality ratio enables to identify the stress state in a unique way. Comparisons of this new model with three other models fromthe literature show the accuracy increase for general loading conditions. In order to address multistages processes, a second model is defined in a tensor version. The ellipsoid void inertia matrix is used to define void’s morphology, orientation and volume. The tensor model predicts the evolution of the inertia terms and its calibration is based on the full-field REV database and on a new Artificial Neural Networks approach. Comparisons were carried out between this tensor model, the scalar model and full-field simulations for multi-stages configurations. These comparisons showed up to 35% accuracy improvement with the tensor model. It is worth mentioning that this is the first attempt to define a void closure tensor model in the literature.

.

L'électroencéphalographie (EEG) est une technique qui est couramment utilisée pour le diagnostic et le suivi de l'épilepsie. L'objectif de cette thèse consiste à fournir des algorithmes pour l'extraction, la séparation, et la localisation de sources épileptiques à partir de données EEG. D'abord, nous considérons deux étapes de prétraitement. La première étape vise à éliminer les artéfacts musculaires à l'aide de l'analyse en composantes indépendantes (ACI). Dans ce contexte, nous proposons un nouvel algorithme par déflation semi-algébrique qui extrait les sources épileptiques de manière plus efficace que les méthodes conventionnelles, ce que nous démontrons sur données EEG simulées et réelles. La deuxième étape consiste à séparer des sources corrélées. A cette fin, nous étudions des méthodes de décomposition tensorielle déterministe exploitant des données espace-temps-fréquence ou espace-temps-vecteur-d'onde. Nous comparons les deux méthodes de prétraitement à l'aide de simulations pour déterminer dans quels cas l'ACI, la décomposition tensorielle, ou une combinaison des deux approches devraient être utilisées. Ensuite, nous traitons la localisation de sources distribuées. Après avoir présenté et classifié les méthodes de l'état de l'art, nous proposons un algorithme pour la localisation de sources distribuées qui s'appuie sur les résultats du prétraitement tensoriel. L'algorithme est évalué sur données EEG simulées et réelles. En plus, nous apportons quelques améliorations à une méthode de localisation de sources basée sur la parcimonie structurée. Enfin, une étude des performances de diverses méthodes de localisation de sources est conduite sur données EEG simulées. / Electroencephalography (EEG) is a routinely used technique for the diagnosis and management of epilepsy. In this context, the objective of this thesis consists in providing algorithms for the extraction, separation, and localization of epileptic sources from the EEG recordings. In the first part of the thesis, we consider two preprocessing steps applied to raw EEG data. The first step aims at removing muscle artifacts by means of Independent Component Analysis (ICA). In this context, we propose a new semi-algebraic deflation algorithm that extracts the epileptic sources more efficiently than conventional methods as we demonstrate on simulated and real EEG data. The second step consists in separating correlated sources that can be involved in the propagation of epileptic phenomena. To this end, we explore deterministic tensor decomposition methods exploiting space-time-frequency or space-time-wave-vector data. We compare the two preprocessing methods using computer simulations to determine in which cases ICA, tensor decomposition, or a combination of both should be used. The second part of the thesis is devoted to distributed source localization techniques. After providing a survey and a classification of current state-of-the-art methods, we present an algorithm for distributed source localization that builds on the results of the tensor-based preprocessing methods. The algorithm is evaluated on simulated and real EEG data. Furthermore, we propose several improvements of a source imaging method based on structured sparsity. Finally, a comprehensive performance study of various brain source imaging methods is conducted on physiologically plausible, simulated EEG data.

.

Dans le cadre du traitement statistique du signal, la plupart des algorithmes couramment utilisés reposent sur l'utilisation de la matrice de covariance des signaux étudiés. En pratique, ce sont les versions adaptatives de ces traitements, obtenues en estimant la matrice de covariance à l'aide d'échantillons du signal, qui sont utilisés. Ces algorithmes présentent un inconvénient : ils peuvent nécessiter un nombre d'échantillons important pour obtenir de bons résultats. Lorsque la matrice de covariance possède une structure rang faible, le signal peut alors être décomposé en deux sous-espaces orthogonaux. Les projecteurs orthogonaux sur chacun de ces sous espaces peuvent alors être construits, permettant de développer des méthodes dites rang faible. Les versions adaptatives de ces méthodes atteignent des performances équivalentes à celles des traitements classiques tout en réduisant significativement le nombre d'échantillons nécessaire. Par ailleurs, l'accroissement de la taille des données ne fait que renforcer l'intérêt de ce type de méthode. Cependant, cet accroissement s'accompagne souvent d'un accroissement du nombre de dimensions du système. Deux types d'approches peuvent être envisagées pour traiter ces données : les méthodes vectorielles et les méthodes tensorielles. Les méthodes vectorielles consistent à mettre les données sous forme de vecteurs pour ensuite appliquer les traitements classiques. Cependant, lors de la mise sous forme de vecteur, la structure des données est perdue ce qui peut entraîner une dégradation des performances et/ou un manque de robustesse. Les méthodes tensorielles permettent d'éviter cet écueil. Dans ce cas, la structure est préservée en mettant les données sous forme de tenseurs, qui peuvent ensuite être traités à l'aide de l'algèbre multilinéaire. Ces méthodes sont plus complexes à utiliser puisqu'elles nécessitent d'adapter les algorithmes classiques à ce nouveau contexte. En particulier, l'extension des méthodes rang faible au cas tensoriel nécessite l'utilisation d'une décomposition tensorielle orthogonale. Le but de cette thèse est de proposer et d'étudier des algorithmes rang faible pour des modèles tensoriels. Les contributions de cette thèse se concentrent autour de trois axes. Un premier aspect concerne le calcul des performances théoriques d'un algorithme MUSIC tensoriel basé sur la Higher Order Singular Value Decomposition (HOSVD) et appliqué à un modèle de sources polarisées. La deuxième partie concerne le développement de filtres rang faible et de détecteurs rang faible dans un contexte tensoriel. Ce travail s'appuie sur une nouvelle définition de tenseur rang faible et sur une nouvelle décomposition tensorielle associée : l'Alternative Unfolding HOSVD (AU-HOSVD). La dernière partie de ce travail illustre l'intérêt de l'approche tensorielle basée sur l'AU-HOSVD, en appliquant ces algorithmes à configuration radar particulière: le Traitement Spatio-Temporel Adaptatif ou Space-Time Adaptive Process (STAP).

Les malformations cardiaques congénitales sont la première cause de décès liés à une anomalie congénitale. L’´electrocardiogramme du fœtus (ECGf), qui est censé contenir beaucoup plus d’informations par rapport aux méthodes échographiques conventionnelles, peut ˆêtre mesuré´e par des électrodes sur l’abdomen de la mère. Cependant, il est tr`es faible et mélangé avec plusieurs sources de bruit et interférence y compris l’ECG de la mère (ECGm) dont le niveau est très fort. Dans les études précédentes, plusieurs méthodes ont été proposées pour l’extraction de l’ECGf à partir des signaux enregistrés par des électrodes placées à la surface du corps de la mère. Cependant, ces méthodes nécessitent un nombre de capteurs important, et s’avèrent inefficaces avec un ou deux capteurs. Dans cette étude trois approches innovantes reposant sur une paramétrisation algébrique, statistique ou par variables d’état sont proposées. Ces trois méthodes mettent en œuvre des modélisations différentes de la quasi-périodicité du signal cardiaque. Dans la première approche, le signal cardiaque et sa variabilité sont modélisés par un filtre de Kalman. Dans la seconde approche, le signal est découpé en fenêtres selon les battements, et l’empilage constitue un tenseur dont on cherchera la décomposition. Dans la troisième approche, le signal n’est pas modélisé directement, mais il est considéré comme un processus Gaussien, caractérisé par ses statistiques à l’ordre deux. Dans les différentes modèles, contrairement aux études précédentes, l’ECGm et le (ou les) ECGf sont modélisés explicitement. Les performances des méthodes proposées, qui utilisent un nombre minimum de capteurs, sont évaluées sur des données synthétiques et des enregistrements réels, y compris les signaux cardiaques des fœtus jumeaux. / Congenital heart defects are the leading cause of birth defect-related deaths. The fetal electrocardiogram (fECG), which is believed to contain much more information as compared with conventional sonographic methods, can be measured by placing electrodes on the mother’s abdomen. However, it has very low power and is mixed with several sources of noise and interference, including the strong maternal ECG (mECG). In previous studies, several methods have been proposed for the extraction of fECG signals recorded from the maternal body surface. However, these methods require a large number of sensors, and are ineffective with only one or two sensors. In this study, state modeling, statistical and deterministic approaches are proposed for capturing weak traces of fetal cardiac signals. These three methods implement different models of the quasi-periodicity of the cardiac signal. In the first approach, the heart rate and its variability are modeled by a Kalman filter. In the second approach, the signal is divided into windows according to the beats. Stacking the windows constructs a tensor that is then decomposed. In a third approach, the signal is not directly modeled, but it is considered as a Gaussian process characterized by its second order statistics. In all the different proposed methods, unlike previous studies, mECG and fECG(s) are explicitly modeled. The performances of the proposed methods, which utilize a minimal number of electrodes, are assessed on synthetic data and actual recordings including twin fetal cardiac signals.