{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:1173"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:1173","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Critères spatial et spectral pour la détection des fuseaux du sommeil en EEG","abstract":"Les fuseaux du sommeil sont des oscillations relativement rapides d’environ une seconde qui caractérisent le stade 2 du sommeil observé en EEG. Cette activité sporadique aurait un rôle dans la protection du sommeil et les processus de mémoire et de plasticité cérébrale. Plusieurs détecteurs automatiques ont été proposés pour assister ou remplacer l’expert dans l’identification des fuseaux. La problématique persistante est que ces algorithmes détectent en général trop d’évènements et que le compromis entre sensibilité (Se) et spécificité (Sp) est délicat à atteindre. Dans le présent travail, on propose un détecteur semi-automatique et supervisé qui ajoute une phase de spécificité spatiale et fréquentielle à une phase sensible basée sur des critères validés dans la littérature. Dans la phase sensible, les évènements candidats sélectionnés (bande 10Hz-16Hz) sont ceux dont les caractéristiques d’amplitude et de rapport spectral rejettent une hypothèse nulle (p < 0.1), soit l’évènement considéré n’est pas un fuseau. Cette hypothèse nulle est construite à partir des évènements se manifestant durant les stades REM identifiés par un expert. Dans la phase spécifique, une classification hiérarchique des candidats est faite sur les caractéristiques de fréquence et de position spatiale (axe antéro-postérieur). La classe sélectionnée est celle regroupant la majorité d’un ensemble de fuseaux marqués par l’expert. À la première phase, on obtient Se = 93.2% et Sp = 89.0%. À la deuxième phase, on obtient Se = 85.4% et Sp = 95.5%. Les résultats suggèrent que l’aspect spatio-fréquentiel est caractéristique des fuseaux et peut contribuer à perfectionner les méthodes de détection automatique.","abstract_html":"Les fuseaux du sommeil sont des oscillations relativement rapides d’environ une seconde qui caractérisent le stade 2 du sommeil observé en EEG. Cette activité sporadique aurait un rôle dans la protection du sommeil et les processus de mémoire et de plasticité cérébrale. Plusieurs détecteurs automatiques ont été proposés pour assister ou remplacer l’expert dans l’identification des fuseaux. La problématique persistante est que ces algorithmes détectent en général trop d’évènements et que le compromis entre sensibilité (Se) et spécificité (Sp) est délicat à atteindre. Dans le présent travail, on propose un détecteur semi-automatique et supervisé qui ajoute une phase de spécificité spatiale et fréquentielle à une phase sensible basée sur des critères validés dans la littérature. Dans la phase sensible, les évènements candidats sélectionnés (bande 10Hz-16Hz) sont ceux dont les caractéristiques d’amplitude et de rapport spectral rejettent une hypothèse nulle (p &lt; 0.1), soit l’évènement considéré n’est pas un fuseau. Cette hypothèse nulle est construite à partir des évènements se manifestant durant les stades REM identifiés par un expert. Dans la phase spécifique, une classification hiérarchique des candidats est faite sur les caractéristiques de fréquence et de position spatiale (axe antéro-postérieur). La classe sélectionnée est celle regroupant la majorité d’un ensemble de fuseaux marqués par l’expert. À la première phase, on obtient Se = 93.2% et Sp = 89.0%. À la deuxième phase, on obtient Se = 85.4% et Sp = 95.5%. Les résultats suggèrent que l’aspect spatio-fréquentiel est caractéristique des fuseaux et peut contribuer à perfectionner les méthodes de détection automatique.","abstract_has_math":false,"creators":["Godbout, Jonathan"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2013,"date_issued":"2013-05-15","date_published":"2013-05-15","updated_at":"2026-11-18T22:06:10Z","subjects":["Sommeil. Électroencéphalographie. Rythme sigma. classification, critère, détection, fréquence, hiérarchique, spatial, spectral, temps, fuseaux du sommeil"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE1173"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE1173","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/1173/1/GODBOUT_Jonathan.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A1173","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Godbout, Jonathan"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2013-05-15"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Sommeil. Électroencéphalographie. Rythme sigma. classification, critère, détection, fréquence, hiérarchique, spatial, spectral, temps, fuseaux du sommeil"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE1173","https://espace.etsmtl.ca/id/eprint/1173/1/GODBOUT_Jonathan.pdf","https://espace.etsmtl.ca/id/eprint/1173/2/GODBOUT_Jonathan-web.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Les fuseaux du sommeil sont des oscillations relativement rapides d’environ une seconde qui caractérisent le stade 2 du sommeil observé en EEG. Cette activité sporadique aurait un rôle dans la protection du sommeil et les processus de mémoire et de plasticité cérébrale. Plusieurs détecteurs automatiques ont été proposés pour assister ou remplacer l’expert dans l’identification des fuseaux. La problématique persistante est que ces algorithmes détectent en général trop d’évènements et que le compromis entre sensibilité (Se) et spécificité (Sp) est délicat à atteindre. Dans le présent travail, on propose un détecteur semi-automatique et supervisé qui ajoute une phase de spécificité spatiale et fréquentielle à une phase sensible basée sur des critères validés dans la littérature. Dans la phase sensible, les évènements candidats sélectionnés (bande 10Hz-16Hz) sont ceux dont les caractéristiques d’amplitude et de rapport spectral rejettent une hypothèse nulle (p < 0.1), soit l’évènement considéré n’est pas un fuseau. Cette hypothèse nulle est construite à partir des évènements se manifestant durant les stades REM identifiés par un expert. Dans la phase spécifique, une classification hiérarchique des candidats est faite sur les caractéristiques de fréquence et de position spatiale (axe antéro-postérieur). La classe sélectionnée est celle regroupant la majorité d’un ensemble de fuseaux marqués par l’expert. À la première phase, on obtient Se = 93.2% et Sp = 89.0%. À la deuxième phase, on obtient Se = 85.4% et Sp = 95.5%. Les résultats suggèrent que l’aspect spatio-fréquentiel est caractéristique des fuseaux et peut contribuer à perfectionner les méthodes de détection automatique."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Critères spatial et spectral pour la détection des fuseaux du sommeil en EEG"]}]}],"canonical_facts":{"dc:creator":["Godbout, Jonathan"],"dc:date":["2013-05-15"],"dc:description":["Les fuseaux du sommeil sont des oscillations relativement rapides d’environ une seconde qui caractérisent le stade 2 du sommeil observé en EEG. Cette activité sporadique aurait un rôle dans la protection du sommeil et les processus de mémoire et de plasticité cérébrale. Plusieurs détecteurs automatiques ont été proposés pour assister ou remplacer l’expert dans l’identification des fuseaux. La problématique persistante est que ces algorithmes détectent en général trop d’évènements et que le compromis entre sensibilité (Se) et spécificité (Sp) est délicat à atteindre. Dans le présent travail, on propose un détecteur semi-automatique et supervisé qui ajoute une phase de spécificité spatiale et fréquentielle à une phase sensible basée sur des critères validés dans la littérature. Dans la phase sensible, les évènements candidats sélectionnés (bande 10Hz-16Hz) sont ceux dont les caractéristiques d’amplitude et de rapport spectral rejettent une hypothèse nulle (p < 0.1), soit l’évènement considéré n’est pas un fuseau. Cette hypothèse nulle est construite à partir des évènements se manifestant durant les stades REM identifiés par un expert. Dans la phase spécifique, une classification hiérarchique des candidats est faite sur les caractéristiques de fréquence et de position spatiale (axe antéro-postérieur). La classe sélectionnée est celle regroupant la majorité d’un ensemble de fuseaux marqués par l’expert. À la première phase, on obtient Se = 93.2% et Sp = 89.0%. À la deuxième phase, on obtient Se = 85.4% et Sp = 95.5%. Les résultats suggèrent que l’aspect spatio-fréquentiel est caractéristique des fuseaux et peut contribuer à perfectionner les méthodes de détection automatique."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE1173","https://espace.etsmtl.ca/id/eprint/1173/1/GODBOUT_Jonathan.pdf","https://espace.etsmtl.ca/id/eprint/1173/2/GODBOUT_Jonathan-web.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["Sommeil. Électroencéphalographie. Rythme sigma. classification, critère, détection, fréquence, hiérarchique, spatial, spectral, temps, fuseaux du sommeil"],"dc:title":["Critères spatial et spectral pour la détection des fuseaux du sommeil en EEG"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:06:10Z"}