GLM et tests statistiques illustrés

Cette séance de cours couvre le modèle linéaire général (GLM) et les essais statistiques dans le contexte des signaux neuraux et du traitement des signaux. Il explique le modèle théorique, les contrastes, les hypothèses Gauss-Markov, les modèles ajustés, les comparaisons multiples utilisant Bonferroni, le champ aléatoire gaussien, le taux de fausses découvertes (FDR) et l'analyse de la taille des grappes. L'instructeur discute également de l'importance des tests F, de l'analyse de la région d'intérêt, de l'inférence statistique et de l'analyse de groupe. De plus, il se transforme en connectivité fonctionnelle, en IRMf à l'état de repos, en méthodes multivariées comme l'analyse des composantes principales (APC) et la corrélation partielle des moindres carrés, et en l'analyse des modèles de variance (ANOVA).

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (352)

Concepts associés (146)

NX-421: Neural signals and signal processing

Understanding, processing, and analysis of signals and images obtained from the central and peripheral nervous system

Quantification (signal)

En traitement des signaux, la quantification est le procédé qui permet d'approcher un signal continu par les valeurs d'un ensemble discret d'assez petite taille. On parle aussi de quantification pour approcher un signal à valeurs dans un ensemble discret de grande taille par un ensemble plus restreint. L'application la plus courante de la quantification est la conversion analogique-numérique mais elle doit le développement de sa théorie aux problèmes de quantification pour la compression de signaux audio ou .

Neural network

A neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.

Échantillonnage (signal)

L'échantillonnage consiste à prélever les valeurs d'un signal à intervalles définis, généralement réguliers. Il produit une suite de valeurs discrètes nommées échantillons. L'application la plus courante de l'échantillonnage est aujourd'hui la numérisation d'un signal variant dans le temps, mais son principe est ancien. Depuis plusieurs siècles, on surveille les mouvements lents en inscrivant, périodiquement, les valeurs relevées dans un registre : ainsi des hauteurs d'eau des marées ou des rivières, de la quantité de pluie.

Physical neural network

A physical neural network is a type of artificial neural network in which an electrically adjustable material is used to emulate the function of a neural synapse or a higher-order (dendritic) neuron model. "Physical" neural network is used to emphasize the reliance on physical hardware used to emulate neurons as opposed to software-based approaches. More generally the term is applicable to other artificial neural networks in which a memristor or other electrically adjustable resistance material is used to emulate a neural synapse.

Downsampling (signal processing)

In digital signal processing, downsampling, compression, and decimation are terms associated with the process of resampling in a multi-rate digital signal processing system. Both downsampling and decimation can be synonymous with compression, or they can describe an entire process of bandwidth reduction (filtering) and sample-rate reduction. When the process is performed on a sequence of samples of a signal or a continuous function, it produces an approximation of the sequence that would have been obtained by sampling the signal at a lower rate (or density, as in the case of a photograph).

Optimisation des systèmes neuroprothétiques NX-421: Neural signals and signal processing

Explore l'optimisation des systèmes neuroprothétiques, y compris la restauration de rétroaction sensorielle et les stratégies de stimulation neuronale.

Signalisation neuronale et traitement des signaux NX-421: Neural signals and signal processing

Déplacez-vous en signaux neuronaux, GLM, ANOVA, cartographie cérébrale, connectivité et méthodes multivariées.

Signalisation neuronale et traitement des signaux NX-421: Neural signals and signal processing

Explore les signaux neuraux, le contrôle EMG, les synergies musculaires et HD-EMG pour les prothèses.

Signalisation neuronale et traitement des signaux NX-421: Neural signals and signal processing

Explore les signaux neuraux, le traitement EMG, les synergies musculaires et le contrôle de la prothèse à l'aide de techniques avancées de traitement des signaux.

Signal neuronal et traitement des signaux : méthodes et conceptions NX-421: Neural signals and signal processing

Explore les méthodes de traitement du signal neuronal, les conceptions de l'IRMf, l'analyse GLM et le contrôle de la qualité.