-
Notifications
You must be signed in to change notification settings - Fork 0
/
ae_neurocomp.tex
446 lines (382 loc) · 15.7 KB
/
ae_neurocomp.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
% Copyright (c) 2010 Jérémie DECOCK (http://www.jdhp.org)
% This document is provided under the terms of the "Creative Commons BY-SA"
% license.
% For more details, read "legalcode.html" enclosed file or
% "http://creativecommons.org/licenses/by-sa/2.0/fr/" web page.
%\documentclass[draft]{beamer}
\documentclass{beamer}
\usepackage[utf8]{inputenc}
\usepackage[frenchb]{babel}
\usepackage{subfigure}
\usepackage{listings}
\usepackage{calc}
% listings setup
\lstset{
basicstyle=\small, % print whole listing small
keywordstyle=\color{black}\bfseries\underbar, % underlined bold black keywords
identifierstyle=, % nothing happens
commentstyle=\color{white}, % white comments
stringstyle=\ttfamily, % typewriter type for strings
showstringspaces=false % no special string spaces
}
\title{Les algorithmes évolutionnistes utilisés dans le cadre des
neurosciences computationnelles}
% \author[⟨short author names⟩]{⟨author names⟩}
% The names should be separated using the command \and.
\author[Decock]{Jérémie~\bsc{Decock}}
\institute{UPMC}
\date{29 janvier 2010}
% \subject{⟨text⟩}
% Enters the ⟨text⟩ as the subject text in the pdf document info.
% It currently has no other effect.
\subject{Les algorithmes évolutionnistes utilisés dans le cadre des
neurosciences computationnelles}
% \keywords{⟨text⟩}
% Enters the ⟨text⟩ as keywords in the pdf document info.
% It currently has no other effect.
\keywords{algorithmes évolutionnistes, neurosciences computationnelles}
\begin{document}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
\titlepage
\end{frame}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}{But des neurosciences computationnelles et des algorithmes
évolutionnistes~?}
\begin{block}{Algorithmes évolutionnistes}
Trouver des solutions satisfaisantes à des problèmes d'optimisation
\end{block}
~\\
\begin{block}{Neurosciences computationnelles}
Découvrir les principes computationnels des fonctions cérébrales et de
l'activité neuronale
\end{block}
\end{frame}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}{Plan}
%\tableofcontents
\tableofcontents[sectionstyle=show/show,subsectionstyle=hide/hide/hide]
\end{frame}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{Introduction aux algorithmes évolutionnistes}
\begin{frame}
\begin{center}
{\LARGE Introduction aux algorithmes évolutionnistes}
\end{center}
\end{frame}
\subsection{Introduction aux algorithmes évolutionnistes}
\begin{frame}{Définition}
Les algorithmes évolutionnistes
\begin{itemize}
\item algorithmes stochastiques itératifs
\item résoudre des problèmes d'optimisation
\end{itemize}
\begin{center}
\includegraphics[width=.60\linewidth]{images/metaheuristiques}
\end{center}
\end{frame}
\begin{frame}{Principe}
S'inspire de la théorie synthétique de l'évolution (neodarwinisme)
\begin{itemize}
\item les caractéristiques "innées" sont codées dans les gènes
\item chaque individu a un génotype unique
\item le phénotype de chacun est plus ou moins adapté à
l'environnement
\item les gènes des parents sont croisés pour former le génotype
de leurs enfants lors de la reproduction
\item des mutations peuvent avoir lieu aléatoirement sur le génome
des nouveaux individus
\item les individus dont le phénotype inadapté à leur environnement
ont moins de chance de survivre jusqu'à la reproduction
\end{itemize}
\end{frame}
%\begin{frame}[containsverbatim]{Fonctionnement}
\begin{frame}[fragile]{Fonctionnement}
Parallèle AE/Neodarwinisme
\begin{itemize}
\item individu = une solution potentielle du problème à résoudre
\item genome = le codage des solutions
\end{itemize}
~\\
\begin{lstlisting}[frame=single]
begin Evolutionary computation
t := 0
P(t) := initialize_population()
evaluate(P(t))
while not done do
t := t+1
P'(t) := select_parents(P(t))
crossover(P'(t))
mutate(P'(t))
evaluate(P'(t))
P(t+1) := select_survivals(P'(t),P(t))
end while
end Evolutionary computation
\end{lstlisting}
\end{frame}
\begin{frame}{Fonctionnement}
\begin{center}
\includegraphics[width=.80\linewidth]{images/ae}
\end{center}
\end{frame}
\begin{frame}{Problèmes couverts}
Problèmes d'optimisation~: recherche d'optimums globaux\\
~\\
Forces
\begin{itemize}
\item évitent les optimums locaux
\item facilement transposables sur de nombreux types de problèmes
\item réussissent là où les méthodes déterministes échouent
\begin{itemize}
\item problèmes NP-complet
\item problèmes avec une fonction objectif discontinue et/ou non
dérivable
\end{itemize}
\end{itemize}
~\\
Faiblesses
\begin{itemize}
\item recherche d'optimums \og~satisfaisants~\fg
\item pas de résultat optimal garanti en temps fini
\item on peut trouver des résultats différents à chaque exécution
\item généralement moins rapides que les méthodes déterministe
\end{itemize}
\end{frame}
\begin{frame}{Quels attraits pour les neurosciences computationnelles}
Modèles calculables des fonctions cérébrales et des processus cognitifs\\
~\\
Optimisation sur des modèles
\begin{itemize}
\item dynamiques
\item non dérivables
\item non continus
\item comportant de nombreux paramètres
\end{itemize}
~\\
Recherche d'un optimum global
\end{frame}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{L'utilisation des algorithmes évolutionnistes dans le contexte des
neurosciences computationnelles}
\begin{frame}
\begin{center}
{\LARGE L'utilisation des algorithmes évolutionnistes dans le contexte
des neurosciences computationnelles}
\end{center}
\end{frame}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\subsection{L'analyse et l'optimisation de modèles biologiques}
\begin{frame}{Plan - \secname}
\tableofcontents[sectionstyle=hide/hide,subsectionstyle=show/shaded/hide]
\end{frame}
\begin{frame}{L'analyse et l'optimisation de modèles biologiques}
Le contexte
\begin{itemize}
\item besoin de modèles simulant le comportement des structures
nerveuses
\item pour étudier leurs capacités computationnelles
\item ces modèles sont de plus en plus complexes
\item ils renferment de plus en plus de paramètres à optimiser
\item pour obtenir un modèle fidèle à la réalité
\end{itemize}
~\\
Les algorithmes évolutionnistes permettent d'automatiser cette tâche
\end{frame}
\begin{frame}{L'analyse et l'optimisation de modèles biologiques}
Exemples d'utilisation
\begin{itemize}
\item modélisation des propriétés computationnelles d'un neurone
[KPK05]
\item modélisation de la dynamique du traitement de l'information dans
le neocortex [SIK04]
\item modélisation et simulation des colonnes neocorticales (Blue
Brain Project) [MAR06] [DBG07]
\end{itemize}
\end{frame}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\subsection{L'optimisation de modèles \og~boite noire~\fg}
\begin{frame}{Plan - \secname}
\tableofcontents[sectionstyle=hide/hide,subsectionstyle=show/shaded/hide]
\end{frame}
\begin{frame}{L'optimisation de modèles \og~boite noire~\fg}
Le contexte
\begin{itemize}
\item optimiser les performances d'un modèle
\item sans chercher à comprendre ou interpréter les résultats
(applications pratiques)
\end{itemize}
~\\
Les besoins
\begin{itemize}
\item un outil capable de résoudre n'importe quel type de problème
d'optimisation
\item ayant recours à des fonctions objectif non dérivables et
discontinues
\item qui ne soit pas piégé par un optimum local
\item dont l'implémentation doit être simple et générique
\item évitant tout réglages qui impliquent une compréhension
profonde du problème
\end{itemize}
\end{frame}
\begin{frame}{L'optimisation de modèles \og~boite noire~\fg}
Les algorithmes évolutionnistes répondent à ces attentes\\
~\\
Exemple d'utilisation
\begin{itemize}
\item behavior-based robotics
\begin{itemize}
\item optimisation de modèles des ganglions de la base
[WLCH07]
\item optimisation d'un modèle des formations réticulées
[HGP05]
\end{itemize}
\end{itemize}
\end{frame}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\subsection{L'observation de l'activité cérébrale}
\begin{frame}{Plan - \secname}
\tableofcontents[sectionstyle=hide/hide,subsectionstyle=show/shaded/hide]
\end{frame}
\begin{frame}{L'observation de l'activité cérébrale}
Exemple~: l'électro-encéphalographie (EEG)
\begin{itemize}
\item mesure de l'activité électrique du cerveau
\item renseigne sur l'activité cérébrale du cortex
\item précis dans le temps mais pas dans l'espace
\end{itemize}
~\\
\begin{figure}
\centering
\subfigure{
\includegraphics[width=.40\linewidth,height=.30\linewidth]{images/eeg1}
}~~~
\subfigure{
\includegraphics[width=.40\linewidth,height=.30\linewidth]{images/eeg2}
}
\end{figure}
\end{frame}
\begin{frame}{L'observation de l'activité cérébrale}
Apprentissage automatique
\begin{itemize}
\item classification des signaux enregistrés pour reconnaitre
l'activité cérébrale mesurée
\item pallier au manque de précision des signaux
\end{itemize}
~\\
Algorithmes évolutionnistes
\begin{itemize}
\item recherche de caractéristiques [GPAT03] [SBR03]
\item optimiser la topologie du classifieur [BSHEB97]
\end{itemize}
\end{frame}
\begin{frame}{Conclusion}
L'utilisation des algorithmes évolutionnistes dans les neurosciences
computationnelles~:
\begin{itemize}
\item l'analyse et l'optimisation de modèles biologiques
\item l'optimisation de modèles \og~boite noire~\fg
\item l'observation de l'activité cérébrale
\end{itemize}
\end{frame}
\begin{frame}[allowframebreaks]{Bibliographie}
\begin{itemize}
\item $[$BCM02$]$
B.~Blankertz, G.~Curio, and K.R. Muller,
\emph{{Classifying single trial EEG: Towards brain computer
interfacing}},
Advances in neural information processing systems: proceedings of the
2002 conference,
MIT Press, 2002, p.~157.
\item $[$BLV07$]$
O.~Bai, P.~Lin, S.~Vorbach, J.~Li, S.~Furlani, and M.~Hallett,
\emph{{Exploration of computational methods for classification of
movement intention during human voluntary movement from single trial
EEG}},
Clinical Neurophysiology (2007).
\item $[$BSHEB97$]$
R.~Baumgart-Schmitt, WM~Herrmann, R.~Eilers, and F.~Bes,
\emph{{On the Use of Neural Network Techniques to Analyse Sleep EEG
Data First Communication: Application of Evolutionary and Genetic
Algorithms to Reduce the Feature Space and to Develop Classification
Rules}},
NEUROPSYCHOBIOLOGY-BASEL-\textbf{36} (1997), 194--210.
\item $[$DMW08$]$
F.~Dohler, F.~Mormann, B.~Weber, C.E. Elger, and K.~Lehnertz,
\emph{{A cellular neural network based method for classification of
magnetic resonance images: Towards an automated detection of
hippocampal sclerosis}},
Journal of Neuroscience Methods \textbf{170} (2008), no.~2, 324--331.
\item $[$DBG07$]$
Druckmann, S. and Banitt, Y. and Gidon, A. and Sch{\\"u}rmann, F. and
Markram, H. and Segev, I.,
\emph{{A novel multiple objective optimization framework for
constraining conductance-based neuron models by experimental data}},
Frontiers in neuroscience \textbf{1} (2007), no.~1, p7.
\item $[$GPAT03$]$
D.~Garrett, D.A. Peterson, C.W. Anderson, and M.H. Thaut,
\emph{{Comparison of linear and nonlinear methods for EEG signal
classification}},
IEEE Transactions on Neural Systems and Rehabilitative Engineering
\textbf{11} (2003), no.~2, 141--144.
\item $[$HGP05$]$
Humphries, M.D. and Gurney, K. and Prescott, T.J.,
\emph{{Is there an integrative center in the vertebrate brain-stem?}},
Adaptive Behavior \textbf{13}, 2005, no.~2, 97.
\item $[$HO97$]$
N.~Hansen and A.~Ostermeier,
\emph{{Convergence Properties of Evolution Strategies with the
Derandomized Covariance Matrix Adaptation}},
Eufit \textbf{97}, 650--654.
\item $[$HO01$]$
N.~Hansen and A.~Ostermeier,
\emph{{Completely derandomized self-adaptation in evolution
strategies}},
Evolutionary computation \textbf{9} (2001), no.~2, 159--195.
\item $[$KPK05$]$
Keren, N. and Peled, N. and Korngreen, A.,
\emph{{Constraining compartmental models using multiple voltage
recordings and genetic algorithms}},
Journal of neurophysiology \textbf{94} (2005), no.~6, 3730.
\item $[$MAR06$]$
Markram H., \emph{{The blue brain project}},
Nature Reviews Neuroscience \textbf{7} (2006), no.~2, 153--159.
\item $[$SBR03$]$
M.~Schroder, M.~Bogdan, W.~Rosenstiel, T.~Hinterberger, and
N.~Birbaumer,
\emph{{Automated EEG feature selection for brain computer interfaces}},
Proceedings of the 1st International IEEE EMBS Conference on Neural
Engineering, 2003, pp.~626--629.
\item $[$SIK04$]$
S.~Schneider, C.~Igel, C.~Klaes, H.R. Dinse, and J.C. Wiemer,
\emph{{Evolutionary adaptation of nonlinear dynamical systems in
computational neuroscience}},
Genetic Programming and Evolvable Machines \textbf{5} (2004),
no.~2, 215--227.
\item $[$WN03$]$
T.D. Wager and T.E. Nichols,
\emph{{Optimization of experimental design in fMRI: a general
framework using a genetic algorithm}},
Neuroimage \textbf{18} (2003), no.~2, 293--309.
\item $[$WLCH07$]$
Wang, Y. and Li, S. and Chen, Q. and Hu, W.,
\emph{{Biology Inspired Robot Behavior Selection Mechanism:
Using Genetic Algorithm}},
LECTURE NOTES IN COMPUTER SCIENCE \textbf{4688}
(2007), 777.
\item $[$YF08$]$
J.Y. Yeh and JC~Fu,
\emph{{A hierarchical genetic algorithm for segmentation of
multi-spectral human-brain MRI}},
Expert Systems with Applications
\textbf{34} (2008), no.~2, 1285--1295.
\end{itemize}
\end{frame}
\begin{frame}
\begin{center}
\href{http://creativecommons.org/licenses/by-sa/2.0/fr/}{\includegraphics[width=.40\linewidth]{images/cc_by_sa}}
\\[3em]
\textbf{Illustrations}\\\medskip
\href{http://commons.wikimedia.org/wiki/User:Nojhan}{Johann "nojhan" Dréo} \raisebox{-0.5\height+0.3em}{\href{http://creativecommons.org/licenses/by-sa/2.0/fr/}{\includegraphics[height=1em]{images/cc_by_sa_small}}}
\end{center}
\end{frame}
\end{document}