Ongoing courses
FORMATION ACCOMPAGNEMENT PRISE EN MAIN fNIRS – EEG
JOUR 01 : Les Bases théoriques de la technique NIRS / EEG
- La différence entre Technique (besoins) et Technologie (solutions)
- Introduction par cadrage des deux techniques
- Les différentes techniques spectroscopiques (NIRS) et les différentes techniques d’électrophysiologie.
- L’onde électromagnétique
- Le photon e sa double nature corpusculaire et d’onde
- L’interaction de l’onde EM avec la matière
- Diffusion et Absorbance
- La loi de Lambert-Beer et la loi de Lambert-Beer Modifiée
- La propagation de l’onde EM dans le milieu
- Le signal NIRS et ses différences / similitudes avec le signal EEG
- Les origines physiologiques et anatomiques du signal NIRS vs EEG
- Couplage neuro-vasculaire
- Potentiel d’action
- Les origines physiologiques et anatomiques du signal NIRS vs EEG
- Résolution temporelle et spatiale
- Le traitement du signal NIRS vs EEG : fondamentaux
- Les artefacts de mouvement
- Les contaminations environnementales
- Les contaminations physiologiques
- L’évolution du SNR (signal noise ratio) et l’erreur
- L’extraction de la composante Corticale – Neuronale – Evoquée ou du PE
- Méthode UNIVARIATE (NIRS)
- Méthode MULTIVARIATE (NIRS)
JOUR 02 – 03 : La solution technologique NIRX / BRAIN PROUCTS
- Explication des components de l’hardware et installation : NIRSCOUT / actiCHamp Plus
- Prise en main du logiciel d’enregistrement (NIRSTAR – BRAIN VISION RECORDER)
- Diagnostic hardware
- Optimisation du signal NIRS / EEG
- Intégration dans LSL et synchronisation multi signal
- Prise en main du logiciel de Montage design : NIRSITE (pour la NIRS)
- Création du casque et qualité du signal (testé sur adulte)
- Visualisation du signal
- Hands-on
Past courses
L’équipe de l’UE ingénierie cognitive :
L’UE ingénierie cognitive du Masco a changé de forme. Depuis la deuxième semaine de janvier, les étudiant.e.s et l’équipe du CREx travaillent sur un projet collaboratif impliquant l’analyse des tâches et l’organisation du développement d’un système. Les étudiants devront mettre en œuvre leurs connaissances sur des sujets proposés comme par exemple :
- la mesure du rythme cérébral et extractions des fréquences référencées (alpha, beta,…)
- le degrés de synchronie entre deux « inter actants » en mesurant extrayant des signaux physio (ECG, EEG)
- Une approche Art et NeuroPhysio, mesurer l’effet du rythme (stimulation visuelle ou auditive) sur les signaux physio ou au contraire « sonifier » ou visualiser les variations des signaux cérébraux et physio
- Mind control d’un mobile
- La BCI
Le 29 janvier 2021 nous organisons la restitution du travail (examen) des étudiants à la salle des voûtes (Saint Charles) de 13 h 30 à 16 h (programme : : https://filez.univ-amu.fr/q16ooumqhq). Le lien vers la retransmission de cet évènement est à la fin du mail.
Pour débuter cette séance de restitution, nous aurons le plaisir d’accueillir, en visio, Camille Jeunet qui présentera une partie de ses travaux sur l’imagerie Mentale ainsi que sur l’utilisation de la BCI (Brain Control Imagerie) associée à la réalité virtuelle. Cette présentation sera suivie de la restitution par les M2 MASCO de leur projet développé pendant l’UE Ingénieur Cogniticien. Ces projets autour de casques EEG OpenBCI ont été développés par groupe de 4 à 6 étudiant-e-s.
Participer à la réunion Zoom
https://univ-amu-fr.zoom.us/j/93929390495?pwd=RzBSOENrWkh0Tk1xNkJQT2JlNWE2QT09
ID de réunion : 939 2939 0495
Code secret : 290121
Partie 1 : Panorama de la modélisation bayésienne en sciences cognitives par Julien Diard (LPNC, Grenoble ( https://diard.wordpress.com/)) et Jean-Luc Schwartz (GIPSA-Lab, Grenoble (https://www.gipsa-lab.grenoble-inp.fr/~jean-luc.schwartz/)) Les probabilités apparaissent comme un outil ubiquitaire en sciences cognitives. Par exemple, l'hypothèse du "cerveau bayésien" propose que les traitements neuronaux implémentent les règles du calcul probabiliste ; les modèles "bayes-optimaux" proposent que les processus de perception traitent l'information sensorielle en appliquant la règle de Bayes ; enfin, les méthodes modernes statistiques sont, elles aussi, devenues "bayésiennes". Comment ces diverses propositions, toutes bayésiennes dans un sens ou un autre, sont articulées ? Dans cette première séance, nous proposons un panorama des approches bayésiennes en sciences cognitives, en parcourant, de manière tutorielle, des exemples classiques de modèles bayésiens de raisonnement, de perception et de perception multi-sensorielle.
Partie 2 : COSMO, un cadre computationnel pour la modélisation bayésienne de la communication parlée par Jean-Luc Schwartz (GIPSA-Lab, Grenoble) et Julien Diard (LPNC, Grenoble) Cette seconde séance est conçue comme une illustration de la manière dont une approche de modélisation bayésienne de processus cognitifs permet d’objectiver des questions théoriques et de tenter de leur apporter des réponses, dans le cadre des théories perceptuo-motrices de la communication parlée. Nous commencerons par des rappels sur les théories cognitives de la parole et sur les questions portant sur les relations perceptuo-motrices. Puis nous montrerons comment ces questions peuvent être formulées dans un cadre bayésien, en introduisant le modèle COSMO (« Communicating about Objects using Sensori-Motor Operations ») et en explicitant sa formulation probabiliste. Nous décrirons alors ce que la modélisation bayésienne (COSMO) peut nous apprendre sur la parole, avant de proposer quelques perspectives.
Cours 1 : http://amupod.univ-amu.fr/video/5205-deep-learning-cours-1/
Dans ce deuxième cours Dr. Bernard Giusiano nous introduit des aspects plus avancés de l'apprentissage profond, s'appuyant sur les concepts présentés dans le premier cours, Deep Learning - Cours 1. Le choix de hyperparamètres est exploré et des architectures, comme les réseaux convolutifs, les réseaux récurrents et les autoencoders, sont présentées. Des exemples d'outils et de plateformes disponibles pour explorer et/ou créer ses propres réseaux d'apprentissage profonds sont aussi présentés.
Mots clés : apprentissage profond architecture hyperparametres reseaux convolutifs reseaux de neurones reseaux recurrents
Cours 1 : http://amupod.univ-amu.fr/video/5205-deep-learning-cours-1/
Dans cette première partie Dr. Bernard Giusiano nous présente les bases de l'apprentissage profond. Le perceptron, l'élement de base d'un réseau de neurone, ainsi que le perceptron multicouche sont introduits et Bernard nous montre comment construire un perceptron nous-mêmes sur Excel. Ce cours prépare le terrain pour le deuxième cours, Deep Learning - Cours 2.
Mots clés : apprentissage profond intelligence artificielle multicouche perceptron reseaux de neurones
Training session : Multipatient Intracerebral data Analysis (MIA)
This course will be dedicated to the time-frequency analysis of intracerebral signals (including high gamma activity) with the MIA software. It includes one lecture and two practical sessions (hands-on).
- MIA : Context, general principle
- Hands-on 1 : Single patient analysis (Database explorer, sanity check, Time-Frequency extraction, statistics)
- Hands-on 2 : Group analysis (ROI browser, ROI visualization)
General information
Where: La Timone
When : April 2018
Formation Python
13 au 16 janvier 2018
PROGRAMME
- notions de bases du langage (Strings, Tuples, List, Dictionnaire / Structures de controle), fonctions, modules,
- programmation orienté objet (création de class, notions d'héritages et de surcharges),
- la manipulation de fichier (système, csv, bin),
- l'introduction à une bdd type sqlite,
- l'affichage graphique des données (plot),
- la création d'interfaces graphiques (manuellement puis via l'outil Qt),
- les communications via les portcom, les sockets TCP,
- application Web (Flask, Jinja, SQLite) par l'exemple (ex : gestion d’un parc instrumental)
L’ensemble de ces points feront l’objet de présentations et de séances pratiques.
Eric Duvieilbourg, Ingénieur d’Etudes CNRS au LEMAR (https://www-iuem.univ-brest.fr/LEMAR ), est formateur CNRS. Il a l’expérience de plusieurs de ces formations et a proposé ce programme adapté à nos besoins.
The ILCB organizes a 3-days tutorial on the frequentist statistics and advanced issues related to linear mixed models, given by Professor Shravan Vasishth. The tutorial will be interactive and give the occasion to follow a course, but also to practice around hands-on and discussions of specific problems.
Morning sessions will be devoted to lectures, afternoon sessions to participant's’ presentations of their own data, the problems they are faced with, and solutions that could be relevant. The afternoon sessions will be interactive and prepared in advance with professor Vasishth: participants are encouraged to propose questions, datasets, methods they would like to focus on, starting from their own experience, the problems they have encountered, or the type of analysis they would like to apply.
24 Oct 2017 – Tutorial 1: Introduction to foundations of frequentist statistics Part 1
I will introduce the foundations of frequentist reasoning: the sampling distribution of the sample mean, Type I, II and Type M,S errors, and simple t-tests.
Background reading:
- The contents are available as slides (from the SMLP 2017 summer school at Potsdam): http://www.ling.uni-potsdam.de/~vasishth/smlp2017materials/01.zip
- These slides are also available as lecture notes: https://github.com/vasishth/Statistics-lecture-notes-Potsdam/blob/master/IntroductoryStatistics/StatisticsNotesVasishth.pdf
- Shravan Vasishth and Bruno Nicenboim. Statistical Methods for Linguistic Research: Foundational Ideas – Part I. Language and Linguistics Compass, 10(8):349-369, 2016.
https://github.com/vasishth/VasishthNicenboimPart1
26 Oct 2017 Tutorial 2: Introduction to foundations of frequentist statistics Part 2
Here, I will cover the basic theory of linear models, leading up to linear mixed models.
Background reading:
- Slides from SMLP 2017 summer school:
- http://www.ling.uni-potsdam.de/~vasishth/smlp2017materials/02a.zip
- http://www.ling.uni-potsdam.de/~vasishth/smlp2017materials/02b.zip
- Complete lecture notes on linear modeling:
https://github.com/vasishth/LM
- Shravan Vasishth and Andrew Gelman. The statistical significance filter leads to overconfident expectations of replicability. In Proceedings of Cognitive Science Conference, London, UK, 2017.
paper: https://arxiv.org/abs/1702.00556
rant on youtube: https://www.youtube.com/watch?v=RqDEXdssd8k&list=PLz_LbfBra_0d0r7vRP3ICgK4S3P3FudBA
31 Oct 2017: Tutorial 3: Some advanced issues related to linear mixed models: model specification, and Bayesian LMMs
For background reading, see:
- Hannes Matuschek, Reinhold Kliegl, Shravan Vasishth, R. Harald Baayen, and Douglas Bates. Balancing Type I Error and Power in Linear Mixed Models. Journal of Memory and Language, 94:305-315, 2017.
- Douglas Bates, Reinhold Kliegl, Shravan Vasishth, Harald Baayen. Parsimonious Mixed Models. 2015.
https://arxiv.org/abs/1506.04967
- Bruno Nicenboim and Shravan Vasishth. Statistical methods for linguistic research: Foundational Ideas - Part II. Language and Linguistics Compass, 10:591-613, 2016
https://github.com/vasishth/NicenboimVasishthPart2
- Tanner Sorensen, Sven Hohenstein, and Shravan Vasishth. Bayesian linear mixed models using Stan: A tutorial for psychologists, linguists, and cognitive scientists. Quantitative Methods for Psychology, 12(3):175-200, 2016.
http://www.ling.uni-potsdam.de/~vasishth/statistics/BayesLMMs.html
- We taught a full one-day course on Bayesian modeling in Tuebingen recently. All materials, including full lecture notes, are here:
4 mai 2017 - 9h à 17h Salle des Voûtes, Fédération de Recherche 3C, 3 place Victor Hugo Case 32, Site St. Charles, 13001 Marseille Formation Club EEG : Introduction à l'Acquisition EEG Formation BLRI Intervenants : Dufau Stéphane, Dittinger Eva, Denis-Noël Ambre, Melmi Jean-Baptiste, Legou Thierry, Chanoine Valérie, Bolger Deirdre, Zielinski Christelle. 9h – 9h15 : Arrivée et accueil 9h15 – 10h : Le signal neuro-électrique et son origine 10h – 10h20 : Les bases de l’acquisition EEG 10h20 – 10h45 : Le choix des références en EEG Petit pause 11h – 11h30 : Eléments importants du design d’un protocole expérimental en EEG 11h30 – 12h : Le déroulement d’une séance d’acquisition en EEG Pause Déjeuner (12h – 14h) *********************** Après-midi 14h – 16h30 : Séances pratiques dans les box expérimentaux du LPC et LNC avec le système Biosemi 16h30 – 17h : Questions, discussions, synthèse de la journée (Salle des Voûtes)
24/02/17 Analyse de signaux neurophysiologiques Brainstorm-MarsPower Formation BLRI Anne-Sophie Dubarry (LPL, CNRS, Aix-Marseille Université) 9h à 18h LPL, Aix-en-Provence, Room A-103 5 avenue Pasteur, Aix-en-Provence LPL Requirements The participants are required to bring a laptop (an external mouse will add to your comfort). In order to make the session as efficient as possible, we ask all the attendees to download, install and test the software and sample dataset on their laptops prior to the workshop.
Program 9:00-9:30 Onsite assistance in installing the material for the training session 9:30-10:30 Lecture: Training overview Software structure, typical data workflow 10:30-10:45 Practice (Brainstorm) Database explorer, Review of continuous EEG recordings Montage editor and management of event markers, Frequency filters 10:45-11:00 Coffee break 11:00-12:30 Practice (Brainstorm) Bad channels management, Artifact detection Averaging, exploring the evoked response 12:30-13:30 Lunch 13:30-14:30 Lecture: Time Frequency 14:30-15:30 Practice (MarsPower) (If time allows) Time-Frequency decomposition into Brainstorm Database explorer Time-Frequency extraction 15:30-16:00 Coffee break 16:00-17:00 Practice (MarsPower) Statistics Group analysis 17:00-18:00 Analyze your own data
6-7/02/17 Signal sur graphes;application aux neurosciences / Graph signal processing; application to neuroscience Sophie Achard GIPSA Grenoble Training course 9h30 - 17h FRUMAM (3rd floor) Aix-Marseille Université The training will take place in the FRUMAM third floor seminary room on the campus of Aix-Marseille University. Functional brain data are often represented as a network or graph to model the brain regions as nodes and the connections as edges. A graph is an abstract object to represent multivariate data on a simple map of connections. In this tutorial, I will give a short introduction on the modelling of data as a network, with references. In a first part, I will describe precisely how to construct the connectivity networks using brain data recordings. Robustness and reproducibility will be discussed precisely. In a second part, I will describe tools to compare and classify the networks based on statistical tests or learning methods. Finally, I will conclude with a practical example from the clinical data on coma patients. Related papers: S. Achard, R. Salvador, B. Whitcher, J. Suckling, E. Bullmore. A Resilient, Low-Frequency, Small-World Human Brain Functional Network with Highly Connected Association Cortical Hubs. In Journal of Neuroscience, 26(1) pages 63-72, Jan. 2006. PDF S. Achard, C. Delon-Martin, P. E. Vértes, F. Renard, M. Schenck, F. Schneider, C. Heinrich, S. Kremer, and Edward T. Bullmore. Hubs of brain functional networks are radically reorganized in comatose patients. Proc Natl Acad Sci U.S.A., 109(50):20608-13, 2012. PDF Programme sur 2 jours 6 Feb. 2017 09h30 Accueil / Welcome 10h-12h Cours sur les graphes (définition, exploitation de graphes, à quoi ça sert, comment les comparer et faire de la classification) - Discussion et questions Lecture on graphs (definition, running, use, how to compare and classify them) - Discussion and questions 12h-13h30 Déjeuner / Lunch 13h30-15h30 TP sur le logiciel R. Travail avec un jeu de données réelles fourni pour la formation (1 groupe de contrôles, 1 groupe de patients) - But: mettre en application les outils vus le matin Practical session with R software. Work with a real data set provided for the training course (1 control group, 1 patient group) - Objective: implement the tools seen in the morning 15h30-15h45 Pause/Break 15h45-16h45 Cours sur les statistiques sur les graphes Course on graph statistics 7 Feb. 2017 9h-11h Cours sur la construction des graphes à partir de séries temporelles (outils mathématiques: ondelettes, corrélation, tests multiples) Lecture on graph construction from temporal data (mathematical tools: wavelets, correlation, tests) 11h00-11h15 Pause/Break 11h15-12h15 TP avec R Practical session with R 12h15-13h45 Déjeuner / Lunch 13h45-14h45 Cours pour lier les deux journées (point sur le seuil choisi pour les matrices de corrélation, enjeu et difficultés, autres outils) Lecture to make the link between the two days (Point on the threshold chosen for the correlation matrices, stake and difficulties, other tools) 14h45-15h00 Pause / Break 15h00-17h00 TP avec R (faire toute la chaine de la construction du graphe jusqu'à l'exploitation statistiques des graphes) - Travail à nouveau avec les mêmes jeux de données que la veille, mais cette fois, les séries temporelles seront mises à disposition. Practical session with R (Make the whole chain of the construction of the graph until the exploitation graph statistics) - Work again with the same datasets as the day before, but this time the time series will be made available. Organisateurs : Caroline Chaux et Thierry Legou