Modélisation neuronale à l'aide d'équations différentielles stochastiques à effets aléatoires.
Probabilités et Statistique
La modélisation du potentiel électrique mesuré à l'intérieur de la membrane d'un seul neurone nécessite de s'intéresser aux modèles d'équations différentielles stochastiques (EDS). Le neurone intègre l'information venant des neurones qui l'entourent puis envoie un signal (potentiel d'action ou spike). L'objectif est de comprendre la dynamique de génération des spikes et la variabilité dans le mécanisme. Les phases « inter-spike » peuvent être modélisées par une EDS à effets aléatoires. Ces modèles sont utiles pour décrire des processus en temps continu dont les répétitions ont une forme fonctionnelle commune mais présentent une grande variabilité entre chaque observation. C'est le cas des données de potentiel neuronal par exemple. Dans notre modèle, les différences entres les observations sont alors dues à la réalisation du mouvement Brownien et de l'effet aléatoire. Mieux connaître ces effets aléatoires et notamment leur loi, nous permettrait d'avoir une meilleure modélisation du phénomène observé. Dans cet exposé nous traiterons d'abord du modèle d'Ornstein-Uhlenbeck à un effet aléatoire dans le coefficient de dérive. A partir de $N$ trajectoires observées de manière continue sur un intervalle de temps $[0,T]$ assez grand, nous verrons comment estimer la densité d’intérêt en construisant un estimateur adaptatif à partir d'une méthode introduite par Goldenshluger et Lepski (2011). Puis nous étudierons le cas plus général d'un modèle avec une diffusion non constante et plusieurs effets aléatoires. Notre propos sera illustré à l'aide du package R : mixedsde qui regroupe nos méthodes. Enfin, de nouvelles directions de recherche seront introduites dans la continuité du travail présenté.
- Accueil
- Annuaire
- Equipes
- Evènements
- Congrès
- Invités
- Séminaires, Groupes de Travail et Colloquium
- Séminaires
- Analyse Complexe et Equations Différentielles
- Analyse Fonctionnelle
- Analyse Numérique et Equations Aux Dérivées Partielles
- Arithmétique
- Formes Automorphes
- Géométrie Algébrique
- Géométrie des espaces singuliers
- Géométrie Dynamique
- Histoire des Mathématiques
- Physique Mathématique
- Probabilités et Statistique
- Singularités et Applications
- Théorie Analytique et Analyse Harmonique
- Topologie
- Colloquium
- Groupes de Travail
- Analyse harmonique et théorie analytique
- Autour des fractales
- Calcul de Malliavin et processus fractionnaires
- Déformations des singularités de surfaces
- Equations aux dérivées partielles
- Extraction du signal
- Fondements mathématiques du deep learning
- Géométrie Non-Archimédienne
- Géométrie Stochastique
- Idéaux de Hodge
- Leçons d'Analyse
- Matrices Aléatoires
- Probabilités
- Statistique et Grande Dimension
- Systèmes Dynamiques
- Topologie
- W-algèbres
- Doctorants et Post-doctorants
- Séminaires
- Soutenances
- Anciens Séminaires et Groupes de Travail
- Formation par la Recherche
- Laboratoire
- Liens utiles
- Projets
- Recrutements
- Services