Classification de signaux EEG et ... - math.u-bordeaux.fr · -1.5-1-0.5 0 0.5 1 x 109 Numéro du...
Transcript of Classification de signaux EEG et ... - math.u-bordeaux.fr · -1.5-1-0.5 0 0.5 1 x 109 Numéro du...
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Classification de signaux EEG et filtrage spatial parCSP sparse
Marie Chavent, Frédérique Faïta-Aïnseba, Pierrick Legrand,Laurent Vézard
Université de Bordeaux,IMB, UMR 5251,
Inria Bordeaux Sud-Ouest, équipe CQFD
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Plan
1 Acquisition de données EEGProtocole d’acquisitionDonnées
2 Extraction de caractéristiquesCritère des pentesFiltrage spatial par CSP et transformation logvar
3 Classification de signaux EEGLa méthodologie généraleAdaptation au problème multi-sujet
4 Sélection de variablesFiltrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Plan
1 Acquisition de données EEGProtocole d’acquisitionDonnées
2 Extraction de caractéristiquesCritère des pentesFiltrage spatial par CSP et transformation logvar
3 Classification de signaux EEGLa méthodologie généraleAdaptation au problème multi-sujet
4 Sélection de variablesFiltrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Objectifs- Caractériser l’état de vigilance d’une personne à partir de son
électro-encéphalogramme (EEG).- Créer une interface cerveau-ordinateur.- Influencer l’état de vigilance d’une personne à l’aide de musiques synthétisées.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Protocole d’acquisition
- Premier enregistrement EEG : sujet dans un état de vigilance haut dit ”normal”- Second enregistrement EEG : sujet dans un état de vigilance bas dit ”relaxé”
Arrivée du sujet
Pose du casque
Premier enregistrement
EEG
Secondenregistrement
EEG
Séance de relaxation
Départ du sujet
Caractéristique Caractéristique
⇒ La séance de relaxation est elle efficace ?
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Protocole d’acquisition- Ajout de deux étapes pour effectuer un test VCN (Variation Contingence
négative
Séance de relaxation
Arrivée du sujet
Pose du casque
Premier enregistrement
EEG
Premier enregistrement
VCN
Second enregistrement
EEG
Départ du sujet
Second enregistrement
VCN
Test VCN
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Protocole d’acquisition
FP1FPZ
FP2
AF3 Terre
RéférencetA1
RéférencetA2
AF4
F1 F2F3 F4F5F6F7 F8
FC1 FC2FC3 FC4FC5 FC6FCZ
FZ
C1 C2C3 C4C5 C6CZT3 T4
TP7 CP5CPZCP1 CP2CP3 CP4 CP6 TP8
T6T5P3 P1 PZ P2 P4P5 P6
POZPO3 PO4PO5 PO6PO7 PO8
O1 O2OZ
Nasion
EOGtDroit
EOGtGauche
- Durée de pose du casque EEG : 45 minutes.- Sujet immobile, avec les yeux ouverts.- Fréquence d’échantillonnage de 256Hz.- Durée d’enregistrement : 3 minutes (46000 points de mesure).
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Protocole d’acquisition
- 58 électrodes renumérotées de 1 à 58- Sujets de moins de 35 ans, droitiers et non fumeurs- Deux campagnes d’acquisition
- Campagne 1 : 44 sujet ⇒ 13 conservés selon la VCN- Campagne 2 : 14 sujets ⇒ 6 conservés selon la VCN
- Séance de relaxation de 20 minutes par une voix enregistrée proposant 3exercices :
- Training autogène [Schultz, 1958] : répétition de phrases, auto-hypnose.- Relaxation musculaire progressive [Jacobson, 1974] : relaxation
musculaire progressive.- Visualisation mentale (lieu familiés, odeurs, bruits).
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Protocole d’acquisition3 minutes d’enregistrement EEG avant relaxation.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Protocole d’acquisition
3 minutes d’enregistrement EEG après relaxation.
Bouffée d'ondes alpha
⇒ Oscillations caractéristiques d’un état d’éveil passif entre 8 et 12 Hz.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Les données
4600
0 po
ints
13
suje
ts
58 électrodes
État normal
État relaxé
13
suje
ts
4600
0 po
ints
6 su
jets
58 électrodes
État normal
État relaxé
6 su
jets
Première campagne d'acquisition
Seconde campagne d'acquisition
⇒ Trouver une fonction de classification qui permettrait de prédire l’état de vigilanced’un sujet en fonction de ses signaux EEG ?
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Cadre général de l’apprentissage automatique
- Variables d’entrées X : variables explicatives
- Variable de sortie Y : variable à expliquer- Y quantitative Problème de régression- Y qualitative Problème de classification
ObjectifDéfinir une règle de classification c’est à une fonction g : X → Y à partir d’unensemble de données d’apprentissage
Un échantillon d’apprentissage est un ensemble de n couples de variables aléatoiresi.i.d. (X1,Y1), . . . , (Xn,Yn) avec
- Xi = (Xi,1, . . . ,Xi,p) ∈ X ⊂ Rp
- Yi prend ses valeurs dans un ensemble fini Y = {1, . . . ,K}
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Protocole d’acquisitionDonnées
Ici on a un problème de discrimination en 2 classes avec- Y binaire à deux modalités normal et relaxé- p = 58 variables réelles ⇒ extraire une unique caractéristique pour chaque
signal EEG.
Deux approches envisagées pour extraire les caractéristiques :- Le critère des pentes : mesure la ”pente” de l’énergie du signal dans les
fréquences d’onde alpha.
- Filtrage spatial par CSP et transformation logvar :- Effectuer une combinaison linéaire entre les différentes électrodes en vue
de maximiser la différence des variances du signal filtré entre les 2 classes .- Caractériser les signaux filtrés par le logarithme de leur variance
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Plan
1 Acquisition de données EEGProtocole d’acquisitionDonnées
2 Extraction de caractéristiquesCritère des pentesFiltrage spatial par CSP et transformation logvar
3 Classification de signaux EEGLa méthodologie généraleAdaptation au problème multi-sujet
4 Sélection de variablesFiltrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Critère des pentesLa grille dyadique donne une représentation spatio-fréquentielle de la décomposition enondelettes discrète dyadique
Temps
Fré
quen
ce
21e
Énergies
Points dusignal
22e
23e
24e
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Critère des pentes
- Alpha : 8− 12Hz.- Ondes caractéristiques d’un état relaxé.
1/64 1/16 1/4 1 4 16 64 128
0
1
2
3
4
5
6
x 107
Fréquence (Hz)
Ene
rgie
Régression linéaire entre 4 et 16Hz.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Critère des pentes
- Alpha : 8− 12Hz.- Ondes caractéristiques d’un état relaxé.
1/64 1/16 1/4 1 4 16 64 128
0
1
2
3
4
5
6
x 107
Fréquence (Hz)
Ene
rgie
Régression linéaire entre 4 et 16Hz.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Critère des pentes
- Alpha : 8− 12Hz.- Ondes caractéristiques d’un état relaxé.
1/64 1/16 1/4 1 4 16 64 128
0
1
2
3
4
5
6
x 107
Fréquence (Hz)
Ene
rgie
Régression linéaire entre 4 et 16Hz.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Critère des pentes15
fréq
uenc
es13
su
jets
58 électrodes
État normal
État relaxé
13
sujet
s
13
sujet
s
58 électrodes
État normal
État relaxé
13
sujet
sSéminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Critère des pentes
0 10 20 30 40 50 58−10
−8
−6
−4
−2
0
2x 10
8
Numéro de l’électrode
Pen
te c
alcu
lée
entr
e 4
et 1
6 H
z
état normalétat relaxé
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Critère des pentes
0 2 4 6 8 10 12 13−2
−1.5
−1
−0.5
0
0.5
1x 10
9
Numéro du sujet
Pen
te c
alcu
lée
entr
e 4
et 1
6 H
z
état normalétat relaxé
⇒ Très forte variabilité inter-sujet⇒ Critère qui ne permet pas de construire un classifieur performant pour différents
sujets.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Filtrage spatial par CSP
- Il s’agit de trouver des signaux synthétiques (filtrés) de variance maximale dansune classe et simultanément de variance minimale dans l’autre classe.
- Les signaux synthétiques sont obtenus par combinaison linéaire des signauxinitiaux.
f = Xw
où :X est la matrice de données avec les signaux en colonne,w est le filtre spatial,f est le signal filtré (projeté).
- Illustration avec le jeu de données IIIa [Schlögl et al., 2005] de la compétitionBCI III [Blankertz et al., 2006] représentant des signaux EEG enregistrés chezdes sujets durant des mouvements imaginés de la main droite et de la maingauche.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
0 200 400 600 800 1000
−0.
4−
0.2
0.0
0.2
Signal EEG de l'électrode F6
Temps
Main GaucheMain droite
0 200 400 600 800 1000
−0.
4−
0.2
0.0
0.2
Signal EEG de l'électrode Pz
Temps
Main GaucheMain droite
0 200 400 600 800 1000
−0.
03−
0.01
0.01
0.03
Signal EEG dans la première dimension CSP
Temps
Main GaucheMain droite
0 200 400 600 800 1000
−0.
100.
000.
050.
10
Signal EEG dans la dernière dimension CSP
Temps
Main GaucheMain droite
●●●
●
●
●● ●●
●
●
●
●●●
●
●
●
●
●● ●
●
●
●
●
●●●
●
●
●●
● ● ●●●
●●●●●●●
●● ● ●
●●
●●●● ● ● ● ● ●● ● ● ●●●●
●●
●●● ●
●●
●●●
●●●● ●
● ●●●
●●●●●●●●
●●●●
●
●
●● ●
●
●
●
●●●
●●
●●
●●●
●●● ● ● ●●●●●
●
●
●● ●
●
●
●
● ●●●
●
●●
●● ●●
●●
●●
●● ●●
●● ● ●●●
●●
●●●
●●
●● ● ● ● ●
● ●● ● ●●●●
●●●●
●●●●
●
●
●●●
●●
●● ●
●● ●●
●●
●●●
●
●●●●
●●●
●
●
●●●
●
●
●
●
● ●
●
●
●
●
●
●●
●●●●
●
●
●
●
●●
● ● ●●
●●●●●● ● ●
●●●●
●
●
●● ●
●
●
●
●● ●●
●
●●●●
●●●
●
●
●●●
●
●● ● ●●
●
●
●
●
●●
●
●
●
●●●
●●●
●
●
● ●●
●●
●●● ● ●
●
●
●
●●●
●
●
●● ● ●
●●●
●
●●●
●
●
●
●●●
●
●
●● ●
●●
● ●
●
●
●●
●
●
●
●●
●
●
●●●
●
●●●
●
●
●
● ●●
●
●●●
●●●●
●● ● ●
●●●
●●
●● ●
●
●●
●●●●●●
●●
● ●
●
●
●
●●●
●
●●
●●●●● ● ● ● ●●●●●●
●●
●●●
●
●● ● ● ● ●●●●●● ● ●
●● ●
●●●●
●●●●●●●
●●
●●●
●
●
●
●
●● ● ●
●●●●●●●●●●●●
●●
●
●●
● ●●
●
●
●
●
●●
●●●●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●●●●●●
●●
●
●●
●
●
●
●
●
●●
●
●
●
●●●
●●●●
●●
●●●
●
●
●
●● ●
●
●
●●●
●
●●● ●
●●●●●●
●●
● ● ●●
●●●●
●●●●
●●
●●●●●
●●
●●
●●
●●●
●
●
●● ●
●
●
●●●
●
●● ●
●
●
●
●
●●
●
●
●
●
● ● ●
●
●
●
●●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●●
●● ●
●
●
●●●
●
●
●
●
● ●
●
●
●
●
●
●●●●
●●
●●
●●●
●●
●●
●
●
●
●●●
●
●
●
●
●●
●●
● ● ● ●●●●●
●
●
●
●
●●●
●
●
●
●●●●
●●
● ●●●●●●
●
●
●
●
●
●●●
●
●
●
●
●●●●●●● ●
●●
●
●
●
●
●
● ●●
●
●
●
●
●●●●●
●
●
●●●
●
●
●
●
● ●
●
●
●●●●●●
●●
●●
●● ● ●
●
●
●
●
●●
●
●
●
●●●
●●
●●●●
● ● ● ●●
●●
●●●●●●●
●
●
●●
● ●●●
●
●
●
●
●
● ●●
●
●
●
●●●●
●●●
●
●
●●●
●
●
●● ●
●●
●●●●● ● ●●
● ●●●●●●●
●●●
●●
● ●●●
●
●
●●●
●●
● ●●
●●●
●
●
●
●●●
●
●●
●●
●●
●● ●
●●●
●●●●● ● ● ●●●●●● ●●
●●
●●●
●
●
●● ●
●
●
●●
●●●●
●
●●●●
●
●● ● ●
●
●●
● ●●
●
●
●●●●●
●●
●●
●●●●
●●
●●
● ●
−0.4 −0.2 0.0 0.2 0.4
−0.
6−
0.2
0.2
0.4
Données Brutes
Électrode F6
Éle
ctro
de P
z
Main GaucheMain droite
●●●●●●
●●●●● ● ●● ● ● ● ●●●●
●●●●●●● ● ● ● ● ● ● ●●●
●●● ● ● ●●●●●●●● ● ● ● ●●
●●●● ● ● ● ● ●●●●●●●● ●
● ● ● ●●●●●●● ● ● ● ●●●●●
●●●● ● ● ●
●● ● ● ●●●●●●●●●●●●
● ● ● ● ● ● ●●●●●● ● ● ● ● ●●●●●●●●●●●●
●●● ● ● ● ● ● ● ● ●●●●●●●●●● ● ● ● ● ●●●●●●●●●●● ● ● ● ● ●●●●●● ● ● ● ● ● ● ● ● ●●●●●●●●
● ● ● ● ● ●●●● ● ● ● ● ● ● ● ●●●●●●●●●● ● ● ● ● ●● ●
● ●●●●●●●●● ● ● ● ● ●●●●●● ● ● ● ●●●●●● ● ● ● ●●●●●●
● ●● ● ● ●●●●●●●
●●●●●● ● ● ● ●●●●●●● ● ● ● ●●●●●● ● ● ● ●●
●●
●●● ● ● ● ● ●●● ● ● ●●●●●●●● ● ● ● ● ● ●●●●●●
●● ●
●●●●●●
● ●● ●
●●●●●
●● ● ● ● ●●●●●●● ● ●●
●●●●●
●●● ●● ● ●●●●● ●
● ●●●●●●●●●● ● ●● ● ●●●●●● ●● ●●●
●●●●
● ● ● ●●●●
●● ●
●●●
●●●●● ● ● ●●●●●
●●● ● ● ● ● ●●●●●●● ● ● ● ● ●
●●●●●●●●●●●●●●●● ●● ●●●●●●● ● ● ●●
●●● ●
●●
●
●
●●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●●●
●●
●●●●●
●
●
●
●
●● ●
●
●
●
●●
● ● ●●●
●●● ●
●
●
●
●
●●●
●
●
●
●● ●●●●●
●●●
●●●
●
●
●
●
●●●
●
●
●●●
●●●●●● ●●
●●●●●●
● ● ● ●●
●●
●●●●●●● ● ●
●●●
●●●
●●●
●●●●●●●
●●
●●●●●
●
●
●
●
● ●●
●
●
●● ●
●●
●●●
●●
● ●●●
●
●
●
●
●● ●
●
●
●
●
●●● ● ●●●●●
●● ● ●
●
●
●
●
●●
●
●
●
●
●●
●●●●
●●●●
●● ● ●
●
●
●
●● ● ●
●
●
●
●
●●
● ●●●
●●● ●
●
●
●
●
●
●●●●
●
●
●
●●●
●●●
●●
●●●
●
●
●
●
●●●●
●
●
●●
●●
●●
●
●
●●●
●
●
●
●
●●●●●●●●●
●●
●●
●
●
●
●●●
●
●
●
●● ●
●
●
●●●●●●
●●●●●●●●
●
●
●
● ●●
●
●
●●●
●● ●
●●
●●●
●
●
●
●
●●●●●●●●●●●●●●
●●●●●●
●●●●●
● ●●●●●●●●
●●●●●●●●●
● ● ● ●●●●●●●●● ● ●●
●●●●●
●●
● ●●●●●●●●●●●●●●●
●●●●
●●
●●●●●●●●
●●●●●
● ● ●●●●●●● ●
●●●●●●
●●●●●
●●●
● ● ● ●●●●●●● ●
● ●●●●●
●●●●
●●●●●●
●
−0.03 −0.02 −0.01 0.00 0.01 0.02 0.03
−0.
100.
000.
050.
10
CSP
Première direction CSP
Der
nièr
e di
rect
ion
CS
P Main GaucheMain droite
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
- L’unité statistique est ici un un essai c’est à dire un enregistrement EEG sur pélectrodes effectué durant une période de temps T .
- Les données d’apprentissage sont constituées de n essais dont n1 appartiennentà la classe 1 et n2 appartiennent à la classe 2.
- On note Xi la matrice de dimensions T × p des enregistrement EEG de l’essai i .- On note Xc la matrice de dimension Tnc × p des enregistrement EEG des essais
de la classe c.
Matrices de variances-covariances empiriques C1 et C2
Cc =1
TncXTc Xc =
1nc
∑i∈Ic
1T
X Ti Xi =1nc
∑i∈Ic
Ci
où c ∈ {1, 2}, Ic est l’ensemble des indices correspondant aux essais dans la classe c.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
- Permier objectif : trouver des signaux synthétiques de variance maximale dansla classe 1 et de variance minimale dans la classe 2.
- Trouver des vecteurs w ∈ Rp qui maximisent var(X1w) et minimisent var(X2w)où
Var(Xc w) =1
TncwT XTc Xc w = wT Cc w
avec c = 1, 2- Premier problème d’optimisation
maxw∈Rp
wT C1wwT C2w
(1)
- Solution- w est le vecteur propre de C−12 C1 associé à la plus grande valeur propre.- Obtention d’un ensemble de k vecteurs w1, . . . ,wk maximisant (1) sous la
contrainte wj C2wl = 0, ∀l 6= j.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
- Second objectif : trouver des signaux synthétiques de variance maximale dans laclasse 2 et de variance minimale dans la classe 1.
- Trouver des vecteurs v ∈ Rp qui maximisent var(X2v) et minimisent var(X1v).- Second problème d’optimisation
maxw∈Rp
vT C2vvT C1v
(2)
- Solution- v est le vecteur propre de C−11 C2 associé à la plus grande valeur propre.- Obtention d’un ensemble de k vecteurs v1, . . . , vk maximisant (2) sous la
contrainte vj C2vl = 0, ∀l 6= j.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
On a vu que :- Le premier ensemble de vecteurs w1, . . . ,wk est obtenu par la décomposition en
éléments propres de C−12 C1.- Le second ensemble de vecteurs v1, . . . , vk est obtenu par la décomposition en
éléments propres de C−11 C2.
On peut montrer que- Les vecteurs v1, . . . , vk sont aussi les k derniers vecteurs propres de C−12 C1.
- La decomposition en éléments propres de C−12 C1 donne directement les deuxensembles de vecteurs w1, . . . ,wk et v1, . . . , vk en conservant les k premiers etles k derniers vecteurs propres.
Finalement, le filtrage par CSP fournit la matrice W de dimension p × 2k des kpremiers et k derniers vecteurs propres de C−12 C1 :
W = [w1, . . . ,wk, v1, . . . , vk]
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Transformation logvar
1 On utilise la matrice W pour construire les signaux EEG filtrés des essais Xi :
Fi = Xi W
Fi est une matrice de dimensions T × 2k .2 Pour chaque essai i on extrait une unique caractéristique par colonne j de Fi :
zij = log(var(Xi wj )).
⇒ Obtention d’une matrice Z caractérisant les n essais en 2k dimensions.⇒ Cette matrice de caractéristiques est utilisée pour faire de la classification
binaire des essais.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Découpage de nos signaux EEG en essais
Les signaux EEG des sujets des campagnes 1 et 2 ont été découpés en essais- Chaque signal EEG est découpé en n∗ essais de longueur T soit n∗ =
(b 46000T c
).
- Changement d’unité statistique : Sujet⇒ Essais
⇒ Choix de T (longueur d’un essai)⇒ Choix de k (nombre de paires de signaux filtrés par CSP)
On a choisit :
- T = 2048 points soit n∗ = 22 essais de 8 secondes.- k = 3 paires de filtre CSP.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Critère des pentesFiltrage spatial par CSP et transformation logvar
Extraction de caractéristiques sur nos données
Données brutes
4600
0 po
ints
13
suje
ts
58 électrodes
État normal
État relaxé
13
suje
ts
Essais passe-bande filtrés et normalisés
T po
ints
13 n
*es
sais
58 électrodes
État normal
État relaxé13
n*
essa
is
suje
t 1
suje
t 1
n*
n*
2k dimensions
État relaxé
État normal13
n*
essa
is
13 n
*es
sais
T po
ints
Filtre CSP
État relaxé
État normal
2k dimensions
13 n
*es
sais
13 n
*es
sais Transformation
log-var
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
Plan
1 Acquisition de données EEGProtocole d’acquisitionDonnées
2 Extraction de caractéristiquesCritère des pentesFiltrage spatial par CSP et transformation logvar
3 Classification de signaux EEGLa méthodologie généraleAdaptation au problème multi-sujet
4 Sélection de variablesFiltrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
La méthodologie généraleDécoupage des essais en deux échantillons :
- Apprentissage de la matrice W des filtres CSP et de la fonction de classificationbinaire (LDA, QDA, régression logistique, forêt aléatoire...) sur l’échantillond’apprentissage .
- Evaluation de la performance du classifieur en calculant un taux de bonclassement sur l’échantillon test
p
État
nor
mal
État
nor
mal
État
rela
xé
}{T
Ensemble des n essais
État
nor
mal
État
nor
mal
État
rela
xé
État
nor
mal
État
nor
mal
État
rela
xé
État
nor
mal
État
rela
xé ...
p
État
nor
mal
État
nor
mal
État
rela
xé
}{T ...Ensemble d'apprentissage Ensemble test
État
nor
mal
État
nor
mal
État
rela
xé ...
État
nor
mal
État
nor
mal
État
rela
xé ...
État
nor
mal
État
nor
mal
État
rela
xé ......
État
rela
xé
État
rela
xé
X1 X2 X3 X5 X6X4 X7 X8 Xn 4 Xn 3 Xn 2 Xn 1 Xn
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
nor
mal
État
rela
xé
État
nor
mal
Échantillon d'apprentissage
État
rela
xé
p electrodes
État
nor
mal
État
rela
xé
X X
}{ 1
2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
nor
mal
État
rela
xé
État
nor
mal
Échantillon d'apprentissage
État
rela
xé
W
Matrice de filtres W
{
} p2k
CSP
p electrodes
État
nor
mal
État
rela
xé
X X
}{ 1
2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
snor
mal
État
srela
xé
État
snor
mal
Échantillon d'apprentissage
État
srela
xé
W
Matrice de filtres W
{
} p2k
...
} {2k
État
snor
mal
ssssssss1Fss=sXssW
ssssssss2Fss=sXssW
ssssssss2
ssssssss1
ssssssss
CSP
Projection
Essais projectés
T
État
snor
mal
État
srelax
éÉt
atsre
laxé
pselectrodes
État
snor
mal
État
srela
xé
X X
}{ssssssss1
ssssssss2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
Pnor
mal
État
Prela
xé
État
Pnor
mal
Échantillon d'apprentissage
État
Prela
xé
W
Matrice de filtres W
{
} p2k
...
} {2k
État
Pnor
mal
PPPPPPPP1FPP=PXPPW
PPPPPPPP2FPP=PXPPW
{2k
}... Transformation
PlogPvar
PPPPPPPP2
PPPPPPPP1
PPPPPPPP
CSP
Projection
Essais projectés
Z
nP-Pn*P
T
État
Pnor
mal
État
Prelax
éÉt
atPre
laxé
pPelectrodes
État
Pnor
mal
État
Prela
xé
X X
}{PPPPPPPP1
PPPPPPPP2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
fnor
mal
État
frela
xé
État
fnor
mal
Échantillon d'apprentissage
État
frela
xé
W
Matrice de filtres W
{
} p2k
...
} {2k
État
fnor
mal
ffffffff1Fff=fXffW
ffffffff2Fff=fXffW
{2k
}...Réglefdef
décision
Méthodefdef
classification
Transformationf
logfvar
ffffffff2
ffffffff1
ffffffff
CSP
Projection
Essais projectés
Z
nf-fn*f
T
État
fnor
mal
État
frelax
éÉt
atfre
laxé
pfelectrodes
État
fnor
mal
État
frela
xé
X X
}{ffffffff1
ffffffff2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
fnor
mal
État
frela
xé
État
fnor
mal
Échantillon d'apprentissage
État
frela
xé
W
Matrice de filtres W
{
} p2k
...
} {2k
État
fnor
mal
ffffffff1Fff=fXffW
ffffffff2Fff=fXffW
{2k
}...Réglefdef
décision
Méthodefdef
classification
Transformationf
logfvar
ffffffff2
ffffffff1
ffffffff
CSP
Projection
Essais projectés
Z
nf-fn*f
État
frela
xé
État
fnor
mal
État
fnor
mal ...
Échantillon test
T
État
fnor
mal
État
frelax
éÉt
atfre
laxé
État
frela
xé
pfelectrodes
État
fnor
mal
État
frela
xé
X X
}{ffffffff1
ffffffff2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
fnor
mal
État
frela
xé
État
fnor
mal
Échantillon d'apprentissage
État
frela
xé
W
Matrice de filtres W
{
} p2k
...
} {2k
État
fnor
mal
ffffffff1Fff=fXffW
ffffffff2Fff=fXffW
{2k
}...Réglefdef
décision
Méthodefdef
classification
Transformationf
logfvar
ffffffff2
ffffffff1
ffffffff
CSP
Projection
Essais projectés
Z
nf-fn'f
État
frela
xé
État
fnor
mal
État
fnor
mal ...
Échantillon test
T
État
fnor
mal
État
frelax
éÉt
atfre
laxé
ProjectionfenfutilisantflafmatricefWfconstruitefsurfl-échantillonfd-apprentissage
État
fnor
mal
État
frelax
é
État
fnor
mal
État
frelax
é
{2k}
T ...
État
frela
xé
pfelectrodes
État
fnor
mal
État
frela
xé
X X
}{ffffffff1
ffffffff2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
fnor
mal
État
frela
xé
État
fnor
mal
Échantillon d'apprentissage
État
frela
xé
W
Matrice de filtres W
{
} p2k
...
} {2k
État
fnor
mal
ffffffff1Fff=fXffW
ffffffff2Fff=fXffW
{2k
}...Réglefdef
décision
Méthodefdef
classification
Transformationf
logfvar
ffffffff2
ffffffff1
ffffffff
CSP
Projection
Essais projectés
Z
nf-fn'f
État
frela
xé
État
fnor
mal
État
fnor
mal ...
Échantillon test
T
État
fnor
mal
État
frelax
éÉt
atfre
laxé
ProjectionfenfutilisantflafmatricefWfconstruitefsurfl-échantillonfd-apprentissage
État
fnor
mal
État
frelax
é
État
fnor
mal
État
frelax
é
{2k}
T
...Transformationf
logfvar
...
État
frela
xé
pfelectrodes
État
fnor
mal
État
frela
xé
X X
}{ffffffff1
ffffffff2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
...
État
fnor
mal
État
frela
xé
État
fnor
mal
Échantillon d'apprentissage
État
frela
xé
W
Matrice de filtres W
{
} p2k
...
} {2k
État
fnor
mal
ffffffff1Fff=fXffW
ffffffff2Fff=fXffW
{2k
}...Réglefdef
décision
Méthodefdef
classification
Transformationf
logfvar
ffffffff2
ffffffff1
ffffffff
CSP
Projection
Essais projectés
Z
nf-fn'f
État
frela
xé
État
fnor
mal
État
fnor
mal ...
Échantillon test
Taux de bonsclassements
T
État
fnor
mal
État
frelax
éÉt
atfre
laxé
ProjectionfenfutilisantflafmatricefWfconstruitefsurfl-échantillonfd-apprentissage
État
fnor
mal
État
frelax
é
État
fnor
mal
État
frelax
é
{2k}
T
...Transformationf
logfvar
...
État
frela
xé
pfelectrodes
État
fnor
mal
État
frela
xé
X X
}{ffffffff1
ffffffff2
T
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
La méthodologie généraleAdaptation au problème multi-sujet
Adaptation au problème multi-sujet
Un sujet = plusieurs essais donc :
Deux taux de bon classement :le TBC des essais,le TBC des sujets obtenu par ”vote majoritaire”.
Dans l’estimation du TBC par LOO (Leave One Out), on retire tous les essaisd’un même sujet pour former l’ensemble test lors de la m-ème itération (avecm = 1, ..., q). {
p
État
nor
mal
État
nor
mal
État
rela
xé
}{T ... ...Essais du mème sujet
Ensemble d'apprentissage Ensemble test
État
nor
mal
État
nor
mal
État
rela
xé ...
État
nor
mal
État
nor
mal
État
rela
xé ...Ét
at n
orm
al
État
nor
mal
État
rela
xé ......
{ { {Essais du sujet 1 Essais du sujet 2 Essais du sujet qSéminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Plan
1 Acquisition de données EEGProtocole d’acquisitionDonnées
2 Extraction de caractéristiquesCritère des pentesFiltrage spatial par CSP et transformation logvar
3 Classification de signaux EEGLa méthodologie généraleAdaptation au problème multi-sujet
4 Sélection de variablesFiltrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Un problème de sélection de variables
Objectif
Trouver la meilleure combinaison de p′ électrodes (où p = 58 est le nombred’électrodes et p′ < p).
Cp′
58 =58!
p′!(58− p′)!possibilités.
La recherche exhaustive peut être très coûteuse en temps de calcul.
Solution testées :Algorithme génétique,Méthode séquentielle de type backward et forward,Sparsifier l’étape de filtrage par CSP.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Filtrage par CSP sparse
L’idée générale1 Ecrire le CSP sous la forme de deux ACP avec métriques2 Ecrire ces deux ACP avec métriques comme deux ACP classiques3 Sélectionner les variables avec un algorithme d’ACP sparse.
Plusieurs algorithmes d’ACP sparse dans la littérature, en particulier :Zou, Hastie et Tibshirani (2006) → approche de type ”bloc”Shen et Huang (2006) → approche de type ”déflation”Journee et al. (2010)
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Le filtrage par CSP : deux ACP avec métriques
⇒ Réécriture des deux problèmes d’optimisation du CSP :
maxw∈Rp
var (X1w)var (X2w)
⇐⇒ maxw∈Rp
wT C1wwT C2w
⇐⇒maxw∈Rp
var (X1w)
s. c. wT C2w = 1
maxv∈Rp
var (X2v)var (X1v)
⇐⇒ maxv∈Rp
vT C2vvT C1v
⇐⇒maxv∈Rp
var (X2v)
s. c. vT C1v = 1
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
⇒ En posant ∼w= C2w, on a :
maxw∈Rp
var (X1w)
s. c. wT C2w = 1⇐⇒
max∼w∈Rp
var(
X1C−12∼w)
s. c. ∼wTj C−12∼wj = 1
⇐⇒ ACP de X1 avecmétrique C−12
⇒ En posant ∼v= C1v, on a :
maxv∈Rp
var (X2v)
s. c. vT C1v = 1⇐⇒
max∼v∈Rp
var(
X2C−11∼v)
s. c. ∼v Tj C−11∼v j = 1
⇐⇒ ACP de X2 avecmétrique C−11
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Le CSP à partir de deux ACP classiques
1 L’ACP de X1 avec métrique s’obtient à partir de l’ACP classique deZ1 = X1C
− 122 :
- recherche des vecteurs propres uj de la matrice de covariance de Z1.
- wj = C− 122 uj donne le premier ensemble de vecteurs w1, . . . ,wk
2 L’ACP de X2 avec métrique s’obtient à partir de l’ACP classique deZ2 = X2C
− 121 donne le second ensemble de vecteurs v1, . . . , vk
⇒ Procédure équivalente à la procédure classique de CSP qui consiste àsélectionner les k premiers et les k derniers vecteurs propres de C−12 C1.
⇒ On remplacera l’étape d’ACP classique par une ACP sparse pour sélectionner lesélectrodes.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
L’ACP sparse
Le problème d’optimisation en ACP classique
minF ,α‖X − FαT ‖2 (3)
F est la matrice n × k des scores des n observations sur les k composantesprincipales (F = Xα)α est la matrice p × k des loadings des p variables sur les k composantesprincipales.‖A‖ = Tr(AAT ) est la norme de Frobenius de la matrice A,
D’après [Eckart et Young, 1936], si X = UDV T est la décomposition en valeurssingulières de X avec
- Uk et Vk sont les matrices respectivement composées des k premières colonnesde U et V ,
- Dk est la matrices diagonale des s premières valeurs singulières de D,alors
F = Uk Dk et α = Vk .
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Problème d’optimisation de l’ACP sparse de Zou, Hastie et Tibshirani (2006)
minα,β‖X − XβαT ‖2 +
k∑j=1
λj‖βj‖1
s. c. αTα = Ik
(4)
où :β est la matrice des loadings sparses,α est la matrice des loadings orthogonaux,‖.‖1 est la norme l1,βj ∈ Rp est la jème colonne de β,
λj est le paramètre de régularisation.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
L’ACP sparse de Zou, Hastie et Tibshirani (2006) :Critère de type ”block”.↪→ Recherche simultanée des k vecteurs de loadings sparses.Implémenté dans le package R elasticnet.Comment fixer les k paramètres de régularisation (λ1, . . . , λk )?
L’idée utilisée :→ Définir une grille matricielle de paramètres de régularisation qui est une matrice
Λ = (λji )r×k .→ Augmenter i de 1 à r augmente globalement la sparsité sur les k composantes
principales de l’ACP.→ Choisir “le pas” i qui optimise un critère en validation croisée par exemple.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Algorithme de filtrage par CSP sparse
Initialisation
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Algorithme de filtrage par CSP sparse
Initialisation
ACP parcimonieuse
Z1
ACP parcimonieuseZ2
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Algorithme de filtrage par CSP sparse
Initialisation
ACP parcimonieuse
Z1
ACP parcimonieuse
Sélection de variables
β1
β2Z2
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Algorithme de filtrage par CSP sparse
Initialisation
ACP parcimonieuse
Z1
ACP parcimonieuse
Sélection de variables
β1
β2Z2
CSP X1 et X2~ ~
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Algorithme de filtrage par CSP sparse
Initialisation
ACP parcimonieuse
Z1
ACP parcimonieuse
Sélection de variables
β1
β2Z2
CSP W X1 et X2~ ~
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Illustration sur un exemple
- Les 8 premières secondes d’enregistrement EEG du sujet 58 de l’experienceavant et après relaxation sont considérées.
- Le troisième pas de la grille de régularisation a été choisi et 7 variables(électrodes) on été sélectionnées pour construire k = 2 paires de composantesCSP.
On compare les signaux synthétiques obtenus- avec les 58 électrodes- avec les 7 électrodes sélectionnées.
Séminaire, IECL 05/11/2015
-
Acquisition de données EEGExtraction de caractéristiquesClassification de signaux EEG
Sélection de variables
Filtrage par CSP sparseAlgorithme de filtrage par CSP sparseRésultats
Illustration sur un exemple
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●●●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●●●●●●●●
●
●
●
●●
●
●
●
●●
●
●
●
●●●
●●●●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●●
●
●
●
●●
●
●
●
●●●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●●●
●
●
●
●●●
●●●
●●●●
●
●
●
●
●●●●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●●●●●
●
●
●●●●●●●●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●●
●
●
●
●
●●●
●●●●●●
●
●
●●●
●
●
●
●
●●●●●●●
●●●
●
●●
●
●
●
●
●●
●
●
●
●
●●●●●●●
●
●
●
●●
●
●
●●
●
●
●
●●●●●●
●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●●●
●●●
●
●
●●
●
●
●
●
●
●
●
●●●
●
●
●
●●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●●●●
●●●●●●●●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●●
●●●
●
●
●
●●
●
●
●
●●●
●●
●
●
●●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●●
●●●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●●●●
●
●
●
●
●●
●
●
●
●●●●●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●●●
●
●
●
●●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●●●
●●
●
●
●
●●
●
●
●●
●
●
●●●
●
●
●
●●●●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●●●●●●●
●●
●●●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●●
●●●
●
●
●
●●●
●●
●
●
●●●●
●
●
●
●●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●●●●●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●●●
●
●
●
●●
●
●
●
●●●
●
●
●
●●●●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●●●●
●
●
●
●
●●
●
●
●
●
●
●●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●●
●
●
●●
●
●
●●
●
●
●●●
●
●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●●●●●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●●●●
●●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●●●●●●
●●●●
●●
●
●
●
●●
●
●
●
●●●●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●●●●●
●
●
●●
●
●
●●
●
●
●●●●●
●
●●●●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●●●●
●
●
●
●●●
●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●●●●●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●●●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●●
●
●●●●
●
●
●●●
●
●
●
●●
●●●●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●●
●●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●●
●
●
●
●
●●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●●
●
●
●
●●
●
●
●●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●●●●
●
●
●
●
●
●
●
●
●●
●
●
●●●
●●●
●
●
●
●●●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●●
● ● ● ●●●●●● ●
●● ●
● ● ● ● ● ● ● ●●●
●●●●●
●● ●
●●
●●●●●
●●
●● ●●●
●● ● ●● ●
●●
●●●●
●●
●●●●
● ● ●●
●●●●
●
●
●● ●
●
●
●●●●
●●● ● ● ● ●●●●
●●●
●
●
●● ●
●
●
●●
●
●
●● ●
●● ● ●
●●●●
●
●
●●●
●●
● ● ●● ●●
●●
●●●
●●
●● ●
●●
●●●●
●●
●●●●●● ● ● ● ●●
●●●●
●●
● ●●●
●
●●
● ● ●●●
●●●●●●●●● ● ● ●●
●●
●●●●●●
●● ● ● ●
●●
●●●●●●●●●
●● ●●
●
●●
●●●
●
●●●
●
●●
● ●●
●
●●●
●
●
●●
●●●
●●
●● ●●
●●●●
●●● ● ●
●●
●●●●●●●● ● ●●
●●●●
●●●●●
●● ● ●
● ●●●
●●●
●
●
●●●
●●
● ● ●●
●● ●●●
●
●●●●
●
●●●●
●
●●●●
●●
●● ● ●
●●
●●●
●●
●●
● ●●●●
●●
●●●●● ● ● ●● ●●●●●● ● ● ● ●●●
●●●●● ● ● ●●●●
●● ● ●● ● ●●
●●●●●
●● ● ●
●●●●
●●●
●●
●●●● ● ● ●●●●●● ●
●●
●● ●
●
●
●
●●●
●● ● ●
●●●
●●
●● ●
●
●
●●●●
●●
● ●●●●●●●●● ● ● ● ●●●●●●
● ●●
●●
●●●●
●●
● ● ● ●●●●●●●
●●●●●
●●●● ● ●●
●●●●
●●
●●●●
●●
● ●●
●●
●●●● ● ●●●●●
●●
●● ●
●●
●●●●●●●● ● ● ● ●●
●●●●
●● ● ● ● ●●●●●
●●
●● ● ●●●●●●●
●●
●●
● ●●●
●
●●●●
●●●
●
●●●●
●
●● ● ●
●● ●
●●●●●●●●
●●●●
●● ● ● ● ● ● ●●●●
●●●●●● ● ●
● ●●●●●●● ● ●●
●●
●●●●
●● ● ●
●●
●●●●
●●
● ●●●●●● ● ● ●● ●
● ●●●●●●● ●●
●●●●●
●●
●● ● ●
●●
●●●●● ● ●●
● ●●●●●●●●
●●
●● ●● ●
● ● ●●●●●●
●●●●●
●●
●● ●
●
●
●● ●●
●●
●●●
●● ● ●
●●●
●●●●●
● ●● ● ●●●●●
●●●●●●●●●
●●
● ● ●●●●●●
●●● ● ● ● ● ●●●●●● ● ● ● ● ● ●
●●●●●
●● ●●
●●
●●
●●●●●
●●
● ●●●
●●●●●●● ● ●
● ●● ●
●●
●●●● ● ● ●●
●●●●
●
●● ●
●
●
●● ● ●
●●
●●●●
●●
● ●●●
●●●●●
●
●●●●
●●●●●
●● ● ●
●●●●
●●
●●
●
●
●● ●
●
●●●●
●●●● ●
●● ● ●
●●
●●●●
●●●●●●
●●●●
●● ● ● ● ● ● ●●●
●●●●
● ●● ● ●●●
●●●●●
● ● ● ●●
● ●●●
●●●●●
● ● ● ●●●
●●●●●● ● ●●●
●●●●●●●● ● ● ●●●
●●●●●●
●● ●●
●● ●●●●●●
● ●● ●●●●
●●● ●
●●●
●●●● ● ● ● ●●●
●●● ● ● ● ●●
●●●●●●
●●
● ●●●●
●● ●●
●● ● ●
●●
●●
●●●●●●●
●
●
●● ●
●
●
●●●
●●
●●●● ●
● ● ● ●●●●●●
●●●●●●
●● ●●
●●●●●●
●●● ● ● ●
●● ●●●
●●● ● ● ● ●●
●●● ●●●
●●
●● ●●
●●
● ● ● ● ● ●●●●●●● ● ● ●●●●● ● ●●
●●●●●
●●●●
●●● ● ● ● ●●●●
●●●●●●●●●
●●●●●●
●●●●
●●●●●
●● ● ●
●●●●●●●
●●
● ● ● ●●
●●●●●●
● ● ●●●●● ● ● ● ●
●●●●
●●
●● ●●
●● ●●
●●●●●
● ● ●●
●●●●●●
●●●●●● ● ● ● ●
● ●●●
●●● ● ● ●●●●
●●●●
● ● ● ●● ●●●●●●
● ●● ● ● ●●●●●
●●●●
●● ●
●
●
●
●●●
●
●
●
●
●● ●
●●●
●●●●
●●●●
●●●●● ● ● ●
●●
●●●
●●
● ●●●
●●● ●
●
●●●●●●●●●
● ● ● ● ●●●●●● ● ●●
● ●●●●●●●
● ● ●● ●●●●●●●●
●●●●●●●●●
●●● ● ●
●●
●●●●
●●● ●
●● ● ●●●●●● ● ● ●●
●●
●●●
●●
● ●●
●●●
●●
●●●●
●●
●●●●●●●●● ● ● ●
●●
●●● ●
●●
●●
●●●
●● ●
●●
●●●
●
●●●
●
●
●
●● ●
●●
●●●● ● ●
●●
●●●●
●●
●●
● ● ●●
●●●
●● ● ● ● ● ●●
●●●●●● ● ● ● ● ●●●●●● ● ● ●
●●
●●●
●
●
●●●
●
●
●● ● ●
●●●●●
●●● ●
● ●●●
●●
●●●●
●●
● ● ● ●●●●●●●●●
● ●● ● ●●●●●●
●● ● ●●
●●
● ●●
●●●
●●
● ● ●●●●●●● ● ● ● ● ●●●●●● ● ●
● ●●●●●●● ● ● ● ●●●
●●● ● ●●
●●●●
●
●
●● ●
●
●
●●●
●
●
● ●●●
●●●● ●
● ● ●●●●●●●●
● ● ● ●●
●●●●●
●● ●● ● ●
●●●●●●● ● ● ● ● ● ●●●●●●●
●
●●●●
●
●
●●
●●●
●●
● ●● ● ●●●●●● ●
●●
●●●
●●
●●● ● ●
● ● ●●●●●● ●
● ● ●●●
●●●●●●
●●●
●●●
● ● ● ●●
●●
●●●
●●●●● ● ● ● ● ●
●●
●●●
●
●
●●●
●
●
●● ●●
●● ● ●●●●●
● ●● ● ●●●●●●
●● ●
● ● ●●●●●●
●● ● ● ● ●●●●●
●● ● ● ●
●● ●●●●●●●● ● ●
●● ●
●●●
●●● ● ●
● ●●●●●● ● ●
● ● ●●●●●●●
● ●●
●●
●●●●
●● ● ● ●●●●●
●●
●●
●●●
●
●
●
●● ●
●●
●●●●
●● ● ● ●
●●
●●●●
●●●●●● ● ● ● ●●●●●● ● ● ● ●
●●●●●● ●● ● ●●
−1.0 −0.5 0.0 0.5
−0.
50.
00.
5
Paire 1 de composantes CSP
Première direction
Der
nièr
e di
rect
ion
NormalRelaxé
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●●●●
●
●●●●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●●●
●●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●●●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●●●
●
●
●
●●●
●●●
●●●●
●
●
●
●●●●●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●
●●●●●
●
●
●●●●●●●●●
●
●
●●●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●●
●
●
●
●
●
●●●●
●●●
●
●
●
●●
●
●
●
●
●
●●●●●●
●
●●●
●
●●
●
●
●
●
●●
●
●
●
●
●●●●●●
●
●
●
●●
●
●
●
●●●
●
●
●●●●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●
●●
●
●
●●●
●
●
●
●
●
●
●●●
●
●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●●●●●●●●
●●●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●●●●
●
●
●●●●●●●●
●●●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●●●
●
●
●
●●
●
●
●
●●●●●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●●●●
●
●
●
●
●●
●
●
●●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●●
●●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●●
●
●
●
●●●●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●