|
|
|
Formations pré-congrès 1er février 2021Traitement des données issues de l'imagerie hyperspectraleAnimateur : Ludovic Duponchel (Université de Lille) L'objectif de ce cours est d'introduire l'ensemble des outils nécessaires à l'exploration de données hyperspectrales / multispectrales provenant d'expériences d'imagerie spectroscopique comme par exemple en Raman, moyen infrarouge, proche infrarouge et bien plus. Nous nous pencherons ainsi sur cette structure particulière du cube de données mêlant informations spectrales et spatiales. Après une introduction sur les principes instrumentaux spécifiques à ces expériences, nous aborderons en premier lieu l'exploration univariée qui est à la base de l'imagerie en insistant sur ses avantages et ses inconvénients. Les outils multivariés seront ensuite abordés comme par exemple l'Analyse en Composantes Principales (ACP), les méthodes de classification non-supervisée (Clustering, K-means...), les méthodes de classification supervisée (k-Nearest Neighbors, SIMCA, PLS-DA...) ou encore la résolution multivariée de courbes (MCR-ALS). Ce sont bien entendu des outils classiques de la chimiométrie mais nous les aborderons dans ce cadre spécifique de l'imagerie spectroscopique.
Aspects méthodologiques pour l'acquisition et le traitement de données métabolomiquesAnimateurs : Julien Boccard - Serge Rudaz (Université de Genève)
La métabolomique vise l'analyse la plus large possible des métabolites et de leurs potentielles altérations dans un système biologique. Pour cela, elle s’appuie sur la mesure de signatures biochimiques obtenues à l’aide d'outils analytiques de pointe pour caractériser des échantillons issus d’essais dirigés ou non. Des approches adaptées sont ensuite nécessaires pour extraire l'information biologique ou chimique pertinente de la grande quantité de signaux mesurés. Ce cours a pour objectif de présenter les principes, les objectifs et les outils importants de la métabolomique et son flux de travail. Les principales plates-formes analytiques utilisées, basées sur la spectrométrie de masse, seront présentées, ainsi qu'une introduction à l'analyse de données multivariées et à la stratégie d’annotation des signaux instrumentaux pour obtenir une identité probable ou confirmée permettant une interprétation biologique.
Analyse en Composantes IndépendantesAnimateur :Douglas N. RUTLEDGE (AgroParistech)
Une question cruciale dans l'analyse de données est l'identification des produits et phénomènes présents (parfois même de façon éphémère) dans un mélange, ou lors d'un procédé. L'analyse en composantes principales donne des "Loadings" qui décrivent le plus souvent un mélange de ces sources pures, ne fournissent donc pas une réponse adaptée. Une autre méthode, plus récente en chimiométrie, peut aider à résoudre ce problème: il s'agit de l'Analyse en Composantes Indépendantes (ICA, acronyme de son nom anglais Independent Components Analysis). Cette méthode fait partie des méthodes dites de "séparation aveugle de sources" (Blind Source Separation), car elle vise à extraire les signaux sources sous-jacents de la matrice ainsi que leurs proportions dans les mélanges.L'ICA a été développée dans les années 80 dans le domaine du traitement du signal, mais ses applications se sont étendues à bien d'autres domaines dans lesquels le traitement du signal est nécessaire (comme en médecine, l'analyse d'images, et la chimie analytique).Dans ce cours, la théorie et des applications de l'ICA seront présentées, ainsi qu'une comparaison avec l'ACP pour illustrerer les différences entre les deux méthodes.
Démélange spectral et résolution de courbes multivariées : principes et mise en application
|
| Personnes connectées : 3 | Vie privée |
|
