小瓢虫传媒

Enseignants

Jodogne S茅bastien;

Langue
d'enseignement

贵谤补苍莽补颈蝉

笔谤茅补濒补产濒别蝉

Cette unit茅 d'enseignement suppose acquis le langage de programmation Java (tel qu'enseign茅 dans les cours LSINC1402 et LEPL1402), l'alg猫bre lin茅aire (telle qu'enseign茅e dans les cours LSINC1112 et LINFO1112), ainsi qu'une connaissance en technologies Web (telle qu'enseign茅e dans les cours LSINC1002 et LINFO1002).

Le(s) pr茅requis de cette Unit茅 d鈥檈nseignement (UE) sont pr茅cis茅s 脿 la fin de cette fiche, en regard des programmes/formations qui proposent cette UE.

Th猫mes abord茅s

Cette unit茅 d'enseignement propose une introduction 脿 l'analyse temporelle et fr茅quentielle de signaux neurophysiologiques, en
particulier les 茅lectroenc茅phalogrammes (EEG), ainsi qu'脿 l'analyse d'images m茅dicales. L'accent sera mis sur le d茅veloppement
d'algorithmes adapt茅s 脿 ce type de donn茅es, ainsi que sur la mise en oeuvre de ces algorithmes au sein d'applications Web.

Acquis
d'apprentissage

A la fin de cette unit茅 d鈥檈nseignement, l鈥櫭﹖udiant est capable de :
AA 1.I3, 1.I6, 1.G2, 1.G3 - AA 2.4 - AA 4.4, 4.6 - AA 5.3	脌 la fin de cette unit茅 d'enseignement, l'茅tudiant est capable de : - Comprendre et utiliser les m茅thodes fondamentales de pr茅-traitement et de filtrage des signaux neurophysiologiques et des images. - Mettre en oeuvre les concepts de base li茅s 脿 l'extraction d'information dans des s茅ries temporelles d'茅lectroenc茅phalogrammes, 聽 ainsi que dans des images m茅dicales. - Impl茅menter des algorithmes de traitement de signaux 1D et 2D dans un langage compil茅 (Java). - Cr茅er des applications Web qui r茅alisent des calculs scientifiques sur un serveur.

Contenu

Le cours aborde trois grands volets :

• Donn茅es biologiques :
  • S茅ries temporelles pour les donn茅es neurophysiologiques, particuli猫rement les 茅lectroenc茅phalogrammes (EEG).
  • Introduction 脿 l'acquisition d'images m茅dicales (radiographies et CT-scanners).
• Introduction 脿 l'analyse de signaux 1D et 2D :
  • Analyse temporelle et fr茅quentielle, et extraction de features.
  • Transformation de Fourier rapide (FFT).
  • Analyse en composantes ind茅pendantes.
  • Analyse en composantes principales.
  • Traitement d'images (transformation des niveaux de gris, convolution, filtres non-lin茅aires et morphologie).
  • Segmentation d'images.
• D茅veloppement d'applications scientifiques en mode client/serveur :
  • Formats d'interop茅rabilit茅 utilis茅s dans les domaines de l'EEG et de l'imagerie m茅dicale (European Data Format, DICOM...).
  • Affichage de donn茅es avec le canevas HTML5.
  • Utilisation du Java en tant que langage serveur pour cr茅er des API REST.

M茅thodes d'enseignement

• Cours magistraux.
• Devoirs en ligne 脿 r茅aliser individuellement chaque semaine sur la plateforme INGInious.
• Un路e assistant路e sera disponible pour r茅pondre aux questions sur les devoirs durant les s茅ances d'exercices pr茅vues dans l'horaire.

Modes d'茅valuation
des acquis des 茅tudiants

• Premi猫re session :
  • Examen 茅crit 脿 livre ferm茅.
  • 脡valuation continue 脿 travers des devoirs. Les r茅sultats des devoirs sont int茅gr茅s dans la note finale sous forme d'un bonus de 25% des points.
  • La note finale est calcul茅e selon la formule : note_finale_sur_20 = max(devoirs_sur_5 + examen_sur_15, examen_sur_20).
• Seconde session :
  • Examen oral uniquement, en pr茅sentiel (les devoirs ne comptent plus en seconde session).

L'茅valuation continue comporte des travaux/devoirs, qui donneront lieu 脿 une note globale unique, communiqu茅e 脿 la fin du dernier travail/devoir. Le non-respect des consignes m茅thodologiques communiqu茅es par l'enseignant, notamment en mati猫re d'utilisation de ressources en ligne ou de collaboration entre 茅tudiant路es, dans un travail/devoir entra卯nera une note globale de 0 pour l'茅valuation continue.
En particulier, l'utilisation d'outils d'IA g茅n茅rative et toute collaboration est strictement interdite durant les travaux/devoirs. La diffusion ou l'茅change entre 茅tudiants de (fragments de) code ne sont pas autoris茅s par quelque moyen que ce soit (GitHub, Facebook, Discord...) et ce m锚me apr猫s la date limite de remise des travaux/devoirs.

Ressources
en ligne

Moodle UCLouvain ->

Support de cours

• Les transparents pr茅sent茅s lors des expos茅s th茅oriques, de m锚me que les notes relatives aux s茅ances de cours et quelques r茅f茅rences bibliographiques, sont disponibles sur Moodle. Les devoirs de programmation sont r茅alis茅s sur la plateforme INGInious.
• The slides presented during the theoretical lectures, as well as the course notes and some bibliographical references, are available on Moodle. Programming assignments are carried out on the INGInious platform.

Facult茅 ou entit茅
en charge

> SINC