Site menu:

Jean ROUAT

Jean ROUAT, Ph.D.

Professeur titulaire

Département de génie électrique et de génie informatique, Faculté de génie, Université de Sherbrooke, Jean.Rouat[at]Usherbrooke.ca

Professeur avec appartenance complémentaire

Département d'informatique, Faculté des sciences, Université de Sherbrooke

Membre du CIRMMT

McGill Schulich School of Music, Faculté de musique de McGill Univ.

Coordinator of the european research consortium IGLU, CHIST-ERA IGLU CHIST-ERA : on Interactive Grounded Language Understanding.

Membre fondateur du groupe de recherche inter-universitaire Neurosciences Computationnelles et Traitement Intelligent des Signaux

Quelque matériel pédagogique / Some teaching material

La transition de phase dans le cerveau et les réseaux de neurones bande dessinée
Phase transition in the Brain and in Neural Networks Cartoons

Liste des cours de spécialité

Sélectionner un des liens ci-dessous pour plus d'informations sur le cours

Automne 2021, cours GEI723: Neurosciences computationnelles, applications en traitements de l'information

Automne 2020, cours GEI723: Neurosciences computationnelles, applications en traitements de l'information

Automne 2019, cours GEI723: Neurosciences computationnelles, applications en traitements de l'information

Hiver 2019, cours GEI723: Neurosciences computationnelles, applications en traitements de l'information

Hiver 2018, cours GEI723: Neurosciences computationnelles, applications en traitements de l'information

Automne 2017, cours BIO-3659: Introduction aux neurosciences computationnelles pour biologistes

Automne 2015, cours BIO-3659: Introduction aux neurosciences computationnelles pour biologistes

Automne 2017, cours GEI752: Techniques avancées de Traitement des Signaux



Informations détaillées sur les cours


_____________________________________________________________

cours GEI723: Neurosciences computationnelles, applications en traitements de l'information

Dates, horaires et inscriptions

Le cours se donne simultanément en présenciel lorsque possible et en virtuel. Les séances sont enregistrées.

Si vous êtes à l'extérieur de l'université de Sherbrooke et que vous souhaitiez que le cours soit crédité dans votre université d'attache, SVP, procéder en faisant l'inscription par le site de la CREPUQ.

Si vous êtes étudiant à l'université de Sherbrooke et en génie, svp communiquer avec le bureau des affaires académiques de 2ième et 3ième cycle de la faculté de génie pour procéder à l'inscription. Pour les autres facultés, adressez vous à votre secrétariat (premier cycle ou second cycle selon votre situation) et communiquez le sigle GEI723 du cours.

Le cours est médiatisé. Par ailleurs, pour les étudiants qui ne sont pas présents sur le site de Sherbrooke, il sera possible de le suivre en vidéo-conférence. Les séances seront enregistrées et pourront être consultées ensuite sur le site du cours.

Professeur

Jean Rouat;

Syllabus détaillé du cours

Syllabus de la session d'automne 2021 au format pdf
_____________________________________________________________

Automne 2017, cours BIO-3659: Introduction aux neurosciences computationnelles pour biologistes

Séance du 5 décembre à l'université de Montréal.


Définitions des modèles de H&H, modélisation des champs récepteurs. Apprentissage de Hebb, règle d'apprentissage selon la STDP, exemples d'architectures de réseaux de neurones pour le traitement d'images et la reconnaissance d'objets:
Première séance du 5 décembre 2017
Modèle de simulation du système visuel et validation avec les enregistrements réalisés en V1 chez le chat. Prothèses de substitution sensorielle, plasticité:
Seconde séance du 5 décembre 2017
_____________________________________________________________

Automne 2015, cours BIO-3659: Introduction aux neurosciences computationnelles pour biologistes

Première séance du 10 novembre 2015, Définitions des modèles de H&H, modélisation des champs récepteurs.
Seconde séance du 10 novembre 2015, Apprentissage de Hebb, exemples d'architectures de réseaux de neurones pour le traitement d'images et la reocnnaissance d'objets, prothèses de substitution sensorielle, plasticité selon la STDP.
_____________________________________________________________

Hiver 2016, cours GEI723: Neurosciences computationnelles, applications en traitements de l'information

(Ci-dessous est l'ancienne description pour le cours donné à l'hiver 2016)

1  Formule pédagogique

Le cours est médiatisé de façon à permettre aux étudiants à l’extérieur du campus de Sherbrooke de le suivre. Chaque séance est enregistrée et placée ensuite sur le site du cours, permettant aux étudiants de réécouter le cours. La plateforme Moodle est utilisée pour la médiatisation.

Le cours suppose une participation active de l’étudiant dans la recherche et le choix de l'article qui servira de support à la séance de lectures commentées. Par ailleurs, le professeur alternera entre des exposés conventionnels de la matière, des lectures commentées, des séminaires et la résolution de problèmes.

Pour chaque étudiant il y a  :

1. Des travaux pratiques sous forme de la résolution de deux problèmes fournis par le professeur (simulation d'un hexapode par réseaux de neurones à décharges et reconnaissance de chiffres manuscripts par un réseau à architecture profonde):

   S’ils le souhaitent, les étudiants gradués de la filière recherche peuvent faire leurs travaux pratiques sous forme d'un mini-projet lié à la recherche plutôt que la résolution des deux problèmes fournis par le professeur;

   Les travaux pratiques peuvent se faire en équipe de deux (dans ce cas, l'évaluation comprendra en partie une évaluation individuelle - à part de l'évaluation de l'équipe);

   Pour les étudiants gradués ayant choisi le mini-projet, celui-ci peut se conclure par la rédaction d'un article aux standard des conférences internationales. Si la qualité du mini-projet le permet, la soumission de l'article à une conférence sera encouragée par le professeur.

2. Une lecture d'un article dont le contenu sera présenté à toute la classe sous la forme d'une lecture commentée avec exposé et rédaction d'un document de présentation (individuel).

2  Éléments de compétences et contenus visés par le cours GEI723

Le cours s’adresse aux étudiants ayant à concevoir des systèmes d’interaction personnes-systèmes faisant appel à la perception (audition, vision, prothèses, etc.), ainsi qu’à l’utilisation et au développement de modèles de simulation de réseaux de neurones. Ce cours est aussi une fenêtre ouverte sur le monde des neurosciences et de la compréhension du cerveau du point de vue des sciences appliquées. Le cours équilibre apprentissages théoriques et pratiques. Des mises en oeuvres pratiques sont réalisées par la résolution de problèmes. Compte-tenu de la nature du cours (et de toutes les techniques couvertes), on s’appuiera largement sur les publications scientifiques contemporaines pour ce qui est des développements théoriques importants ainsi que sur l’utilisation de simulateurs pour les aspects pratiques.

Compétences

1.  Concevoir et mettre en oeuvre des simulations du système nerveux en intégrant les connaissances récentes en neurophysiologie ;

2.  Concevoir des algorithmes de traitement de l’information (par exemple : sonore, visuelle) inspirés des connaissances en neurosciences ;

3.  Concevoir et mettre en oeuvre certains types de codage de l’information dans le cerveau ;

4.  Mettre en oeuvre des simulations de réseaux de neurones bio-inspirés ou formels ;

5.  Concevoir des systèmes d’interaction entre le cerveau et des prothèses visuelles, auditives ou de locomotion.

3  Description détaillée

   PHYSIOLOGIE DU SYSTÈME NERVEUX

Structure du système nerveux, types de cellules nerveuses et de connectivité, la cellule nerveuse et son métabolisme élémentaire (dualité électrique/chimique), notions élémentaires d’analyses électro-physiologiques, la connectivité de la cellule au sein d’un réseau.

   MODÉLISATION DE RÉSEAUX NERVEUX

Les modèles physiologiques continus, les modèles formels (Izhikevich , intégration et décharges, etc.). La modélisation informatique de ces systèmes. La simulation informatique des réseaux de neurones. Les codages (et leurs comparaisons) par taux de décharges moyens, par séquences de décharges, par ordre de décharges, par synchronisation, par oscillation. Impact de l’inhibition sur le traitement de l’information nerveuse, étude des réseaux à inhibition latérale.

   ANALOGIES ENTRE TRAITEMENT NERVEUX ET TRAITEMENT DE L’INFORMATION

Équivalences entre champs récepteurs et filtres non-linéaires, équivalences entre décision et décharge. “Numérisation” nerveuse et conversion de signaux analogiques en leur équivalent “numériques nerveux”. Les grands principes du traitement de l’information dans le cerveau. Traitement parcimonieux de l’information et ses liens avec les codages par indépendance ou maximisation de l’information mutuelle entre neurones. Impact pour les interfaces cerveau-ordinateur.

   SYSTÈMES À DYNAMIQUE NON-LINÉAIRE

Les notions de base des systèmes à dynamique non-linéaire, à oscillations, chaos et attracteurs. Leur utilisation en modélisation de microcircuits nerveux et impacts pour la connection électro/nerveuse de prothèses.

   APPRENTISSAGE DE RÉSEAUX NERVEUX ET PLASTICITÉ

La plasticité, l’apprentissage, le rôle de l’inhibition dans l’apprentissage. Les modèles de type STDP, les lois de Hebb et anti-Hebb.

   SYSTÈME VISUEL, SA MODÉLISATION ET LE TRAITEMENT DE L’INFORMATION VISUELLE

Introduction au système visuel (de la rétine jusqu’aux aires corticales), les modèles existants pour le traitement de l’information visuelle. Applications en traitement d’images, vidéo et les prothèses.

   SYSTÈME AUDITIF, SA MODÉLISATION ET LE TRAITEMENT DE L’INFORMATION AUDITIVE

Introduction au système auditif (de l’oreille externe aux aires corticales), les modèles existants pour le traitement de l’information auditive. Applications en traitement de l’information sonore et les prothèses.

   INTRODUCTION AUX RÉSEAUX DE NEURONES FORMELS À TAUX MOYENS DE DÉCHARGES

Réseaux de neurones formels perceptrons multicouches, réseau de Hopfield, réseau de Kohonen.

   INTRODUCTION À L'APPRENTISSAGE MACHINE PAR RÉSEAUX DE NEURONES; Apprentissage profond ("deep learning"), exemple d'applications en classification/reconnaissance.

   Rédaction des documents conformément aux consignes de l’IEEE pour les conférences internationales Int. Conf. on http ://www.ieee.org/portal/site et deNeural Information Processing Systems (http ://nips.cc/).

4  Ce que le cours n’est pas

   Une description des techniques de réalisation et d’implémentation de prothèses ;

   Un cours de physiologie.

5  Connaissances antérieures

   Probabilités et statistiques telles que vues au baccalauréat ;

   Algèbre matricielle et vectorielle telle que vue au baccalauréat ;

   Des connaissances minimales dans un langage informatique tel que C/C++ ou dans un des interpréteurs Matlab, Octave, python.

6  Logiciels utilisés

   Langage python pour les laboratoires (étudiants de la formation cours), python, matlab, CC++ en fonction des besoins des projets (étudiants en recherche) ;

7  Références et lectures

   Articles scientifiques et techniques disponibles via IEEE, NIPS, INNS, SFN, etc. ; Le choix des articles est fait conjointement avec les étudiants et le professeur. Le professeur assiste l’étudiant dans le choix des articles pour sa lecture commentée. L’étudiant(e) doit faire part du choix du sujet de la lecture commentée au moins 3 semaines avant sa présentation ;

   Des notes (sous forme de guides lectures) et faisant la synthèse seront fournies par le professeur ;

Surveillez régulièrement le site moodle qui est utilisé pour les échanges d’information (notes, travaux, articles, etc.) : http ://www.usherbrooke.ca/moodle/

8  Évaluations

1.  Deux problèmes (60%). Pour les étudiants de profil recherche il y a possibilité de réaliser un projet (60%) (en lien autant que possible avec le sujet de recherche de l'étudiant).

   Un problème portera sur la simulation du déplacement d'un mille pattes et l'autre problème portera sur un réseau de neurones avec apprentissage profond pour la reconnaissance de chiffres manuscripts. Les étudiants disposent d'un mois pour la résolution de chaque problème.

   Pour les étudiants choisissant de travailler en équipe de deux pour la remise des problèmes (ou projets) il y a une évaluation individuelle incluse à l'évaluation des problèmes (ou projet).

   Les étudiants de la filière recherche peuvent réaliser un projet qui comprendra la résolution d'un problème en lien avec le sujet de recherche et impliquant la simulation de réseaux de neurones. Deux évaluations seront réalisées. Une première à la mi-session et une seconde à la fin de la session.

   a) La première évaluation portera sur la démarche de définition du projet de recherche, sur la méthodologie scientifique, le calendrier de planification ainsi que sur les réalisations de mi-étape;
b) La seconde portera sur la remise finale du projet et des documents.

2.  Une lecture commentée individuelle avec exposé (40%): Ceci comprend la proposition de l'article et sa validation dans les temps par le professeur, son analyse, son exposé devant la classe et le document de synthèse sous forme de schéma conceptuel.

9  Utilisation des technologies électroniques

L’étudiant est encouragé à utiliser son ordinateur personnel pour participer au cours (programmation, visionnement du matériel de cours, prises de notes de cours) et dans le cadre des activités pédagogiques ;

L’utilisation des équipements électroniques (ordinateur, téléphone) à des fins personnelles pendant les séances de cours (lectures de courriel, chat, accès internet, téléphone, texto, etc.) n’est pas autorisée. Le professeur peut demander à l’étudiant de fermer ses appareils.

10 Support technique

Un forum est disponible pour permettre le dépannage entre les étudiants. N’hésitez pas à l’utiliser. Le professeur ne dispose pas toujours des ressources pour faire le support technique.

 

11 Précisions sur la formule pédagogique et la clientèle

La formule pédagogique permet à un étudiant curieux et ayant soif de connaissance d’en apprendre plus que dans le cadre d’un cours conventionnel de 3 crédits. En effet, un nombre important de références et de points d’intérêts liés aux neurosciences sont présentés dans le cadre du cours. Ceci permet à chaque étudiant d’orienter son apprentissage des neurosciences computationnelles dans une direction plus particulière en perfectionnant et approfondissant les éléments introduits lors des séances de cours. Par exemple, un étudiant désireux d’approfondir plus spécifiquement ses connaissances de l’apprentissage non supervisé, du système auditif, du système visuel, etc. pourra le faire grâce au matériel fourni par le professeur. Pour les étudiants désireux de travailler selon une approche plus conventionnelle, le professeur fournit des questions de révision qui englobent les éléments de connaissances déclaratives et procédurales qui sont à connaître et évalués lors des examens.

Les étudiants gradués en recherche ont la possibilité de définir le mini-projet. La définition du mini-projet se fait selon une approche qui implique la réflexion, le positionnement du problème à traiter afin de contribuer à la recherche ainsi que la planification de la résolution du problème. Ceci se fait selon un processus similaire à ce qu’un étudiant gradué adopte comme démarche lors de sa définition du projet de recherche (DPR).

Avertissement et politique de citation de l’université de Sherbrooke


_____________________________________________________________

Automne 2015, cours GEI752: Techniques Avancées en Traitement des Signaux

Dates, horaires et inscriptions

Le cours commencera jeudi 27 août 2015 à 9:00 au local C1-5013 (ensuite il se donnera dans un autre local pour les semaines suivantes). SVP, assurez vous de vous inscrire assez tôt pour que les professeurs puissent vous rejoindre par le système automatisé qui utilise la liste des étudiants inscrits. Ceci nous permettra de vous fournir les informations pour commencer et préparer la première rencontre.
Si vous êtes à l'extérieur de l'université de Sherbrooke et que vous souhaitiez que le cours soit crédité dans votre université d'attache, SVP, procéder en faisant l'inscription par le site de la CREPUQ.
Si vous êtes étudiant à l'université de Sherbrooke, svp communiquer avec le bureau des affaires académiques de 2ième et 3ième cycle de la faculté de génie pour procéder à l'inscription.
Le cours est médiatisé. Les séances seront enregistrées et pourront être consultées ensuite sur le site du cours.

Professeurs

Éric Plourde et Jean Rouat

1  Formule pédagogique

Le cours est médiatisé de façon à permettre aux étudiants à l’extérieur du campus de Sherbrooke de le suivre. Chaque séance est enregistrée et placée ensuite sur le site du cours, permettant aux étudiants de réécouter le cours. La plateforme Moodle est utilisée pour la médiatisation.
Le cours suppose une participation active de l’étudiant dans la recherche et le choix des articles qui serviront de support à la séance de lectures commentées. On alterne entre des exposés conventionnels de la matière, des lectures commentées et la résolution de problèmes par l'intermédiaire de travaux pratiques.
Lorsque possible, le cours est réparti sous forme de 2 périodes de 1 :30 chacune et par semaine. La première séance est consacrée au retour sur les lectures et matériel présentés lors de la semaine précédente ; la deuxième séance est consacrée à l’introduction de nouvelle matière à étudier pour la semaine suivante ainsi qu’à la résolution de problème.

Pour chaque étudiant il y a  :

   4 travaux pratiques utilisant le simulateur Octave/Matlab (par équipe)

   Une lecture d’un article dont le contenu sera présenté à toute la classe sous la forme d’une lecture commentée avec exposé et rédaction d’un document de présentation (individuel).

   Chaque semaine, une série de questions à présenter à la classe et aux professeurs;

   Un examen individuel final.

2  Éléments de compétences et contenus visés par l'unité GEI752

Le cours s’adresse aux étudiants ayant à concevoir des systèmes à base de traitement numérique des signaux pour des fins d’analyse, de représentation, de rehaussement, de séparation,  de suivi, de filtrage linéaire et non linéaire de signaux.

Ce cours est aussi une fenêtre ouverte sur le monde moderne du traitement de l’information basée sur les signaux.

Ce cours équilibre apprentissages théoriques et pratiques. Des mises en oeuvres pratiques sont considérées via des travaux pratiques personnels ou en équipe afin de concrétiser certains aspects théoriques. Compte-tenu de la nature du cours (et des techniques couvertes), on s'appuiera largement sur les publications scientifiques contemporaines pour ce qui est des développements théoriques ou pratiques importants.

Compétences

1.  Concevoir des techniques avancées de traitement numérique des signaux appropriées à partir de spécifications descriptives;

2.  Mettre en oeuvre des techniques avancées de traitement numérique des signaux appropriées à partir de spécifications descriptives;

3.  Savoir communiquer les résultats de ses travaux en techniques avancées de traitement numérique des signaux.

3  description détaillée et répartition du temps

   RAPPELS ET RÉVISION POUR LE TRAITEMENT NUMÉRIQUE DE SIGNAUX

Échantillonnage, fréquence normalisée, analyse de Fourier (signaux continus, discrets, périodiques/non-périodiques) et estimation de l’entropie et de l’information mutuelle pour des signaux.

   REPRÉSENTATIONS PAR ONDELETTES ET APPLICATIONS

La classe de Cohen, transformation de Gabor, décomposition en ondelettes continues, en ondelettes discrètes, en paquets d’ondelettes, reconstructions avec ou sans pertes. Applications en segmentation, rehaussement et compression des signaux.

   SÉPARATION DE SOURCES

Principe de localisation de sources, séparation de sources multiples à l’aide d’un seul capteur; principe de séparation aveugle de sources, maximisation de l’entropie des sources, notions de kurtosis, d’indépendance et de corrélation entre signaux, séparation par composantes indépendantes, par poursuite de complexité.

   DÉCOMPOSITION ET ANALYSE DE SIGNAUX  PAR PARTIES   

Recherche de représentations sur-complètes et parcimonieuses, liens avec la décomposition en composantes indépendantes, codage/échantillonnage d’un signal à un débit inférieur à celui du théorème de Shannon.

   FILTRAGES ET OPÉRATEURS NON-LINÉAIRES

Signaux analytiques, transformation de Hilbert, extraction d'enveloppes, de fréquence instantanée et utilisation d’opérateurs non linéaires de Volterra et de Teager. Décomposition d'un signal selon EMD (« Empirical Mode Decomposition »).

   FILTRAGE DE KALMAN ET FILTRAGE PARTICULAIRE

Kalman et de Kalman étendu, filtre bayesien, filtre particulaire.

   FILTRAGE ADAPTATIF

Configurations de base (identification, égalisation, prédiction, réduction d’interférences) Filtrage de Wiener par moyenne statistique de l’erreur quadratique, recherche de coefficients par minimisation du gradient, algorithmes LMS et N-LMS, RLS. Applications du filtrage adaptatif.

4  Matériel didactique

1.  Notes des professeurs;

2.  Guides de lectures rédigés par les professeurs;

3.  Capsules multimédia réalisées par les professeurs;

4.  Matériel public disponible par le biais de publications.

 

Contacts

Université de Sherbrooke, Faculté de génie, Département de génie électrique et de génie informatique
2500, boul. de l'Université
Sherbrooke, Québec, Canada
J1K 2R1
courriel: jean.rouat[at]usherbrooke.ca ou jean.rouat[at]umontreal.ca