|
Modélisation par réseaux bayesiens des effets d'intégration et de ségrégation liés à la perception multisensorielle| old_uid | 5653 |
|---|
| title | Modélisation par réseaux bayesiens des effets d'intégration et de ségrégation liés à la perception multisensorielle |
|---|
| start_date | 2008/11/21 |
|---|
| schedule | 11h-12h |
|---|
| online | no |
|---|
| summary | L'être humain appréhende son environnement au travers de ses différents sens. Ces informations de multiples natures (ou modalités sensorielles) sont traitées par le cerveau afin de conduire à un percept cohérent du monde.
Le cerveau doit entre autre décider quels signaux, ou informations, proviennent d'une même source physique et doivent être intégrés, et quels signaux sont issus de deux sources distinctes et doivent être discriminés. Ces processus, communément qualifiés d'intégration et de ségrégation multisensorielles, font tous deux partie de la perception multisensorielle. Ce n'est que récemment cependant que des chercheurs se sont départis du seul cas intégratif pour s'attacher à modéliser la perception multisensorielle dans son ensemble, par le biais d'une approche bayesienne. Le formalisme bayesien fournit une solution intéressante pour intégrer les différents indices sensoriels quels que soient leurs niveaux de fiabilité, grâce notamment à la mise en jeu d'une probabilité a priori sur les stimuli perçus.
En plus d'adopter un tel formalisme, j'ai basé mon approche sur la théorie des graphes, et plus précisément, sur la modélisation par réseaux de Bayes. Dans ces réseaux, des évènements physiques tels que l'émission et la perception de stimuli multisensoriels, ainsi que l'influence d'un stimulus sur la perception de l'autre sont modélisés par des variables aléatoires. Les interactions entre ces variables peuvent ensuite être évaluées quantitativement. Mais la force de cette méthodologie, ainsi que je m'attacherai à le démontrer dans ma présentation, est de permettre d'établir préalablement l'existence même de ces interactions. |
|---|
| responsibles | Pélissier |
|---|
| |
|