Séminaire doctorants : Juliana Pegoraro et Ousmane Sacko

Détection de changements de profil respiratoire chez des patients BPCO (Juliana Pegoraro) et Optimal adaptive estimation on R or R+ of the derivatives of a density (Ousmane Sacko)

vendredi 23 octobre 2020, 9h30 - 10h30

Salle du conseil, espace Turing


Détection de changements de profil respiratoire chez des patients BPCO :

La Broncho-Pneumopathie Chronique Obstructive (BPCO) est une des principales causes de mortalité dans le monde. En France en 2011 la prévalence avait été estimée à 3,8 % dans la population de plus de 40 ans. Pour la même année, la dépense annuelle avec des soins était en moyenne 2,4 fois plus élevée chez les patients atteints de BPCO par rapport aux patients de mêmes âge et sexe n’en souffrant pas. Les exacerbations de la BPCO sont des événements aigus et complexes qui impactent négativement la santé du patient. Une prise en charge précoce est essentielle pour réduire le risque d’hospitalisation d’urgence et de dégradation de la qualité de vie du patient. Ainsi, nous souhaitons développer un outil automatique de détection des exacerbations possiblement avant les premiers signes cliniques. Dans cet exposé, j’aborderai différentes étapes de ce projet, de l’acquisition de données à l’hôpital à la mise en place d’algorithmes d’apprentissage pour la détection de changements de profil respiratoire.

Optimal adaptive estimation on R or R+ of the derivatives of a density

We consider the problem of estimating the d-order derivative f^(d) of a density f, relying on a sample of n i.i.d. observations X1,…,Xn with density f supported on R or R+. We propose projection estimators defined in the orthonormal Hermite or Laguerre bases and study their integrated L2-risk. For the density f belonging to regularity spaces and for a projection space chosen with adequate dimension, we obtain rates of convergence for our estimators, which are proved to be optimal in the minimax sense. The optimal choice of the projection space depends on unknown parameters, so a general data-driven procedure is proposed to reach the bias-variance compromise automatically. We discuss the assumptions and the estimator is compared to the one obtained by simply differentiating the density estimator. Simulations are nally performed and illustrate the good performances of the procedure and provide numerical comparison of projection and kernel estimators. PresentationSacko