Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
Potentiel d'actionvignette|Le déplacement d'un potentiel d'action le long d'un axone, modifie la polarité de la membrane cellulaire. Les canaux ioniques sodium Na+ et potassium K+ voltage-dépendants s'ouvrent puis se ferment quand la membrane atteint le potentiel seuil, en réponse à un signal en provenance d'un autre neurone. À l'initiation du potentiel d'action, le canal Na+ s'ouvre et le Na+ extracellulaire rentre dans l'axone, provoquant une dépolarisation. Ensuite la repolarisation se produit lorsque le canal K+ s'ouvre et le K+ intracellulaire sort de l'axone.
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Réseau de neurones à propagation avantUn réseau de neurones à propagation avant, en anglais feedforward neural network, est un réseau de neurones artificiels acyclique, se distinguant ainsi des réseaux de neurones récurrents. Le plus connu est le perceptron multicouche qui est une extension du premier réseau de neurones artificiel, le perceptron inventé en 1957 par Frank Rosenblatt. vignette|Réseau de neurones à propagation avant Le réseau de neurones à propagation avant est le premier type de réseau neuronal artificiel conçu. C'est aussi le plus simple.
Threshold potentialIn electrophysiology, the threshold potential is the critical level to which a membrane potential must be depolarized to initiate an action potential. In neuroscience, threshold potentials are necessary to regulate and propagate signaling in both the central nervous system (CNS) and the peripheral nervous system (PNS). Most often, the threshold potential is a membrane potential value between –50 and –55 mV, but can vary based upon several factors.
Cardiac electrophysiologyCardiac electrophysiology is a branch of cardiology and basic science focusing on the electrical activities of the heart. The term is usually used in clinical context, to describe studies of such phenomena by invasive (intracardiac) catheter recording of spontaneous activity as well as of cardiac responses to programmed electrical stimulation - clinical cardiac electrophysiology. However, cardiac electrophysiology also encompasses basic research and translational research components.
Apprentissage par renforcement profondL'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
Types of artificial neural networksThere are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.
Exploration électrophysiologiqueL' exploration électrophysiologique (ou exploration électrophysiologique endocavitaire ou EEP) est un examen de cardiologie réalisé à l'aide de cathéters (ou sondes d'électrophysiologie de diagnostic) montés dans le cœur. Son objectif est de mettre en évidence des troubles de conduction, de localiser des voies de conduction accessoires, ou des foyers ectopiques en recueillant les signaux électriques cardiaques. Elle peut être complétée par des tests médicamenteux et peut être le prélude à une section (ou ablation) de certaines structures cardiaques intervenant dans la genèse des troubles du rythme.
Réseau de neurones récurrentsUn réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.
Tissu cardionecteurLe tissu nodal ou tissu cardionecteur ou anciennement tissu électrogénique est un tissu incrusté dans le cœur, à l'origine de la contraction automatique du myocarde. Il correspond à l'innervation nerveuse intrinsèque cardiaque. Quantitativement peu abondant, le tissu nodal est constitué par des cellules musculaires striées présentant plusieurs caractéristiques du tissu myocardique embryonnaire ; ces cellules sont noyées dans la masse du tissu myocardique et portent le nom de tissu nodal du fait qu'elles se répartissent en amas ou nœuds.
Réseau neuronal résidueldroite|vignette| Forme canonique d'un réseau neuronal résiduel. Une couche l − 1 est ignoré sur l'activation de l − 2. Un réseau neuronal résiduel ( ResNet ) est un réseau neuronal artificiel (ANN). Il s'agit d'une variante du HighwayNet , le premier réseau neuronal à action directe très profond avec des centaines de couches, beaucoup plus profond que les réseaux neuronaux précédents. Les sauts de connexion ou "raccourcis" sont utilisés pour passer par-dessus certaines couches ( les HighwayNets peuvent également avoir des poids pour les saut eux-mêmes, grâce à une matrice de poids supplémentaire pour leurs portes).
Réseau neuronal convolutifEn apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.
Electrophysiology studyA cardiac electrophysiology study (EP test or EP study) is a minimally invasive procedure using catheters introduced through a vein or artery to record electrical activity from within the heart. This electrical activity is recorded when the heart is in a normal rhythm (sinus rhythm) to assess the conduction system of the heart and to look for additional electrical connections (accessory pathways), and during any abnormal heart rhythms that can be induced.
Myocardethumb|200px|Coupe dans le myocarde Le myocarde est le tissu musculaire (myo-, muscle) du cœur (-carde). C'est un muscle épais et creux à contraction rythmique contrôlée par le système nerveux végétatif (involontaire/autonome). Les tissus annexes du myocarde sont l'endocarde (plus à l'intérieur, un endothélium spécialisé) et le péricarde (couche de tissu conjonctif entourant le cœur). Le myocarde est composé de cellules musculaires cardiaques spécialisées, les cardiomyocytes, qui ne ressemblent à aucun autre tissu musculaire du corps.
Apprentissage automatiqueL'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
Cardiac pacemakerThe contraction of cardiac muscle (heart muscle) in all animals is initiated by electrical impulses known as action potentials that in the heart are known as cardiac action potentials. The rate at which these impulses fire controls the rate of cardiac contraction, that is, the heart rate. The cells that create these rhythmic impulses, setting the pace for blood pumping, are called pacemaker cells, and they directly control the heart rate. They make up the cardiac pacemaker, that is, the natural pacemaker of the heart.
Potentiel électrochimique de membraneToute cellule biologique est entourée d'une membrane dite membrane plasmique. Cette membrane est relativement imperméable aux espèces électriquement chargées telles que les ions et aux molécules qui peuvent participer à l'activité électrochimique (molécules polaires) telles que l'eau. Elle présente ainsi une grande résistance électrique et forme en quelque sorte un dipôle (comme un condensateur). Grâce à ces propriétés, la membrane sépare en deux compartiments étanches l'intérieur de la cellule, le cytoplasme, de l'extérieur de la cellule, le milieu extracellulaire.
Transformeurvignette|Schéma représentant l'architecture générale d'un transformeur. Un transformeur (ou modèle auto-attentif) est un modèle d'apprentissage profond introduit en 2017, utilisé principalement dans le domaine du traitement automatique des langues (TAL). Dès 2020, les transformeurs commencent aussi à trouver une application en matière de vision par ordinateur par la création des vision transformers (ViT).
Apprentissage de représentationsEn apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.
