Le décodage cérébrale est une approche d’analyse de données de neuro-imagerie qui consiste à inférer l’état mental d’un sujet à partir de l’activité cérébrale sous-jacente. Ceci revient entre autres à prédire le stimulus présenté à un sujet à partir des signaux enregistrés par des appareils d’enregistrements d’activité cérébrale tels que l’ électroencéphalogramme (EEG) ou la magnétoencéphalographie (MEG). Dans ce contexte, nous nous intéressons au décodage cérébrale d’enregistrements MEG suite à une stimulation visuelle qui consiste à présenter des images de visages et des images floutées. Le but étant de prédire le type d’image présenté à partir du signal enregistré du sujet. A cette fin, nous avons étudié et comparé différents algorithmes d’extraction de descripteurs à partir de séries temporelles ainsi que des algorithmes d’apprentissage supervisé. Étant donné l’importance des résolutions spatiale et temporelle des enregistrements, nous nous sommes intéressés à l’optimisation des performances des temps de calculs à travers l’évaluation de l’écosystème Big Data Apache-Spark dans l’accélération des temps d’exécution lors des phases d’extraction de descripteurs et/ou d’apprentissage. Notre choix s’est porté sur les paramètres de Hjorth et le coefficient de Hurst pour l’extraction des descripteurs. La technique de support vector machine (SVM) à noyau gaussien a surclassé les algorithmes d’apprentissage . Le calcul distribué sur la plateforme Spark et le paradigme MapReduce sur cinq noeuds améliore les performances en temps de calcul jusqu’à 80 %.
Dans le futur, nous envisageons de développer une interface qui permette aux utilisateurs de notre plateforme du centre MEG-EEG d’exploiter les ressources offertes par le calcul distribué de Apache Spark dans l’analyse des données de manière transparente.
