@InProceedings{2015_kowalski171,
	author = "Matthieu Kowalski and Alexandre Gramfort",
	title = "Problèmes inverses avec dictionnaires temps-fréquences en présence de bruit Gaussien non blanc",
	booktitle = "25° Colloque sur le traitement du signal et des images",
	year = "2015",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-0273",
	pages = "p. 1093-1096",
	month = "Sep # 8--11",
	address = "Lyon",
	doi = "",
	pdf = "2015_kowalski171.pdf",
	abstract = "Les régularisations parcimonieuses pour résoudre des problèmes inverses mal-posés ont été massivement étudiées ces dix dernières années. Jusqu'à présent, lorsque le bruit est pris en compte dans le modèle, il est presque systématiquement considéré comme blanc Gaussien. Bien que cette hypothèse peut être vérifiée en pratique, elle ne l'est que rarement lorsque les observations sont des séries temporelles dégradées par des bruits autocorrélés. Dans cet article, on étudie la régression parcimonieuse sous une hypothèse de bruit Gaussien non blanc, et comment inférer les paramètres du modèle avec les méthodes proximales. On étudie une application d'imagerie cérébrale: le problème de localisation de sources basée sur la magnéto- et l'électroencephalographie (M/EEG) ce qui permet l'imagerie fonctionnelle du cerveau avec une résolution temporelle élevée. On utilise pour cela une représentation temps-fréquence des sources et une régularisation parcimonieuse qui favorise les sources focales avec des activations régulières et transitoires. Notre approche est évaluée sur des simulations en comparant plusieurs stratégies qui suppose que le bruit est blanc, ou qui utilise un simple pré-blanchiment..pdf",
}