@ARTICLE{10.21494/ISTE.OP.2018.0311, 

TITLE={Classification de variables et analyse multivariée de données mixtes issues d’une étude BCI}, 
  
AUTHOR={Jérôme Saracco, Marie Chavent, Liliana Audin-Garcia, Véronique Lespinet-Najib, Ricardo Ron-Angevin, }, 
	
JOURNAL={Ingénierie cognitique}, 
	
VOLUME={2}, 

NUMBER={Numéro 1}, 
	
YEAR={2018}, 

URL={https://openscience.fr/Classification-de-variables-et-analyse-multivariee-de-donnees-mixtes-issues-d}, 
	
DOI={10.21494/ISTE.OP.2018.0311}, 
	
ISSN={2517-6978}, 
	
ABSTRACT={L’objectif de ce travail est de traiter des données complexes issues de la technique des Brain Computer Interfaces
(BCI) au moyen de méthodes statistiques multivariées (approche PCAmix et classification de variables) afin de mieux
comprendre et interpréter les relations qui existent entre elles. Cet article présente ainsi la classification de variables qui
a pour but de réunir des variables fortement liées entre elles. L’approche proposée fonctionne avec des données mixtes,
c’est à dire des données contenant des variables numériques et des variables catégorielles. Deux algorithmes de classification
de variables sont décrits : un de classification hiérarchique et un autre de partitionnement de type k-means. Une
rapide description de la méthode PCAmix (qui permet de faire de l’analyse en composantes principales pour des données
mixtes) est fournie, vu que le calcul des variables synthétiques résumant les classes de variables obtenues est fondé sur
cette méthode multivariée. Enfin, les approches PCAmix et ClustOfVar (implémentées dans les packages R ClustOfVar
et PCAmixdata) sont mises en oeuvre sur les données réelles issues de l’étude BCI. Des recommandations, reposant non
seulement sur des critères de performances, d’efficience mais aussi de satisfaction, ont pu être faites concernant le choix
d’interface dans l’usage des claviers virtuels, notamment pour des personnes avec des problèmes moteurs tels que la
maladie de Charcot.}}