La théorie de Hidden Markov est une théorie mathématique qui se base sur la loi de probabilité de la survenue d’un événement particulier ( acte , habitude , comportement ) en relation avec le temps , l’espace et les facteurs cachée ( Hidden Features ) qui peuvent influencer la survenue d’un tel événement.
Dans cette perspective, on peut affirmer que les événements ancrés dans notre quotidien peuvent influencer notre progrès.
dans la vie elle-même apparaît comme une séquence d’états cachés, où chaque moment présent est à la fois le reflet du passé et la graine de l’avenir. Et c’est dans cette intrication subtile que réside à la fois la beauté et le défi de notre existence : comprendre que derrière l’apparent chaos se cache un ordre invisible, et que c’est en apprenant à le décrypter que nous pourrons véritablement évoluer .
comme est indiquée dans le Coran Dieu le puissant nous incite à changer nous même pour évoluer dans souret arad ( إِنَّ اللَّهَ لا يُغَيِّرُ مَا بِقَوْمٍ حَتَّى يُغَيِّرُوا مَا بِأَنْفُسِهِمْ)
l’exemple
prenant l’exemple de la survenue de 3 événements ( la marche , le shopping , et grand ménage à la maison) et deux observations de Climats. qui sont cachées et on ne peut pas les observer ( ensoleillée, pluie). La théorie de Hidden Markov calcule la probabilité de faire de la marche et le shopping à l’extérieur est plus importante lorsque le Climat est ensoleillé. et moins probable durant la pluie. En contrepartie, la probabilité de faire un grand ménage à la maison devient plus importante lorsqu'il pleut à l’extérieur.
ce modèle est représenté sous forme de code de python :
états = ("Pluvieux", "Ensoleillé")
observations = ("se_promener", "faire_les_courses", "nettoyer")
probabilité_initiale = {"Pluvieux": 0.6, "Ensoleillé": 0.4}
probabilité_de_transition = {
"Pluvieux": {"Pluvieux": 0.7, "Ensoleillé": 0.3},
"Ensoleillé": {"Pluvieux": 0.4, "Ensoleillé": 0.6},
}
probabilité_d_émission = {
"Pluvieux": {"se_promener": 0.1, "faire_les_courses": 0.4, "nettoyer": 0.5},
"Ensoleillé": {"se_promener": 0.6, "faire_les_courses": 0.3, "nettoyer": 0.1},
}
la théorie des modèles de Markov cachés (HMM) peut être appliquée à divers domaines de la vie, y compris l'analyse de la relation entre le temps passé dans les transports publics et le rendement au travail. Voici comment on pourrait modéliser cette situation en utilisant un ce modèle
États possibles
Les états pourraient représenter des niveaux de fatigue ou de productivité au travail, influencés par le temps passé dans les transports. Par exemple :
État 1 : "Productivité élevée"
État 2 : "Productivité moyenne"
État 3 : "Productivité faible"
Observations
Les observations sont les temps passés dans les transports publics, qui peuvent influencer la productivité :
15 minutes
60 minutes
90 minutes
ci joint le code python de cette loi
probabilité initiale = {
"Productivité élevée": 0.5,
"Productivité moyenne": 0.3,
"Productivité faible": 0.2,
}
probabilité_de_transition = {
"Productivité élevée": {"Productivité élevée": 0.6, "Productivité moyenne": 0.3, "Productivité faible": 0.1},
"Productivité moyenne": {"Productivité élevée": 0.2, "Productivité moyenne": 0.5, "Productivité faible": 0.3},
"Productivité faible": {"Productivité élevée": 0.1, "Productivité moyenne": 0.4, "Productivité faible": 0.5},
}
probabilité_d_émission = {
"Productivité élevée": {"transport 15 minutes": 0.7, "transport 60 minutes": 0.2, "transport 90 minutes": 0.1},
"Productivité moyenne": {""transport 15 minutes": 0.3, ""transport 60 minutes": 0.5, ""transport 90 minutes": 0.2},
"Productivité faible": {""transport 15 minutes": 0.1, ""transport 60 minutes": 0.3, ""transport 90 minutes": 0.6},
}
il est évident que plus de temps on passe dans le transport moins d'énergie il aura de rendement au sein de travail et vice versa. moins de temps on passe dans le transport plus de rendement . 0.7 de probabilité de productivité élevé avec ( 15 minutes de transport !! )
un exemple concret dans le domaine de la santé :
considérant l’état rédox d’une cellule humaine qui est en rapport avec plusieurs facteurs environnementaux ( alimentation , indice Orac antioxydant des aliments , absorption de magnésium , taux de glutathion et catalase cellulaire ) etc.
considérant ces différent états représentent l'état redox de la cellule,
État 1 : "État redox optimal"
État 2 : "État redox modéré"
État 3 : "État redox dégradé"
Observations cachées
Les observations sont les mesures indirectes de l'état redox, comme le taux de RH2 dans le sang. Par exemple :
7 (taux de RH2 faible)
15 (taux de RH2 modéré)
31 (taux de RH2 élevé)
28 (taux de RH2 élevé)
35 (taux de RH2 très élevé)
probabilité_initiale = {
"État redox optimal": 0.6,
"État redox modéré": 0.3,
"État redox dégradé": 0.1,
}
probabilité_de_transition = {
"État redox optimal": {"État redox optimal": 0.7, "État redox modéré": 0.2, "État redox dégradé": 0.1},
"État redox modéré": {"État redox optimal": 0.3, "État redox modéré": 0.5, "État redox dégradé": 0.2},
"État redox dégradé": {"État redox optimal": 0.1, "État redox modéré": 0.4, "État redox dégradé": 0.5},
}
probabilité_d_émission = {
"État redox optimal": {"7": 0.1, "15": 0.3, "31": 0.4, "28": 0.1, "35": 0.1},
"État redox modéré": {"7": 0.2, "15": 0.5, "31": 0.2, "28": 0.1, "35": 0.0},
"État redox dégradé": {"7": 0.0, "15": 0.1, "31": 0.3, "28": 0.4, "35": 0.2},
}
On peut calculer la probabilité de survenue de cancer en fonction de statut rédox de la cellule. plusieurs recherches ont été faite dans ce contexte comme ceux qui ont exploré la bioélectronique de Vincent pour évaluer le statut de terrain cellulaire , plus le terrain est oxydé plus le pourcentage de survenue de certains maladies chronique augmente
Si l'état redox est "dégradé" pendant une longue période, cela pourrait augmenter la probabilité de développer un cancer. Les stades du cancer (stade 1, stade 2, stade 3) pourraient être modélisés comme des états supplémentaires ou comme des observations supplémentaires. les préparation régénératrices dans le contexte d’un régime méditerranéens sain peuvent aider à optimiser le taux de Rh2 ( les aliments fermentées , les plantes anti inflammatoire , les acides gras oméga 3 , le sélénium , le magnésium, la vitamine c )
La bioélectronique de Vincent mésurant le taux de Rh2 et l'apparition de différents maladies
un autre Exemple en neurobiologie :
prenant l’exemple représentent les niveaux de motivation dans une population donnée qui peuvent être influencés par les niveaux de dopamine et la pratique de la méditation. et le sommeil Par exemple :
État 1 : "Motivation élevée"
État 2 : "Motivation modérée"
État 3 : "Motivation faible"
états cachée qui peuvent influencer le niveau de motivation
Niveau de dopamine (faible, modéré, élevé)
Pratique de la méditation (oui, non)
sommeil adéquat ( oui , non)
code python de ce modèle
probabilité_initiale = {
"Motivation élevée": 0.4,
"Motivation modérée": 0.4,
"Motivation faible": 0.2,
}
probabilité_de_transition = {
"Motivation élevée": {"Motivation élevée": 0.7, "Motivation modérée": 0.2, "Motivation faible": 0.1},
"Motivation modérée": {"Motivation élevée": 0.3, "Motivation modérée": 0.5, "Motivation faible": 0.2},
"Motivation faible": {"Motivation élevée": 0.1, "Motivation modérée": 0.4, "Motivation faible": 0.5},
}
probabilité_d_émission = {
"Méditation": {"Dopamine élevée": 0.8, "Dopamine modérée": 0.2, "Dopamine faible": 0.0, motivation élevée : 0.7},
"pas de méditation ": {"Dopamine élevée": 0.1, "Dopamine modérée": 0.3, "Dopamine faible": 0.6, "motivation élevée : 0.2},
}
sommeil adéquat ("Dopamine élevée": 0.8, "Dopamine modérée": 0.2, "Dopamine faible": 0.0, motivation élevée : 0.7)
sommeil altérés {"Dopamine élevée": 0.1, "Dopamine modérée": 0.3, "Dopamine faible": 0.6, "motivation élevée : 0.2},
}
en conclusion :
Si l’on applique la théorie des modèles de Markov cachés à tous les aspects de la vie, on peut avancer l’hypothèse que nous évoluons dans un environnement et un écosystème d’une complexité profonde, où la productivité et l’évolution technologique et économique d’une population sont déterminées par une multitude de facteurs cachés, dissimulés dans le temps et dans l’espace. Ces facteurs, souvent imperceptibles à première vue, exigent une complémentarité entre plusieurs expertises pour être pleinement compris et maîtrisé.
Parmi ces éléments invisibles mais essentiels, on retrouve en premier lieu l’état de santé et le bien-être d’une population, qui sont profondément influencés par les habitudes quotidiennes. Ces habitudes, qu’elles soient alimentaires, physiques ou sociales, agissent comme des forces silencieuses, façonnant progressivement la capacité d’une société à innover, à produire et à évoluer. Ainsi, derrière chaque avancée technologique ou économique se cachent des réalités biologiques, psychologiques et environnementales qui, bien que souvent ignorées, jouent un rôle central dans le destin collectif.
ces différent systèmes interconnectée incluent
l'infrastructure et le transport
la sécurité et la stabilité politique
la complémentarité et la cohésion sociale
la santé et le bien être
la motivation et le désir de changement qui est souvent liée à une conscience collective qui est influencée par tous les autres facteurs.
rédigée par salim chibani
édition 01/02/2025
réferences :
Eddy, S R. “Hidden Markov models.” Current opinion in structural biology vol. 6,3 (1996): 361-5. doi:10.1016/s0959-440x(96)80056-x
Sukkar, Rafid et al. “Disease progression modeling using Hidden Markov Models.” Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference vol. 2012 (2012): 2845-8. doi:10.1109/EMBC.2012.6346556
Zacchigna S, Sartiani L, Penna C, Varricchi G, Tocchetti CG. Modulation of Redox Signaling in Chronic Diseases and Regenerative Medicine. Oxid Med Cell Longev. 2019 Apr 23;2019:6091587. doi: 10.1155/2019/6091587. PMID: 31178971; PMCID: PMC6507258.
Kjaer, Troels W et al. “Increased dopamine tone during meditation-induced change of consciousness.” Brain research. Cognitive brain research vol. 13,2 (2002): 255-9. doi:10.1016/s0926-6410(01)00106-9
コメント