Thèse soutenue

Réseaux hybrides in silico/in vitro par connexion dynamique entre cellule excitable et modèles numériques
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Sofiane Boussa
Direction : Alain FaureFrançois LeboulengerFrank Le Foll
Type : Thèse de doctorat
Discipline(s) : Automatique, traitement du signal et génie informatique
Date : Soutenance en 2009
Etablissement(s) : Le Havre

Résumé

FR  |  
EN

Au sein du système nerveux, les neurones, massivement interconnectés, planifient les commandes motrices, régulent les sécrétions hormonales, assurent l'homéostasie du milieu intérieur, maintiennent les fonctions végétatives et supportent les mécanismes cognitifs supérieurs. Les fonctions neuronales reposent à la fois sur la topologie des projections nerveuses et sur des processus intégratifs et adaptatifs propres à chaque cellule comme la plasticité synaptique ou l'apprentissage par coïncidence pré/post. Dans le domaine de l’automatique les réseaux neuronaux artificiels, sont des systèmes adaptatifs et doués d’apprentissage. Ils trouvent des applications diverses dans la reconnaissance de formes, la fouille de données (data mining), le traitement du signal, le diagnostic. Ils sont définis principalement par une topologie, une fonction de seuillage et un algorithme d’apprentissage qui agit en faisant varier les poids synaptiques. L'objectif de cette thèse est d’étudier et de réaliser des connexions neuronales hybrides, afin d’en extraire des informations utiles aux recherches sur l’apprentissage et la plasticité synaptique. Ce travail se veut aussi une contribution à la mise en œuvre de la technique du dynamic-clamp. Cette technique récente reste peu utilisée car d’emploi ardu. Plusieurs expérimentations ont été menées au cours de cette thèse. Notamment, la greffe d’une synapse artificielle récurrente sur une cellule spontanément active à l'aide d'un prototype construit autour d’un DSP (Digital Signal processing). Nos travaux ont également conduit à faire interagir une cellule excitable et un perceptron doté d’un algorithme d’apprentissage artificiel. Enfin, ce travail ouvre des perspectives pour étendre cette étude sur une population de neurones en utilisant à cet effet une matrice de microélectrodes (MEA, Micro-Electrode Array).