Marqueurs préfrontaux de l’attention spatiale

Prefrontal markers of spatial attention

• Auteur / Autrice : Carine De Sousa Ferreira
• Direction : Suliann Ben Hamed
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 14/09/2021
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Neurosciences et Cognition (NSCo) (Lyon)
• Partenaire(s) de recherche : Laboratoire : Institut de sciences cognitives Marc Jeannerod (Lyon ; 2006-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....)
• Jury : Président / Présidente : Philippe Boulinguez
• Jury : Examinateurs / Examinatrices : Suliann Ben Hamed, Pierre Pouget, Kilavik Bjørg
• Jury : Rapporteurs / Rapporteuses : Pierre Pouget, Kilavik Bjørg

Mots clés

Mots clés contrôlés

Décodage neuronal

Attention spatiale

Cortex préfrontal

Neurophysiologie

Mots clés libres

Décodage neuronal

Cortex préfrontal

Attention

Neurophysiologie

Neurophysiology

Neuronal decoding

Prefrontal cortex

Attention

Résumé

Les fonctions cognitives supérieures reposent sur un codage neuronal complexe, impliquant de multiples réseaux. Récemment, le développement d'approches de Machine Learning combinées à des enregistrements électrophysiologiques denses a permis aux scientifiques d'accéder et de décoder ces informations cognitives implicites. Néanmoins, le décodage cognitif à haute résolution et en temps réel reste difficile et repose principalement sur des techniques invasives. Cette thèse de doctorat explore les bases neuronales de l'attention spatiale, en utilisant des enregistrements électrophysiologiques préfrontaux - elle fournit de nouvelles avancées théoriques en termes d'approches de décodage cognitif et affine notre modèle du réseau attentionnel. Le premier axe de ce travail porte sur l'accès aux informations cognitives à l'aide de signaux enregistrés multiples. Plus précisément, les processus cognitifs préfrontaux reposent sur une activité neuronale dynamique et populationnelle. En utilisant une analyse fréquentielle complexe combinée à des approches de machine learning, nous avons étendus le décodage spatial et temporel à haute résolution de la fonction attentionnelle de l’activité multi-unitaire aux potentiels de champs locaux. Il est intéressant de noter que la sélection qualitative préalable des informations d'entrée améliore fortement l'accès aux mécanismes cognitifs cachés tels que l'attention. De plus, ces approches de décodage nous donnent un aperçu des signatures neuronales des processus attentionnels. Dans un deuxième axe, nous avons analysé ces signatures neuronales spécifiques en comparant les performances cognitives attentionnelles optimales et sous-optimales. Plus précisément, les phases de déficit attentionnel sont associées à des modulations neuronale spécifique de l'activité du cortex préfrontal. Il est important de noter que ces marqueurs neuronaux représentent une cible potentielle pour prédire et améliorer nos capacités cognitives. Enfin, nous avons étendu notre analyse du décodage à des échelles cognitives plus larges. L'analyse des performances comportementales attentionnelles révèle des oscillations à grande échelle, communes aux primates humains et non-humains. De manière critique, ces rythmes très lents sont associés à des changements d'informations attentionnelles préfrontal. Ces processus se produisent à des échelles temporelles très lentes, induisant l'alternance de périodes perceptives optimales et sous-optimales toutes les 7 à 15 minutes lors de demandes attentionnelles soutenues. Dans l'ensemble, cette thèse contribue à une meilleure compréhension de l'encodage préfrontal des processus attentionnels. De manière importante, elle raffine les signatures neuronales de l’attention spatiale et des performances comportementales associées.

Higher cognitive functions rely on complex neuronal computation, involving multiple networks. Recently, the development of machine learning approaches combined with dense electrophysiological recordings allowed scientist to access and decode this covert cognitive information. Nevertheless, high-resolution and real-time cognitive decoding remains challenging and relies mainly on invasive techniques. This PhD thesis explores the neuronal basis of spatial attention, using prefrontal electrophysiological recordings - it provides new theoretical advances in term of cognitive decoding approaches and refines our model of attentional networks. The first axis of this work focuses on accessing cognitive information using multiple recorded signals. Specifically, prefrontal cognitive processes rely on dynamic and population-based neuronal activity. Using complex frequential analysis combined with machine learning approaches, we generalized high spatial and temporal decoding of attentional cognitive functions from multi-unit activity to local fields potential signals. Interestingly, prior qualitative selection of input information strongly improves access to covert cognitive mechanisms such as attention. Additionally, these decoding approaches give us insight into the neuronal signatures of attentional cognitive processes. In a second axis, we analyzed these specific neuronal signatures by comparing optimal and suboptimal cognitive attentional performance. Specifically, attentional lapses are associated with specific neuronal modulations of the prefrontal cortex activity. Importantly, these neuronal markers represent a potential target for predicting and improving our cognitive abilities. Finally, we extended our decoding analysis to larger cognitive scales. Analysis of attentional behavioral performance reveals large scale oscillations common to both human and non-human primates. Critically, these very slow rhythms are associated with changes in prefrontal attentional information. These processes take place at very slow temporal scales, organizing the alternation of optimal and suboptimal perceptual periods every 7 to 15 minutes during sustained attentional demands. Overall, this thesis contributes to a better understanding of the prefrontal implementation of attentional cognitive processes. Importantly, it refines the neuronal signatures of the attentional cognitive function implementation and related behavioral performances.