Approches computationnelles pour quantifier le comportement de rongeurs à partir de données issues de capteurs inertiels

Computational approaches for quantifying rodent behavior using inertial sensors.

• Auteur / Autrice : Romain Fayat
• Direction : Guillaume Dugué, Pierre Latouche
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 26/01/2024
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Cerveau, cognition, comportement (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut de biologie de l'École normale supérieure (Paris ; 2010-....)
• Partenaire(s) de recherche : Equipe de recherche : Neurophysiologie des circuits cérébraux (Paris ; 20..-....)
• Partenaire(s) de recherche : Établissement de préparation de la thèse : École normale supérieure (Paris ; 1985-....)
• Jury : Président / Présidente : Julien Bouvier
• Jury : Examinateurs / Examinatrices : Guillaume Dugué, Pierre Latouche, Julien Bouvier, Anthony Fleury, Charlotte Le Mouel, Emilie Lebarbier, Eric Burguière
• Jury : Rapporteurs / Rapporteuses : Anthony Fleury

Mots clés

Mots clés contrôlés

Neurosciences

Mots clés libres

Capteurs inertiels

Neurophysiologie

Apprentissage automatique

Neuroéthologie

Comportement

Détection de ruptures

Inertial sensors

Neurohysiology

Machine learning

Neuroethology

Behavior

Change point detection

Résumé

Les centrales inertielles (ou IMUs) sont des capteurs électromécaniques fournissant des mesures tridimensionnelles d'accélération et de vitesse angulaire. Ils constituent le composant central de nombreux dispositifs portables utilisés pour mesurer l'orientation et la cinématique des parties du corps en santé et en biomécanique. Chez les animaux, les IMUs ont été principalement utilisées pour la mesure d'activités comportementales chez les espèces sauvages et domestiques, dans des contextes où l'observation directe est difficile ou impossible. Au cours de la dernière décennie, ces capteurs ont également gagné en popularité dans l'étude d'animaux de laboratoire en comportement libre, notamment dans le contexte de la recherche neurophysiologique, offrant une lecture résolue dans le temps et l'espace des mouvements, compatible avec l'échelle temporelle fine des enregistrements électrophysiologiques. Pour rendre compte fidèlement de la cinématique squelettique, les IMUs doivent idéalement être fixées à l'os, une approche qui, dans le cas des rongeurs de laboratoire, n'est facilement réalisable qu'au niveau du crâne. Les signaux cinématiques résultants de la tête sont très pertinents pour étudier le comportement des rongeurs, car ces animaux dépendent fortement de la mobilité de leur tête pour explorer leur environnement et diverses activités comportementales telles que le toilettage, le grattage ou le redressement impliquent des mouvements stéréotypés de la tête. Cependant, malgré l'utilisation croissante des IMUs dans la littérature sur les rongeurs, il reste à établir dans quelle mesure les données inertielles de la tête peuvent être utilisées pour cartographier précisément le comportement des rongeurs, et une méthode d'analyse appropriée pour manipuler et analyser ces données fait encore défaut. Dans la première partie de ce projet, nous avons évalué le niveau de précision des estimations d'inclinaison de la tête basées sur les IMUs en les comparant à des mesures simultanées réalisées par capture de mouvement. Nos résultats montrent que la composante basse fréquence des mesures d'accélération, souvent utilisée comme approximation de leur composante gravitationnelle, fournit une estimation fiable de l'orientation de la tête uniquement dans des conditions quasi-statiques. En revanche, une calibration du capteur combinée à un choix approprié d'algorithmes de filtrage peut permettre d'obtenir des erreurs moyennes d'estimation d'inclinaison de moins de 1,5° pendant le mouvement, permettant la quantification fine des changements dynamiques de la posture de la tête. À titre de preuve de concept nous avons illustré l'utilité de cette méthode pour quantifier les symptômes posturaux et moteurs dans un modèle de lésion vestibulaire unilatérale chez le rat. Dans la deuxième partie de ce projet, nous avons mis au point une méthode d'analyse non supervisée des données inertielles de rongeur. Cette méthode exploite des outils d'apprentissage automatique tels que des algorithmes de détection de rupture pour diviser de grandes séries temporelles en segments de longueurs variables et des modèles de mélange gaussien pour regrouper ces segments en groupes partageant des caractéristiques cinématiques similaires. Nos résultats montrent que cette méthode permet de discriminer un large éventail d'activités comportementales à une échelle temporelle fine, révélant notamment des variants dans l'exécution des comportements de réorientation, de locomotion, d'exploration olfactive et de toilettage. Il a également été utilisé avec succès pour quantifier les symptômes moteurs dans un modèle murin de maladie de Parkinson et de dyskinésies induites par la Lévodopa. Ce travail pose également les bases de la conception d'approches supervisées plus ciblées pour détecter l'occurrence de motifs moteurs d'intérêt et constitue une nouvelle méthode de phénotypage approfondi qui pourrait être appliquée à l'humain ou d'autres modèles animaux.

Inertial Measurement Units (IMUs) are electromechanical sensors designed to provide three-dimensional measurements of acceleration and angular velocity. They constitute the core component of a multitude of wearable devices used to measure the orientation and kinematics of body parts in healthcare and bio-mechanics. In animals, IMUs have been predominantly used for the monitoring of behavioral activities in both wild and domestic species, in contexts where direct observation is either cumbersome or impossible. Over the past decade, these sensors have also gained popularity in the study of freely moving laboratory animals, most notably in the context of neurophysiological research where they offer a high-throughput, precise and time-resolved readout of behavioral outputs compatible with the fine time scale of electrophysiological recordings. To faithfully account for skeletal kinematics, IMUs should ideally be affixed to the bone, an approach most practically applicable to the skull in laboratory rodents. The resulting head kinematic signals are highly relevant for addressing rodent behavior, as these animals heavily rely on head mobility for exploring their environment and move their head in stereotypical ways during various behavioral activities such as grooming, scratching or rearing. However, and despite the growing use of IMUs in the rodent literature, the extent to which head inertial data can be used to precisely map rodent behavior is still unclear, and an appropriate analysis pipeline to manipulate and parse these data is still lacking. In the first part of this project, we assessed the level of precision of IMU-based head tilt estimates using concurrent motion capture measurements in freely moving rats. Our results show that low-pass filtered accelerometer measurements, a commonly used proxy for isolating the gravitational component of acceleration, only provided reliable tilt estimates in near-static conditions. In contrast, proper sensor calibration combined with an appropriate choice of filter algorithms could yield average tilt estimation errors of less than 1.5° during movement, enabling the fine quantification of dynamical changes in head posture. As a proof of principle, we illustrated the usefulness of this method for quantifying postural and motor symptoms in a rodent model of unilateral vestibular dysfunction. In the second part of this project, we introduced an unsupervised analysis framework for parsing and clustering rodent inertial data. This framework leverages machine learning tools such as change-point detection algorithms for splitting large time series into varying-length segments and Gaussian mixture models for clustering these segments into groups sharing similar kinematic features. Our results show that this processing pipeline enables the discrimination of a broad panel of behavioral activities at a fine timescale, yielding in particular variants in the execution of reorientation, locomotion, olfactory exploration and grooming behaviors. It also was successfully used to quantify motor symptoms in a mouse model of Parkinson’s disease and Levodopa-induced dyskinesia. This work also lays the foundations towards the design of more targeted supervised approaches for detecting instances of motor patterns of interest and constitutes a new deep phenotyping method which could be applied to humans or other animal models.