Inférence active et géométrie incarnée du mouvement humain : étude multimodale en IRMf du couplage perception-action

Active inference and the intrinsic geometry of human movement: a multimodal fMRI study of action–perception coupling

• Auteur / Autrice : Eya Torkhani
• Direction : Giovanni De marco
• Type : Projet de thèse
• Discipline(s) : Sciences du sport et du mouvement humain
• Date : Inscription en doctorat le ; Soutenance le 15/12/2025
• Etablissement(s) : Paris 10
• Ecole(s) doctorale(s) : École doctorale Sciences du sport, de la motricité et du mouvement humain (Gif-sur-Yvette, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire de Neurosciences, Physiologie et Psychologie : Activité Physique et Santé
• Jury : Président / Présidente : Sylvie Martin
• Jury : Examinateurs / Examinatrices : Giovanni De marco, Stéphane Perrey, Rémy Guillevin, Daniel Bennequin, Malek Abidi, Jean-Noël Vallee
• Jury : Rapporteurs / Rapporteuses : Stéphane Perrey, Rémy Guillevin

Mots clés

Mots clés libres

Primitives géométriques

Mouvement

Inférence active

Allostasie

Modélisation causale dynamique (DCM)

Couplage perception-action

Geometric primitives

Movement

Active inference

Allostasis

Dynamic causal modeling (DCM)

Perception-action coupling

Résumé

Dans ce travail de thèse, les primitives géométriques du mouvement (Langlois, Bennequin & de Marco, 2024) servent de point d’entrée pour articuler le principe d’énergie libre et l’inférence active (Friston, 2010), et analyser comment les réseaux cérébraux et cérébelleux s’ajustent afin de stabiliser les modèles internes au sein de la boucle perception–action. L’hypothèse est que la complexité géométrique, la modalité sensorielle et la dynamique temporelle modulent l’inférence : plus la forme géométrique est complexe et l’exécution lente, plus la coopération cortico-cérébelleuse s’intensifie pour renforcer la précision des prédictions. Une tâche multimodale (haptique, tactile, visuelle) combinant trois formes géométriques (ellipse, infini, feuille de trèfle) et deux vitesses d’exécution du mouvement a été étudiée en IRMf à l’aide de la modélisation causale dynamique (temporelle, spectrale) et de l’analyse multivariée de la connectivité fonctionnelle (MVPA-fc). Des indices cinématiques (jerk) et comportementaux (cadence, dispersion inter-pics) ont été intégrés comme covariables dans l’analyse de groupe (PEB/BMR/BMA), afin de relier les modulations de connectivité effective aux ajustements de gain et de précision sous-tendant les performances motrices et perceptives. Les principaux résultats montrent que le rythme lent d’exécution engage un réseau distribué caractéristique d’un contrôle prédictif et correctif, tandis que le rythme rapide privilégie un contrôle anticipatif plus localisé. La feuille de trèfle, forme la plus complexe, renforce le couplage cortico-cérébelleux, dans les modalités motrices comme visuelles, pour maintenir une précision temporelle et spatiale accrue. La variabilité directionnelle du jerk dans la feuille de trèfle signe un basculement hiérarchique : en haptique, SMA→M1 est renforcée, le feedback cérébelleux atténué, sans modulation crédible en tactile. Dans la modalité visuelle, l’augmentation de la connectivité descendante SPL → V1 en fonction de la complexité géométrique est compatible avec une modulation attentionnelle de la précision sensorielle. Un parallèle net se dessine entre les tâches visuelle et motrice ; dans les deux cas, la dynamique temporelle met en évidence un renforcement des modèles internes et une coopération accrue entre des boucles feedforward et feedback, témoignant d’une allostasie sensorimotrice commune. Enfin, les analyses spectrales de repos révèlent le maintien et le léger renforcement de boucles cortico-cérébelleuses et pariéto-visuelles organisées selon un gradient prédictif descendant, suggérant que les primitives perceptives et motrices s’appuient sur une architecture commune de codage prédictif, sans distinction spécifique entre rythmes rapide et lent au repos. Pris dans leur ensemble, ces résultats indiquent que le couplage perception–action repose sur une architecture inférentielle commune, ajustant en continu la précision des signaux sensoriels et moteurs afin de réduire l’incertitude et stabiliser l’action.

The present work investigates how the brain implements predictive control of movement by integrating the Free Energy Principle and Active Inference (Friston, 2010) with the geometric primitives of motion (Langlois, Bennequin and de Marco, 2024). We propose that the geometric complexity of trajectories, the sensory modality engaged, and the temporal dynamics of movement jointly constrain the inferential processes underlying sensorimotor adaptation. Increasing geometric complexity and slower execution are hypothesized to enhance cortico-cerebellar coupling, thereby improving the precision of internal predictive models. Using fMRI, participants performed a multimodal task (haptic, tactile, and visual) involving three geometrical shapes (ellipse, lemniscate, and cloverleaf) at two execution speeds. Dynamic Causal Modeling (DCM) and multivariate functional connectivity pattern analysis (MVPA-fc) were applied to assess how effective connectivity encodes the balance between precision weighting and sensory uncertainty within hierarchical predictive coding architectures. Kinematic (jerk) and behavioral (cadence, inter-peak dispersion) indices were incorporated as covariates in a Parametric Empirical Bayes (PEB) framework applied to DCM models, to explain how modulations of effective connectivity reflect variations in the effective precision (gain) of motor and perceptual performance. Slow execution rhythms preferentially recruited a distributed predictive–corrective network (SMA, M1, cerebellum), whereas faster rhythms relied on anticipatory and locally constrained control. The cloverleaf shape, as the most geometrically complex, further strengthened cortico-cerebellar coupling, supporting fine-grained temporal and spatial coordination. In the visual modality, top-down modulation from SPL to V1 adjusted sensory precision according to geometric complexity. Converging evidence from the visual and motor conditions indicates that both rely on comparable inferential dynamics, where temporal structure reinforces internal models and promotes cooperation between feedforward and feedback loops, reflecting a common sensorimotor allostatic process. Finally, post-task resting-state spectral and fc-MVPA analyses revealed the persistence of anticipatory cortico-cerebellar loops (fast execution) and predictive–corrective loops (slow execution), indicating that perceptual and motor primitives rely on a shared predictive coding architecture. Overall, these findings demonstrate that perception–action coordination emerges from a hierarchical inferential framework that continuously optimizes sensory precision to minimize uncertainty and stabilize goal-directed behavior.