Intelligence artificielle et neurosciences computationnelles : un cadre adaptatif pour l’étude des dynamiques cognitives, affectives et allostatiques

Artificial Intelligence and Computational Neurosciences: An Adaptive Framework for the Study of Cognitive, Affective, and Allostatic Dynamics

• Auteur / Autrice : Badr Mouazen
• Direction : Giovanni De marco
• Type : Projet de thèse
• Discipline(s) : Sciences du sport et du mouvement humain
• Date : Inscription en doctorat le ; Soutenance le 08/12/2025
• 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 : Mohammed Bouhorma
• Jury : Examinateurs / Examinatrices : Giovanni De marco, Aimad Qazdar, Sofia Ben jebara, Fatiha Elouaai
• Jury : Rapporteurs / Rapporteuses : Aimad Qazdar, Sofia Ben jebara

Mots clés

Mots clés libres

Stress

Objets connectés

Suprevision

Éthique

Intelligence artificielle

Émotions

Stress

Wearables

Monitoring

Ethics

Artificial intelligence

Emotions

Résumé

Le modèle de fusion multimodale adaptative (Dynamic Gating) conserve une transparence décisionnelle complète grâce à la traçabilité des pondérations apprises et à l’interprétation des contributions respectives de l’EEG et du NIRS. L’analyse montre une prédominance moyenne de l’EEG (65 ± 7,6 %) sur le NIRS (35 ± 7,6 %), reflet de sa meilleure résolution temporelle. Cette hiérarchie varie : lors d’un engagement cognitif dirigé, l’EEG domine (67 %), tandis qu’en mode exploratoire le NIRS gagne en influence. Cette modulation traduit un principe d’allostasie computationnelle, le système ajustant dynamiquement sa confiance selon la stabilité du signal. L’analyse SHAP indique que l’entropie EEG est la méta-caractéristique clé : faible entropie → poids EEG accru ; entropie élevée → renforcement du NIRS. Le modèle redistribue ainsi la précision face à l’incertitude, suivant la logique bayésienne de minimisation de l’erreur de prédiction. Si les variables EEG représentent 99,6 % de l’importance totale, le NIRS agit comme régulateur de confiance : il stabilise la décision quand l’EEG devient bruité et valide métaboliquement les différences de charge cognitive (+42 % de consommation d’oxygène en phase exploratoire). Cette convergence électrique-métabolique confirme la nature neurogène des effets et illustre le principe de minimisation de l’énergie libre, où activité électrique et métabolisme augmentent conjointement pour restaurer la cohérence prédictive. Ces résultats soutiennent l’idée que l’absence d’objectif spécifique accroît la charge computationnelle et la dépense énergétique : les états exploratoires impliquent un échantillonnage plus large d’hypothèses, augmentant variance et entropie tout en maintenant une organisation interne suffisante. Cette exploration structurée reflète l’équilibre entre exploration et exploitation décrit par l’inférence active. Sur le plan clinique, la fusion EEG-NIRS fournit une évaluation plus complète : l’EEG capte la dynamique rapide, le NIRS la validation spatiale et métabolique. L’approche s’avère pertinente pour le suivi de la flexibilité cognitive, de la charge mentale et des troubles neurodégénératifs. Sa robustesse contextuelle permet un monitoring fiable même en cas d’artefacts ou de fatigue, ouvrant la voie à des protocoles de réhabilitation personnalisés et continus. Sur le plan éthique, la thèse propose un cadre de gouvernance pour les neurotechnologies explicables : – la neurovie privée, protégeant les données cérébrales par minimisation, anonymisation et chiffrement homomorphe ; – l’autonomie cognitive, préservée par le contrôle utilisateur et la transparence des boucles d’agence ; – l’équité neurologique, assurée par la diversification démographique, l’audit multi-groupes et le suivi des biais ; – une gouvernance adaptative, conciliant innovation et régulation via la standardisation technique, les audits éthiques et le consentement dynamique. Les limites concernent la généralisation (cohortes homogènes), le temps (validations transversales), le coût de l’explicabilité et les risques d’usage non éthique. Les travaux futurs devront intégrer l’adaptation inter-sujets, les études longitudinales et des architectures génératives implémentant réellement l’inférence active. En conclusion, cette recherche montre qu’il est possible de concevoir des IA neurophysiologiques performantes, interprétables et éthiques. L’explicabilité intégrée devient un levier de découverte et de confiance clinique. L’avenir des neurotechnologies repose sur la co-évolution de la puissance algorithmique et de la responsabilité humaine : des systèmes puissants mais gouvernables, innovants mais explicables, au service de la santé, de l’autonomie et de la dignité cognitive. Mots-clés : Intelligence Artificielle Explicable ; EEG ; NIRS ; SHAP ; Fusion Multimodale ; Dynamic Gating ; IA Éthique ; Neurovie Privée ; Équité Neurologique ; Flexibilité Cognitive ; Diagnostic Médical ; Transparence.

The adaptive multimodal fusion model (Dynamic Gating) maintains full decision transparency through traceable learned weights and interpretable contributions of EEG and NIRS. Weight analysis shows a mean predominance of EEG (65 ± 7.6 %) over NIRS (35 ± 7.6 %), reflecting its superior temporal resolution. This balance varies: during goal-directed engagement, EEG dominates (67 %), while in exploratory states NIRS gains influence. This modulation reflects a principle of computational allostasis, whereby the system dynamically adjusts its confidence according to signal stability. SHAP analysis reveals that EEG entropy is the key meta-feature: low entropy → higher EEG weight; high entropy → stronger NIRS contribution. The model thus redistributes precision in the face of uncertainty, following the Bayesian logic of prediction-error minimization. Although EEG features account for 99.6 % of predictive importance, NIRS acts as a confidence regulator, stabilizing decisions when EEG becomes noisy and metabolically validating cognitive-load differences (+42 % oxygen consumption in exploratory phases). This electrical-metabolic convergence confirms the neurogenic nature of the effects and illustrates the free-energy minimization principle, where electrical and metabolic activity increase jointly to restore predictive coherence. These results support the idea that the absence of explicit goals increases computational load and energy expenditure: exploratory states involve broader hypothesis sampling, raising variance and entropy while preserving sufficient internal organization. This structured exploration mirrors the exploration–exploitation trade-off described by active-inference theory. Clinically, EEG–NIRS fusion provides a more comprehensive assessment: EEG captures fast cognitive dynamics, while NIRS offers spatial and metabolic validation. The approach is relevant for monitoring cognitive flexibility, mental load, and neurodegenerative disorders. Its contextual robustness ensures reliable monitoring even under noise or fatigue, paving the way for continuous, personalized rehabilitation protocols. Ethically, this thesis introduces a governance framework for explainable neurotechnologies: – Neuroprivacy, protecting brain data through minimization, anonymization, and homomorphic encryption; – Cognitive autonomy, preserved through user control and transparent agency loops; – Neurological equity, ensured by demographic diversification, multi-group auditing, and bias monitoring; – Adaptive governance, reconciling innovation and regulation through technical standardization, ethical audits, and dynamic consent. Limitations concern generalization (homogeneous cohorts), time (cross-sectional validation), the computational cost of explainability, and ethical risks. Future work should integrate inter-subject adaptation, longitudinal designs, and generative architectures that genuinely implement active inference. In conclusion, this research demonstrates the feasibility of AI systems that are both performant, interpretable, and ethically sustainable. Integrated explainability becomes a lever for discovery and clinical trust. The future of neurotechnology lies in the co-evolution of algorithmic power and human responsibility: systems that are powerful yet governable, innovative yet transparent, serving health, autonomy, and cognitive dignity. Keywords: Explainable Artificial Intelligence; EEG; NIRS; SHAP; Multimodal Fusion; Dynamic Gating; Ethical AI; Neuroprivacy; Neurological Equity; Cognitive Flexibility; Medical Diagnosis; Transparency.