Découverte des corrélations neurales de l'activité musculaire impliquée dans une tâche de saisie chez des mammifères sains et déficients

Discovering the neural correlates of the muscular activity involved in a Reach-and-Grasp task in Healthy and Deficient Mammals

• Auteur / Autrice : Hedi Zeghidi
• Direction : Elisabeth Thomas
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Environnements, Santé
• Partenaire(s) de recherche : Laboratoire : Cognition, Action, et Plasticité Sensorimotrice
• Partenaire(s) de recherche : établissement de préparation : Université de Bourgogne (1970-....)

Mots clés

Mots clés libres

Neuronales

Musculaires

Mammifères

Neuronales

Muscular

Mammals

Résumé

Ce projet vise à comprendre comment le cerveau contrôle les contractions musculaires pendant la tâche d'atteindre et de saisir. Comme pour beaucoup d'autres mouvements, l'activité musculaire au cours de cette activité est fortement corrélée. Ce traitement parallèle permet au mouvement d'être plus efficace. Comment ces corrélations apparaissent-elles ? Pour répondre à cette question, nous analyserons deux types d'enregistrements neuronaux pour voir si les schémas de synchronisation neuronale au cours de cette tâche sont capables d'expliquer ce qui est observé au niveau musculaire. Cela améliorera considérablement notre compréhension du contrôle neuronal de ce mouvement de préhension d'objets qui est essentiel à nos activités de la vie quotidienne. Nous utiliserons également cette compréhension de la formation des groupes de neurones pour faire des prédictions concernant la tâche d'atteinte et de saisie (ce calcul est essentiel pour les interfaces cerveau-ordinateur). Cette partie du projet sera réalisée à l'aide de l'apprentissage automatique. Nous utiliserons deux types d'enregistrements neuronaux pour étudier la tâche d'atteindre et de saisir 1. Enregistrements multi-unités à partir de plus de 200 électrodes dans le cerveau du singe (enregistrements du Dr Numa Dancause de l'Université de Montréal) 2. Enregistrements EEG humains (à effectuer à l'INSERMU1093, UB). La capacité de faire des prédictions concernant la tâche d'atteindre et de saisir avec les données EEG humaines serait utile pour le contrôle des membres prothétiques. Nous proposons une amélioration par rapport aux efforts précédents, en testant les progrès les plus récents en matière de prédictions de l'apprentissage automatique pour les séries temporelles - les réseaux de transformateurs qui ont produit les capacités impressionnantes de ChatGPT. Cette méthode sera comparée à des méthodes plus anciennes telles que les réseaux neuronaux convolutionnels. Enfin, nous analyserons les altérations du regroupement neuronal à l'aide d'un modèle mammifère réversible d'inactivation des commandes neuronales du laboratoire du Dr Dancause. Les enregistrements multicellulaires de singes dans ce laboratoire canadien nous offrent la rare opportunité d'une étude fine de la plasticité cérébrale et du regroupement neuronal à la suite d'une lésion cérébrale. Traduit avec DeepL.com (version gratuite)

This is a project to understand how the brain controls muscular contractions during the reach and grasp task. Like many other movements, muscular activity during this activity is highly correlated. This parallel processing allows the movement to be more efficient. How do these correlations arise? To answer this question, we will analyze two types of neuronal recordings to see if the patterns of neural synchronization over the course of this task are able to explain what is seen at the muscular level. This will greatly improve our understanding of the neuronal control of this movement for grasping objects which is essential to our activities of daily living. We will also use this understanding of neuronal cluster formation to make predictions concerning the reach and grasp task (this computation is essential to Brain Computer Intarfaces). This part of the project will be done with Machine Learning. We will use two types of neuronal recordings to investigate the reach and grasp task 1. Multunit recordings from over 200 electrodes in the monkey brain (recordings from Dr Numa Dancause of the Université de Montréal) 2. Human EEG recordings (to be performed at INSERMU1093, UB). The ability to make predictions concerning the reach and grasp task with the human EEG data would be useful for the control of prosthetic limbs. We propose an improvement over previous efforts to do this, by testing the most recent advance in Machine Learning predictions for time series – the transformer networks which have produced the impressive capabilities of ChatGPT. This method is to be compared with older methods such as convolutional neural networks. Finally we will analyze alterations in neural clustering using a reversible mammalian models of neuronal command inactivation from the laboratory of Dr Dancause. The multicellular recordings from monkeys in this Canadian laboratory provide us with the rare opportunity for a fine grained investigation of brain plasticity and neuronal clustering following brain injury.