Compréhension des mécanismes neuronaux de l'apprentissage du moteur humain en utilisant l'IA explicable pour des séries temporelles et une interface cerveau-ordinateur
| Auteur / Autrice : | Yassine Lakhdari |
| Direction : | Véronique Marchand-pauvert |
| Type : | Projet de thèse |
| Discipline(s) : | Neurosciences |
| Date : | Inscription en doctorat le 15/09/2025 |
| Etablissement(s) : | Sorbonne université |
| Ecole(s) doctorale(s) : | École doctorale Cerveau, cognition, comportement |
| Partenaire(s) de recherche : | Laboratoire : Laboratoire d'Imagerie Biomédicale |
| Equipe de recherche : Connectivité neurale et plasticité |
Mots clés
Résumé
Contexte: L'adaptation motrice est un processus crucial dans la vie humaine, nous permettant d'ajuster nos mouvements en fonction des retours sensoriels. Par exemple, imaginez que l'on vous demande de jouer à votre jeu de pétanque préféré avec des boules plus lourdes que d'habitude. Il vous faudrait plusieurs essais pour adapter vos mouvements et retrouver votre niveau de performance initial. Cette adaptation repose sur l'erreur de prédiction sensorielle, la différence entre le résultat attendu et le résultat réel à chaque essai, ce qui la relie à d'autres mécanismes d'apprentissage basés sur l'erreur, étudiés en neurosciences cognitives non motrices. Comprendre l'adaptation motrice a de larges applications, allant de la rééducation de patients après une lésion cérébrale ou corporelle à l'optimisation des compétences motrices dans le sport, le travail et la robotique, l'adaptation motrice est essentielle pour la dextérité avancée. Malgré son omniprésence et son importance, l'adaptation motrice reste encore mal comprise, en particulier au niveau neuronal. Mission du projet de doctorat: Ce projet vise à élucider les mécanismes neuronaux de l'adaptation motrice. Les outils incluront : apprentissage automatique avancé, modélisation mathématique (systèmes dynamiques) sur des données existantes, ainsi que la réalisation d'expériences auprès de participants sains effectuant des tâches motrices avec enregistrements EEG simultanés. Objectifs: L'étudiant travaillera à atteindre les objectifs suivants: Objectif 1: Développer un modèle prédictif de l'adaptation motrice: Créer une chaîne d'apprentissage automatique explicable, capable de prédire le mouvement dans une expérience d'adaptation motrice multi-essais impliquant un joystick, en utilisant des données existantes, plusieurs jeux de données. Objectif 2: Concevoir et mettre en uvre un système BCI temps réel: Développer un système d'interface cerveau-ordinateur (Brain-Computer Interface, BCI) passif, en temps réel et en boucle fermée, en s'appuyant sur les modèles ML développés dans l'Objectif 1, afin de moduler les paramètres de la tâche et d'optimiser l'adaptation motrice. Objectif 3: Valider l'adaptation motrice améliorée par BCI: Évaluer si le système BCI développé dans l'Objectif 2 peut améliorer l'adaptation motrice, en menant une expérience avec des participants sains. Selon le profil du candidat le travail de thèse couvrira l'ensemble ou une partie de ces objectifs. Compétences / développement professionnel acquis au cours du projet: programmation avancée en Python, méthodes récentes de deep learning appliquées à l'analyse de séries temporelles multivariées bruitées, intelligence artificielle explicable, NeuroIA, systèmes dynamiques appliqués, théorie du contrôle, traitement numérique du signal, neurosciences computationnelles, analyse de données neuronales (EEG et MEG), connaissance du contrôle moteur humain et du fonctionnement des réseaux moteurs, neurosciences cognitives, interfaces cerveau-ordinateur. L'étudiant participera à des écoles, conférences sur ces thématiques et soumettra un ou plusieurs articles dans des revues scientifiques internationales à comité de lecture. L'étudiant participera également à l'encadrement de stages de master (M2) liés à ces projets. L'expérience acquise permettra à l'étudiant de poursuivre sa carrière soit dans le milieu académique, soit dans l'industrie, ML, IA ou BCI.