Description
Date depot: 11 avril 2023
Titre: Extraction de descripteurs et classification non supervisée de signaux de la spectroscopie fNIRS
Directeur de thèse:
Yacine OUSSAR (LPEM (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Sciences de l’information et sciences du vivant
Resumé: Contexte de l’étude et déroulement de la thèse :
La spectroscopie fonctionnelle dans le proche infrarouge appelée aussi fNIRS (pour Near Infra Red Spectrospcopy) est une technique d’imagerie qui utilise des longueurs d’onde de 700 à 2500 nm, juste au-delà du spectre visible à l’œil nu, d’où son nom. Elle permet d’effectuer une analyse fonctionnelle des tissus biologiques et de réaliser de l’imagerie optique non invasive de haute résolution spatiale et temporelle. Elle est utilisée dans de nombreux domaines pour l’analyse fonctionnelle de tissus provenant aussi bien du monde animal que de celui végétal. Dans la présente étude, nous nous intéressons à la mise en œuvre de la Frequency-Domain fNIRS pour effectuer de l’imagerie du cerveau humain. Cette technique permet d’explorer le fonctionnement du cortex cérébral jusqu’à une profondeur de 6 cm. L’analyse fonctionnelle repose sur l'absorption et diffusion de la lumière et surtout sur le principe selon lequel la vitesse d’un photon dépend de l’activité du neurone traversé par la lumière. Plus le neurone est actif, et plus la vitesse du photon est rapide. De ce fait, la mesure du temps de vol des photons permet de réaliser une image de l’activité de la zone du cerveau ciblé.
Le travail de thèse proposé se déroulera dans le cadre d’une collaboration entre le groupe instrumentation du LPEM (ESPCI Paris, CNRS, Sorbonne Université) et le groupe de recherche en neuroheuristique (NHRG) au département des systèmes d’information (DESI) de l’Université de Lausanne en Suisse.
Le NHRG dispose d'un dispositif expérimental qui met en œuvre la technique NIRS pour l’acquisition de données sous forme de signaux temporels décrivant l’activité cérébrale. Le groupe instrumentation du LPEM (GILPEM) possède une expertise dans le domaine de l’analyse des données et la mise en œuvre des techniques de l’apprentissage artificiel pour la modélisation et la classification. Le candidat bénéficiera de l’encadrement des deux équipes avec une installation permanente au LPEM à Paris et des déplacements fréquents pour des séjours courts à Lausanne.
Objectif de la thèse :
Le sujet de thèse proposé est formé de deux volets. Le premier volet consiste à s’approprier le dispositif expérimental tout en proposant des améliorations et notamment sur la structure du casque sur lequel sont fixés les sondes de mesure. Le candidat devra proposer une évolution avantageuse de cette partie du dispositif et la réaliser avec une technique souple qui permette des adaptations variées et rapides à divers protocoles expérimentaux.
Le second volet de l’étude porte sur l’analyse des données acquises et leur traitement avec des techniques de l’apprentissage artificiel supervisé et/ou non supervisé. En particulier, le candidat devra mettre en œuvre des méthodes d’extraction et de construction de descripteurs informatifs afin de réaliser des classifications pour séparer des groupes d’individus sur fond de détection de pathologies du cerveau ou de comportements particuliers à des tests cognitifs.
Encadrants
Au LPEM à Paris : Yacine OUSSAR Maître de Conférences HDR, yacine.oussar@espci.fr
Au DESI à Lausanne : Alessandro VILLA, Professeur ordinaire, alessandro.villa@unil.ch
Alessandra LINTAS, PhD Group leader, alessandra.lintas@unil.ch