Aller au contenu  Aller au menu principal  Aller à la recherche

Cognition, Action, et Plasticité Sensorimotrice

bandeau-u887

HDR - Elizabeth Thomas

Je vous invite à assister à la soutenance de mon HDR. La présentation, intitulée «Computational Neuroscience : From Neuron to Network», aura lieu le 13 décembre à 10h45 dans la salle R16 du STAPS

 

Computational Neuroscience : From Neuron to Network

A major challenge in neuroscience is to understand how activities at one level of organization arise from those at a lower level. One source of this difficulty is the distributed nature of information encoding in the nervous system. Another source of difficulty is that a number of different means can potentially be used by the nervous system to achieve a given output (i.e. the system is highly redundant). In this study I will show how Computational Neuroscience can address these problems. Work in computational neuroscience relies on two broad classes of methods -- namely, descriptive modeling and analytical methods. In the former, an attempt is made to model the characteristics of neurons and their organization that give rise to network-level behaviors, such as, hypersynchrony in epilepsy or sensitization in migraines. In the latter (analytical) method, there is no attempt to reproduce the characteristics of the lower level from which behaviors arise. Instead, techniques from mathematics and engineering are used to uncover patterns and relationships that may exist either at a given level of organization or between levels. Machine learning techniques belong to this category. I will demonstrate how such techniques have been successfully used to understand the processing of information both in the sensory and motor systems. In the sensory system, I will consider the neural encoding of information in the inferior temporal cortex. In the motor system, I will examine how several types of whole body pointing are produced. I will end the presentation by very briefly showing how machine learning techniques can be used in a clinical setting.

Défi majeur en neurosciences est de comprendre comment les activités à un niveau d'organisation donnent lieu à celles d’un niveau supérieur. Ce défi est rendu particulièrement ardu par la nature distribuée de l’encodage d’informations dans le système nerveux. Une autre source de difficulté est liée au fait que de nombreux moyens différents peuvent potentiellement être utilisés par le système nerveux pour obtenir une même sortie (c.-à-d., le système est fortement redondant). Dans les travaux présentés ici, je montrerai comment les neurosciences computationnelles pourraient apporter des solutions à ces problèmes. Les recherches en neurosciences computationnelles reposent sur deux grandes catégories de méthodes -- à savoir, la modélisation descriptive et les méthodes analytiques. Dans la première, une tentative est faite pour modéliser les caractéristiques des neurones et leur organisation qui donneraient lieu à des comportements du réseau dits de « haut niveau », par exemple, l’hyper-synchronisation dans l'épilepsie ou la sensibilisation dans les migraines. Par contraste, dans les méthodes analytiques il n'y a aucune tentative pour reproduire les caractéristiques du niveau neuronal à l’origine des comportements de haut niveau. Il s’agit plutôt des techniques mathématiques et de l'ingénierie qui sont utilisées pour déceler des tendances et des relations soit à un niveau donné de l'organisation du système, soit entre différents niveaux. Les techniques d'apprentissage machine font partie de cette catégorie. Je montrerai comment ces techniques pourraient être utilisées avec succès pour comprendre le traitement de l'information dans les systèmes sensoriels et moteurs. Dans le système sensoriel, j’examinerai le codage neuronal des informations catégorielles dans le cortex temporal inférieur. Dans le système moteur, j’examinerai comment plusieurs types de pointage avec tout le corps (« whole body pointing ») sont produits. Je terminerai par une présentation succincte sur l’application des techniques d'apprentissage machine dans un cadre clinique.



Les membres du jury

Alain Destexhe (Institute of Neurobiology Alfred Fessard, Gif-sur-Yvette, CNRS)
Michel Paindavoine (Laboratoire d’Etude de l’Apprentissage et du Développement, Université de Bourgogne)
Thierry Pozzo (Laboratoire Cognition, Actions et Plasticité Sensorimotrice, Université de Bourgogne)
Stephan Sweenen (Motor Control Laboratory, Katholieke Universiteit, Leuven)
Simon Thorpe (Centre de Recherche Cerveau et Cognition, Université Toulouse III)
Krasimira Tsaneva-Atanasova (Department of Engineering Mathematics, University of Bristol)

Actualités

Toute l'actualité

Séminaires du Laboratoire

Les Séminaires du Laboratoire ont lieu le jeudi à 12h30

 

  • 28/11
  • 12/12

 

logo inserm
Université de Bourgogne