Description

Ce projet de thèse vise à évaluer la stabilité neurophysiologique de l’état de repos (resting state) par électroencéphalographie (EEG) en comparant des mesures obtenues en environnement contrôlé (laboratoire) et en conditions écologiques (domicile), chez des sujets sains. Le resting state, caractérisé par des oscillations spontanées, reflète des mécanismes fondamentaux tels que l’équilibre excitation/inhibition ou la dynamique des réseaux neuronaux. Bien que des études antérieures aient démontré la reproductibilité de ces marqueurs en laboratoire (Popov et al., 2023), leur stabilité en dehors de ce cadre reste inconnue, limitant ainsi leur application clinique, par exemple pour le suivi post-Accident Vasculaire Cérébral (AVC).
L’approche proposée combine l’utilisation de dispositifs EEG portables (électrodes sèches) et de méthodes d’apprentissage automatique pour garantir la fiabilité des mesures en conditions réelles. Le protocole expérimental inclut 30 sujets et se déroule en deux phases : une première session en laboratoire pour valider la concordance entre un système EEG de référence (électrodes gel) et un dispositif portable, et une seconde session à domicile pour évaluer la stabilité des marqueurs neurophysiologiques entre les deux contextes.
Ce projet s’inscrit à l’interface des neurosciences et de l’intelligence artificielle, avec pour objectif de développer des neuromarqueurs écologiques fiables pour l’étude de la plasticité cérébrale. Les résultats pourraient ouvrir la voie à des applications cliniques, telles que le suivi à domicile de patients post-AVC.

Compétences requises

Nous recherchons un(e) candidat(e) motivé(e) avec une formation solide en mathématiques appliquées et traitement du signal, complétée par un Master 2 ou une Majeure en neurosciences/santé. Le(a) candidat(e) idéal(e) aura des compétences en analyse de données (Python/MATLAB, machine learning) et un intérêt marqué pour les applications cliniques des neurotechnologies (ex : EEG portable, suivi post-AVC). Une expérience en recherche (stage, projet) ou en milieu clinique serait un atout. Le(a) doctorant(e) bénéficiera d’un encadrement interdisciplinaire (neurosciences, IA, clinique) et d’un environnement stimulant pour développer des compétences en analyse de données neurophysiologiques et en innovation technologique.

Bibliographie

- W. Klimesch. Alpha-band oscillations, attention, and controlled access to stored information. Trends in Cognitive Sciences, 6(12), 16–22, 2007.
- T. Popov, M. Tröndle, Z. Baranczuk-Turska, C. Pfeiffer, S. Haufe, N. Langer. Test–retest reliability of resting-state EEG in young and older adults. Psychophysiology, 60, e14268, 2023.
- Singh S, Dawar D, Pandian J, Sahonta R, Kumar CS, Mahadevappa M. Post-Stroke Resting-State EEG Connectivity: A Longitudinal Neuro-Rehabilitation Study. Annu Int Conf IEEE Eng Med Biol Soc. 2023 Jul;2023:1-4. doi: 10.1109/EMBC40787.2023.10340073. PMID: 38083534.
- T. K. Koo, M. Y. Li. A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155–163, 2016.
- Y. Wang, W. Duan, D. Dong, L. Ding, X. Lei. A test-retest resting and cognitive state EEG dataset. OpenNeuro. [Dataset] doi: doi:10.18112/openneuro.ds004148.v1.0.1, 2022.
- L. Benoit, G. Lioi, Y. El Ouahidi, N. Farrugia, J. Mattout, E. Maby, C. Bougard*, and J. Dauguet*. Adjusting classical BCI paradigms parameters to optimize performance with a wearable dry-electrode EEG device: towards operational conditions. The 18th International Conference on Brain Informatics 2025.
- T. Prathum, J. Dauguet, I. Apiworajirawit, B. Aneksan, S. Hoisan, A. Tragangoon, V. Siripornpanich and W. Klomjai. Modulation of interhemispheric inhibition and motor learning by different intensities of bilateral transcranial direct current stimulation in healthy adults. Scientific Reports, 2025.
- Y. Senova, S. Palfi, A. Cretenoud, J. Bègue, M. Labiod, A. Mellouk, P. Wolkenstein, J. Dauguet*, P. Mainar*. Real-time and Personalized dry EEG Neurofeedback Increased Students’ Attention During Online Teaching in everyday life conditions. Neurocomputing, 2026..
- S. Chakrabarty, P. Bishwas, M. Bandyopadhyay, J. Sublime. Can we trust AI with our ears? a cross-domain comparative analysis of explainability in audio intelligence. IEEE Access, 2025.
- S. Oh, M. Pélégrini-Issac, H. Urien, V. Marchand-Pauvert, J. Sublime. Deep Neural Networks Comparison for MRI Segmentation of the Brainstem. In 2024 IEEE International Symposium on Biomedical Imaging (ISBI) (pp. 1-5). IEEE.
- S. G. Faluyi, Y. Chabchoub, M. U. Togbe, J. Sublime. Application of explainable AI to healthcare: a review. In IDDM’24: 7th International Conference on Informatics & Data-Driven Medicine.

Mots clés

Neurophysiologie, EEG, Resting state, plasticité cérébrale, Apprentissage automatique, Conditions écologiques