Description

Projet de thèse – MAP RECOVER L’accident vasculaire cérébral (AVC) est une cause majeure de handicap moteur durable. Les interfaces cerveau-machine (Brin computer Interfaces or BCI) représentent une approche innovante pour la rééducation, mais leur efficacité varie fortement selon la typologie des patients. Ce projet vise à développer des modèles d’intelligence artificielle capables de prédire, dès les premières phases après un AVC, quels patients bénéficieront le plus d’une rééducation assistée par « BCI ». Pour cela, des données multimodales de neuroimagerie (IRM fonctionnelle 7T, MEG et ECoG) seront utilisées afin de caractériser les lésions cérébrales, les réseaux moteurs et les mécanismes neuronaux liés à l’intention de mouvement. Le doctorant développera des approches de « machine learning » et de « deep learning » (réseaux convolutifs, transformers, fusion multimodale) pour intégrer ces données, prédire la récupération motrice et identifier des biomarqueurs utiles à une rééducation personnalisée. Les modèles seront validés sur des données cliniques issues d’études en cours. Les résultats attendus sont l’identification de biomarqueurs prédictifs, l’amélioration du décodage de l’intention motrice et le développement d’outils d’aide à la décision clinique pour optimiser la prise en charge des patients après AVC. Profil recherché : Master en neurosciences computationnelles ou cognitives, intelligence artificielle, ingénierie biomédicale ou domaine proche. Solides compétences en Python, machine learning/deep learning et intérêt pour les neurosciences et la neuroimagerie. La thèse se déroulera principalement à Clinatec (CEA Grenoble), en collaboration avec le Laboratoire de Psychologie et NeuroCognition (LPNC, CNRS, Université Grenoble Alpes). Link to post: https://www.linkedin.com/feed/update/urn:li:ugcPost:7480197083472338945