Modélisation en bosses pour l'analyse de motifs oscillatoires reproductibles dans l'activité de populations neuronales: applications à l'apprentissage olfactif chez l'animal et à la détection précoce de la maladie d'Alzheimer - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2005

Bump modeling for the analysis of reproducible oscillatory activity patterns of populations of neurons: applications to odor learning by animals and to the early detection of Alzheimer's disease.

Modélisation en bosses pour l'analyse de motifs oscillatoires reproductibles dans l'activité de populations neuronales: applications à l'apprentissage olfactif chez l'animal et à la détection précoce de la maladie d'Alzheimer

Résumé

The method presented here, namely « bump modeling », provides a simple representation of time-frequency maps obtained by wavelet transformation of signals; the representation is parsimonious in terms of number of parameters. Time-frequency features can be extracted from the resulting models, which allows (i) a statistical analysis of large sets of signal recordings, and (ii) the detection of reproducible time-frequency patterns. We apply that method to the analysis of electrophysiological signals: LFP signals recorded from freely behaving rats responding to odorants, and EEG recordings of short duration, obtained from patients who are conjectured to be developing Alzheimer's disease. Our approach shows that the extraction of correlates of sensory information processing, and the early detection of pathological states, is possible from the analysis of complex oscillatory activity patterns generated by large neuronal populations.
Le travail décrit dans ce mémoire a été effectué dans le cadre d'une collaboration entre le Laboratoire d'Électronique de l'École Supérieure de Physique et de Chimie Industrielles de la Ville de Paris (ESPCI), et l'équipe "Neurobiologie de la mémoire olfactive" de l'Institut des Sciences Cognitives de Lyon. L'étude des dynamiques neuronales associées aux processus cognitifs peut être abordée par l'analyse de l'activité électrique de populations neuronales enregistrée par des électrodes placées sur le scalp (électroencéphalogramme ou EEG); ou en profondeur (local field potential ou LFP) qui fournissent une meilleure résolution spatiale sur l'origine du signal. On détecte ainsi des motifs d'activité rythmiques divisés en bandes de fréquences (rythmes alpha, bêta, gamma...) et qui traduisent différents "états cérébraux" comme le niveau de vigilance et d'attention ou certains états pathologiques comme l'épilepsie. On ignore toutefois si ce type d'activité révèle également des aspects plus fins du traitement de l'information comme par exemple la réponse neuronale sélective ("code neuronal") à une stimulation sensorielle donnée. S'il en est ainsi, on devrait pouvoir mettre en évidence que la présentation d'un stimulus sensoriel donné évoque un pattern reproductible d'activité oscillatoire. C'est pourquoi dans un premier volet nous nous intéressons, dans ce travail, à l'analyse des représentations temps-fréquence des signaux LFP enregistrés chez le rat libre de se mouvoir en réponse à différents odorants. Dans un second volet, nous analysons des enregistrements EEG de courte durée obtenus chez des patients dont on soupçonne qu'ils développeront la maladie d'Alzheimer. Nous cherchons à détecter des patterns d'activité oscillatoires qui pourraient contribuer au diagnostic. Ces deux approches sont rendues possibles par une nouvelle méthode d'analyse des cartes temps-fréquence qui fait l'objet de cette thèse. La méthode que nous présentons ici, la "modélisation en bosses", fournit une représentation simple, parcimonieuse en nombre de paramètres, des cartes temps-fréquence obtenues par décomposition du signal en ondelettes. Cette modélisation permet l'extraction de caractéristiques temps-fréquence, à l'aide desquelles l'analyse statistique d'enregistrements nombreux, et la détection de motifs temps-fréquence reproductibles, peuvent être effectuées. La méthode est d'abord validée sur des signaux artificiels (simulation de signaux réels). Elle est ensuite appliquée en premier lieu à l'analyse de plusieurs centaines de réponses aux odeurs obtenues dans le bulbe olfactif du rat (signaux LFP). Nous montrons d'une part que chacun des 4 odorants évoquent des patterns d'activité oscillatoire reproductibles et que certains de ces patterns diffèrent entre eux de façon significative. Ces motifs spécifiques d'activité, principalement observés dans la bande beta (15-35 Hz), pourraient refléter le recrutement successif d'assemblées neuronales associées à la représentation du stimulus. Pour les signaux EEG, nous présentons les premiers résultats d'une étude effectuée en collaboration avec le laboratoire LABSP du Riken Brain Science Institute (Wako, Japon). Nous montrons que notre méthode permet une détection précoce de la maladie (18 à 24 mois avant le diagnostic de la pathologie) avec une précision largement améliorée par rapport aux prédictions effectuées par d'autres méthodes sur la même base de données. En conclusion, notre approche montre qu'il est possible d'extraire à partir de l'analyse des motifs complexes d'activités oscillatoires générées par de larges populations neuronales des corrélats du traitement de l'information sensorielle et la signature encore discrète d'états pathologiques.
Fichier principal
Vignette du fichier
me_moire_de_the_se_final.pdf (4.97 Mo) Télécharger le fichier
Loading...

Dates et versions

pastel-00001508 , version 1 (20-01-2006)

Identifiants

  • HAL Id : pastel-00001508 , version 1

Citer

François Benoît Vialatte. Modélisation en bosses pour l'analyse de motifs oscillatoires reproductibles dans l'activité de populations neuronales: applications à l'apprentissage olfactif chez l'animal et à la détection précoce de la maladie d'Alzheimer. Sciences du Vivant [q-bio]. Université Pierre et Marie Curie - Paris VI, 2005. Français. ⟨NNT : ⟩. ⟨pastel-00001508⟩
838 Consultations
1365 Téléchargements

Partager

Gmail Facebook X LinkedIn More