Modelisation et analyse spectral temps reel de l'EEG – AnalysisSpectralEEG

La bande alpha de l'EEG apparaît comme une ligne continue dans le domaine des fréquences, mais l'analyse en ondelettes révèle qu'elle est en fait fragmentée. Nous proposons de modéliser cette fragmentation à l'aide d'une équation différentielle stochastique et d'extraire des modèles pour prédire en temps réel, à partir du signal EEG, la transition possible vers des états cérébraux profonds. Nous proposons de développer un modèle stochastique basé sur des processus d'Ornstein-Ulhenbeck qui peut reproduire des bandes oscillatoires fragmentées autour d'une fréquence principale. Ce modèle sera ensuite utilisé pour comparer les motifs qui peuvent être extraits de l'approche de segmentation en temps réel du signal EEG afin d'en extraire des motifs prédictifs. En utilisant une analyse spectrale basée sur les décompositions spectrogramme, nous étudierons la fragmentation temps-fréquence de la bande de fréquence dominante du signal EEG.
Afin de mieux caractériser les états cérébraux et d'améliorer le traitement du signal et la modélisation, nous étudierons comment les anesthésiques peuvent modifier l'activité des réseaux neuronaux et induire une dépression de l'activité : nous enregistrerons les rythmes neuronaux dans des tranches thalamocorticales ex-vivo. Nous utiliserons également une approche physiologique in vivo en insérant des sondes Neuropixels pour mesurer simultanément des centaines de synapses parallèles et évaluer la plasticité synaptique pendant l'anesthésie en ciblant les axones thalamo-corticaux locaux. Nous utiliserons des tests comportementaux chez le rongeur pour corréler les statistiques contenues dans l'EEG avec les éventuelles complications post-anesthésiques. Les algorithmes seront ensuite développés en collaboration avec une start-up dédiée à la prédiction de la dynamique du cerveau en combinant les motifs transitoires du signal EEG pour classifier les états du cerveau.