En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Doctorat en neurosciences computationnelles (H/F)

Cette offre est disponible dans les langues suivantes :
- Français-- Anglais

Date Limite Candidature : vendredi 29 novembre 2024 23:59:00 heure de Paris

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler

Informations générales

Intitulé de l'offre : Doctorat en neurosciences computationnelles (H/F)
Référence : UMR5549-TIMMAS-005
Nombre de Postes : 1
Lieu de travail : TOULOUSE
Date de publication : vendredi 8 novembre 2024
Type de contrat : CDD Doctorant
Durée du contrat : 36 mois
Date de début de la thèse : 8 janvier 2025
Quotité de travail : Complet
Rémunération : La rémunération est d'un minimum de 2135,00 € mensuel
Section(s) CN : 26 - Cerveau, cognition et comportement

Description du sujet de thèse

Évaluation objective de l'audition et compensation de la perte auditive guidée par Neuro-AI

Superviseurs : Timothée Masquelier (DR2 CNRS au CERCO / NeuroAI) & Benoît Cottereau (DR2 CNRS au CERCO / SV3M)

La perte auditive est omniprésente et a un impact significatif sur la vie quotidienne. L'objectif à long terme de ce projet est d'utiliser l'IA pour améliorer les méthodes existantes d'évaluation de l'audition et de concevoir des approches pour compenser de manière optimale la perte auditive avec des appareils auditifs[1,2].
Le projet s'appuie sur une étude pilote, dans laquelle les participants écoutent de la parole dans un scanner MEG, et les régressions de Ridge (modèle "backward")sont entraînées à reconstruire le spectrogramme de la parole à partir du signal MEG (similaire à [3]). Cette étude a montré qu'une bande de fréquence mal reconstruite indique souvent que cette bande n'est pas bien perçue. Cependant, les régressions Ridge pourraient facilement manquer des motifs neuronaux pertinents qui sont utiles pour reconstruire certaines bandes avec précision. Dans ce cas, nous conclurions à tort à un déficit auditif dans cette bande. L'objectif principal du stage est de remplacer les régressions Ridge par des réseaux neuronaux profonds (DNN), qui sont beaucoup plus expressifs et donc moins susceptibles de manquer de tels motifs informatifs. Ainsi, une reconstruction imprécise basée sur les DNN dans une certaine bande de fréquences indiquera de manière plus fiable un déficit auditif.
Ensuite, nous formerons un modèle forward, c'est-à-dire un modèle qui prédit les réponses neuronales (M/EEG) à partir des sons, éventuellement transformés par un simulateur d'appareil auditif paramétré. Le fait de disposer de modèles forward et backward permet d'effectuer un entraînement à cycle complet : la réponse neuronale prédite, au lieu de la réponse réelle, peut être introduite dans le modèle arrière. Ainsi, le gradient de l'erreur de reconstruction du spectrogramme (Erreur 2) par rapport aux paramètres du simulateur d'aide auditive peut être calculé en utilisant la différenciation automatique (par exemple avec PyTorch) et ensuite utilisé pour la descente de gradient. Après convergence, nous atteindrons un ensemble de paramètres qui minimise l'erreur 2, et donc, putativement, optimise l'écoute subjective.
Le candidat doit être prêt à travailler dans un environnement multidisciplinaire qui combine l'IA et les neurosciences, avoir un bon niveau d'anglais, d'excellentes compétences en mathématiques et en programmation et un intérêt marqué pour le cerveau.

Références

1. Lesica NA. Why Do Hearing Aids Fail to Restore Normal Auditory Perception? Trends Neurosci. 2018;41: 174–185. doi:10.1016/j.tins.2018.01.008
2. Lesica NA, Mehta N, Manjaly JG, Deng L, Wilson BS, Zeng F-G. Harnessing the power of artificial intelligence to transform hearing healthcare and research. Nat Mach Intell. 2021;3: 840–849. doi:10.1038/s42256-021-00394-z
3. Haider CL, Suess N, Hauswald A, Park H, Weisz N. Masking of the mouth area impairs reconstruction of acoustic speech features and higher-level segmentational features in the presence of a distractor speaker. Neuroimage. 2022;252: 119044. doi:10.1016/j.neuroimage.2022.119044

Contexte de travail

Le CERCO est un centre de recherche interdisciplinaire exceptionnel, qui produit des recherches de pointe en neurosciences cognitives et en IA. De nombreux étudiants et chercheurs étrangers y travaillent, et il n'est pas obligatoire de parler français. Toulouse est le deuxième pôle universitaire de France (après Paris). C'est aussi une ville attrayante avec une grande qualité de vie, située dans le sud-ouest de la France (à proximité des Pyrénées, de la mer Méditerranée et de la frontière espagnole).

Contraintes et risques

Aucune

Informations complémentaires

Financement : ce poste est financé par le projet ANR PRCI Neurogram, impliquant le CERCO (AI) et le groupe de Nathan Weisz en Autriche. Le financement couvre également les ordinateurs, les GPU, les conférences internationales, les frais de publication et les voyages en Autriche.