Description du sujet de thèse
Domaine
Défis technologiques
Sujets de thèse
MAP RECOVER: Artificial intelligence-based prediction of post-stroke motor recovery using multimodal neuroimaging and brain-computer interfaces
Contrat
Thèse
Description de l'offre
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
Université / école doctorale
Ingénierie pour la Santé, la Cognition et l'Environnement (EDISCE)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
Le candidat aura un profil ingénieur, de forte compétence en IA et analyse de données
Demandeur
Disponibilité du poste
01/10/2026
Personne à contacter par le candidat
AUBOIROUX Vincent < correo electrónico eliminado por razones de seguridad >
CEA
DRT/DTIS//SSP
Clinatec
17, avenue des Martyrs,
38054 Grenoble cedex
0438789276
Tuteur / Responsable de thèse
TORRES-MARTINEZ Napoleon < correo electrónico eliminado por razones de seguridad >
CEA
DRT/DTIS//LBT
CEA-Leti BAtimen 43 509
MINATEC Campus, 17 rue des Martyrs
38054 GRENOBLE Cedex 9
+ 33 (0)4 38 78 0614
En savoir plus
https://www.leti-cea.fr/cea-tech/leti/Pages/recherche-appliquee/infrastructures-de-recherche/plateforme-CLINATEC.aspx
https://lpnc.univ-grenoble-alpes.fr/fr/martial-mermillod
Domaine
Défis technologiques
Sujets de thèse
MAP RECOVER: Artificial intelligence-based prediction of post-stroke motor recovery using multimodal neuroimaging and brain-computer interfaces
Contrat
Thèse
Description de l'offre
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
Université / école doctorale
Ingénierie pour la Santé, la Cognition et l'Environnement (EDISCE)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
Le candidat aura un profil ingénieur, de forte compétence en IA et analyse de données
Demandeur
Disponibilité du poste
01/10/2026
Personne à contacter par le candidat
AUBOIROUX Vincent < correo electrónico eliminado por razones de seguridad >
CEA
DRT/DTIS//SSP
Clinatec
17, avenue des Martyrs,
38054 Grenoble cedex
0438789276
Tuteur / Responsable de thèse
TORRES-MARTINEZ Napoleon < correo electrónico eliminado por razones de seguridad >
CEA
DRT/DTIS//LBT
CEA-Leti BAtimen 43 509
MINATEC Campus, 17 rue des Martyrs
38054 GRENOBLE Cedex 9
+ 33 (0)4 38 78 0614
En savoir plus
https://www.leti-cea.fr/cea-tech/leti/Pages/recherche-appliquee/infrastructures-de-recherche/plateforme-CLINATEC.aspx
https://lpnc.univ-grenoble-alpes.fr/fr/martial-mermillod
