La représentation des données en neuroscience cognitive

Parallèlement aux évolutions technologiques de ces vingts dernières années, l’étude du fonctionnement cérébral a suivi un essor tant dans les approches techniques que méthodologiques.
Cet essor qualitatif et quantitatif des données neurophysiologiques a permis le développement de nouvelles approches dans le traitement de ces données et a nécessité de nouveaux outils de visualisation. Nous proposons de partager avec vous cette histoire en l’abordant du point de vue du chercheur en neurosciences cognitives, qui se doit de représenter rigoureusement les données tout en les rendant accessibles. Nous verrons qu’atteindre cet équilibre est complexe et qu’il nécessite des échanges allant au-delà des neurosciences cognitives, qui passe non seulement par des échanges entre disciplines scientifiques mais aussi par l’éducation des non-initiés.

Manuel Mercier et Yseult Hejja-Brichard, chercheurs en Neurosciences cognitives et comportementales au Centre de Recherche Cerveau et Cognition (CerCo).

Transcript

1. Manuel Mercier La représentation des données en neurosciences cognitives 17 Oct. 2018
2. Du neurone au cerveau Méthodes d’enregistrements électrophysiologiques L’ électroencéphalographie Biais inhérent aux méthodes Augmentation des dimensionnalités Ponts entre les disciplines Road map
3. Organisation en couches Le neurone et son axone, soma et arborescence dendritique Le cerveau Du neurone au cerveau A P G D Soma: 4-100 μm Axone jusqu’a 1 m Epaisseur du cortex ~ 2,5 mm
4. Electrophysiologie = activité électrique des neurones Potentiel d’action Transmission
5. Enregistrement unitaire
6. « Code neural » Vergara et al., Neuron, 2016
7. Enregistrement laminaire Lakatos, Journal of Neurophysiology 2005
8. Utah array Interface cerveau-machine
9. Evolution de l’Electroencéphalographie
10. Evolution de l’Electroencéphalographie
11. Le signal EEG Excellente résolution temporelle … mais résolution spatiale limitée
12. Analyses des données électrophysiologiques … suivre le décours temporel du traitement de l’information …
13. Potentiel évoqué par un stimulus temps électrodes
14. Intervalle de confiance par sujets Intervalle de confiance entre les sujets Biais : comment présenter des « résultats » ? Courtesy of http://www.mattcraddock.com Données par sujets et leur moyenne
15. Biais : comment présenter des « résultats » ? Correction statistique pour comparaison multiple Courtesy of http://www.mattcraddock.com Différence entre les conditions
16. Des traces aux topographies Localisation des sources: du dipôles de courant au model de sources distribuées Amélioration technologique et développement méthodologique
17. Biais: comment référencer le signal ?
18. Biais: comment référencer le signal ?
19. Biais : respecter les données ?
20. Michel et al., clinical neurophysiology, 2004 Analyses de la dynamique des topographies
21. Biais : « à priori » versus « à la pêche »?
22. Classifier R.-E. Fan, K.-W. Chang, C.-J. Hsieh, X.-R. Wang, and C.-J. Lin. LIBLINEAR: A Library for Large Linear Classification, Journal of Machine Learning Research 9(2008), 1871-1874. Analyses par classification de patterns Grootswagers et al., journal of cognitive neuroscience, 2016
23. King et al., TICS, 2014 Analyses par classification de patterns
24. King et al., TICS, 2014 Analyses par classification de patterns
25. Tallon-Baudry et al., TICS, 1999 Analyses dans le domaine temps-fréquence
26. LeVanQuyen et al., tins, 2007 Analyses de la connectivité
27. Darvas et al., neuroImage, 2009 Analyses de la connectivité
28. Palva et al., Journal of Neuroscience, 2005 Analyses de la connectivité
29. Palva et al., PNAS, 2010 Analyses de la connectivité
30. Donner du sens ! Capacités de visualisation limitées Représentations accessible Données complexes Analyses élaborées mathématiquement Hypothèse physiologique
31. Approche multimodale http://ielvis.pbworks.com
32. Merci pour votre curiosité ! Acknowledgements Project MIMe (#798853)