Recherche d’une structure temporelle dans l’activité des neurones sensoriels Chloé Huetz Thèmes Organisations temporelles des décharges neuronales Plasticité des noyaux du chant Modèles perceptifs Thèse en collaboration NAMC : Equipe 3 – Jean Marc Edeline LIMSI : Equipe Perception Située – Philippe Tarroux

Rappels de neurobiologie Expérience-type d’éléctrophysiologie Trains de Potentiels d’Action (PA) Présenter un stimulus à l’animal Enregistrer l’activité électrique (trains de PA) d’un neurone pendant le stimulus

Comment l’information relative à un stimulus est-elle représentée et transmise par les neurones ? Plusieurs hypothèses codage par taux de décharge = 9 codage temporel codage spatio-temporel Hypothèse classique : information contenue dans le taux de décharge (le nombre de PA) Notre hypothèse : information contenue dans les temps d’arrivée des PA

Le modèle biologique utilisé : le canari Stimulus Le chant propre de l’oiseau diffusé à l’endroit (BOS) ou à l’envers (SOB) Réponse Les trains de PA d’un neurone enregistré dans les noyaux du chant

Comment réveler l’existence d’un code neuronal temporel ? Deux méthodes développées : Prédire le stimulus à partir de la structure temporelle de la réponse du neurone Emploi d’un réseau de neurones formels pour classer les trains de PA en fonction du stimulus présenté à l’animal Mettre en évidence les différences temporelles entre deux trains de PA d’un neurone Calcul de deux types de distance entre deux trains de PA

Première méthode But : classer les trains de PA en fonction du stimulus en n’utilisant que leur structure temporelle Traitement des données pour ne conserver que la structure temporelle des décharges Classification des données traitées par un Perceptron linéaire

Résultats (première méthode) Le réseau de neurones artificiels est capable de prédire quel stimulus écoutait l’oiseau à partir de la structure temporelle des trains de PA d’un neurone

Deuxième méthode (développée par JD Victor et al) But Représenter les trains de PA par des points dans un espace topologique puis regrouper ces points selon différentes mesures de distance : distance basée sur le nombre de PA : Dcount distance basée sur les temps d’arrivée des PA : Dspike

Conclusions, limites, perspectives certains neurones présentent des trains de PA dont la structure temporelle permet de prédire le stimulus Limites de la première méthode le rapport dimension des données/nombre de données doit être le plus grand possible obtenir plus de données : très difficile recherche d’une autre représentation des données : deuxième méthode Perspectives mise au point et utilisation de la deuxième méthode sur différentes données

Trains de PA à comparer