Doctorat en neurosciences computationnelles (H/F)

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–
Voir plus sur le site emploi.cnrs.fr...