Le sujet s’inscrit dans le cadre d’une collaboration entre le service psychiatrique du CHU de Grenoble et le Département des Technologies pour l’Innovation en Santé (DTIS) du CEA Grenoble. Il est porté par les Pr Polosan et Dr Bertrand, dans le cadre de recherches menées sur les troubles bipolaires, pathologie psychiatrique chronique de l’adulte touchant entre 0.5 et 1% de la population, avec de nombreux besoins médicaux non satisfaits en termes de traitements et de diagnostic précoce.

Le stage s’inscrit dans le cadre d’une étude clinique en cours au CHU-Grenoble (centre Expert en Troubles Bipolaires). Cette étude adresse une cohorte de patients atteints de troubles bipolaires de type 1, de type 2, des personnes vulnérables de l’environnement familial des patients et des sujets contrôles sains, ne souffrant pas de troubles psychiatriques connus.

Un protocole de Stroop émotionnel adapté est proposé aux personnes : il s’agit d’effectuer une tâche cognitive spécifique (donner la couleur du cadre entourant l’image) en même temps qu’une image de valence émotionnelle positive, négative, neutre est affichée dans ce cadre. L’activité corticale du sujet est mesurée par l’utilisation conjointe de deux modalités, la fNIRS (functional near infrared spectroscopy) et l’EEG (électroencéphalographie).

Des résultats préliminaires [I. Tahir – FNIRS 2024] ont d’ores et déjà montré que le protocole mis en place permettait de classer les groupes et que le couplage neuro-vasculaire, accessible grâce à la bimodalité, était un marqueur d’intérêt pour les dysfonctionnements cérébraux sous-tendant le trouble de l’humeur.

Description de la mission

Dans un premier temps, le stage poursuivra le travail réalisé en intégrant les nouveaux sujets acquis dans l’étude.

Vous pourrez ainsi vous approprier la chaîne complète de prétraitement des signaux EEG-fNIRS (détection et nettoyage des artefacts de mouvements et oculaires, des contributions systémiques physiologiques, filtrage des données, extraction des caractéristiques d’intérêt). Vous vous appuierez sur le pipeline existant, mais pourrez compléter l’approche avec d’autres indicateurs.

Dans un second temps, vous pourrez mettre en place de nouvelles méthodes de sélection de caractéristiques, en vue d’en réduire le nombre et alimenter un classifieur.

Le modèle sera entrainé selon des approches supervisées ou non de Machine Learning. Chaque modèle sera évalué par sa précision (% de personnes bien classées), associée à sa matrice de confusion (quels sont les sujets bien ou mal classés).

Les résultats seront comparés aux résultats préliminaires utilisant une approche par sélection séquentielle et un classifieur SVM avec optimisation des hyperparamètres.

Il s’agit de fournir une méthode de diagnostic robuste des groupes ainsi que des états (humeur) du patient.