Dissertationen zum Thema „Connectivité dynamique fonctionnelle“

Le cerveau humain est un réseau très complexe. Le fonctionnement cérébral ne résulte donc pas de l'activation de régions cérébrales isolées mais au contraire met en jeu des réseaux distribués dans le cerveau (Bassett and Sporns, 2017; McIntosh, 2000). Par conséquent, l'analyse de la connectivité cérébrale à partir des données de neuroimagerie occupe aujourd'hui une place centrale dans la compréhension des fonctions cognitives (Sporns, 2010). Grâce à son excellente résolution spatiale, l'IRMf est devenue l'une des méthodes non invasives les plus couramment utilisées pour étudier cette connectivité. Cependant, l'IRMf a une faible résolution temporelle ce qui rend très difficile le suivi de la dynamique des réseaux cérébraux. Un défi considérable en neuroscience cognitive est donc l'identification et le suivi des réseaux cérébraux sur des durées courtes (Hutchison et al., 2013), généralement <1s pour une tâche de dénomination d'images, par exemple. Jusqu'à présent, peu d'études ont abordé cette question qui nécessite l'utilisation de techniques ayant une résolution temporelle très élevée (de l'ordre de la ms), ce qui est le cas pour la magnéto- ou l'électro-encéphalographie (MEG ou EEG). Cependant, l'interprétation des mesures de connectivité à partir d'enregistrements effectués au niveau des électrodes (scalp) n'est pas simple, car ces enregistrements ont une faible résolution spatiale et leur précision est altérée par les effets de conduction par le volume (Schoffelen and Gross, 2009). Ainsi, au cours des dernières années, l'analyse de la connectivité fonctionnelle au niveau des sources corticales reconstruites à partir des signaux du scalp a fait l'objet d'un intérêt croissant. L'avantage de cette méthode est d'améliorer la résolution spatiale, tout en conservant l'excellente résolution temporelle de l'EEG ou de la MEG (Hassan et al., 2014; Hassan and Wendling, 2018; Schoffelen and Gross, 2009). Cependant, l'aspect dynamique n'a pas été suffisamment exploité par cette méthode. Le premier objectif de cette thèse est de montrer comment l'approche « EEG connectivité source » permet de suivre la dynamique spatio-temporelle des réseaux cérébraux impliqués soit dans une tache cognitive, soit à l'état de repos. Par ailleurs, les études récentes ont montré que les désordres neurologiques sont le plus souvent associés à des anomalies dans la connectivité cérébrale qui entraînent des altérations dans des réseaux cérébraux «large-échelle» impliquant des régions distantes (Fornito and Bullmore, 2014). C'est particulièrement le cas pour l'épilepsie et les maladies neurodégénératives (Alzheimer, Parkinson) qui constituent, selon l'OMS, un enjeu majeur de santé publique. Dans ce contexte, la demande clinique est très forte pour de nouvelles méthodes capables d'identifier des réseaux pathologiques, méthodes simples à mettre en œuvre et surtout non invasives. Ceci est le deuxième objectif de cette thèse
The human brain is a very complex network. Cerebral function therefore does not imply activation of isolated brain regions but instead involves distributed networks in the brain (Bassett and Sporns, 2017, McIntosh, 2000). Therefore, the analysis of the brain connectivity from neuroimaging data has an important role to understand cognitive functions (Sporns, 2010). Thanks to its excellent spatial resolution, fMRI has become one of the most common non-invasive methods used to study this connectivity. However, fMRI has a low temporal resolution which makes it very difficult to monitor the dynamics of brain networks. A considerable challenge in cognitive neuroscience is therefore the identification and monitoring of brain networks over short time durations(Hutchison et al., 2013), usually <1s for a picture naming task, for example. So far, few studies have addressed this issue which requires the use of techniques with a very high temporal resolution (of the order of the ms), which is the case for magneto- or electro-encephalography (MEG or EEG). However, the interpretation of connectivity measurements from recordings made at the level of the electrodes (scalp) is not simple because these recordings have low spatial resolution and their accuracy is impaired by volume conduction effects (Schoffelen and Gross, 2009). Thus, during recent years, the analysis of functional connectivity at the level of cortical sources reconstructed from scalp signals has been of increasing interest. The advantage of this method is to improve the spatial resolution, while maintaining the excellent resolution of EEG or MEG (Hassan et al., 2014; Hassan and Wendling, 2018; Schoffelen and Gross, 2009). However, the dynamic aspect has not been sufficiently exploited by this method. The first objective of this thesis is to show how the EEG connectivity approach source "makes it possible to follow the spatio-temporal dynamics of the cerebral networks involved either in a cognitive task or at rest. Moreover, recent studies have shown that neurological disorders are most often associated with abnormalities in cerebral connectivity that result in alterations in wide-scale brain networks involving remote regions (Fornito and Bullmore, 2014). This is particularly the case for epilepsy and neurodegenerative diseases (Alzheimer's, Parkinson's) which constitute, according to WHO, a major issue of public health.In this context, the need is high for new methods capable of identifying Pathological networks, from easy to use and non-invasive techniques. This is the second objective of this thesis

L’imagerie par résonance magnétique fonctionnelle (IRMf) est un outil de choix pour cartographier d’une manière non invasive l’activité du cortex, donnant ainsi un accès à l’organisation fonctionnelle cérébrale. Cette organisation des aires cérébrales en réseaux complexes reste encore un vaste sujet d’étude, autant dans le domaine de la recherche fondamentale, pour mieux comprendre le développement et le fonctionnement du cerveau, que dans le domaine clinique, à des fins diagnostiques par exemple. Les réseaux cérébraux dits de repos, chez un sujet donné, peuvent être observés lors d’études IRMf lorsqu’aucune tâche motrice ou cognitive n’est imposée au sujet imagé. La première partie de cette thèse a permis le développement d’une méthode automatique d’identification de ces réseaux. Réalisée à l’échelle du sujet, cette méthode permet de sélectionner tous les réseaux spécifiques au sujet ce qui s’avère nécessaire dans un cadre diagnostique où l’individu prime. Au delà de la détection et de l’identification de ces réseaux, l’étude de leurs modes d’interaction dans l’espace et dans le temps et plus généralement l’analyse de la dynamique de la connectivité fonctionnelle (DCF) fait l’objet d’un intérêt grandissant. Cette analyse nécessite le développement de méthodes innovantes de traitement du signal et de l’image qui, pour l’heure, sont encore de nature exploratoire. La deuxième partie de cette thèse présente donc de nouvelles approches pour caractériser la DCF en utilisant le cadre probabiliste de modèles de Markov cachés multidimensionnels. Les mécanismes conversationnels entre réseaux cérébraux peuvent ainsi être identifiés et caractérisés à l’échelle de la seconde. Deux applications, au niveau du sujet puis du groupe, ont permis de mettre en avant les modifications des propriétés dynamiques des interactions entre réseaux sous certaines conditions ou pathologies
The functional magnetic resonance imaging (fMRI) is a perfect tool for mapping in a non- invasive manner the activity of the cortex, giving access to the functional organization of the brain. This organization of brain areas into complex networks remains a large topic of study, both from a fundamental research perspective, to better understand the development and function of the brain, and from a clinical perspective, for diagnostic purposes for instance. The resting-state networks in a given subject can be observed in fMRI studies where no motor or cognitive tasks are imposed to the subject. The first part of this thesis focused on the development of an automatic identification method of these networks. Performed at the subject level, this method selects all the resting-state networks proper to the subject. Beyond the detection and identification of these networks, the study of interactions between these networks in space and time, and more generally the analysis of the dynamic functional connectivity (DFC), is the subject of growing interest. This analysis requires the development of innovative methods of signal or image processing that, for now, are still exploratory. The second part of this thesis thus presents new approaches to characterize the DFC using the probabilistic framework of multidimensional hidden Markov models. Conversational mechanisms between brain networks can be identified and characterized at the resolution of the second. Two applications, first on a single subject then on a group, helped to highlight the changes of dynamic properties of interaction between networks under certain conditions or diseases

Le contrôle de l'activité motrice volontaire est un point de discussion important pour les personnes intéressées par le mouvement des êtres humains et qui est partagé entre le domaine de la biomécanique et celui du contrôle moteur exercé au niveau central. Il existe des théories valides qui modélisent les mécanismes mis en jeu, que ce soit au niveau de l'encéphale, de la moelle épinière ou des muscles, pour les deux approches. Cependant, il manque encore à ce jour une théorie unificatrice qui relierait les différents niveaux d'observation en un modèle global du contrôle moteur. C'est dans l'objectif de contribuer à la construction d'une telle théorie que ce projet de thèse a été réalisé en s'appuyant sur l'analyse de la connectivité entre les différentes structures intervenant dans la réalisation d'un mouvement pour mettre en évidence les communications au sein du réseau moteur. Ainsi, les principaux objectifs de ce travail ont été i) de développer une méthode d'analyse de la dynamique de la connectivité, ii) d'appliquer cette méthode à l'étude de la connectivité fonctionnelle à partir de mouvements du coude chez le sujet sain et le patient AVC et iii) d'approfondir les données issues de la connectivité fonctionnelle par des analyses de la dynamique de la connectivité effective. Ce projet de thèse est donc pluridisciplinaire, en se situant au croisement des neurosciences, de la biomécanique et du traitement du signal. Nos résultats montrent que la méthode développée permet l'analyse de la dynamique de la connectivité dans un contexte de variabilité inter et intra-individuelle importante. L'étude comparée des sujets sains et des patients AVC révèle une altération de la connectivité fonctionnelle entre le cortex moteur et les muscles antagonistes au mouvement chez les patients ainsi que des niveaux variables de connectivité au cours du mouvement. Enfin, le développement des méthodes de connectivité effective et la sélection des différents paramètres à appliquer laissent supposer que leur application permettra d'étudier les sens des différents échanges d'informations qui ont lieu pendant un mouvement. L'ensemble des résultats de ce travail révèle que l'inclusion des analyses de la dynamique de la connectivité peut représenter un apport majeur aux théories du contrôle moteur existantes et peut même servir de base à la constitution d'un modèle dynamique reflétant les communications qui relient les différentes structures impliquées dans la génération d'un mouvement
The control of voluntary movement is a most discussed issue for those people interested in how the human locomotion or other daily acts are controlled and find answers in two apparently separate fields of research: biomechanics on the one hand and motor control on the other. Verified theories, which model some of the mechanisms involved in motor control at either muscles or brain levels, exist in both fields. However, we still miss a unifying theory that would bridge the gap existing between biomechanics and motor control and would offer a model including all levels of observation: from central nervous system to muscle activity. The present work has been actually designed to partly answer this issue: we propose to study the dynamics of communications occurring during a movement between the different nodes of the motor network through connectivity analyses. Hence, we pursued three main goals: i) develop a dynamic analysis of connectivity measures, ii) apply this analysis to the comparison of functional connectivity between healthy subjects and stroke patients performing elbow extensions and iii) complete the previous analyses with effective connectivity studies of the same paradigm. Thus, this is a multidisciplinary work involving neurosciences, biomechanics and signal processing. Our results show that high inter-variability and intra-variability are less influential in connectivity analysis with our method. Compared analyses between healthy subjects and stroke patients reveal a specific alteration of functional connectivity between antagonist muscles and motor cortex in stroke patients and varying levels of connectivity measures during movement. Finally, the development of effective connectivity analyses and the associated parameters selection will allow us to figure out the direction of communications within the motor network during movement. The overall results of this work show that the analyses of connectivity dynamics can complete existing motor control theories and provide a basis for the constitution of a new dynamic model including the communications between the nodes of the motor network involved in movement control and finally reunite biomechanics and motor control

La connectivité fonctionnelle à l'état de repos (CF), mesurée avec l'imagerie par résonance magnétique fonctionnelle (IRMf), a mis en évidence des connexions fonctionnelles entre le cervelet et les régions cognitives du cerveau,qui a soutenu un rôle important pour le cervelet dans la cognition. Ces résultats ont été basés sur des mesures statiques de la CF. Cependant, il s'agit d'une approche simpliste du CF qui a récemment été remise en question, les résultats indiquant la présence d'une dynamique continue et non aléatoire dans le CF à de courts intervalles de quelques secondes, ce qui, étant donné la nature dynamique du cerveau, est une vision plus naturelle qui peut coder des informations sur des fonctions cognitives complexes. Jusqu'à présent, le cervelet a été négligé dans la plupart des études sur la CF dynamique, malgré son rôle bien reconnu dans les fonctions cognitives complexes. Dans cette thèse, nous avons émis l'hypothèse que la dynamique du cervelet au repos peut être significative, en saisissant des aspects de la cognition et du comportement non pris en compte par le cervelet statique et en présentant des altérations des troubles cérébraux associés au dysfonctionnement cérébro-cérébelleux, comme l'alcoolisme. Nous avons testé ces hypothèses dans deux études distinctes portant sur la dynamique de la CF cérébro-cérébelleuse en relation avec des traits complexes, tels que l'impulsivité (première étude) et l'alcoolisme (deuxième étude). La première étude a été motivée par une hypothèse récente sur le rôle du cervelet dans l'impulsivité, un trait de personnalité complexe défini comme la tendance à agir sans prévoyance. Nous avons émis l'hypothèse que les différences individuelles dans les traits normaux d'impulsivité pouvaient être associées à la force (statique) et à la variabilité temporelle (dynamique) du CF cérébro-cérébelleux. Nous avons testé cette hypothèse en utilisant des données d'IRMf à l'état de repos et des auto-rapports d'impulsivité (UPPS-P et BIS/BAS) d'un groupe d'individus en bonne santé (N=134). En particulier, nous avons utilisé des techniques robustes pour identifier les réseaux cérébraux et cérébelleux, calculer des mesures sommaires de la CF statique et dynamique, et tester les associations avec l'impulsivité. Nous avons observé des preuves liant de multiples formes d'impulsivité à la force et à la variabilité temporelle de la CF au repos entre le cervelet et un ensemble de réseaux cérébraux dynamiques et intégratifs qui soutiennent le contrôle cognitif et les processus de récompense, ce qui soutient notre hypothèse selon laquelle la dynamique de la CF cérébro-cérébelleuse est pertinente sur le plan comportemental. Dans la seconde étude, nous avons émis l'hypothèse que la dynamiques de la CF cérébro-cérébelleuse différerait entre les les patients alcooliques et les contrôles, en particulier dans les circuits frontocérébelleux. Pour tester cette hypothèse, nous avons exploré les différences de dynamiques de la CF cérébro-cérébelleuse entre un groupe de patients alcooliques (N=18) et un groupe de contrôles (N=18), en comparant des groupes sur différentes mesures de connectivité dynamique. Les résultats ont révélé une altération de la dynamique du réseau fonctionnel cérébro-cérébelleux chez les sujets alcooliques, caractérisée par une hypervariabilité de la CF dans les réseaux fronto-parieto-cérébelleux, une réduction de la flexibilité cérébelleuse et une augmentation de l'intégration cérébelleuse. Ces résultats suggèrent un rôle possible de la dynamique des réseaux fronto-pariétal-cérébelleux dans la physiopathologie de ce trouble. Pris ensemble, les résultats de cette thèse soulignent l'utilité de compléter les approches statiques de la CF par une analyse dynamique de la CF pour approfondir notre compréhension du fonctions des réseaux cérébro-cérébelleux et les neurobiologie des comportements complexes et les troubles du cerveau
Studies of resting-state functional connectivity (FC), measured by functional magnetic resonance imaging (rsfMRI), have revealed extensive functional connections between the cerebellum and association regions in the brain, supporting an important role for the cerebellum in cognition. These findings have been based on static FC measures averaged across entire scans spanning a few minutes. However, this is a narrow view that has been recently challenged, with findings pointing to the presence of an ongoing, behaviorally relevant dynamics in resting-state FC occurring at short timescales of a few seconds, which, given the dynamic nature of the brain, is a more natural view that may encode information about complex cognitive functions. So far, however, the cerebellum has been overlooked in most, if not all, studies of dynamic FC, despite its well-recognized role in coordinating complex cognitive functions. In this thesis, we hypothesized that the dynamics of cerebro-cerebellar FC, during rest, may be behaviorally relevant, capturing aspects of cognition and behavior not accounted for by static FC and exhibiting alterations in brain disorders commonly associated with cerebro-cerebellar dysfunction, such as alcohol use disorder (AUD). We tested these hypotheses in two separate studies focusing on the dynamics of cerebro-cerebellar FC in relation to complex traits and disorders, such as impulsivity (first study) and AUD (second study). The first study has been motivated by a recent hypothesis for a role of the cerebellum in impulsivity; a complex personality trait defined as the tendency to act without foresight. We hypothesized that individual differences in normal impulsivity traits could be associated with the (static) strength and (dynamic) temporal variability of cerebro-cerebellar resting-state FC. We tested this hypothesis using rsfMRI data and self-report questionnaires of impulsivity (UPPS-P and BIS/BAS) collected from a group of healthy individuals. In particular, we employed data-driven techniques to identify cerebral and cerebellar resting-state networks, compute summary measures of static and dynamic FC, and test for associations with self-reported impulsivity. We observed evidence linking multiple forms of impulsivity to the strength and temporal variability of resting-state FC between the cerebellum and a set of highly dynamic and integrative brain networks that support top-down cognitive control and bottom-up reward/saliency processes, supporting our hypothesis that cerebro-cerebellar FC dynamics are behaviorally relevant. In the second study, we hypothesized that the dynamics of cerebro-cerebellar FC at short timescales would differ between AUD and controls, especially in the frontocerebellar circuits. To test this hypothesis, we explored the differences in the dynamic cerebro-cerebellar FC between an AUD group (N=18) and a group of unaffected controls (N=18) by comparing groups on different dynamic connectivity measures. Results revealed altered cerebro-cerebellar FC dynamics in the AUD group characterized by hypervariability of FC within fronto-parieto-cerebellar networks, reduced cerebellar flexibility, and increased cerebellar integration, compared with controls. These results suggest a possible role for the dynamics of fronto-parieto-cerebellar networks in the pathophysiology of this disorder. Taken together, the findings from this thesis highlight the utility of complementing static FC approaches with dynamic FC analysis in furthering our understanding of the functional repertoire of cerebro-cerebellar networks and the neurobiological architecture of complex behaviors and brain disorders

Comprendre comment le cerveau humain engendre les formes les plus élaborées de comportements est profondément lié à nos connaissances générales sur son organisation anatomique et fonctionnelle. Jusqu'à récemment encore, on pensait que les fonctions cognitives n'étaient rien d'autre que le sous-produit de l'activité neurale de régions corticales discrètes et hyper-fonctionnalisées. Les découvertes majeures obtenues ces dix dernières années dans le champ de la neuro-imagerie, et plus particulièrement de la connectomique, invitent cependant à complexifier nos représentations sur les liens qu'entretiennent structures et fonctions cérébrales. Le cerveau semble en effet être organisé en systèmes neurocognitifs complexes, hautement distribués et plastiques. C'est dans cet esprit qu'a été réalisé ce travail de thèse dont l'ambition première a été de repenser les modèles actuels de la cognition sociale, et en particulier ceux ayant trait à la fonction de mentalisation, à travers l'étude comportementale des patients porteurs d'un gliome diffus de bas-grade. Cette tumeur neurologique rare constitue un excellent modèle physiopathologique en vue du démasquage des structures maîtresses des systèmes cognitifs complexes, en ce qu'elle induit des phénomènes majeurs de réorganisation fonctionnelle, et s'infiltre préférentiellement le long de la connectivité axonale associative. Des corrélations anatomo-cliniques ont été réalisées suivant une approche topologique classique (analyse de groupe en régions d'intérêt, cartographie voxel-based lesion-symptom, stimulation électrique corticale intra-opératoire) mais également hodologique (degré de déconnection des faisceaux d'association, stimulation électrique de la connectivité axonale). Les résultats principaux de nos différents travaux nous permettent de jeter les premières bases d'un modèle à double voie dynamique (plastique) et hodotopique (contraint par la réalité anatomique) de l'organisation anatomo-fonctionnelle des processus de mentalisation. Spécifiquement, une voie dorsale, interconnectant le aires corticales fronto-pariétales « miroirs » via le système périsylvien de substance blanche associative (faisceau arqué et faisceau longitudinal supérieur latéral), sous-tendrait les processus perceptifs de « bas-niveau » nécessaires à l'identification préréflexive des états mentaux ; une voie cingulo-médiane, interconnectant les régions préfrontales médiales et rostro-cingulaires aux régions pariétales postérieures médiales via le faisceau cingulaire, sous-tendrait les processus de «haut-niveau » nécessaires aux inférences mentalistiques conscientes. Ces découvertes constituent une avancée substantielle en neurosciences sociales, ont des implications importantes pour la prise en charge clinique des patients, et peuvent permettre de mieux comprendre certaines psychopathologies caractérisées à la fois par un trouble de la mentalisation et des anomalies structurales de la connectivité associative (troubles du spectre autistique)
Understanding how the brain produces sophisticated behaviours strongly depends of our knowledge on its anatomical and functional organization. Until recently, it was believed that high-level cognition was merely the by-product of the neural activity of discrete and highly specialized cortical areas. Major findings obtained in the past decade from neuroimaging, particularly from the field of connectomics, prompt now researchers to revise drastically their conceptions about the links between brain structures and functions. The brain seems indeed organized in complex, highly distributed and plastic neurocognitive networks. This is in this state of mind that our work has been carried out. Its foremost ambition was to rethink actuals models of social cognition, especially mentalizing, through the behavioural study of patients harbouring a diffuse low-grade glioma. Because this rare neurological tumour induces major functional reorganization phenomena and migrates preferentially along axonal associative connectivity, it constitutes an excellent pathophysiological model for unmasking the core structures subserving complex cognitive systems. Anatomo-clinical correlations were conducted according to both a classical topological approach (region of interest analyses, voxel-based lesion-symptom mapping, intraoperative cortical electrostimulation) and a hodological approach (degree of disconnection of associative white matter fasciculi, intraoperative axonal connectivity mapping). The main results of our different studies enable us to lay the foundation of a dynamic (plastic) and hodotopical (connectivity) dual-stream model of mentalizing. Specifically, a dorsal stream, interconnecting mirror frontoparietal areas via the perisylvian network (arcuate fasciculus and lateral superior longitudinal fasciculus), may subserve low-level perceptual processes required in rapid and pre-reflective identification of mental states; a cingulo-medial stream, interconnecting medial prefrontal and rostro-cingulated areas with medial posterior parietal areas via the cingulum, may subserve higher-level processes required in reflective mentalistic inferences. These original findings represents a great step in social neuroscience, have major implications in clinical practice, and opens new opportunities in understanding certain pathological conditions characterized by both mentalizing deficits and aberrant structural connectivity (e.g. autism spectrum disorders)

Le diagnostic des patients dans le coma est souvent difficile. Les examens cérébraux ren- seignent les médecins sur l’étendue des lésions cérébrales mais ne permettent pas de déterminer avec précision l’état de conscience du patient. De plus, aucune approche thérapeutique ne permet une restauration systématique de la conscience.Des études pionnières menées sur des patients et des Primates Non Humains (PNH) ont montré que la Stimulation Cérébrale Profonde (SCP) des noy- aux intralaminaires du thalamus pouvait restaurer ou améliorer la conscience lorsqu’elle est altérée.Cependant, les conséquences corticales associées à la SCP restent largement inconnues et imprévis- ibles. Les techniques d’imagerie fonctionnelle, telles que l’Imagerie par Résonance Magnétique fonctionnelle de repos (IRMf de repos), peuvent aider à identifier des signatures de la conscience.L’activité cérébrale au repos, organisée en réseaux, peut être modélisée à l’aide de la connectivité fonc- tionnelle. Cette thèse vise à disséquer, à l’aide du modèle PNH, les effets sur la connectivité fonction- nelle d’une modulation de la conscience induite par des agents anesthésiques ou de la SCP à l’échelle du cerveau entier. Cela nécessite le développement de modèles interprétables et prédictifs des effets d’une telle modulation sur la fonction cérébrale globale. Pour identifier les schémas récurrents dominants (c’est-à-dire les différents états du cerveau) à partir de la connectivité fonctionnelle, une technique d’apprentissage automatique non supervisée (K-Means) a été proposée précédem- ment. Dans le cadre de cette thèse, nous dévelop- pons de nouveaux outils d’analyse en tirant parti des avancées des techniques d’apprentissage pro- fond auto-supervisé. Nous émettons l’hypothèse que l’identification de variables latentes dans les signaux IRMf de repos peut nous informer sur la modulation des états de conscience. Tout d’abord, nous cherchons à identifier une signature spatiale, moyennée temporellement, de la conscience à la fois dans l’état éveillé et sous anesthésie. Nous utilisons une méthode de variables latentes qui dé- compose les signaux IRMf de repos en réseaux fonctionnels associés à l’accès conscient. Afin d’étudier la restauration de la conscience, nous étendons cette analyse aux PNH éveillés ou réveil- lés par DBS du thalamus central. Notre mod- èle suggère de manière automatique que le cortex antérieur et le cortex postérieur contribuent tous deux à la conscience, un sujet qui fait débat au sein de la communauté scientifique. En outre, il souligne l’importance des régions clés au sein de l’espace de travail neuronal global, une théorie im- portante concernant l’accès à la conscience. Suite à cette analyse moyennée temporellement, recon- naissant l’importance de la dynamique temporelle dans l’analyse de la conscience, nous proposons de remettre en question les méthodes conven- tionnelles de connectivité fonctionnelle dynamique.Nous utilisons un modèle d’apprentissage profond contrastif pour prédire les schémas cérébraux car- actéristiques de differents états de conscience. Les expériences démontrent que les prédictions du modèle basées sur la connectivité fonctionnelle dy- namique mettent en avant des transitions entre les schémas cérébraux. Enfin, pour mieux comprendre la dynamique des états de conscience, nous nous écartons du cadre conventionnel de classification en sous-groupes et introduisons une méthode de réduction de dimensions. Cette approche vise à condenser ces états en un nombre limité de vari- ables interprétables et explicables. Nos résultats indiquent que l’approche catégorielle traditionnelle ne permet pas de saisir de manière adéquate le con- tinuum de la dynamique des états de conscience
Diagnosis of patients with coma is of- ten difficult. Brain examinations inform physicians about the extent of brain damage but do not ac- curately determine the patient’s level of conscious- ness. Moreover, no therapeutic approach allows a systematic restoration of consciousness. Pioneer- ing studies in patients and Non-Human Primates (NHP) have shown that Deep Brain Stimulation (DBS) of the intralaminar nuclei of the thalamus could restore or improve consciousness when it is impaired. However, the cortical consequences as- sociated with DBS remain largely unknown and un- predictable. Functional imaging techniques, such as Resting-State functional Magnetic Resonance Imaging (RS-fMRI), can help identify signatures of consciousness. Brain activity at rest, organized into networks, can be modeled using functional connectivity. This thesis aims to dissect, using the NHP model, the effects on functional connectiv- ity of a modulation of consciousness induced by anesthetic agents or DBS on a whole-brain scale.This requires the development of interpretable and predictive models of the effects of such modula- tion on global brain function. To identify domi- nant recurrent patterns (i.e., different brain states) from functional connectivity, an unsupervised ma- chine learning technique (K-Means) has been pre- viously proposed. As part of this thesis, we de- velop new analysis tools by taking advantage of the advances in self-supervised deep learning tech- niques. We hypothesized that identifying latent variables in RS-fMRI signals can inform us about the modulation of states of consciousness. First, we aim to identify a time-averaged spatial signature of consciousness in both the awake state and under anesthesia. This is achieved through a la- tent variables method that decomposes resting- state fMRI signals based on functional networks associated with conscious access. In a transla- tional effort to investigate consciousness restora- tion, we extend this analysis to awake or awak- ened NHPs by DBS of the central thalamus. Our model autonomously suggests that both the ante- rior and posterior cortex contribute to conscious- ness, a debatable topic in the scientific community. Additionally, it underscores the significance of key regions within the global neuronal workspace, a prominent theory regarding conscious access. Fol- lowing this time-averaged analysis, recognizing the critical importance of temporal integration in con- sciousness analysis, we propose to challenge con- ventional dynamic functional connectivity meth- ods. We employ a contrastive deep learning model to predict brain patterns characteristic of various consciousness states. Experiments demonstrate that the model predictions based on dynamic func- tional connectivity facilitate the examination of different transient brain states. Lastly, to gain a deeper understanding of the dynamics of con- sciousness states, we diverge from the conventional subgroup classification framework and introduce a dimension-reduction method. This approach aims to condense these states into a limited number of interpretable and explicable variables. Our findings indicate that the traditional categorical approach inadequately captures the continuum of conscious- ness state dynamics

La dynamique moléculaire ab-initio est utilisée pour étudier les verres de chalcogénures GeS2 et GeS2 dopés de formule (M2S)0.33(GeS2)0.66 M=Na,Ag. Une nouvelle méthode théorique d'analyse de la connectivité des matériaux amorphes est proposée en utilisant les recherches d'anneaux. L'effet de la vitesse de trempe sur les propriétés physiques des verres GeS2 est analysé. L'analyse de l'ordre à moyenne et courte portée révèle l'existence d'une vitesse de trempe maximale au dessus de laquelle la structure du matériau est trop proche de celle du liquide. Ceci est confirmé par les résultats des recherches d'anneaux qui permettent également de mettre en avant des différences fondamentales entre les connectivités des phases liquides et vitreuses du GeS2. Enfin la présence de zones chargées est confirmée dans les matrices vitreuses de GeS2, même aux plus basses vitesses de trempe. Les conditions nécessaires à la diffusion des atomes de sodium dans les matrices vitreuses (Na2S)0.33(GeS2)0.66 sont étudiées. Lorsque la diffusion apparaît le déplacement des atomes de sodium semble devenir coopératif. Des essais de paramétrisation sont réalisés pour tenter de modéliser les verres de chalcogénures (Ag2S)0.33(GeS2)0.66 et GeS2 à l'aide du code SIESTA.

Les crises épileptiques sont des épisodes paroxysmiques d'activité cérébrale hypersynchrone. Ce travail de thèse s'attache à examiner les mécanismes de propagation des crises d'épilepsie sur une échelle temporelle lente et une grande échelle spatiale dans le cerveau humain et à les appliquer au contexte clinique. Chez les patients souffrant d'épilepsie partielle réfractaire, les crises débutent dans certaines régions localisées du cerveau, dénommées zone épileptogène, avant de recruter des régions distantes. Le succès de l'ablation chirurgicale de la zone epileptogène dépend principalement de sa délimitation adéquate, un problème souvent épineux en pratique clinique. À cela s'ajoute notre compréhension parcellaire des mécanismes à l'origine des crises et de leur propagation. Nous utilisons un modèle mathématique de masse neuronale reproduisant le décours temporel de l'activité moyenne critique et intercritique d'une région cérébrale, guidé de manière autonome par une variable permittive lente. Nous introduisons tout d'abord un couplage permittif lent entre ces masses neuronales, afin de révéler l'importance de la variété lente dans le recrutement des régions cérébrales dans la crise. Nous présentons ensuite un pipeline de traitement des données structurelles et de diffusion IRM pour reconstruire automatiquement le cerveau virtuel d'un patient. Nous utilisons ensuite une analyse de stabilité linéaire et la connectivité large-échelle pour prédire la zone de propagation. Nous appliquons notre méthode à un jeu de données de 15 patients épileptiques et démontrons l'importance du connectome pour prédire la direction de propagation des crises
Epileptic seizures are paroxysmal hypersynchronizations of brain activity, spanning several temporal and spatial scales. In the present thesis, we investigate the mechanisms of epileptic seizure propagation on a slow temporal and large spatial scale in the human brain and apply them to a clinical context. For patients with partial refractory epilepsy, seizures arise from a localized region of the brain, the so-called epileptogenic zone, before recruiting distant regions. Success of the resective surgery of the epileptogenic zone depends on its correct delineation, which is often difficult in clinical practice. Furthermore, the mechanisms of seizure onset and recruitment are still largely unknown. We use a mathematical neural mass model to reproduce the time course of interictal and ictal mean activity of a brain region, in which the switching between these states is guided by an autonomous slow permittivity variable. We first introduce a slow permittivity coupling function between these neural masses, hypothesizing the importance of the slow manifold in the recruitment of brain regions into the seizure. Before exploring large-scale networks of such coupled systems, we present a processing pipeline for automatic reconstruction of a patient's virtual brain, including surface and connectivity (i.e., connectome), using structural and diffusion MRI, and tractography methods. Using linear stability analysis and large-scale connectivity, we predict the propagation zone. We apply our method to a dataset of 15 epileptic patients and establish the importance of the connectome in determining large-scale propagation of epileptic seizures

Le cerveau humain est un réseau complexe. Une fonction cognitive efficace est garantie lorsque le cerveau reconfigure d’une manière dynamique l'organisation de son réseau durant le temps. Les études ont montré que la plupart des troubles cérébraux, y compris les maladies neuro-dégénératives et mentales, se caractérisent par des altérations du réseau cérébral structurel et/ou fonctionnel. Il existe donc une forte demande pour des nouvelles méthodes non invasives, basées sur les réseaux et faciles à utiliser, permettant d'identifier ces réseaux pathologiques. La méthode appelée connectivité de sources en électroencéphalographie (EEG) permet de suivre la dynamique des réseaux cérébraux large échelle avec une excellente résolution temporelle. C’est dans ce contexte que s’inscrivent mes travaux de thèse qui prolongent les développements méthodologiques et cliniques de notre équipe de recherche sur la connectivité fonctionnelle au niveau des sources cérébrales. L’objectif de mes travaux de thèse est double : i) progresser sur les aspects méthodologiques de la méthode connectivité de sources en EEG et ii) utiliser cette méthode dans une application clinique en lien avec les troubles de la conscience. Ma thèse se divise donc en deux grandes parties, avec deux études réalisées dans chaque partie. Dans la première partie (aspects méthodologiques), j’ai abordé, dans une première étude, la capacité de la méthode connectivité de sources en EEG à suivre les altérations dynamiques des réseaux cérébraux durant une tâche cognitive rapide. Puis dans une seconde étude, j’ai testé l’effet du problème de l’étalement spatial des sources sur la reconstruction des réseaux fonctionnels. Dans la deuxième partie (applications cliniques), j’ai analysé les altérations dans les réseaux cérébraux chez les patients souffrant d’un désordre de la conscience, en utilisant une analyse statique pour la première étude et une analyse dynamique pour la deuxième étude
The human brain is a complex network. Cognitive function is guaranteed when the brain dynamically reconfigures its network organization over time. Studies have showed that most brain disorders, including neurodegenerative and mental diseases, are characterized by changes in the structural and/or functional brain networks. Thus, there is a strong demand for new, non-invasive, network-based and easy-to-use methods to identify these pathological networks. Electroencephalography (EEG) source connectivity method enables the tracking of large scale brain networks dynamics with an excellent temporal resolution. It is in this context that my thesis was carried out. My work here extends the methodological and clinical developments of our research team on functional connectivity at cortical level. The aim of my thesis work is twofold: i) to progress on the methodological aspects of the EEG source connectivity method and ii) to use this method in a clinical application related to the disorders of consciousness. My thesis is divided into two main parts, with two studies realized in each part. In the first part (methodological aspects), I approached, in a first study, the capacity of the EEG source connectivity method to track the brain network dynamic alterations during a fast cognitive task. Then in a second study, I tested the effect of the spatial leakage problem on the reconstructed functional brain networks. In the second part (clinical applications), I analyzed brain networks alterations in patients with disorders of consciousness, using static analysis in the first study and dynamic analysis in the second one

Cette thèse vise à étudier certains modèles biologiques dans le réseau neuronal et dans la chimiotaxie avec la méthode d’analyse spectrale. Afin de traiter les principaux problèmes, tels que l’existence et l’unicité des solutions et des états stationnaires ainsi que les comportements asymptotiques, le modèle linéaire ou linéarisé associé est considéré par l’aspect du spectre et des semi-groupes dans les espaces appropriés, puis la stabilité de modèle non linéaire suit. Plus précisément, nous commençons par une équation de courses-et-chutes linéaire dans la dimension d≥1 pour établir l’existence d’un état stationnaire unique, positif et normalisé et la stabilité exponentielle asymptotique dans l’espace L¹ pondéré basé sur la théorie de Kerin-Rutman avec quelques estimations du moment de la théorie cinétique. Ensuite, nous considérons le modèle du temps écoulé sous les hypothèses générales sur le taux de tir et nous prouvons l’unicité de l’état stationnaire et sa stabilité exponentielle non linéaire en cas sans ou avec délai au régime de connectivité faible de la théorie de l’analyse spectrale pour les semi-groupes. Enfin, nous étudions le modèle sous une hypothèse de régularité plus faible sur le taux de tir et l’existence de la solution ainsi que la même stabilité exponentielle sont généralement établies n’importe la prise en compte du délai ou non, au régime de connectivité faible ou forte
This thesis is aimed to study some biological models in neuronal network and chemotaxis with the spectral analysis method. In order to deal with the main concerning problems, such as the existence and uniqueness of the solutions and steady states as well as the asymptotic behaviors, the associated linear or linearized model is considered from the aspect of spectrum and semigroups in appropriate spaces then the nonlinear stability follows. More precisely, we start with a linear runs-and-tumbles equation in dimension d≥1 to establish the existence of a unique positive and normalized steady state and the exponential asymptotic stability in weighted L¹ space based on the Krein-Rutman theory together with some moment estimates from kinetic theory. Then, we consider time elapsed model under general assumptions on the firing rate and prove the uniqueness of the steady state and its nonlinear exponential stability in case without or with delay in the weak connectivity regime from the spectral analysis theory for semigroups. Finally, we study the model under weaker regularity assumption on the firing rate and the existence of the solution as well as the same exponential stability are established generally no matter taking delay into account or not and no matter in weak or strong connectivity regime

L'objectif de cette thèse était de répondre aux deux problématiques suivantes : est-il possible de détecter des réseaux fonctionnels en électroencéphalographie (EEG) ? Que peut apporter l'EEG dans l'étude des dynamiques de connectivité ? Nous avons proposé une méthode originale, propre à l'EEG pour détecter des réseaux fonctionnels sous l'hypothèse communément admise que la puissance du signal EEG et le signal BOLD de l'imagerie par résonance magnétique fonctionnelle (IRMf) sont corrélés. L'originalité principale de cette méthode est l'utilisation d'une analyse en composantes indépendantes spatialement (ACIs). Cette méthode se décompose en six principales étapes : prétraitement de l'EEG, localisation des sources, calcul des puissances dans 5 bandes de fréquences, ACIs sur chaque sujet, étude de groupe, régression sur l'IRMf. Les points forts de la méthode sont une approche non supervisée, une analyse individuelle couplée à une étude de groupe, une analyse multifréquentielle dans la détection des réseaux. Cette méthode a été validée par comparaison avec l'IRMf lors d'une étude sur une population de sujet sain, au repos et durant des tâches motrices et visuelles. Les réseaux liés à ces tâches détectés en EEG et en IRMf se recouvrent : l'EEG et l'IRMf colportent une information similaire de réseaux fonctionnels. La dynamique des connectivités au sein des réseaux extraits a été étudiée via plusieurs mesures de connectivités. La précision temporelle de l'EEG permet d’évaluer finement les liens et le flux d'information entre les régions, notamment de manière fréquentielle. Cette étude fait apparaître quelques résultats intéressants, notamment la détection d'une trace mnésique
The main goal of this work is answering this two questions: could electroencephalography (EEG) detect large-scale functional networks? What contribution could bring EEG in the study of dynamics of connectivity? We have developed an original method specifically for EEG to detect large-scale functional networks in the brain. We first assume that BOLD signal in fMRI is correlated with the power of EEG signal and then, we applied a spatial Independent Components Analysis (sICA). Our method can be divided in six steps : preprocessing of EEG data, sources localization, power computation in five frequency bands, sICA for each subject, hierarchical clustering (group analysis), stepwise regression with fMRI templates. The main advantages in regards of the other classic methods (seed-based methods, atlas, …) are: a fully data-driven method, use of individual sICA and a group analysis, multifrequency analysis. We validated our method with a comparison with a fMRI study on healthy subjects during resting states and visual tasks. The networks detected with EEG and fMRI overlap. Then, we have studied the dynamics of connectivity inside the extracted EEG networks using three connectivity measures. The temporal precision of EEG can evaluate connection and information flow between this regions and give us acces to a frequency scale similar to that of brain's rythmes. This study has provided some interesting and promising results, for example a memory trace after a visual task in the visual network

Le cerveau est un réseau complexe et nous savons que les mécanismes de synchronisation et de désynchronisation sont essentiels pour effectuer des taches motrices et cognitives. De nos jours, les interactions fonctionnelles cérébrales sont étudiées dans des applications d'interface cerveau-ordinateur (BCI) avec de plus en plus d'intérêt. Cela pourrait avoir un fort impact sur les systèmes BCI, généralement bases sur des caractéristiques univariées qui caractérisent séparément les activités régionales du cerveau. En effet, les fonctionnalités de connectivité cérébrale peuvent être utilisées pour développer des BCI alternatifs dans le but d'améliorer les performances et d'\'e9tendre leur applicabilité dans la vie r\'e9elle. L'ambition de cette thèse est l'étude des réseaux de connectivité fonctionnelle du cerveau lors de taches BCI basées sur l'imagerie motrice (IM). Il vise à identifier le fonctionnement cérébral complexe, les processus de réorganisation et les dynamiques variant dans le temps à la fois au niveau du groupe et de l'individu. Cette thèse présente différents développements qui enrichissent séquentiellement un modèle initialement simple afin d'obtenir une méthode robuste pour l'étude des réseaux de connectivité fonctionnelle. Les résultats expérimentaux sur des données EEG simulées et réelles enregistrés pendant les taches BCI prouvent que notre méthode proposée explique bien le comportement variegate des données EEG cérébrales. Plus précisément, il fournit une caractérisation des mécanismes fonctionnels du cerveau au niveau du groupe, ainsi qu'une mesure de la séparabilité des conditions mentales au niveau individuel. Nous présentons également une procédure de réduction du bruit de graphe pour filtrer les données qui préservent simultanément la structure de connectivité du graphe et améliorent le rapport signal sur bruit. Puisque l'utilisation d'un système BCI nécessite une interaction dynamique entre l'utilisateur et la machine, nous proposons enfin une méthode pour capturer l'évolution des données variant dans le temps. Essentiellement, cette thèse présente un nouveau cadre pour saisir la complexité de la connectivité fonctionnelle des graphes lors de tâches cognitives
The brain is a complex network and we know that inter-areal synchronization and de-synchronization mechanisms are crucial to perform motor and cognitive tasks. Nowadays, brain functional interactions are studied in brain-computer interface BCI) applications with more and more interest. This might have strong impact on BCI systems, typically based on univariate features which separately characterize brain regional activities. Indeed, brain connectivity features can be used to develop alternative BCIs in an effort to improve performance and to extend their real-life applicability. The ambition of this thesis is the investigation of brain functional connectivity networks during motor imagery (MI)-based BCI tasks. It aims to identify complex brain functioning, re-organization processes and time-varying dynamics, at both group and individual level. This thesis presents different developments that sequentially enrich an initially simple model in order to obtain a robust method for the study of functional connectivity networks. Experimental results on simulated and real EEG data recorded during BCI tasks prove that our proposed method well explains the variegate behaviour of brain EEG data. Specifically, it provides a characterization of brain functional mechanisms at group level, together with a measure of the separability of mental conditions at individual level. We also present a graph denoising procedure to filter data which simultaneously preserve the graph connectivity structure and enhance the signal-to-noise ratio. Since the use of a BCI system requires a dynamic interaction between user and machine, we finally propose a method to capture the evolution of time-varying data. In essence, this thesis presents a novel framework to grasp the complexity of graph functional connectivity during cognitive tasks

Les graphes dynamiques permettent de comprendre l'évolution de systèmes complexes qui évoluent dans le temps. Ce type de graphe a récemment fait l'objet d'une attention considérable. Cependant, il n'existe pas de consensus sur les manières d'inférer et d'étudier ces graphes. Dans cette thèse, on propose des méthodes d'analyse de graphes dynamiques spécifiques. Ceux-ci peuvent être vues comme une succession de graphes complets partageant les mêmes nœuds, mais dont les poids associés à chaque lien évoluent dans le temps. Les méthodes proposées peuvent avoir des applications en neurosciences ou dans l'étude des réseaux sociaux comme Twitter et Facebook par exemple. L'enjeu applicatif de cette thèse est l'épilepsie, l'une des maladies neurologiques les plus rependues dans le monde affectant environ 1% de la population.La première partie concerne l'inférence de graphe dynamique à partir de signaux neurophysiologiques. Cette inférence est généralement réalisée à l'aide de mesures de connectivité fonctionnelle permettant d'évaluer la similarité entre deux signaux. La comparaison de ces mesures est donc d'un grand intérêt pour comprendre les caractéristiques des graphes obtenus. On compare alors des mesures de connectivité fonctionnelle impliquant la phase et l'amplitude instantanée des signaux. On s'intéresse en particulier à une mesure nommée Phase-Locking-Value (PLV) qui quantifie la synchronie des phases entre deux signaux. On propose ensuite, afin d'inférer des graphes dynamiques robustes et interprétables, deux nouvelles mesures de PLV conditionnées et régulariséesLa seconde partie présente des méthodes de décomposition de graphes dynamiques. L'objectif est de proposer une méthode semi-automatique afin de caractériser les informations les plus importantes du réseau pathologique de plusieurs crises d'un même patient. Dans un premier temps on considère des crises qui ont des durées et des évolutions temporelles similaires. Une décomposition tensorielle spécifique est alors appliquée. Dans un second temps, on considère des crises qui ont des durées hétérogènes. Plusieurs stratégies sont proposées et comparées. Ce sont des méthodes qui en plus d'extraire les sous-graphes caractéristiques communs à toutes les crises, permettent d'observer leurs profils d'activation temporelle spécifiques à chaque crise. Finalement, on utilise la méthode retenue pour une application clinique. Les décompositions obtenues sont comparées à l'interprétation visuelle du clinicien. Dans l'ensemble, on constate que les sous-graphes extraits correspondent aux régions du cerveau impliquées dans la crise d'épilepsie. De plus l'évolution de l'activation de ces sous-graphes est cohérente avec l'interprétation visuelle
Dynamic graphs make it possible to understand the evolution of complex systems evolving over time. This type of graph has recently received considerable attention. However, there is no consensus on how to infer and study these graphs. In this thesis, we propose specific methods for dynamical graph analysis. A dynamical graph can be seen as a succession of complete graphs sharing the same nodes, but with the weights associated with each link changing over time. The proposed methods can have applications in neuroscience or in the study of social networks such as Twitter and Facebook for example. The issue of this thesis is epilepsy, one of the most common neurological diseases in the world affecting around 1% of the population.The first part concerns the inference of dynamical graph from neurophysiological signals. To assess the similarity between each pairs of signals, in order to make the graph, we use measures of functional connectivity. The comparison of these measurements is therefore of great interest to understand the characteristics of the resulting graphs. We then compare functional connectivity measurements involving the instantaneous phase and amplitude of the signals. We are particularly interested in a measure called Phase-Locking-Value (PLV) which quantifies the phase synchrony between two signals. We then propose, in order to infer robust and interpretable dynamic graphs, two new indexes that are conditioned and regularized PLV. The second part concerns tools for dynamical graphs decompositions. The objective is to propose a semi-automatic method in order to characterize the most important patterns in the pathological network from several seizures of the same patient. First, we consider seizures that have similar durations and temporal evolutions. In this case the data can be conveniently represented as a tensor. A specific tensor decomposition is then applied. Secondly, we consider seizures that have heterogeneous durations. Several strategies are proposed and compared. These are methods which, in addition to extracting the characteristic subgraphs common to all the seizures, make it possible to observe their temporal activation profiles specific to each seizures. Finally, the selected method is used for a clinical application. The obtained decompositions are compared to the visual interpretation of the clinician. As a whole, we found that activated subgraphs corresponded to brain regions involved during the course of the seizures and their time course were highly consistent with classical visual interpretation

Le cerveau humain est un réseau «large-échelle» formé de régions corticales distribuées et fonctionnellement interconnectées. Le traitement de l'information par le cerveau est un processus dynamique mettant en jeu une réorganisation rapide des réseaux cérébraux fonctionnels, sur une échelle de temps très courte (inférieure à la seconde). Dans le champ des neurosciences cognitives, deux grandes questions restent ouvertes concernant ces réseaux. D'une part, est-il possible de suivre leur dynamique spatio-temporelle avec une résolution temporelle nettement supérieure à celle de l'IRM fonctionnelle? D'autre part, est-il possible de mettre en évidence des différences significatives dans ces réseaux lorsque le cerveau traite des stimuli (visuels, par exemple) ayant des caractéristiques différentes. Ces deux questions ont guidé les développements méthodologiques élaborés dans cette thèse. En effet, de nouvelles méthodes basées sur l'électroencéphalographie sont proposées. Ces méthodes permettent, d'une part de suivre la reconfiguration dynamique des réseaux cérébraux fonctionnels à une échelle de temps inférieure à la seconde. Elles permettent, d'autre part, de comparer deux réseaux cérébraux activés dans des conditions spécifiques. Nous proposons donc un nouvel algorithme bénéficiant de l'excellente résolution temporelle de l'EEG afin de suivre la reconfiguration rapide des réseaux fonctionnels cérébraux à l'échelle de la milliseconde. L'objectif principal de cet algorithme est de segmenter les réseaux cérébraux en un ensemble d' «états de connectivité fonctionnelle» à l'aide d'une approche de type « clustering ». L'algorithme est basé sur celui des K-means et a été appliqué sur les graphes de connectivité obtenus à partir de l'estimation des valeurs de connectivité fonctionnelle entre les régions d'intérêt considérées. La seconde question abordée dans ce travail relève de la mesure de similarité entre graphes. Ainsi, afin de comparer des réseaux de connectivité fonctionnelle, nous avons développé un algorithme (SimNet) capable de quantifier la similarité entre deux réseaux dont les nœuds sont définis spatialement. Cet algorithme met en correspondance les deux graphes en « déformant » le premier pour le rendre identique au second sur une contrainte de coût minimal associée à la déformation (insertion, suppression, substitution de nœuds et d’arêtes). Il procède selon deux étapes, la première consistant à calculer une distance sur les nœuds et la seconde une distance sur les arrêtes. Cet algorithme fournit un indice de similarité normalisé: 0 pour aucune similarité et 1 pour deux réseaux identiques. Il a été évalué sur des graphes simulés puis comparé à des algorithmes existants. Il montre de meilleures performances pour détecter la variation spatiale entre les graphes. Il a également été appliqué sur des données réelles afin de comparer différents réseaux cérébraux. Les résultats ont montré des performances élevées pour comparer deux réseaux cérébraux réels obtenus à partir l'EEG à haute résolution spatiale, au cours d'une tâche cognitive consistant à nommer des éléments de deux catégories différentes (objets vs animaux)
The human brain is a "large-scale" network consisting of distributed and functionally interconnected regions. The information processing in the brain is a dynamic process that involves a fast reorganization of functional brain networks in a very short time scale (less than one second). In the field of cognitive neuroscience, two big questions remain about these networks. Firstly, is it possible to follow the spatiotemporal dynamics of the brain networks with a temporal resolution significantly higher than the functional MRI? Secondly, is it possible to detect a significant difference between these networks when the brain processes stimuli (visual, for example) with different characteristics? These two questions are the main motivations of this thesis. Indeed, we proposed new methods based on dense electroencephalography. These methods allow: i) to follow the dynamic reconfiguration of brain functional networks at millisecond time scale and ii) to compare two activated brain networks under specific conditions. We propose a new algorithm benefiting from the excellent temporal resolution of EEG to track the fast reconfiguration of the functional brain networks at millisecond time scale. The main objective of this algorithm is to segment the brain networks into a set of "functional connectivity states" using a network-clustering approach. The algorithm is based on K-means and was applied on the connectivity graphs obtained by estimation the functional connectivity values between the considered regions of interest. The second challenge addressed in this work falls within the measure of similarity between graphs. Thus, to compare functional connectivity networks, we developed an algorithm (SimNet) that able to quantify the similarity between two networks whose node coordinates is known. This algorithm maps one graph to the other using different operations (insertion, deletion, substitution of nodes and edges). The algorithm is based on two main parts, the first one is based on calculating the nodes distance and the second one is to calculate the edges distance. This algorithm provides a normalized similarity index: 0 for no similarity and 1 for two identical networks. SimNet was evaluated with simulated graphs and was compared with previously-published graph similarity algorithms. It shows high performance to detect the similarity variation between graphs involving a shifting of the location of nodes. It was also applied on real data to compare different brain networks. Results showed high performance in the comparison of real brain networks obtained from dense EEG during a cognitive task consisting in naming items of two different categories (objects vs. animals)

Le sommeil est un état de conscience faisant preuve d’un vaste potentiel au niveau clinique. Par exemple, le sommeil est devenu un outil dans le diagnostic précoce de certains processus dégénératifs au sein du cerveau, ainsi que dans le traitement de différents troubles physiologique et psychologiques. Son potentiel pourrait même être augmenté via la stimulation cérébrale. Bien que le cerveau soit un centre de communication majeur, la recherche en sommeil s’est principalement centrée sur des mesures statiques du sommeil. L’étude des patrons de communication entre les différentes régions du cerveau nous permet pourtant d’inférer sur leur utilité fonctionnelle chez l’humain. Et si ces patrons de communication permettaient une compréhension plus intégrée des changements du sommeil à travers la vie et de leurs conséquences au cours du vieillissement? Cette thèse permet d’étudier, sous un angle dynamique et novateur, l’interaction de l’activité neuronale et la modulation expérimentale du sommeil au cours du vieillissement normal. À l’aide de l’électroencéphalographie, la connectivité fonctionnelle cérébrale est évaluée à l’échelle des stades et des cycles de sommeil, de l’onde lente elle-même, ainsi que sous une perspective expérimentale grâce à la stimulation transcrânienne par courant alternatif. Les résultats des deux premières études démontrent les changements au niveau de la connectivité cérébrale en sommeil au cours du vieillissement, tandis que la troisième étude démontre la possibilité de moduler cette connectivité, ainsi que les oscillations cérébrales, chez la population âgée. À l’échelle des stades de sommeil, le cerveau des personnes âgées est plus connecté lors du sommeil lent profond et moins connecté lors du sommeil lent léger, comparativement aux jeunes adultes. Ces différences d’âge sont d’ailleurs plus importantes en début de nuit. Nos résultats démontrent aussi une diminution de connectivité associée à la phase de dépolarisation de l’onde lente chez la population âgée, comparativement aux jeunes adultes. Chez ces derniers, une augmentation marquée de la connectivité pendant l’onde lente est observée. La connectivité au cours de l’onde lente est aussi affectée par la présence d’un fuseau de sommeil en simultané, suggérant soit le mixte de leurs réseaux ou la mise en place de ceux du fuseau. Nous démontrons également, grâce à l’utilisation de métriques novatrices, la présence de deux types d’ondes lentes avec une dynamique de connectivité qui leur est propre, suggérant qu’elles soient impliquées dans des processus fonctionnels distincts. Pendant une sieste, l’utilisation de la stimulation transcrânienne par courant alternatif a aussi permis de moduler les fuseaux de sommeil, leur couplage avec l’onde lente ainsi que la connectivité fonctionnelle des individus âgés. Ces résultats, bien que modestes, démontrent l’aspect prometteur de la modulation non-pharmacologique du sommeil. Non seulement cette thèse fournit une vision intégrée des changements de connectivité fonctionnelle au cours du vieillissement, mais elle démontre qu’il est possible de moduler le sommeil des personnes âgées à des fins ultimement thérapeutiques. Le manque de flexibilité des différents réseaux des personnes âgées pourrait être à la base, entre autres, des changements au niveau de la consolidation de la mémoire. Les implications de nos résultats pourraient être pertinentes à l’étude des processus de plasticité ayant lieu au cours du sommeil.
Sleep is a state of consciousness which shows a great potential in the clinical field. For instance, sleep has become a tool in the early diagnosis of certain neurodegenerative processes, as well as in the treatment of various physiological and psychological disorders. Its potential could even be increased via brain stimulation. Although the brain is a major communication center, sleep research has mainly focused on static measures of sleep. The study of the patterns of communication between the different regions of the brain nevertheless allows us to infer on their functional utility in humans. What if these patterns of communication allowed a more integrated understanding of sleep changes throughout life and their consequences during aging? This thesis investigates, from an innovative and dynamic angle, the interaction of neuronal activity and experimental modulation of sleep in normal aging. Using electroencephalography, functional connectivity is assessed at the scale of sleep stages and cycles, at the scale of the slow wave itself, and from an experimental perspective using the transcranial alternating current stimulation. The results in our first two studies demonstrate changes in EEG functional connectivity during sleep in aging while our third study showed the possibility of experimentally modulating functional connectivity as well as brain oscillations in the same population. At the sleep stage scale, the brain of older individuals is more connected during slow wave sleep and less connected during lighter sleep, compared to young adults. These age differences are predominant at the beginning of the night. Our results also demonstrate a decrease in functional connectivity associated with the slow wave depolarization phase in older individuals. In the young ones, brain connectivity associated to a slow wave is markedly increased. Functional connectivity during slow wave depolarization is also affected by the simultaneous presence of sleep spindles, suggesting either the admixture of their networks or the establishment of those underlying spindle occurrence. We also demonstrate, through the use of novel metrics, the presence of two types of slow waves, each endowed with specific connectivity dynamics. This suggests the presence of distinct functional implications. These slow waves types could also be inherently modulated by distinct physiological processes. During a nap, the use of transcranial alternating current stimulation has made it possible to experimentally modulate sleep spindles, their coupling with the slow waves, and functional connectivity in older individuals. These results, although modest, demonstrate the promising aspect of non-pharmacological sleep modulation. This thesis provides an integrated view of functional connectivity changes in aging and also demonstrates the feasibility of experimental sleep modulation in older individuals. The lack of network flexibility that we described in the older population in term of connectivity could underlie changes in sleep-dependent memory consolidation processes. The implications of our results is relevant to the study of sleep-dependent plasticity processes.