Les aires fonctionnelles du Cortex Cérébral: quelle spécialisation ? Réseau spécialisé avec les organes sensoriels et moteurs Les aires corticales: un réseau cérébral de réseaux neuronaux Dynamique du réseau neuronal dans l’aire motrice primaire Courbes d’accord et vecteur de population Modélisation de la Dynamique du réseau neuronal: Rotation du vecteur de population Le réseau cérébral: les connections entre les aires corticales Visuel Moteur Le réseau cérébral: les flux de traitements Langage Le réseau cérébral parieto-frontal pour les relations perception-action les symmétries FUS LOC TM MT STS IPL PMv vlPF PO SPL Pmd dlPF aCin pCIN orbF 1.Face Invariant 2.Object Invariant 3. Object New 4. Motion 5. BioMotion 6. Imitation 6. Use Object 7. Watch Gesture 8. See Intention 9. Touch Hand 10. Grasp/ Load 11. Gaze Attention 12. Mental Rotatio 13.SMCoordinatio 14 Touchsequenc 16 Spatial 17 Social Interact 18 Coop Compet 19 False Belief 20 Error Le réseau cérébral : les flux perception-action Modélisation du réseau cérébral parieto-frontal pour les relations perception-action : propriétés combinatoires Modélisation du réseau de réseaux parieto-frontal: relations perception-action Modélisation du réseau de réseaux parieto-frontal: relations perception-action Implémentation sur un robot anthropomorphe Les propriétés du réseau de réseaux parieto-frontal: les neurones mirroir Le réseau de réseaus parieto-frontal: les neurones mirroir Les propriétés du réseau de réseau parieto-frontal: les neurones à activité soutenue : séquences et planification Les propriétés du réseau de réseau parieto-frontal: les neurones à activité soutenue : séquences et planification Le réseu entre le cortex cérébral et les autres structures de contrôle moteur: Le cervelet et les ganglions de la base PA V PM PC IO CB PF NC ACC SN PC ACC NC V PA PF PM Dynamique du réseau entre le cortex cérébral , le cervelet et les ganglions de la base pour un nouvel apprentissage sensorimoteur Performance temps Dynamique du réseau entre le cortex cérébral , le cervelet et les ganglions de la base pour un nouvel apprentissage sensorimoteur PA V PM PC IO CB ACC SN PC ACC NC V PA R-M1 R-Par C x SMA R-PM L-M1 R-DLPFC C ing L-DLPFC L-PM PF NC PF PM R-M1 R-Par C x SMA R-PM L-M1 R-Pre-C u L-Pre-C u L-Par C x R-Visual A. RL-Visual A. R-Put Th LR-C audN Ant-C ereb al Th L-C audN L-Put al R-C ereb C x L-C ereb C x R-DLPFC C ing L-DLPFC L-PM R-Pre-C u L-P re-C u L-Par C x R-Visual A. RL-Visual A. R-Put Th LR-C audN Ant-C ereb al Th L-C audNL-Put al R-C ereb C x L-C ereb C x Dynamique du réseau entre le cortex cérébral le cervelet et les ganglions de la base pour un nouvel apprentissage sensorimoteur Dynamique du réseau entre le cortex cérébral , le cervelet et les ganglions de la base pour un nouvel apprentissage sensorimoteur Modélisation de l’ensemble du Cortex Cérébral Modélisation de l’ensemble du Cortex Cérébral Phonation Tones Syntax Words Semantic COLOR MOTION Le modèle de réseau cérébral décrit la cascade de traitements. On imite les traitements génériques des réseaux neuronaux et la cascade de traitements du réseau cérébral pour mieux comprendre le traitement des flux video-audio importants pour l’homme. Modèle du Réseau Neural Implementation électronique Le modèle de réseau neural effectue des opérations génériques de traitement adaptatif et d’apprentissage qui peuvent êre simulés par des circuits électroniques FILTRE SYNAPSES Mémorise les caractéristiques d’un stimulus ADAPT CANAUX S’adapte à la vitesse de variation du flux FILTRE Le traitement de type « FILTRE » extraie les caractéristiques : - il donne une description de la scène, - mais il n’est pas très efficace pour extraire les mouvements fins du visage qui sont importants pour les interactions sociales . FILTRE ADAPT Le traitement « ADAPT » qui règle à chaque instant les temps d’intégration, est très efficace pour extraire les variations fines importantes pour les interactions sociales Le traitement « ADAPT » fournit en temps réél une description fine des expressions faciales et corporelles avec leurs composantes émotionnelles Lorsque le traitement « ADAPT » ne fonctionne pas, l’information est trop faible ou trop forte, comme pour un appareil photo sans mécanisme de réglage d’ouverture Réseau Synaptique Réseau Neural Recpteur Glutamate FILTRE spécialisé Forte prediction Réseau Cérébral Visuelle Flux Pariétal: Manipule Réseau Social Objets Faible changement Limbique: Attraction Adaptation Canaux K+ FILTRE avec ADAPT Visuelle: Flux Temporal : Reconnait Bonne prediction Limbique: Attraction Personnes Fort Changement Réseau Synaptique Réseau Neural Recpteur Glutamate FILTRE spécialisé Forte prediction Réseau Cérébral Visuelle Flux Pariétal: Manipule Réseau Social Objets Faible changement Limbique: Attraction Adaptation Canaux K+ Faible adaptation FILTRE avec ADAPT FILTRE sans ADAPT Bonne Prediction Faible prediction Visuelle: Flux Personnes Bruité,brouillé Temporal : Reconnait Fort Changement Douloureux Limbique: Attraction « Evitement » Dynamique multi-échelle du cerveau qui s’adapte et apprend Réseau Moléculaire Réseau Neuronal Réseau Cérébral Le cerveau: un réseau de réseau Réseau Social Réseau WWW Models Maths Expert system s Statistics PCA Clustering RBF Pattern Recognition SOM Kohonen Control Bifurction Attractors Stochastic resonance Hodgkin Huxley BeckProp Modular/ Hierarchical Machine Learning SVM Vapnik Bayesian netw orks Q-Learning Reinforcem ent Learning Adaptive Recurent Nets resonance Hopfield/ Am it Grossberg Helm oltz Machine Oscillators Dynamical systems Hidden Markov Morphodynm ics Hebb Multiscale Brain Organisation Molecular Nets Neural Nets Cerebral Nets Social Nets