Apprentissage profond explicable pour l'identification précoce des altérations neurodéveloppementales via l'analyse de la régulation autonome cardiaque // Explainable Deep Learning for Early Identification of Neurodevelopmental Alterations through the Ana

L'analyse continue non invasive du système nerveux autonome (SNA) à partir de la variabilité de la fréquence cardiaque (HRV - Heart rate variability) reflète fidèlement le fonctionnement cortical et sous-cortical et peut constituer une aide précieuse dans la détection précoce de troubles nerveux centraux. L'analyse de l'HRV obtenue par une analyse électrocardiographique (ECG) a l'avantage d'être moins chronophage et moins onéreuse que l'EEG. Des études antérieures ont suggéré de fortes associations entre les seuils des indices d'HRV et les données neurodéveloppementales. Considérant les progrès récents apportés par les algorithmes d'apprentissage profond, nous souhaitons exploiter des modèles de régression d'IA pour évaluer la valeur prédictive des indices parasympathiques et orthosympathiques d'HRV obtenus au cours de la période néonatale sur les scores neurodéveloppementaux cognitifs à l'âge de 2 ans. L'interprétabilité des méthodes utilisées étant cruciale dans le domaine de la santé, nous intégrerons les récentes avancées en matière d'explicabilité dans nos travaux.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Premature birth and perinatal brain injury remain major risk factors for long-term neurodevelopmental impairments, including cognitive delay, motor dysfunction, and behavioral disorders. In current clinical practice, neurodevelopmental prognosis primarily relies on standardized psychometric scales such as the Bayley Scales of Infant and Toddler Development, which are administered several months or years after birth. While informative, these tools do not enable early risk stratification during the neonatal period, thereby delaying targeted interventions.
Recent advances in artificial intelligence (AI) have opened new perspectives for early prediction of neurodevelopmental outcomes using physiological signals. Electroencephalography-based approaches have shown promising results; however, EEG interpretation remains complex, time-consuming, and partly subjective. In contrast, continuous and non-invasive assessment of the autonomic nervous system through heart rate variability (HRV) derived from electrocardiographic recordings provides a robust and clinically accessible proxy of cortical and subcortical regulation.
Numerous studies have demonstrated strong associations between HRV indices and brain maturation, as well as between altered autonomic regulation and adverse neurodevelopmental outcomes. Leveraging recent advancements in deep learning and explainable AI, this project aims to develop predictive and interpretable models that link neonatal HRV patterns to neurodevelopmental trajectories assessed at two years of age.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université Jean Monnet Saint-Etienne

488 SIS - Sciences Ingénierie Santé

Le candidat aura une formation scientifique dans le domaine du numérique (« computer science »), associée à une bonne maîtrise des mathématiques appliquées (probabilités, analyse de données, estimation et optimisation, algorithmes, …) et du développement informatique (Python, C/C++ et/ou MATLAB, Scilab, Octave). Des connaissances en traitement de signaux physiologiques, et en apprentissage profond seront appréciées. La personne recherchée devra également avoir une motivation particulière pour se tourner vers les applications médicales. À l'UJM, le profil des étudiants en Master MLDM, issus de Telecom Saint-Étienne, correspond. De nombreuses formations en France, à l'Université comme en écoles d'Ingénieurs, forment des étudiantes et des étudiants au profil recherché.
The ideal candidate holds a Master's degree in computer science, biomedical engineering, applied mathematics, or a related field. Strong skills in data analysis, signal processing, machine learning, and programming (Python, MATLAB, C/C++) are expected. Prior experience or strong interest in deep learning and medical applications will be considered a significant asset.