Nouvelles architectures pour les réseaux neuronaux riemanniens dans le contexte des interfaces cerveau-ordinateur // New Architectures for Riemannian Neuronal Networks in the Context of Brain-Computer Interfaces

Ce projet de thèse s'inscrit dans le domaine des interfaces cerveau-ordinateur (BCI), où la géométrie riemannienne est devenue une approche clé pour analyser les signaux EEG. En représentant ces signaux par des matrices de covariance et en exploitant leur structure géométrique non euclidienne, il est possible d'obtenir des performances de classification très compétitives. Le sujet vise à intégrer cette approche dans des réseaux de neurones profonds, donnant naissance à des architectures dites riemanniennes.

L'objectif principal est de concevoir des réseaux à la fois performants, parcimonieux et interprétables, en s'appuyant sur des connaissances en physiologie et électrophysiologie du cerveau. Cela implique notamment le développement de nouvelles couches adaptées à la structure des données, ainsi que de fonctions d'activation innovantes basées sur des modèles physiologiquement plausibles, comme des mélanges de gaussiennes appliqués aux valeurs propres.

Le/la doctorant(e) devra mobiliser des compétences en géométrie riemannienne, en neurosciences et en apprentissage profond, afin de proposer de nouvelles architectures et de les évaluer sur des bases de données BCI ouvertes. Ce travail s'inscrit dans une dynamique internationale forte à l'intersection de l'intelligence artificielle, de la géométrie différentielle et des neurosciences, avec pour ambition d'améliorer à la fois les performances et l'explicabilité des modèles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project lies in the field of brain-computer interfaces (BCIs), where Riemannian geometry has become a key approach for analyzing EEG signals. By representing these signals through covariance matrices and leveraging their non-Euclidean geometric structure, highly competitive classification performance can be achieved. The project aims to integrate this framework into deep neural networks, leading to so-called Riemannian architectures.

The main objective is to design networks that are efficient, parsimonious, and interpretable, by incorporating knowledge from brain physiology and electrophysiology. This includes developing new network layers tailored to the data structure, as well as innovative nonlinear activation functions based on physiologically plausible models, such as Gaussian mixtures applied to eigenvalues.

The candidate will draw on expertise in Riemannian geometry, neuroscience, and deep learning to propose new architectures and evaluate them on multiple open-access BCI datasets. This work is part of a strong international research effort at the intersection of artificial intelligence, differential geometry, and neuroscience, aiming to improve both performance and interpretability of models.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

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 Grenoble Alpes

216 ISCE - Ingénierie pour la Santé la Cognition et l'Environnement

Le/la candidat(e) devra avoir une solide formation en mathématiques appliquées, en intelligence artificielle ou en traitement du signal, avec un intérêt marqué pour les neurosciences. Des compétences en apprentissage profond et en programmation scientifique (Python, frameworks de deep learning) sont indispensables. Des connaissances en géométrie riemannienne, en traitement des signaux EEG ou en interfaces cerveau-ordinateur constitueraient un atout important. Une expérience préalable avec les réseaux de neurones profonds riemanniens constituerait un atout important.
The candidate should have a strong background in applied mathematics, artificial intelligence, or signal processing, with a keen interest in neuroscience. Skills in deep learning and scientific programming (Python, deep learning frameworks) are essential. Knowledge of Riemannian geometry, EEG signal processing, or brain-computer interfaces would be a significant advantage. Prior experience with Riemannian deep neural networks would also be an important asset.