MAP RECOVER: Artificial intelligence-based prediction of post-stroke motor recovery using multimodal neuroimaging and brain-computer interfaces // MAP-RECOVER: Artificial intelligence-based prediction of post-stroke motor recovery using multimodal neuroim

Projet de thèse – MAP RECOVER
L’accident vasculaire cérébral (AVC) est une cause majeure de handicap moteur durable. Les interfaces cerveau-machine (Brin computer Interfaces or BCI) représentent une approche innovante pour la rééducation, mais leur efficacité varie fortement selon la typologie des patients.
Ce projet vise à développer des modèles d’intelligence artificielle capables de prédire, dès les premières phases après un AVC, quels patients bénéficieront le plus d’une rééducation assistée par « BCI ». Pour cela, des données multimodales de neuroimagerie (IRM fonctionnelle 7T, MEG et ECoG) seront utilisées afin de caractériser les lésions cérébrales, les réseaux moteurs et les mécanismes neuronaux liés à l’intention de mouvement.
Le doctorant développera des approches de « machine learning » et de « deep learning » (réseaux convolutifs, transformers, fusion multimodale) pour intégrer ces données, prédire la récupération motrice et identifier des biomarqueurs utiles à une rééducation personnalisée. Les modèles seront validés sur des données cliniques issues d’études en cours.
Les résultats attendus sont l’identification de biomarqueurs prédictifs, l’amélioration du décodage de l’intention motrice et le développement d’outils d’aide à la décision clinique pour optimiser la prise en charge des patients après AVC.
Profil recherché : Master en neurosciences computationnelles ou cognitives, intelligence artificielle, ingénierie biomédicale ou domaine proche. Solides compétences en Python, machine learning/deep learning et intérêt pour les neurosciences et la neuroimagerie.
La thèse se déroulera principalement à Clinatec (CEA Grenoble), en collaboration avec le Laboratoire de Psychologie et NeuroCognition (LPNC, CNRS, Université Grenoble Alpes). Link to post: https://www.linkedin.com/feed/update/urn:li:ugcPost:7480197083472338945

------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

MAP-RECOVER: Artificial intelligence-based prediction of post-stroke motor recovery using multimodal neuroimaging and brain-computer interfaces
Stroke is a leading cause of long-term motor disability, and many patients show limited benefit from conventional rehabilitation. This project aims to develop artificial intelligence methods to predict, early after stroke, which patients are most likely to benefit from brain-computer interface (BCI)-assisted rehabilitation.
The PhD candidate will use multimodal neuroimaging data, including ultra-high-field 7T fMRI, MEG, and ECoG recordings, to characterize brain lesions, motor networks, and the neural mechanisms underlying motor intention. Machine learning and deep learning approaches (e.g., convolutional neural networks, transformers, and multimodal fusion) will be developed to integrate these data, predict motor recovery, and identify biomarkers of rehabilitation potential. The models will be validated using clinical datasets from ongoing BCI rehabilitation studies.
Expected outcomes include predictive tools for personalized rehabilitation, improved patient selection for BCI therapies, and a better understanding of post-stroke neuroplasticity.
Candidate profile: Master's degree in Computational or Cognitive Neuroscience, Biomedical Engineering, Artificial Intelligence, or a related field. Strong programming skills in Python and experience with machine learning are required; knowledge of neuroimaging analysis tools is an asset.
The PhD will be carried out at Clinatec (CEA Grenoble, France) in collaboration with the Laboratory of Psychology and NeuroCognition (LPNC, CNRS, Université Grenoble Alpes).Link to post:https://www.linkedin.com/feed/update/urn:li:ugcPost:7480197083472338945


------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département des Technologies pour l'Innovation en Santé (LETI)
Service : Service de Recherche de Biomédicales en Neurotechnologie
Laboratoire : Secteur Sujet Patient
Date de début souhaitée : 01-10-2026
Ecole doctorale : Ingénierie pour la Santé, la Cognition et l’Environnement (EDISCE)
Directeur de thèse : TORRES-MARTINEZ Napoleon
Organisme : CEA
Laboratoire : DRT/DTIS//LBT
URL : https://www.leti-cea.fr/cea-tech/leti/Pages/recherche-appliquee/infrastructures-de-recherche/plateforme-CLINATEC.aspx
URL : https://lpnc.univ-grenoble-alpes.fr/fr/martial-mermillod

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département des Technologies pour l'Innovation en Santé (LETI)
Service : Service de Recherche de Biomédicales en Neurotechnologie

Le candidat aura un profil ingénieur, de forte compétence en IA et analyse de données