Analyse basée sur l'intelligence artificielle des traumatismes acoustiques liés à la guerre et de leur impact à long terme sur l'activité cérébrale des enfants // Artificial intelligence-based analysis of war-related acoustic trauma and its long-term impa

a. Description du sujet
Les conflits armés exposent les populations civiles, notamment les nourrissons, à des environnements sonores extrêmes (explosions, bombardements, tirs). Or, durant les premières années de vie, le cerveau est en phase critique de développement, ce qui le rend particulièrement vulnérable aux stimuli violents et imprévisibles. Des travaux en neurosciences montrent que ces expositions peuvent perturber l'activité cérébrale et entraîner à long terme des troubles tels que l'anxiété, le stress post-traumatique, les troubles du sommeil, cognitifs ou du développement neurologique.

Le problème scientifique de cette thèse est de comprendre et modéliser l'impact des traumatismes acoustiques liés à la guerre sur l'activité cérébrale des nourrissons, ainsi que d'identifier précocement les signes neurologiques anormaux.

L'objectif principal est de développer un modèle basé sur l'intelligence artificielle capable d'analyser l'activité cérébrale et de détecter précocement des anomalies. Les objectifs spécifiques sont : (1) étudier l'impact des sons de guerre sur le cerveau des nourrissons ; (2) analyser les signaux EEG pour identifier des patterns anormaux ; (3) développer des modèles d'apprentissage automatique pour classifier les signaux ; (4) étudier la corrélation entre exposition sonore et troubles neurologiques ou psychologiques ; (5) proposer un système de détection précoce des nourrissons à risque.

b. Approche méthodologique
La méthodologie repose sur une approche interdisciplinaire combinant neurosciences, traitement du signal et intelligence artificielle.
Une première étape consistera à analyser les caractéristiques acoustiques des sons de guerre (intensité, fréquence, durée, variation temporelle) afin d'évaluer leur impact potentiel sur le cerveau.

Ensuite, des signaux EEG seront collectés et prétraités (filtrage, réduction du bruit, normalisation). Des caractéristiques seront extraites dans les domaines temporel, fréquentiel et temps-fréquence.

Des modèles d'apprentissage automatique seront ensuite appliqués pour la classification des signaux : réseaux de neurones profonds, CNN, LSTM, modèles hybrides CNN-LSTM, ainsi que des méthodes classiques (SVM, Random Forest, KNN). Les performances de ces modèles seront comparées.

Une étape clé sera l'étude des corrélations entre les caractéristiques acoustiques et les modifications observées dans les EEG. Enfin, un modèle prédictif sera développé pour détecter précocement les risques de troubles neurologiques ou psychologiques.

c. Résultats attendus
Sur le plan scientifique, cette recherche permettra de mieux comprendre l'impact des traumatismes acoustiques de guerre sur le développement cérébral des nourrissons, un domaine encore peu exploré.
Sur le plan technologique, elle aboutira à un modèle intelligent capable de classifier automatiquement les signaux cérébraux et de détecter des anomalies précoces.
Sur le plan médical, les résultats pourraient contribuer à des systèmes de détection précoce aidant les professionnels de santé à identifier les enfants à risque et à intervenir rapidement.
Enfin, cette thèse devrait donner lieu à des publications scientifiques en intelligence artificielle, traitement du signal biomédical et santé numérique.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

a. Project Description
Armed conflicts expose civilian populations, especially infants, to extreme acoustic environments (explosions, bombings, gunfire). During early life, the brain is in a critical phase of development, making it particularly vulnerable to violent and unpredictable stimuli. Neuroscience studies show that such exposure can disrupt brain activity and lead to long-term disorders such as anxiety, post-traumatic stress, sleep disorders, cognitive impairments, and neurodevelopmental disorders.

The main scientific problem of this thesis is to understand and model the impact of war-related acoustic trauma on infants' brain activity, and to identify early abnormal neurological signs.

The main objective is to develop an artificial intelligence-based model capable of analyzing brain activity and detecting early anomalies. The specific objectives are: (1) study the impact of war sounds on infants' brains; (2) analyze EEG signals to identify abnormal patterns; (3) develop machine learning models to classify brain signals; (4) investigate the correlation between sound exposure and neurological or psychological disorders; (5) propose an early detection system to identify at-risk infants.

b. Methodological Approach
The methodology is based on an interdisciplinary approach combining neuroscience, signal processing, and artificial intelligence.
The first step will be to analyze the acoustic characteristics of war-related sounds (intensity, frequency, duration, temporal variation) to assess their potential impact on the brain.

Next, EEG signals will be collected and preprocessed (filtering, noise reduction, normalization). Features will be extracted in the time, frequency, and time-frequency domains.

Machine learning techniques will then be applied for signal classification, including deep neural networks, CNNs, LSTMs, hybrid CNN-LSTM models, as well as classical methods (SVM, Random Forest, KNN). Their performance will be compared.

A key step will be to study correlations between acoustic features and EEG alterations. Finally, a predictive model will be developed to enable early detection of risks of neurological or psychological disorders.

c. Expected Results
Scientifically, this research will improve understanding of the impact of war-related acoustic trauma on infant brain development, a still underexplored field.
Technologically, it will result in an intelligent model capable of automatically classifying brain signals and detecting early anomalies.
Medically, the findings could support early detection systems to help healthcare professionals identify at-risk children and intervene promptly.
Finally, this work is expected to lead to several scientific publications in artificial intelligence, biomedical signal processing, and digital health.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'un établissement public Français

Université de Picardie - Jules Verne

585 Sciences, Technologie, Santé

Ingénieur ou Master en traitement de signaux ou équivalent Master en Neurosciences ou équivalent Compétences en Electroencéphalographie Compétences en intelligence artificielle
Engineering degree or Master's degree in signal processing or equivalent Master's degree in Neuroscience or equivalent Electroencephalography skills Artificial intelligence skills