Site emploiBienvenue

Vous serez membre du Laboratoire de Psychologie et NeuroCognition (LPNC), unité mixte de recherche CNRS structurée en cinq équipes thématiques (Vision & Émotion, Corps & Espace, Langage, Mémoire et Développement & Apprentissage). Ses membres (plus de 60 permanents et 58 temporaires) mènent une activité de recherche en Sciences Cognitives, combinant les approches des sciences humaines et sociales, des sciences de l’ingénieur appliquées à la cognition et des sciences de la vie. Le LPNC est affilié au CNRS depuis 1978, principalement à l’Institut Biologie section 26 et secondairement à l’Institut Sciences humaines et sociales (INSHS, section 34). Ses deux tutelles universitaires sont l’Université Grenoble Alpes et l’Université Savoie Mont-Blanc.

https://lpnc.univ-grenoble-alpes.fr/

Le poste s’inscrit dans le cadre du projet structurant BrainLearnRepair, financé par le Programme « Recherche à Risque » du CEA, réunissant plusieurs partenaires nationaux (CEA-Joliot, CEA-Leti, CEA-List, APHP, CHUGA, GHU, UGA).

Le Work Package 5 vise à concevoir, entraîner et valider des modèles d’intelligence artificielle explicatifs et prédictifs de l’activité cérébrale mesurée en IRMf et ECoG, en lien avec les processus de plasticité cérébrale et la réhabilitation post-AVC.

Rattaché à l’équipe « Vision et Emotion » du LPNC (UMR 5105 et responsable : David Alleysson CR CNRS et Carole Peyrin DR CNRS), vous serez sous la responsabilité hiérarchique de Martial Mermillod et de Monica Baciu, collaboratrice du projet BRAINSYNC.

Votre mission consistera en :

• la conception et l'optimisation de modèles de décodage neuronal : apprentissage profond (CNN 4D, Transformers, RNN) sur données IRMf et ECoG. (IA explicatif : Application des modèles de machine learning pour guider la neuroréhabilitation post-AVC / IA prédictif : Optimisation des modèles de deep learning sur des données multimodales (IRMf/MEG) pour relier lésions cérébrales et handicaps fonctionnels)
• le développement et l'implémentation de stratégies d’apprentissage adaptatif et incrémental (e.g. modèle DreamNet, curriculum learning)
• l'analyse statistique et computationnelle des signaux cérébraux (IRMf 11.7T, ECoG) pour relier activité neurale et fonctions cognitives/motrices
• la participation à la construction de modèles de prédiction de la récupération motrice post-AVC, en lien avec l’atlas anatomo-fonctionnel (WP3)
  Collaboration interdisciplinaire avec les partenaires du projet (CEA, CHU Grenoble, APHP, Clinatec)
• la diffusion scientifique : rédaction d’articles, présentations à des conférences internationales, contribution aux livrables du projet

• Livraison d’un modèle d’IA de brain decoding validé sur (1) des sujets sains puis (2) des données patients et publication(s) scientifique(s)
• Développement d’un ou plusieurs modèles d’IA frugaux et interprétables pour le décodage de l’activité cérébrale
• Validation expérimentale sur données multimodales (IRMf / ECoG)
• Rédaction et publication d’articles scientifiques internationaux à comité de lecture
• Contribution au rapport final du WP5 et à la dissémination des résultats (open data / open science)
  
  
  

• Excellente maîtrise des méthodes de machine learning-deep learning, notamment pour les séries temporelles et données spatiales
• Connaissances solides en neuroimagerie (IRMf, ECoG, MEG) et en traitement du signal
• Compétences en programmation scientifique (Python, PyTorch/TensorFlow, Git)
• Familiarité avec les pipelines de traitement d’IRMf (FSL, SPM, Nilearn)
• Capacité à travailler dans un environnement interdisciplinaire (neurosciences – IA – clinique)
• Autonomie scientifique, rigueur et capacité d’initiative
• Goût pour la recherche collaborative et le travail en équipe
• Bon niveau de communication orale et écrite en anglais

Expérience professionnelle souhaitée :
de 2 à 5 ans

Formation, diplôme, expérience souhaitée :
Doctorat