🔬 Neurosciences & Recherche sur le cerveau

Développement de méthodes d'adaptation de domaine pour permettre le décodage cérébral à travers différents paradigmes d'imagerie. Nos travaux sur l'analyse searchlight améliorée par l'adaptation de domaine permettent au transfert de la classification des états cérébraux des paradigmes de perception visuelle aux paradigmes d'imagerie mentale.

Cette recherche répond à un défi fondamental en neurosciences : les modèles de décodage cérébral entraînés sur des données provenant d'un paradigme expérimental (par ex., la perception visuelle) échouent souvent à se généraliser à des paradigmes connexes mais différents (par ex., l'imagerie mentale). L'adaptation de domaine offre une solution structurée.

Développement de DecNefLab, un cadre de simulation modulaire et interprétable pour la recherche sur le neurofeedback décodé. Ce cadre permet aux chercheurs de simuler des expériences DecNef, d'évaluer différentes conceptions de décodeurs et d'étudier l'impact de divers paramètres sur l'efficacité du neurofeedback avant de mener des expériences réelles coûteuses.

Le neurofeedback décodé (DecNef) est une technique qui utilise le décodage cérébral en temps réel pour fournir aux individus un retour sur leurs propres motifs neuronaux, permettant une modification ciblée des représentations cérébrales sans instructions explicites. Il a des applications potentielles dans la recherche en neurosciences, la neuroréadaptation et le traitement de la santé mentale.

Étude des propriétés du traitement inconscient de l'information visuelle dans le cerveau humain. La recherche aborde des questions fondamentales sur les informations visuelles qui peuvent être traitées inconsciemment et comment elles influencent la perception consciente et le comportement ultérieurs.

Ce travail fait partie de la recherche doctorale de Ning Mei au BCBL, co-supervisée avec David Soto.

Recherche systématique et revue des outils informatiques pour l'analyse des propriétés morphologiques des neurones. Cette revue couvre les méthodes de quantification de la structure neuronale à partir d'images de microscopie, incluant les motifs de ramification, la taille du soma et l'arborisation dendritique.

Application des réseaux de neurones pour identifier les transitions de phase dans les systèmes physiques (par ex., le modèle d'Ising). Recherche sur les capacités de différentes architectures neuronales pour détecter les transitions de phase à partir de données simulées, avec des liens avec la physique statistique et les neurosciences computationnelles.

Travaux précoces (2010–2015) sur l'application de l'apprentissage automatique à l'analyse des signaux cérébraux MEG et EEG. Développement de méthodes de classification pour les applications d'interface cerveau-ordinateur (BCI), incluant le décodage de l'imagerie motrice et des états cognitifs à partir d'enregistrements électrophysiologiques.

La recherche en neurosciences est menée en collaboration avec :

• Basque Center on Cognition, Brain and Language (BCBL)
• Université du Pays Basque (UPV/EHU)
• Partenaires internationaux en neurosciences computationnelles

• Mei N, Santana R and Soto D (2022). Informative neural representations of unseen contents during higher-order processing in human brains and deep artificial networks. Nature Human Behaviour.
• Mei N, Santana R and Soto D (2021). Informative neural representations of unseen objects during higher-order processing in human brains and in deep artificial networks. bioRxiv.
• Mei N, Carreiras M, Santana R and Pylkkänen L (2019). How the brain encodes meaning: Comparing word embedding and computer vision models to predict fMRI data. NeurIPS Workshop.
• Soto D, Sheikh UA, Mei N and Santana R (2020). Decoding and encoding models reveal the role of mental simulation in the brain representation of meaning. Royal Society Open Science.
• Santana R, Mendiburu A and Lozano JA (2019). GP-based methods for domain adaptation: Using brain decoding across subjects as a test-case. GECCO 2019.
• Santana R, Bielza C and Larrañaga P (2012). Regularized logistic regression and multi-objective variable selection for classifying MEG data. Biological Cybernetics.
• Santana R, Yue C and Ocampo-Pineda M (2012). Introducing the use of model-based evolutionary algorithms for EEG-based motor imagery classification. GECCO 2012.
• Santana R, Bielza C and Larrañaga P (2011). An ensemble of classifiers approach with multiple sources of information. ICCST 2011.
• Astigarraga A, Arruti A, Muguerza J, Santana R, Martin JI and Sierra B (2014). User Adapted Motor-Imaginary Brain-Computer Interface by means of EEG Channel Selection based on Estimation of Distributed Algorithms. Scientific World Journal.
• Zheng D, Guo K and Santana R (2015). Comparison of Classification Methods for EEG-based Emotion Recognition. ISNN 2015.
• Santana R et al. (2015). Multi-view classification of psychiatric conditions based on saccades. GECCO 2015.