Biomimetic neural networks for real-time neural signal processing

Enregistrer à grande échelle le cerveau est essentiel pour comprendre la dynamique des populations neuronales et mettre au point des interfaces cerveau-machine pour la réhabilitation des troubles neurologiques. Dans cette optique, les technologies d’enregistrement ont évolué pour mesurer l’activité neuronale à l’aide d’électrodes à haute densité. Cependant, une limitation majeure demeure : la difficulté à traiter ces signaux massifs en temps réel, à faible coût énergétique, ce qui est nécessaire pour envisager leur intégration dans des dispositifs implantables. À cette fin, cette thèse propose l’utilisation de réseaux de neurones artificiels basés sur des modèles biomimétiques, notamment les réseaux neuronaux à impulsions (SNNs), pour répondre à ce défi. Plus précisément, elle présente une plateforme de traitement de signaux corticaux (tri des pics, ou "spike sorting") en temps réel, qui est à la fois abordable, flexible et accessible pour l’intégration dans des pipelines d’enregistrement existant et la réalisation d’expériences bio-hybrides. Implémentée sur une cible neuromorphique, cette plateforme permet de traiter en temps réel la dynamique neuronale d’une culture de neurones. Elle offre la possibilité de mesurer l’évolution de l’activité neuronale ainsi que la structure interne du réseau biologique, avec une faible latence. Ces informations sont cruciales pour déterminer et ajuster les traitements nécessaires dans des applications biomédicales. Première étape dans le traitement des signaux neuronaux, le système développé constitue une avancée essentielle vers la conception de neuroprothèses neuromorphiques pour des thérapies bioélectriques, telles que l’électroceutique. Il ouvre la voie au développement de systèmes en boucle fermée à faible latence, avec un potentiel d’implantation embarquée. Le dispositif développé en temps réel démontre son potentiel dans des applications pratiques et des expériences bio-hybrides.