A complete application in a minute
Tailored resume and cover letter, ready to send.
Inria recrute un ingénieur de recherche pour développer des méthodes de neurostimulation non invasives au sein du cadre du projet NECTARINE. Le candidat analysera des données EEG/IRM et proposera des optimisations en boucle fermée, avec validation par simulations et expérimentation informatique.
Une expérience en apprentissage automatique, en modélisation et en collaboration interdisciplinaire est requise, avec une préférence pour les outils PyTorch, MNE-Python et EEGLAB.
Un poste d'ingénieur en neurostimulation est à pourvoir dans le cadre du projet NINO, financé par le programme Inria Quadrant (PIQ), et mené conjointement par ICube (équipe MLMS) et Inria (équipe NECTARINE).
Ce projet de recherche s’inscrit dans le cadre de la création de la nouvelle équipe-projet NECTARINE et vise à développer des méthodes de neurostimulation non-invasives pour de futures applications en psychiatrie clinique.
La neuromodulation désigne les différentes techniques utilisées pour stimuler le cerveau et atténuer les symptômes de troubles mentaux ou de déficits de l'attention ; compte tenu du grand nombre de patients susceptibles d'en bénéficier, elle offre des perspectives prometteuses pour des applications cliniques. Toutefois, la neuromodulation est généralement mise en œuvre en boucle ouverte, où les paramètres expérimentaux sont fixés a priori et peuvent s'avérer sous-optimaux. Nous proposons ici de développer des techniques de conception optimale d'expériences (OED) et de les appliquer à la neuromodulation en boucle fermée, en adaptant les paramètres en temps réel. Nos algorithmes en boucle fermée permettront d'optimiser la délivrance des stimulations, d'éviter les effets secondaires des traitements médicamenteux et d'ouvrir la voie à une médecine personnalisée assistée par ordinateur.
Le poste correspond à la phase 1 du projet, d'une durée de 14 mois.
La personne recrutée aura pour mission 1) d’analyser des données existantes (EEG, IRM, ou comportementales) enregistrées sur des participants humains durant différentes tâches cognitives (e.g. SART) pour en construire un modèle phénoménologique 2) de proposer des méthodes d’optimisation en boucle fermée pour les paramètres de neurostimulation en utilisant le modèle defini précédemment 3) de valider le contrôle en boucle fermé en réalisant des simulations in silico d'une expérience, en utilisant par exemple des réseaux récurrents.
Compétences techniques et niveau requis : Plusieurs années d'expérience en apprentissage machine, notamment avec la toolbox PyTorch. Des exemples de projets et d'applications de l'apprentissage machine aux neurosciences ou à d'autres applications cliniques sera un plus.
Langues :Excellentes compétences en communication écrite et orale en anglais.
Compétences relationnelles : Solides aptitudes au travail en équipe et capacité à collaborer efficacement avec différents interlocuteurs, notamment de différents domaines (statisticiens, cliniciens, expérimentalistes...).
Compétences additionnelles appréciées :La maîtrise des toolboxes MNE pour Python et EEGLAB pour Matlab sera considérée comme un atout.
A partir de 2883 € brut/mois selon expériences et diplômes
Le recrutement a lieu dans le cadre de la création de l’équipe-projet NECTARINE, dont le but est de développer des méthodes de neurostimulation pour le traitement des troubles psychiatriques. Le projet est à l’intersection des neurosciences, de la modélisation informatique, de l’apprentissage machine et des applications cliniques: nous recherchons donc un ingénieur de recherche avec un profil orienté informatique / apprentissage machine / modélisation pour compléter l’expertise en neurosciences des membres de l’équipe NECTARINE.
Après avoir été validé hors ligne lors de simulations, les différents algorithmes de contrôle optimal en boucle fermé devront pouvoir être portés sur différentes plateformes, et notamment pouvoir être utilisés lors d’expériences cliniques.
En complément des livrables et objectifs mentionnés, nos résultats feront l’objet de publications dans des revues scientifiques et de présentations dans des conférences de neurosciences et d’apprentissage machine: une expérience de la recherche fondamentale et de précédentes publications dans des revues scientifiques seront un atout.