Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Rythme cérébralUn rythme cérébral (appelé aussi activité neuro-électrique) désigne l'oscillation électromagnétique émise par le cerveau des êtres humains, mais également de tout être vivant. Le cortex frontal qui permet la cognition, la logique et le raisonnement est composé de neurones qui sont reliés entre eux par des synapses permettant la neurotransmission. Mesurables en volt et en hertz, ces ondes sont de très faible amplitude : de l'ordre du microvolt (chez l'être humain), elles ne suivent pas toujours une sinusoïde régulière.
Réseau de neurones récurrentsUn réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.
Voie lemniscaleLa voie lemniscale est la voie des sensibilités épicritique (sensibilité du tact fin), proprioceptive consciente et vibratoire. Elle permet de véhiculer de nombreuses informations sur le contact, la texture. Elle correspond à la construction du schéma postural qui permet de savoir dans quelle position un organe, une articulation ou un membre se trouve. Elle est aussi appelée voie cordonale postérieure en raison du trajet qu'elle emprunte dans la moelle spinale (ou moelle épinière) ou voie latérale en raison de son passage dans le thalamus latéral.
Codage neuronalLe codage neuronal désigne, en neurosciences, la relation hypothétique entre le stimulus et les réponses neuronales individuelles ou globales. C'est une théorie sur l'activité électrique du système nerveux, selon laquelle les informations, par exemple sensorielles, numériques ou analogiques, sont représentées dans le cerveau par des réseaux de neurones. Le codage neuronal est lié aux concepts du souvenir, de l'association et de la mémoire sensorielle.
Neural networkA neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.
Spinocerebellar tractThe spinocerebellar tract is a nerve tract originating in the spinal cord and terminating in the same side (ipsilateral) of the cerebellum. Proprioceptive information is obtained by Golgi tendon organs and muscle spindles. Golgi tendon organs consist of a fibrous capsule enclosing tendon fascicles and bare nerve endings that respond to tension in the tendon by causing action potentials in type Ib afferents. These fibers are relatively large, myelinated, and quickly conducting.
SomesthésieLa somesthésie (dite aussi sensibilité du corps) constitue un des systèmes sensoriels de l'organisme. La somesthésie désigne un ensemble de différentes sensations (pression, chaleur, douleur...) qui proviennent de plusieurs régions du corps (peau, tendons, articulations, viscères...). Ces sensations sont élaborées à partir des informations fournies par de nombreux récepteurs sensitifs du système somatosensoriel, situés dans les tissus de l'organisme (mécanorécepteurs du derme et des viscères, fuseaux neuromusculaires des muscles, fuseaux neurotendineux des tendons, plexus de la racine des poils.
Dorsal column nucleiIn neuroanatomy, the dorsal column nuclei are a pair of nuclei in the dorsal columns in the brainstem. The name refers collectively to the cuneate nucleus and gracile nucleus, which are situated at the lower end of the medulla oblongata. Both nuclei contain second-order neurons of the dorsal column–medial lemniscus pathway, which convey fine touch and proprioceptive information from the body to the brain. The dorsal column nuclei project to the thalamus.
Réseau de neurones (biologie)En neurosciences, un réseau de neurones correspond, schématiquement : Soit à un nombre restreint de différents neurones interconnectés, qui ont une fonction précise, comme le ganglion stomatogastrique qui contrôle l'activité des muscles de l'estomac des crustacés. Soit à un grand nombre de neurones similaires interconnectés, qui ont des fonctions plus cognitives, comme les réseaux corticaux qui permettent entre autres la catégorisation.
Neural decodingNeural decoding is a neuroscience field concerned with the hypothetical reconstruction of sensory and other stimuli from information that has already been encoded and represented in the brain by networks of neurons. Reconstruction refers to the ability of the researcher to predict what sensory stimuli the subject is receiving based purely on neuron action potentials. Therefore, the main goal of neural decoding is to characterize how the electrical activity of neurons elicit activity and responses in the brain.
Primary somatosensory cortexIn neuroanatomy, the primary somatosensory cortex is located in the postcentral gyrus of the brain's parietal lobe, and is part of the somatosensory system. It was initially defined from surface stimulation studies of Wilder Penfield, and parallel surface potential studies of Bard, Woolsey, and Marshall. Although initially defined to be roughly the same as Brodmann areas 3, 1 and 2, more recent work by Kaas has suggested that for homogeny with other sensory fields only area 3 should be referred to as "primary somatosensory cortex", as it receives the bulk of the thalamocortical projections from the sensory input fields.
ProprioceptionLa proprioception (formé de proprio-, tiré du latin proprius, « propre », et de [ré]ception), ou sensibilité profonde, désigne la perception, consciente ou non, de la position des différentes parties du corps. Elle fonctionne grâce à de nombreux récepteurs musculaires et ligamentaires et aux voies et centres nerveux impliqués. La proprioception fait partie de la somesthésie. Le propriocepteur est le récepteur sensoriel qui assure la proprioception. La proprioception a été d'abord caractérisée chez les humains.
Réseau neuronal convolutifEn apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.
Réseau de neurones à impulsionsLes réseaux de neurones à impulsions (SNNs : Spiking Neural Networks, en anglais) sont un raffinement des réseaux de neurones artificiels (ANNs : Artificial Neural Networks, en anglais) où l’échange entre neurones repose sur l’intégration des impulsions et la redescente de l’activation, à l’instar des neurones naturels. L’encodage est donc temporel et binaire. Le caractère binaire pose une difficulté de continuité au sens mathématique (cela empêche notamment l’utilisation des techniques de rétropropagation des coefficients - telle que la descente de gradient - utilisées classiquement dans les méthodes d'apprentissage).
Types of artificial neural networksThere are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.
Nerf trijumeauLe nerf trijumeau (V) est le cinquième nerf crânien. C'est un nerf « mixte », c'est-à-dire composé à la fois de neurones assurant une fonction motrice (pour mordre, mâcher et avaler) et de neurones sensitifs, plus nombreux, dont la fonction est de recevoir les sensations de toucher, de douleur, etc. de la face et d'une partie de la « sphère ORL ». Ainsi les informations sensorielles en provenance du visage suivent un traitement parallèle mais distinct de l'information sensorielle provenant du reste du corps.
Models of neural computationModels of neural computation are attempts to elucidate, in an abstract and mathematical fashion, the core principles that underlie information processing in biological nervous systems, or functional components thereof. This article aims to provide an overview of the most definitive models of neuro-biological computation as well as the tools commonly used to construct and analyze them.
Cortex cérébralLe cortex cérébral (ou écorce cérébrale), d'origine prosencéphalique, est la substance grise périphérique des hémisphères cérébraux. Il se compose de trois couches (pour l'archi- et le paléocortex) à six couches (pour le néocortex) renfermant différentes classes de neurones, d'interneurones et de cellules gliales. Le cortex peut être segmenté en différentes aires selon des critères cytoarchitectoniques (nombre de couches, type de neurones), de leur connexions, notamment avec le thalamus, et de leur fonction.
Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
