Vous serez accueilli(e) au sein du Laboratoire Intelligence Intégrée Multi-Capteurs (LIIM) du département des Systèmes et Circuits Intégrés Numériques (DSCIN).

Notre laboratoire conçoit des algorithmes innovant d’intelligence artificielle (I.A.) permettant le décodage de signaux d’électroencéphalographie intracrânien de type ECoG [1] afin de classifier et prédire des intentions de mouvements au niveau du cortex moteur d’un patient tétraplégique. En particulier, notre laboratoire LIIM investigue la mise en œuvre de méthodes d’apprentissage incrémental [2] prenant en compte la plasticité cérébrale d’un individu au cours du temps.  

A terme, ces méthodes sont destinées à être intégrés sur un matériel léger et compact facilitant son usage dans une évaluation clinique. Pour cela, une étape indispensable est donc le portage du/des algorithme(s) existant(s) sur une cible matérielle en adéquation avec les usages de CLINATEC à savoir une plateforme Raspberry Pi (Raspberry Pi).
En parallèle, nous nous appuierons sur plateforme de conception logiciel AIDGE (cf. projet DEEPGREEN [4]).  Cette plateforme facilitera la conception et portabilité de nos algorithmes IA sur cible embarquée. 

Ainsi, votre stage se déroulera en plusieurs phases :
1/  prise en main des algorithmes de classification/régression adaptative de décodage de signaux neuronaux conçus LIIM.
-2/  évaluation de l’outil AIGE pour le support des fonctions nécessaires aux réseaux de neurones notamment sur le volet apprentissage en ligne.
-3/ développement et intégration potentielle de nouvelles fonctions (en Python/C++) dans AIDGE adaptés aux algorithmes de classification / régression adaptive.
-4/ export du/des algorithme(s) sur la cible matérielle Raspberry PI


Ce stage sera co-encadré par le LIIM (Quentin Ferdinand, Olivier Antoni et Marina Reyboz), le LIAE (Maxence Naud) et CLINATEC (Mathieu Bosquet – TBC).

Ce se déroulera au LIIM, CEA Grenoble, à partir de février 2026 pour une durée de 5 à 6 mois.


Références:

[1] Q. Ferdinand et al., « ECoG-Based Movement Classification and Limbs 3D Translation Prediction : a Deep Learning Study », accepté à IJCNN 2025.

[2] Mainsant M., Mermillod M., Godin C. and Reyboz M., “A study of the Dream Net model robustness across Continual Learning scenarios”, ICDM Workshop on Incremental classification and clustering, concept drift, novelty detection in big/fast data context (IncrLearn), 2022

[3] Le projet DeepGreen

#CEA-List

Profil : Ecole d’ingénieur / M2 systèmes embarqués, informatique ou intelligence artificielle