Respiratory Neural Network in Humans : Spatiotemporal Mapping of Neural Oscillations and Mathematical Modelling

par Fakhrul Rozi Ashadi

Thèse de doctorat en Physique. Systèmes Complexes

Sous la direction de Pascal Monceau et de Laurence Mangin.

Soutenue le 17-12-2018

à Sorbonne Paris Cité , dans le cadre de École doctorale Physique en Île-de-France (Paris) , en partenariat avec Université Paris Diderot - Paris 7 (établissement de préparation) et de Laboratoire Matière & Systèmes Complexes (Paris) (laboratoire) .

  • Titre traduit

    Réseau neural respiratoire chez l’homme : cartographie spatio-temporelle et modélisation mathématique


  • Résumé

    Respirer implique l'interaction entre le réseau du tronc cérébral automatique et la commande corticale. Les deux réseaux interagissent de manière harmonieuse et contrôlent les muscles respiratoires afin d'assurer la stabilité des gaz du sang lors de la respiration volontaire (parler, lors de l'inspiration profonde ou bien lors d'une augmentation de charge respiratoire). Comprendre le réseau neuronal respiratoire est fondamental pour de nombreuses raisons aussi bien en médicine qu'en physiologie et en physique: (i) l'augmentation de charge ventilatoire est une caractéristique majeure de plusieurs maladies respiratoires (Broncho Pneumopathie Chronique Obstructive (BPCO), emphysème, fibroses pulmonaire), (ii) l'insuffisance motrice et sensorielle corticales sont parmi les mécanismes qui précède l'insuffisance respiratoire aigüe. Par ailleurs certaines structures cérébrales impliquées dans la réponse à une charge ventilatoire participent également à la sensation d'essoufflement (dyspnée), un symptôme pénible décrit dans de nombreuses maladies, (iii) Ce réseau neuronal vital pourrait bénéficier de la construction d'un modèle mathématique pour simuler et analyser ses dynamiques dans des états pathologiques et pourrait également servir comme paradigme de la synchronisation physique et physiologique. Les interventions thérapeutiques pourraient aussi être testées sur le modèle du réseau, comme par exemple les effets d'un champ magnétique (stimulation magnétique transcranienne) pour modifier la connectivité cérébrale. Il serait ensuite possible de tester cette approche chez les patients BPCO en utilisant les techniques cérébrales neuromodulatrice afin d'augmenter la performance muscles respiratoire. Utilisant l'électroencéphalographie haute densité nous construisons dans cette thèse la carte spatio-temporelle du réseau neuronal respiratoire chez 20 sujets contrôles et comparons sa dynamique lors de l'application d'une charge ventilatoire et lors d'un mouvement de la main. Les analyses temps-fréquences révèlent des schémas spécifiques du réseau pour chaque action motrice. Pour comprendre la communication cérébrale, nous reproduisons mathématiquement le codage de la fréquence neuronale. Il y a trois composants principaux à construire dans le modèle : le modèle neuronal, la carte de connexion, et le schéma synaptique. Ensemble ils sont responsables de la dynamique du réseau neuronal. Pour le modèle neuronal, nous utilisons Hodgkin-Huxley base sur la conductance, qui est un ensemble d'équations différentielles non-linéaire qui se rapproche des caractéristiques des cellules excitables (comme les neurones). Nous considérons le régime tonic spiking du modèle. Pour la carte de connexion, c'est-à-dire la façon dont sont connectés les neurones les uns aux autres, nous considérons des neurones places sur des grilles cartésiennes en 2 dimensions. La connexion entre deux neurones est gouvernée de manière probabiliste basée sur la distance euclidienne. Pour le schéma synaptique, les neurones sont excitateurs ou inhibiteurs et ils ont une connexion chimique. Dans le réseau, un neurone est soit excitateur, soit inhibiteur et cela est gouverne de manière partiellement probabiliste. Le type de connexion dépend du type de neurone. Finalement dans cette thèse nous reproduisons la dynamique d'une région d'intérêt du réseau cortical et l'interaction complexe entre deux régions d'intérêt.


  • Résumé

    Breathing involves a complex interplay between the automatic brainstem network and the cortical command. Both networks interact harmoniously to control respiratory muscles contraction, thereby ensuring normal blood gas levels either during speech, volitional breathing or a ventilatory load increase. Understanding the respiratory neural network is crucial for many reasons in medicine, physiology and physics: (1) increased respiratory loading is a major feature of several respiratory diseases (chronic obstructive pulmonary disease, emphysema, pulmonary fibrosis), (2) failure of the voluntary motor and cortical sensory processing drives is among the mechanisms that precedes acute respiratory failure. In addition some of the cerebral structures involved in responding to inspiratory loading also participate in the perception of breathlessness, a common and often distressing symptom in many diseases, (3) This neural network vital for life would benefit from the building of a mathematical model able to simulate and analyze its dynamics in disease conditions and may serve as a paradigm of physiological and physical synchronization. Therapeutic interventions could also be tested on the network model, for instance with a magnetic field, to alter connectivity. It will be then possible to test such approach in patients with chronic obstructive pulmonary disease (COPD) using cerebral neuro-modulating techniques with the goal to increase respiratory muscle performance. Using high density electroencephalography, we built the spatiotemporal map of the respiratory neural network during inspiratory loading in 20 healthy control subjects, and compared its dynamics to another motor network (hand motion). Time-frequency analyzes revealed the specific neural frequency patterns. To understand the brain communication, we reproduced mathematically the neural frequency code. There are three main components in the model: the neuronal scheme, the connectivity map and the synaptic model. Altogether, they are responsible of the dynamics of the neural networks. For the neuronal scheme, we use the Hodgkin Huxley (conductance-based) model, a set of nonlinear differential equations that approximates the electrical characteristics of excitable cells such as neurons. We consider the tonic-spiking regime of the model. For the connectivity map, the way neurons are connected into one another, we consider neurons that are placed in a two dimensional Cartesian grids. Connectivity between two neurons is governed probabilistically based on their Euclidean distance. For the synaptic model, neurons are either excitatory or inhibitory and are chemically connected. In the network, whether a neuron is excitatory or inhibitory is decided probabilistically. The type of connection depends on the type of the neurons. Finally, we are now able to replicate the dynamics of a specific region of interest (ROI) of the network and the complex interactions between two ROIs.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université Paris Diderot - Paris 7. Service commun de la documentation. Bibliothèque électronique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.