Introduction et contexte:
La musique sollicite un large éventail de circuits cérébraux et présente un potentiel thérapeutique prometteur pour diverses pathologies. Plusieurs études ont démontré que l’écoute de musique (et plus encore la production musicale) active une multitude de structures cérébrales impliquées dans le traitement cognitif, sensorimoteur et émotionnel. Il est également connu que la musique influence les réponses au stress et peut moduler des marqueurs biologiques liés à l’inflammation [1]. Enfin, des effets bénéfiques de la musique ont également été documentés et quantifiés électrophysiologiquement sur des maladies neuro-psychiatriques comme la schizophrénie ou la maladie d’Alzheimer (modifications des activités oscillatoires dans des bandes theta et gamma dans certaines zones cérébrales, modifications de la connectivité fonctionnelle, etc). [4, 5].
Conceptuellement, les relations entre la musique et les processus physiologiques et psychiques peuvent être illustrés par la figure 1 (modifié de [2]).
Ce lien psychophysiologique s’explique par des mécanismes multi-niveaux : activation/relaxation du système nerveux autonome, modulation des circuits de récompense et d’affect (dopamine, opioïdes endogènes), et interactions neuro-immunes qui peuvent influencer la production de médiateurs pro- et anti-inflammatoires [3].
Si certains effets de la musique peuvent être quantifiés par des techniques d’imagerie, l’EEG reste le seul moyen pour étudier des réponses brèves ou rythmiques grâce à sa résolution temporelle élevée, ainsi que grâce à l’accès direct au fonctionnement électrique cérébral et aux outils de modélisation computationnelle bien développés [4].
L’objectif de ce stage est donc de caractériser les effets de la construction musicale sur la modulation des effets de stress/ relaxation, en fonction également du degré d’expertise musicale (familiarité, habitudes) des sujets. En particulier, nous cherchons à quantifier des différences entre les activités électrophysiologiques cérébrales des groupes étudiés (sujet expert / non-expert, thème musical stressant / relaxant), à la fois en termes de localisation des zones activées, de leur connectivité et de leurs réponses en temps-fréquence. La modulation du niveau de stress sera également abordée à travers des mesures ECG, de conductance cutanée (EDA/GSR), ainsi que des données de questionnaires auxquels seront soumis les sujets. Des méthodes statistiques classiques multivariées seront envisagées afin de mettre en relation niveau de stress et structure musicale en fonction du profil de l’auditeur. En fonction de la quantité de données acquises des approches par apprentissage profond seront également envisagées.
Matériel et Méthodes:
Nous avons à disposition le matériel pour les enregistrements électrophysiologiques (plate-forme Biosemi, 64 canaux EEG + voies auxiliaires dont ECG et EDA) ainsi que pour l’écoute de la musique (casque antibruit). Nous allons recruter des volontaires et définir un ou plusieurs protocoles de mesure lors de l’écoute musicale.
Deux étapes principales sont envisagées :
1) Définition des protocoles (stimuli musicaux) : il s’agit de faire varier les caractéristiques des thèmes musicaux écoutés (rythme, tonalité, durée) et de leur présentation (bruités/ distordus ou pas, périodiques ou pas, …). Ces protocoles seront conçus et ajustés en collaboration avec des musiciens. Plusieurs signaux seront enregistrés : à minima l’EEG et le rythme cardiaque (ce qui permettra une quantification du stress).
2) Analyse de signaux et de données : les signaux physiologiques enregistrés seront traités afin de mettre en évidence des différences entre les groupes de sujets. Suite à des étapes préliminaires de traitement et de reconstruction de l’activité électrique des régions cérébrales d’intérêt et de leur mise en correspondance avec un atlas commun, des méthodes d’analyse statistique multivariées seront appliquées afin d’identifier des relations entre type de stimuli audio, expertise/familiarité du sujet et activation cérébrale. Nous envisageons également d’exploiter des modèles profonds existants pour l’analyse des effets de la musique à partir de l’EEG et l’identification des activités cérébrales à l’origine de ces états émotionnels [5]. Les modèles seront pré-entraînés sur des bases publiques d’EEG émotionnel (DEAP [6]) et adaptés à nos données, Ce qui compensera la taille nécessairement limitée des examens acquis sur plateforme.
Conditions:
Employeur: CRAN
Durée: 6 mois
Rémunération: gratification de stage (682,50€/mois)
Profil attendu: le/la doctorant.e recruté.e aura une formation solide en traitement de signaux, analyse de données/apprentissage automatique, et un intérêt marqué pour les neurosciences
Encadrement et contacts:
Steven LE CAM – steven.le-cam@univ-lorraine.fr
Joël DAOUK – joel.daouk@univ-lorraine.fr
Radu RANTA – Radu.Ranta@univ-lorraine.fr
Références:
[1] Khan SH, Kitsis M, Golovyan D, et al. Effects of music intervention on inflammatory markers in critically ill and post-operative patients: A systematic review. Heart Lung. (2018)
[2] Chen WG, et al. Music and Brain Circuitry: Strategies for StrengtheningEvidence-Based Research for Music-Based Interventions, Journal of Neuroscience, 42(45):8498–8507, (2022)
[3] Lai HL, Liao KW, Huang CY, Chen PW, Peng TC. Effects of music on immunity and physiological responses in healthcare workers: a randomized controlled trial. Stress Health. 29(2):91-8. (2013)
[4] Snyder J, Gordon R, Hannon, E Theoretical and empirical advances in understanding musical rhythm, beat and metre, Nature Reviews Psychology, 3, 449–462 (2024)
[5] Ghous, G., Najam, S., Alshehri, M., Alshahrani, A., AlQahtani, Y., Jalal, A., & Liu, H. (2025). Attention-driven emotion recognition in EEG: a transformer-based approach with cross-dataset fine-tuning. IEEE Access, 13, 69369-69394.
[6] Koelstra, S., Mühl, C., Soleymani, M., Lee, J-K., Nijholt, A. & Patras, I. (2012). DEAP: A database for emotion analysis using physiological signals. IEEE Transactions on Affective Computing, 3(1), 18–31.
