Une approche Basée sur la Similarité et la Logique Floue pour la Catégorisation

Cérébrale

A Similarity and Fuzzy Logic Based Approach to Cerebral Categorization

Julien Erny1,2 Josette Pastor1 Henri Prade2

1
U455, Inserm/Université Paul Sabatier, Toulouse
2
IRIT, CNRS/INPT/Université Paul Sabatier, Toulouse

Inserm U455, Pavillon Riser, CHU Purpan, 31059 Toulouse Cedex 03

Julien.Erny@free.fr

Résumé
La compréhension des liens entre cerveau et cognition né-
cessite des modèles représentant explicitement l’informa-
tion qui circule dans les réseaux d’aires cérébrales, ré-
seaux qui sont impliqués dans les fonctions cognitives. De
précédents modèles, bien que prometteurs, laissent subsis-
ter un certain nombre de problèmes, en particulier en ce
qui concerne la catégorisation.
Cette étude, en proposant un formalisme répondant à ces
manques, a été focalisée sur une approche de la caté-
gorisation par similarité, en utilisant des règles d’infé-
rences qui empruntent à la théorie des ensembles floues.
Ces règles évoluent dynamiquement en fonction de l’infor-
mation incidente, permettant un apprentissage «on-line» et
non-supervisé.
Mots Clef
Catégorisation, ensemble flou, population neuronale, règle
d’inférence, similarité.
Abstract
Understanding the links between brain and cognition ne-
cessitates models dealing explicitly with information flo-
wing through the cerebral region networks involved in
cognitive functions. Previously proposed models, although
promising, encounter some problems, especially in catego-
rization.
This work suggests a formalism addressing these questions.
It is focused on a similarity based approach to categori-
zation, using inference rules that borrows from fuzzy set
theory. These rules are dynamically evolving using inco-
ming information, thus allowing an on-line and unsupervi-
sed learning.
Keywords
Categorization, fuzzy set, neuron population, inference
rule, similarity.
1 Introduction
Dans le domaine médical, la prédiction des déficits fonc-
tionnels engendrés par une lésion cérébrale et l’évalua-
tion des possibilités de rééducation nécessitent de connaître
les relations existant entre l’architecture cérébrale et les
fonctions cognitives et sensorimotrices. Chez l’humain,
de telles relations ne peuvent être observées qu’indirecte-
ment : un sujet effectue une tâche spécifique pendant que
des informations sur le fonctionnement de son cerveau sont
recueillies par des techniques de neuroimagerie fonction-
nelle. Ces études ont pu révéler que la mise en oeuvre des
fonctions cognitives était liée à l’activation de réseaux à
grande échelle, i.e. de réseaux de régions cérébrales anato-
miquement connectées [2, 10, 21, 34].
Cependant, la compréhension de ce lien implique de dépas-
ser l’analyse statistique du signal fourni par les techniques
de neuroimagerie pour aller vers son interprétation en tant
que résultats d’un traitement explicite de l’information cé-
rébrale par ces réseaux à grande échelle. Ceci nécessite la
conception d’un modèle spécifique mais qui se fonde sur la
connaissance de processus neurobiologiques et neurophy-
siologique plus simples qui interviennent à l’échelle des
neurones composant ces régions.
Les modèles d’analyse statistique des données de neu-
roimagerie renseignent sur la nature temporelle [20] et
spatiale [16, 17] des relations structure-fonction, en in-
cluant éventuellement la connaissance des connexions ana-
tomiques dans l’analyse [6, 25]. En revanche, cela n’ex-
plique pas comment s’opère le lien entre fonction et acti-
vation.
Les modèles provenant des neurosciences computation-
nelles s’attachent à résoudre cette question du comment,
en proposant des modèles souvent connexionnistes ayant
des objectifs divers. Au plus haut niveau de plausibilité
biologique, on trouve des modèles qui tentent d’expliquer
des mécanismes neurophysiologiques à l’échelle du neu-
rone [41, 42]. Ces modèles expliquent l’activation des neu-
rones à partir de processus biologiques. Ils n’offrent pas
d’interprétation en terme de traitement de l’information et
agissent comme des « boîtes noires ». A un niveau plus in-
tégré, on trouve des modèles qui par des considérations ar-
chitecturale sur l’organisation des neurones, et en utilisant
des modèles de neurones plus simples, permettent d’établir
le lien entre le substrat cérébral et des fonctions cognitives
simples [9, 23, 31, 32]. Au plus haut niveau d’abstraction,
on retrouve des modèles cognitivistes issus de l’IA sym-
bolique qui visent à reproduire fonctionnellement des pro-
cessus cognitifs sans se préoccuper de la plausibilité bio-
logique [3, 18, 19, 36, 37]. Aucune de ces approches ne
répond à la question de savoir comment l’activation des ré-
seaux à grande échelle peut découler des mécanismes de
traitement de l’information cérébrale. La réponse à cette
question nécessite l’ajout d’un niveau d’interprétation in-
termédiaire, niveau dont l’existence est formellement va-
lidée par le lien de continuité entre approches connexion-
niste et cognitiviste de la modélisation cérébrale [5].
C’est à ce niveau que se situe notre approche, héritière des
Réseaux Artificiels à Grande Échelle (RAGE) [26, 27, 28]
dont nous feront le bilan en section 2. Dans la section 3,
nous décrirons notre modèle dont le formalisme sera ex-
posé à la section 4. Les exemples de la section 5 montre-
ront comment un unique modèle de traitement phonémique
permet de retrouver des résultats déjà décrits par les RAGE,
mais également des résultats que les RAGE ne peuvent pas
décrire. En conclusion, nous ferons le bilan et les perspec-
tives de ce travail préliminaire sur un modèle de catégori-
sation cérébralement plausible.
2 Les limites des modèles existants
Il a été montré dans des études précédentes que la connec-
tivité causale, qui représente le cerveau comme un réseau
causal de populations neuronales (les traiteurs d’informa-
tion) reliées par des liens anatomiques orientés (les trans-
metteurs d’information), était une approche située au ni-
veau intermédiaire [26, 27, 28, 29, 38]. RAGE est le der-
nier en date des formalismes relevant de cette approche
[26]. Il représente explicitement l’information cérébrale
sous forme duale. Une valeur numérique appelée magni-
tude modélise d’une manière synthétique l’amplitude du
signal propagé. Elle permet de quantifier la force de l’ac-
tivation. Le type quant à lui, permet de qualifier cette in-
formation en lui attribuant une valeur dans un domaine
symbolique. Ceci permet une interprétation de la nature de
l’information propagée tout en gardant le lien avec les acti-
vations observées en neuroimagerie. Cette information est
propagée en étendant le formalisme des réseaux bayésiens
dynamiques. Le traitement intervenant au sein d’un noeud
du réseau peut être interprété comme de la catégorisation.
L’information provenant des différents attributs du noeud
est agrégée en une information composite, spécifique au
noeud. Celle-ci est alors comparée à des archétypes qui
représentent l’information préférentiellement reconnue. A
chaque archétype est associée de manière unique une va-
leur de sortie. Ces archétypes modélisent des patterns de
neurones qui s’activent lorsque l’information a une certaine
configuration. Dans la mesure où ces patterns évoluent
dans le temps en fonction de l’information incidente, les
archétypes doivent suivre cette évolution. En modifiant ces
archétypes en fonction de l’information incidente, RAGE
implémente un apprentissage on-line, non supervisé et dy-
namique.
Ce modèle de noeud fonctionnel, qui prend en compte un
des mécanismes cérébraux fondamentaux, la catégorisa-
tion, présente cependant un défaut majeur : il ne respecte
pas un principe fort du fonctionnement cérébral qui stipule
que des neurones proches s’activent pour des informations
de natures proches. La proximité éventuelle des neurones
modélisés par ces archétypes n’est à aucun moment prise
en compte. Ceci a pour conséquence que si, à deux arché-
types proches, on associe deux valeurs de sortie distinctes,
ces valeurs ne seront pas considérées comme proches alors
qu’elles le sont en terme de traitement cérébral.
Or, les études en catégorisation cérébrale ont pu montrer
que les catégories naissaient des similitudes existant entre
les stimuli extérieurs [22, 24, 39]. Par exemple, des simili-
tudes visuelles entre plusieurs images de chats naît la caté-
gorie « chat ». Or, les similitudes entre stimuli se propagent
dans le cerveau en termes de proximités des neurones s’ac-
tivant pour ces stimuli. On peut en conclure que les ca-
tégories dans une population cérébrale ( i.e. les patterns
neuronaux s’activant pour des informations spécifiques )
émergent de la proximité des neurones en amont, qui ont
déchargé pour activer la population considérée.
Une autre propriété non prise en charge par les RAGE est
que le contexte et l’attention modulent la catégorisation
[39, 40]. Ainsi, des informations périphériques peuvent ve-
nir modifier la manière dont s’effectue la catégorisation.
Or, on sait qu’il existe dans le cerveau des connexions
qui ne transportent pas l’information à proprement parler,
mais qui viennent modifier les propriétés physiques des
neurones sur lesquels elles se branchent, agissant ainsi sur
leur comportement. Tout modèle doit rendre compte de ces
connexions particulières et adapter son comportement en
fonction des modulations.
Tout modèle fondé sur la catégorisation cérébrale devra,
entre autres, prendre en compte les proximités entre pat-
terns neuronaux. Le formalisme associé devra respecter les
contraintes imposées par les propriétés du substrat céré-
bral. Ces contraintes naissent, en premier lieu, de la na-
ture de l’information, qui n’est que l’interprétation symbo-
lique de la configuration des neurones qui la transportent.
En ce sens, elle est mal connue et incertaine. C’est pour-
quoi le modèle doit être capable de gérer cette incertitude
[13]. En second lieu, les contraintes concernent l’appren-
tissage. Celui-ci doit s’effectuer sur un mode on-line [35]
car l’apprentissage s’effectue en parallèle de la catégorisa-
tion. Il doit être non-supervisé [35] puisque les neurones
s’auto-organisent pour s’adapter à l’information et qu’il
n’existe pas toujours de retour extérieur exhibant la bonne
réponse. Enfin, et cela concerne l’ensemble du système, ce
modèle doit être dynamique. L’information en entrée est
construite dans le temps, en prenant en compte les délais
de propagation neuronaux, et la sortie doit donc elle aussi
être construite dans le temps.
Parmi les systèmes classiques de catégorisation [35], aucun
ne répond complètement à ces contraintes. Cependant, cer-
tains systèmes, tels le raisonnement et la décision à base
de cas [1, 8, 15, 11] ou le raisonnement approché à par-
tir de règles floues [12, 14], en y répondant partiellement,
peuvent servir de point de départ à la construction d’un for-
malisme adapté.
Notre objectif précis est la construction d’un modèle qui
représente explicitement le traitement de l’information cé-
rébrale, permette l’apport de connaissances provenant de
différents domaines d’expertise en neuroscience, et qui soit
suffisamment flexible pour s’adapter aux futurs évolutions
des connaissances du domaine. Nous adopterons donc l’ap-
proche de la connectivité causale, tout en proposant un
modèle de noeud fonctionnel cérébral plus respectueux de
la réalité neurophysiologique que celui proposé dans les
RAGE.
3 Principe général du modèle
Un noeud fonctionnel implémente le traitement et la pro-
pagation de l’information par une population de neu-
rones cognitivement cohérente. Les différents mécanismes
du modèle se fondent eux sur une décomposition bio-
logique de la population considérée en différentes sous-
populations.
3.1 Relations entre groupes de neurones
Considérons un noeud d’un réseau et la population neu-
ronale qu’il représente. Sur ce noeud se branchent des
connexions entrantes du réseau qui représentent des fais-
ceaux d’axones. On appelle sous-population réceptrice le
groupe de neurones recevant directement l’influx d’un fais-
ceau, et on appelle sous-population émettrice l’ensemble
de neurones qui déchargent vers l’extérieur du noeud. Au
sein des population réceptrices, des groupes de neurones
s’activent lorsque l’influx est dans une certaine configura-
tion. Ils sont représentés par des patterns récepteurs qui
qualifient l’information en entrée et, en déchargeant, pro-
pagent cette identification. On fait le choix, même si ceci
peut être discutable du point de vue de la neurophysiologie,
de connecter directement les patterns récepteurs à des pat-
terns émetteurs qui représentent certaines configurations de
neurones de la population émettrice. Les relations entre
patterns récepteurs et émetteurs sont modélisées par des
règles d’inférences qui lient prémisses et conclusions (voir
F IG . 1 – Schéma de principe d’un noeud fonctionnel
fig 1). Notons qu’il y a une règle d’inférence par catégorie
en sortie. La question est alors de savoir comment modéli-
ser les patterns neuronaux.
3.2 Patterns neuronaux
A chaque pattern émetteur est associé une valeur de sortie
qui permet d’attribuer un type à l’information émise par le
noeud. A cette valeur on associe les valeurs de sortie cor-
respondant aux patterns émetteurs proches. Formellement,
chaque pattern émetteur est modélisé par un ensemble flou
dont le noyau, réduit à un singleton, contient la valeur as-
sociée à cet ensemble. Cette valeur est appelée référent.
Les autres valeurs du support appartiennent à l’ensemble
avec des degrés d’appartenance correspondant aux degrés
de proximité de ces valeurs par rapport au référent.
Les patterns récepteurs sont eux aussi modélisés par des
ensembles flous. Le noyau d’un tel ensemble correspond
aux valeurs parfaitement reconnues par ce pattern. Les
autres valeurs du support représentent les valeurs proches
reconnues à moindre niveau par ce pattern.
Les neurones qui composent les sous-populations récep-
trices sont fortement interconnectés. A ce titre on peut sup-
poser que les neurones d’un groupe, qui est « spécialisé »
dans certaines informations incidentes, peuvent reconnaître
de façon moins efficace, d’autres informations et donc ap-
partenir à d’autres groupes. Cette interconnexion a pour
effet que lorsqu’un pattern s’active pour une information,
d’autres patterns s’activent aussi faiblement. Les connais-
sances en neurophysiologie ne permettant pas de détermi-
ner exactement la nature de ces connexions, l’hypothèse de
modélisation suivante est faite : l’interconnexion est com-
plète et uniforme, ce qui a pour conséquence que tous les
patterns récepteurs s’activent un peu pour chaque informa-
tion en entrée. En termes de modélisation cela se traduit par
une valeur d’indétermination sur les ensembles flous modé-
lisant les patterns récepteurs. En ce qui concerne les neu-
rones de la sous-population émettrice, l’interconnexion est
contrebalancée par les inhibitions latérales. Il s’agit d’un
mécanisme qui permet aux neurones déchargeant d’inhiber
les neurones proches et qui seraient donc susceptibles de
 al uls des de
j note P Rij l’ensemble flou modélisant le pattern récepteur
équation (3)
a tivation en
émission
Entrée
a tivation en Base de ombinaison
ré eption des
Règles
émissions
équation (1)
Sortie
j
al uls des na
i clenchement) du pattern émetteur P E j et on suppose que
F IG . 2 – Cycle de fonctionnement d’un noeud fonctionnel
décharger pour la même information, évitant ainsi des dé-
charges concurrentes qui viendraient brouiller l’informa-
tion. C’est pourquoi il n’y a pas cette valeur d’indétermi-
nation pour les patterns émetteurs.
3.3 Principe d’inférence
De même qu’un neurone s’active jusqu’à dépasser un seuil
d’activation à partir duquel il décharge, à chaque pattern
récepteur est associé un seuil d’activation. Lorsque les neu-
rones qui composent une sous-population sont suffisam-
ment activés, ils déchargent et l’on considère que le pattern
correspondant aussi. Le calcul du niveau d’activation d’un
pattern récepteur dépend, d’une part de l’information en-
trante (on calcule la compatibilité en termes d’ensembles
flous entre le type de l’information incidente, qui est un
ensemble flou, et le pattern récepteur), et d’autre part du
niveau d’activation à l’instant précédent. Si le niveau d’ac-
tivation d’un pattern dépasse son seuil d’activation, il dé-
charge proportionnellement à la marge de dépassement du
seuil. Une règle est activée lorsque tous les patterns récep-
teurs qui composent ses prémisses ont déchargé à l’instant
précédent (le délai d’un pas de temps correspond au temps
de propagation entre patterns récepteurs et émetteurs). Pour
chaque règle activée, on détermine le niveau d’activation
des patterns émetteurs en fonction du niveau de décharge
des patterns récepteurs. Les patterns émetteurs ne dispo-
sant pas de seuil d’activation, cette valeur d’activation cor-
respond à la valeur de décharge et sera donc utilisée pour
calculer la sortie finale. Ce cycle de fonctionnement est ré-
sumé dans la figure 2 (les équations citées sont détaillées
dans la section 4)
4 Formalisation proposée
Soit un noeud fonctionnel X à n attributs. Une informa-
tion propagée est un couple (M, T ) où M est la magnitude
de l’information et T , son type. La magnitude M est un
réel positif et le type T est un ensemble flou défini sur un
domaine DT discret. On note (Miin , Tiin ) l’information ar-
rivant sur l’attribut i et (M out , T out ) l’information émise
par le noeud. Pour alléger les notations, on appelle Di le
domaine de définition de Tiin et Dout le domaine de T out .
Soit la base de règles d’inférence BR = {Ri }i∈[1,p] . On
correspondant à l’attribut i pour la règle Rj , et P E j l’en-
semble flou modélisant le pattern émetteur correspondant à
la conclusion de la règle Rj . On note aussi naji (resp. saji )
le niveau d’activation (resp. le seuil d’activation) du pattern
j
sommation des de
modulés par les récepteur P Rij . On appelle decji le niveau de déclenche-
degrés de proximité
équation (4)
ment, c’est-à-dire la marge de dépassement du seuil, pour
le pattern P Rij , et qui est égal à max(0, naji − saji ). En-
fin, on notee decj le niveau d’activation (et donc de dé-
decj (t) = fj (decj1 (t − 1), · · · , decjn (t − 1)).
4.1 Activation en réception
A chaque pas de temps, pour chaque règle Rj et pour
chaque attribut i, on calcule le degré de compatibilité αji de
Tiin avec P Rij (αji = maxC∈Di min(Tiin (C), P Rij (C))).
Cela permet de mettre à jour le niveau d’activation à l’ins-
tant t :
(1)
naji (t) = relaxX .naji (t − 1) + (1)
k.fact (αji , M̃i (t)).fref ract (decji (t − 1))
où,
_ fact est croissante, définie de [0, 1] × [0, 1] dans [0, 1],
et elle permet de moduler l’activation en fonction de la
magnitude. En effet, lorsque la magnitude est trop faible,
même si l’information est bien reconnue par la règle, elle a
moins d’impact. Pour manipuler de manière transparente
la magnitude dans le modèle, quelque soit la nature de
l’information (la magnitude peut en effet prendre des va-
leurs très diverses), on utilise une magnitude normalisée
M̃ = fnorm (M ), où fnorm est une fonction définie sur les
réels dans [0, 1] et qui dépend de la nature de l’informa-
tion qualifiée par la magnitude M . En clair, il peut y avoir
une fonction normalisatrice différente par attribut. Pour ne
pas systématiquement réduire l’activation, même lorsque
la magnitude (normalisée) est proche de 1, la réduction de-
vrait être sensible à partir d’un certain seuil. Nous propo-
sons la fonction suivante qui utilise une sigmoïde comme
fonction seuil, mais d’autres sont possibles :
αji
fact =
1 + e−a(M̃i −b)
_ fref ract est une fonction définie sur [0, 1] à valeurs dans
[0, 1] et décroissante, qui modélise la période de réfraction
du pattern. Il s’agit d’un mécanisme neuronal qui empêche
un neurone qui a déchargé de s’activer pendant un certain
laps de temps. On transpose ce comportement à l’échelle
du pattern neuronal. On peut par exemple utiliser une ré-
fraction linéaire (fref rac(dec) = 1 − dec) ou une sigmoïde
décroissante. Elle doit répondre néanmoins aux contraintes
suivantes : fref rac (0) = 1 et fref rac (1) = 0
(1)
_ relaxX est appelé paramètre de relaxation et modélise à
quel point le pattern intègre temporellement. C’est un réel
appartenant à [0, 1]. Si sa valeur est 0, il n’y aucune inté-
gration temporelle alors que s’il est égal à 1, le niveau d’ac-
tivation ne pourra que progresser sans redescendre jusqu’à
atteindre son maximum.
4.2 Activation en émission
Il s’agit ensuite de calculer decj pour chaque règle Rj . On
a introduit decj (t) = fj (decj1 (t − 1), · · · , decjn (t − 1)),
et on veut caractériser fj . En premier lieu, les populations
émettrices intègrent temporellement l’information. Cela se
traduit par une mise à jour incrémentale similaire à l’acti-
vation en réception :
(2)
decj (t) = relaxX .decj (t − 1) +
val(decj1 (t − 1), · · · , decjn (t − 1))
val traduit la nature des connexions neuronales qui existent
entre les patterns récepteurs et le pattern émetteur, liés par
la règle Rj . En l’absence d’information sur ces connexions,
les hypothèses de modélisation suivantes sont faites : en
premier lieu, val est supposée linéaire en fonction de cha-
cune de ses variables (il s’agit d’un extrapolation à partir du
comportement des neurones qui font une intégration pon-
dérée de leurs entrées), et donc que
(2)
X
n
j
dec (t) = relaxX .decj (t − 1) + µji .decji (t − 1)
i=1
il reste néanmoins avec n.p paramètres à évaluer (les µji ) et
surtout aucun moyen de les apprendre. D’où la deuxième
hypothèse : une fonction de combinaison dépend du noeud
et non d’une règle. Nous considérons en effet qu’en termes
de résultat, les connexions « patterns récepteurs - patterns
émetteurs » sont similaires à travers tout le noeud. Cette
hypothèse est bien plus forte que la première mais il s’agit
d’une simplification nécessaire pour rendre la modélisation
sous cette forme possible. Formellement, cela se traduit par
∀j ∈ [1, p], µji = µi . Il reste donc n nouveaux paramètres
à déterminer qui correspondent aux poids des attributs dans
la combinaison. Ces paramètres dépendent du noeud et de
la nature de celui-ci. Ils seront déterminés par des essais
successifs en vue d’obtenir la simulation la plus proche
possible de la réalité.
4.3 Combinaison des émissions
Si une seule règle est déclenchée, il n’y a rien à faire :
T out = P E k , où k est l’indice de la règle active. En
revanche, lorsque plusieurs règles Rk1 , · · · , Rkq sont dé-
clenchées simultanément, il y a concurrence entre les ré-
ponses possibles. Il faut donc déterminer quel pattern émet-
teur remporte le conflit. L’idée est que les activations se
cumulent. On va donc calculer, pour toutes les catégories
C ∈ Dk1 ∪ · · · ∪ Dkq , le niveau d’activation de C en som-
mant les activations provenant des règles activées, activa-
tions elle-même calculées grâce à la proximité de C avec
les référents des règles activées. Formellement, cela se tra-
duit de la manière suivante : si regle(C) désigne la règle
dont C est le référent, on a,
X
decregle(C) = P E i (C).deci (4)
i∈{k1 ,···,kq }
Une fois les niveaux d’activation calculés, deux situations
sont possibles : soit un seul pattern est plus activé que tous
les autres, et dans ce cas, on a trouvé notre réponse (si
Cmax est le pattern le plus activé, T out = P E regle(Cmax ) ),
soit il y a plusieurs patterns également activés qui do-
minent les autres. Cette dernière situation bien que très peu
probable est théoriquement possible. Dans ce cas, on ne
cherche pas à conclure et aucun pattern émetteur ne dé-
(2) charge. Au pas de temps suivant, le noeud se sera modifié
et le conflit sera sûrement résolu.
4.4 Calcul de la magnitude de sortie
La magnitude de sortie dépend de deux facteurs. D’une
part, elle dépend de la nature du noeud lui-même qui ef-
fectue un traitement particulier en fonction de la primitive
qu’il implémente, et d’autre part elle dépend du niveau de
reconnaissance de l’information en entrée, c’est-à-dire du
niveau de déclenchement du pattern émetteur déchargeant.
Formellement,
(1) (2)
M out (t) = fX (decmax (t)).fX (M in (t − 1), u) (5)
(3) où M in (t − 1) est la moyenne sur l’ensemble des attributs
des magnitudes en entrée à l’instant t−1, u est une variable
aléatoire modélisant le bruit et les données non-modélisées,
et decmax le taux d’activation du pattern émetteur déchar-
geant en sortie à l’instant t. La fonction f (1) est définie de
[0, 1] dans [0, 1], et est croissante. Elle permet d’exprimer
l’idée que moins un type est reconnu, moins la magnitude
de l’information émise est grande. Là encore, la notion de
seuil critique peut intervenir, faisant de la sigmoïde un bon
candidat pour f (1) . f (2) est définie sur les réels et peut-être
linéaire ou non-linéaire.
4.5 Apprentissage
L’apprentissage est décomposé en six mécanismes distincts
qui permettent de faire évoluer la base de règles en fonction
de l’information en entrée. Il s’agit de modifier les règles
existantes, d’en introduire de nouvelles, et de supprimer
celles devenues caduques.
Co-activation. Que peut-on conclure du co-
déclenchement de deux règles ? Puisqu’elles réagissent à
la même information en entrée, leurs patterns récepteurs
doivent être topologiquement proches, et donc leurs
patterns émetteurs doivent l’être aussi. Il s’agit donc
d’augmenter la proximité des référents de ces deux
règles. Concrètement, si Rk1 et Rk2 sont deux règles
co-déclenchées, on modifie leur conclusion de la manière
suivante : si ref (E) désigne le référent d’un ensemble E,
on a,
P E k1 (ref (P E k2 )) = P E k1 (ref (P E k2 )) + coactX
P E k2 (ref (P E k1 )) = P E k2 (ref (P E k1 )) + coactX
(6)
Un idée pourrait être de moduler la modification par une
valeur qui dépend de la différence des déclenchements, ce
qui exprimerait que des règles sont d’autant plus proches
qu’elles se déclenchent avec des valeurs proches.
Renforcement. On sait que lorsqu’un pattern neuronal
s’active, il se spécialise un peu plus dans la direction de
l’information qui l’a fait s’activer. Nous traduisons cela
par un mécanisme de renforcement qui spécialise un peu
la conclusion d’une règle qui se déclenche seule. Concrè-
tement, si la règle Rk se déclenche seule, on modifiera
la conclusion de la manière suivante : ∀C ∈ Dout \
{ref (P E k )},
P E k (C) = P E k (C) − renfX (7)
Les règle de co-activation et de renforcement s’équilibrent
mutuellement et les paramètres coactX et renfX doivent
refléter cela.
Introduction. Ce mécanisme permet d’introduire dans la
base de règles une nouvelle règle qui se déclenchera pour
une information non reconnue jusque-là. Il intervient lors-
qu’aucune règle ne s’active suffisamment pour reconnaître
une information en entrée. L’introduction doit donc être
motivée par les niveaux de compatibilité de l’entrée avec
les ensembles récepteurs des règles. S’ils sont trop faibles,
alors il faut introduire une nouvelle règle. Pratiquement,
il y aura introduction si maxj∈[1..p] (mini∈[1..n] (αji )) ≤
introX . Le calcul du minimum des compatibilités pour
une règle se comprend bien dans la mesure où c’est cette
valeur qui est la plus handicapante pour le déclenchement
de la règle. introX est un paramètre du noeud X com-
pris théoriquement entre 0 et 1 mais il est évident qu’il
doit être plus grand que le seuil de reconnaissance par dé-
faut des patterns récepteurs (i.e. la valeur d’indétermina-
tion affectée aux patterns récepteurs). Dans le cas contraire,
le mécanisme d’introduction n’est jamais déclenché (∀i, j,
αji ≥ recodefX ). Une règle introduite est de la forme sui-
vante : la partie prémisse est la même que l’information qui
provoque l’introduction et la conclusion est un ensemble
dont le domaine est un singleton {Cnew }. Cnew est une
nouvelle catégorie qui ne doit apparaître dans aucune règle.
Glissement. Les patterns émetteurs évoluent, mais c’est
aussi le cas des patterns récepteurs. Lorsqu’un pattern est
suffisamment activé par une entrée, ce pattern va « glisser »
pour ressembler un peu plus à l’information qui l’active et
surtout pour prendre en compte les informations de proxi-
mité qu’elle véhicule. Ainsi lorsque la compatibilité d’un
pattern avec une entrée est suffisante, on modifie les proxi-
mités exprimées par ce pattern dans le direction des proxi-
mités exprimées par l’entrée. Concrètement, pour toute
règle Rj , on modifie tous les ensembles récepteurs P Rij
de la manière suivante : ∀i, j, ∀C ∈ Di \ {ref (P Rij )},
P Rij (C) = P Rij (C) + (8)
fseuil (αji ).glissX .(Tiin (C) − P Rij (C))
fseuil est une fonction croissante à seuil définie sur [0, 1]
à valeurs dans [0, 1] (une sigmoïde par exemple). Remar-
quons que le seuil de fseuil détermine le seuil de discri-
mination des patterns récepteurs. S’il est égal à 0, 8 par
exemple, un pattern récepteur dont le noyau contient une
seule valeur glissera jusqu’à ce que toutes les valeurs en
entrée ayant un degré de proximité supérieur à 0, 8 soient
aussi dans le noyau.
Fusion. Plus deux règles se seront co-activées, plus leurs
référents seront proches jusqu’au point où les deux réfé-
rents peuvent être considérés comme identiques. On en
garde un et toutes les références à l’autre sont transfor-
mées en références à celui qui est gardé. Soient Rk1 et
Rk2 deux règles co-activées, soient Ck1 et Ck2 leurs réfé-
rents respectifs, alors si prox(Ck1 , Ck2 ) ≥ f usionX , les
deux règles sont redondantes. f usionX est un paramètre
de X qui est compris entre 0 et 1, mais qui devrait être très
proche de 1. On crée alors une nouvelle règle Rf us définie,
pour sa conclusion par P E f us = f usion(P E k1 , P E k2 ),
où f usion est définie par : si E1 et E2 sont deux ensembles
flous définis sur un même domaine D, de référents respec-
tifs r1 et r2 , on a : ∀c ∈ D \ {r1 , r2 },
f usion(E1 , E2 )(c) = max(E1 (c), E2 (c)) (9)
f usion(E1 , E2 )(r1 ) = 1 et f usion(E1 , E2 )(r2 ) = 0
De plus, il faut mettre à jour toutes les conclusions des
autres règles pour prendre en compte l’identification de
Ck1 et Ck2 . ∀i ∈ [1, p] \ {k1 , k2 },
P E i (Ck1 ) = max(P E i (Ck1 ), P E i (Ck2 )) (10)
et P E i (Ck2 ) = 0
Pour les prémisses de Rf us , ∀i ∈ [1..n],
P Rif us = max(P Rik1 , P Rik2 ) (11)
Oubli. Pour modéliser la « fraîcheur » d’une règle, on
lui associe un réel compris entre 0 et 1 appelé validité.
Toute modification d’une règle traduit une réorganisation
neuronale. En raison de l’interconnectivité, cela a des ef-
fets sur les règles non modifiées, qui sont dégradées. For-
mellement, lorsqu’une règle est modifiée par co-activation
ou renforcement, sa validité augmente d’un valeur f reshX
(il y réorganisation neuronale positive pour cette règle). Si
une règle n’a été le sujet d’aucune modification durant ce
cycle, sa validité diminue de f reshX . Si la validité d’une
règle tombe en dessous du seuil d’oubli oubliX , elle est
supprimée de la base et toute référence à son référent dans
les proximités est supprimée (si Rk , de référent Ck , est sup-
primée, ∀j ∈ [1, p] \ {k}, P E i (Ck ) = 0).
4.6 Modulation
Les actions modulatrices possibles dans le cerveau sont très
diverses (modulation du temps de latence d’un neurone, de
son niveau d’activation, de son amplitude d’activation, etc).
Dans ce modèle, la modulation n’est pas encore incorporée
TAB . 1 – Consonnes dans le système phonologique fran-
comme mécanisme à part entière. Ce sont des fonctions
çais
ad-hoc qui permettent de modifier dynamiquement certains
Lieu ⇒ bilabiales labio- dentales/ alvéolaires palatales vélaires
paramètres du modèle comme par exemple les seuils d’ac- mode ⇓ dent. alvéol.
tivation. Par exemple, en considérant une entrée modula-
occlusives p t k
trice (Mmod , Tmod), le seuil peut obéir à l’équation : sourdes
occlusives b d g
saji (t) = 1 − (as (1 − saji (t − 1)) + am Mmod σ(αmod i,j )) sonores
(12) fricatives f s S
j sourdes
où αmod
i,j est le niveau de compatibilité de P R i avec T mod
fricatives v z Z
et σ est une sigmoïde. En l’absence de modulation, le seuil sonores
tend alors vers la valeur arbitraire 1, et sinon, il est diminué nasales m n ñ
d’autant plus que le type de la modulation est compatible latérale l
avec P Rij . Il s’agit ici d’une modélisation facilitant la dé-
vibrante ö
charge de certains patterns récepteurs.

5 Application à la discrimination TAB . 2 – Paramètres du modèle

phonémique recodef 0.2
Une des expériences ayant servi à valider les RAGE vi- µL 0.5
sait à modéliser une partie du processus de discrimination µM 0.5
phonémique [27], afin de mieux comprendre sa dégrada- relax(1) 0.98
tion dans la dyslexie. Nous nous inspirerons de cette étude relax(2) 0.15
pour construire un modèle qui représentera sous forme k 0.6
d’un noeud unique un discriminateur phonémique simple.
Notre modèle, volontairement très simplifié, ne devra en
aucun cas être considéré comme une réponse définitive à la
compréhension du traitement phonémique cérébral. Aussi ter un ensemble flou, nous donnons les couples (élement
fruste soit-il, il jette cependant un éclairage intéressant sur du domaine, proximité) en omettant les éléments dont la
une illusion perceptive, l’effet McGurck. proximité est inférieure ou égale à la proximité par défaut,
i.e. recodefX ; par exemple le premier pattern ci-dessous
5.1 Modèle reconnaît les bilabiales parfaitement et un peu moins les
labio-dentales) :
Nous appliquons le formalisme présenté dans la section 4
pour modéliser un discriminateur phonémique. Nous nous P Rbil = {(bil, 1.0), (lab, 0.6)}
fondons sur la théorie articulatoire du langage qui carac-
P Rdea = {(lab, 0.6), (dea, 1.0), (alv, 0.6)}
térise un phonème par la façon dont nous le produisons.
Les attributs, au nombre de deux, caractérisent d’une part P Rvel = {(pal, 0.6), (vel, 1.0)}
la position de la langue dans la bouche lors de la produc- P Roso = {(oso, 1.0), (osd, 0.6)}
tion, ce qu’on appelle le lieu de production et d’autre part
la position des lèvres, appelée le mode de production.. La Rb :< P Rbil , P Roso > → {(b, 1.0), (d, 0.6)}
table 1 donne les équivalences entre valeurs des attributs
Rd :< P Rdea , P Roso > → {(b, 0.6), (d, 1.0), (g, 0.6)}
et phonèmes. Le cadre de l’application est considérable-
ment simplifié car les seuls phonèmes considérés sont les Rg :< P Rvel , P Roso > → {(d, 0.6), (g, 1.0)}
consonnes /b/, /d/, et /g/, ce qui correspond à trois règles
Dans un premier temps, un stimulus correspondant à /ba/1
dans la base. Ce modèle ne met pas en oeuvre l’apprentis-
est présenté toutes les secondes pendant 50 ms. Le pas de
sage et il faut donc déterminer les proximités utilisées. Pour
temps est fixé à 10 ms. Les paramètres utilisés sont re-
le lieu d’articulation, le choix a été fait d’une proximité li-
groupés dans le tableau 2. Ils sont dérivés des paramètres
néaire suivant l’ordre des valeurs du tableau. Il s’agit d’un
utilisés dans [27]. Les résultats de la simulation (figure 3)
choix simple qui se justifie en partie par ce que représente
montrent bien que la réponse du noeud est /b/ après chaque
cet attribut (la position de la langue dans la bouche, entre
stimulus (les réponses n’ont été gardées que lorsque le ni-
les dents et les amygdales). Le même choix a été fait pour le
veau d’activation en émission dépassait une valeur signifi-
mode d’articulation mais pour cette application particulière
cative, fixée arbitrairement à 0.1).
cela n’a aucun effet puisque les consonnes considérées ne
1 Pour que le stimulus soit audible, on ne peut pas présenter un /b/
se distinguent que par leur lieu d’articulation. Les proxi-
seul, il doit être accompagné d’une voyelle. Toutes les consonnes utilisées
mités entre les consonnes reflètent les proximités entre va-
dans cette application sont suivies de /a/ et pour simplifier nous considé-
leurs des attributs. On peut donc définir les trois règles à rons qu’un pré-traitement permet d’extraire les attributs correspondant à
partir de patterns récepteurs et émetteurs (pour représen- la consonne discriminante
 1

Stimulation auditive
0.8

0.6

0.4

0.2

0
2 4 6 8 10 12 14 16 18 20
Pas de temps = 10 ms
Réponse du noeud fonctionnel

réponse /b/
0.3 réponse /d/
réponse /g/
0.25

0.2

0.15

0.1

0.05

0
2 4 6 8 10 12 14 16 18 20
Pas de temps = 10 ms
F IG . 5 – Comparaison de l’activation de Rg avec et sans
modulation
F IG . 3 – Réponses du noeud fonctionnel à une stimulation 1

auditive de type /b/.

Stimulation auditive
0.8

0.6

0.4

0.2

0
2 4 6 8 10 12 14 16 18 20
Pas de temps = 10 ms

Réponse du noeud fonctionnel

réponse /b/
/GA/ - /GA/ - /GA/ — /BA/ - /BA/ - /BA/ — réponse /d/
2
réponse /g/

VISUEL AUDITION 1.5

0.5

0
2 4 6 8 10 12 14 16 18 20
Pas de temps = 10 ms

/DA/ - /DA/ - /DA/ —

F IG . 6 – Réponse du noeud fonctionnel à une stimulation

auditive de type /b/, modulée par une stimulation visuelle
F IG . 4 – La présentation simultanée d’un [ga] « visuel » et
de type /g/.
d’un [ba] auditif mène à une perception auditive de [da]

am = 0.4).
5.2 Effet McGurck Les stimuli auditifs et visuels sont présentés avec la
même fréquence que précédemment. La figure 5 montre
On cherche maintenant à illustrer les effets de la modula-
le comportement de la règle Rg avec modulation. On voit
tion, en utilisant le même modèle.
bien qu’elle s’active grâce à la modulation alors qu’elle ne
Dans la perception du langage, le cerveau effectue si-
s’active pas du tout sans celle-ci. Il apparaît nettement sur
multanément un traitement auditif des sons produits par
la figure 6 que la modulation modifie la réponse globale
le locuteur et un traitement visuel des mouvements de
du noeud qui conclut désormais majoritairement à /d/.
ces lèvres. Ce parallélisme permet en général au cerveau
Les réponses aux bords (en début et en fin de stimulation)
d’améliorer la discrimination phonémique. Cependant,
peuvent néanmoins différer mais cela tient surtout à la
lorsque les informations auditives et visuelles sont incon-
difficulté de régler précisément autant de paramètres.
gruentes, cela peut conduire à l’erreur. Une illustration
Le processus permettant de conclure /d/ est simple :
spectaculaire en est l’effet Mc Gurck, découvert en 1976
la modulation diminue fortement le seuil d’activation
[33]. Cette illusion auditive consiste à faire écouter à
de P Rvel et P Roso ce qui permet à la règle Rg de se
un sujet des [ba] répétés régulièrement alors que de
déclencher. Comme le pattern émetteur de référent /d/ se
manière synchronisée, on lui montre l’image d’un homme
situe, en termes de proximité, entre les patterns émetteurs
prononçant des [ga]. Plus de 98% des sujets entendront
de référents /b/ et /g/, il intègre les activations et devient
le son [da] (voir fig.4). Si on ignore encore quels sont les
alors plus activé que ces deux derniers, ce qui explique ces
mécanismes neurologiques exacts qui sont mis en jeu, on
résultats.
sait qu’il s’agit vraisemblablement d’une modulation de
la discrimination purement auditive par des mécanismes
induits par le traitement du stimulus visuel. En terme de
modélisation, l’idée est de faciliter le déclenchement de la
6 Conclusion et Perspectives
règle correspondant au stimulus visuel (à savoir /g/ pour La modélisation du traitement de l’information cérébrale
l’effet McGurck). L’hypothèse est faite que la modulation dans les réseaux à grande échelle est indispensable à la
agit sur les seuils d’activation des patterns récepteurs, dont fois pour une meilleure prédiction des séquelles des lé-
la valeur obéit désormais à l’équation (12) (as = 0.7 et sions cérébrales, mais également pour une meilleure com-
préhension des données de neuroimagerie fonctionnelle.
L’approche par connectivité causale [26, 27, 28, 29, 38]
semble prometteuse, mais les formalismes dérivés, en par-
ticulier les RAGE [27], souffrent encore d’un manque de
plausibilité biologique. L’objectif de ce travail est d’amé-
liorer cette approche, en offrant un modèle plus souple
et plus proche des exigences neurophysiologiques. Dans
cette optique, nous avons proposé un premier modèle ins-
piré du raisonnement approché, faisant intervenir des en-
sembles flous, mais adapté aux besoins particuliers de la
modélisation de l’information cérébrale. Nous avons mon-
tré sur quelques exemples comment ce modèle pouvait
répondre aux contraintes de départ. En particulier, nous
avons montré qu’il était désormais possible de modéli-
ser assez simplement des phénomènes comme l’effet Mc-
Gurck, qui n’étaient pas pris en compte dans les modèles
précédents.
Notre approche a consisté, en se fondant sur une connais-
sance empirique, extraite des études en neuropsychologie
et neurophysiologie, en une modélisation directe, par des
règles d’inférence floues, du niveau cérébral " intermé-
diaire ", celui des populations de neurones. Elle trouve un
écho et un début de justification théorique dans les tra-
vaux plus formels de Balkenius et Gardenförs [4, 5], qui
ont montré qu’il était possible, à partir des patterns d’acti-
vation de réseaux de neurones biologiquement fondés, de
faire des inférences logiques de type non-monotone, co-
dables en logique possibiliste [7].
Néanmoins, il reste un grand nombre d’aspects qui de-
mandent un traitement plus poussé. On peut les organi-
ser suivant trois axes principaux : l’enrichissement du for-
malisme, le transfert des neurosciences computationnelles
vers l’IA et l’utilisation du formalisme pour une meilleure
compréhension de certains mécanismes cérébraux.
L’enrichissement du formalisme concerne premièrement
l’amélioration du modèle proposé, notamment en ce qui
concerne la combinaison des règles et la validation, et
deuxièmement son intégration dans un réseau dynamique.
Le système offre des perspectives qui vont au-delà des neu-
rosciences. C’est pourquoi, en tant que modèle de catégo-
risation dynamique, nous envisageons de l’extraire de son
contexte biologique pour tenter de le valider d’une manière
plus complète et plus formelle, en particulier en proposant
un algorithme adapté d’identification des paramètres.
Du point de vue de la biologie et de l’application aux
neurosciences, une des perspectives possibles est de dé-
velopper des modèles de noeuds fonctionnels représen-
tant les actions des différents neurotransmetteurs dont on
sait qu’ils ont une énorme importance sur la modulation
des traitements de l’information cérébrale. Cela permet-
trait, non seulement de rajouter de la plausibilité biologique
aux modèles et de permettre une meilleure compréhension
des rôles respectifs de ces neuromodulateurs, mais encore
d’avoir un outil prédictif de l’influence des médicaments
adressant le système nerveux central [30] sur le fonction-
nement de différentes parties du cortex cérébral.
Références
[1] A. Aamodt et E. Plaza, Case-based reasoning : Foun-
dational issues, methodological variations and system
approaches, AI communications, vol. 7, no. 1, pp. 39–
59, 1994.
[2] G. Alexander, M. Delong, et M. Crutcher, Do cor-
tical and basal ganglionic motor area use "motor
programs" to control movement ?, Behav. Brain Sci,
vol. 15, pp. 656–65, 1992.
[3] J. Anderson, A spreading activation theory of me-
mory, dans A perspective from psychology and artifi-
cial intelligence (E. S. A. Collins, ed.), pp. 137–155,
Morgan Kaufmann, 1988.
[4] C. Balkenius, Neural mechanisms for self-
organization of emergent schemata, dynamical
schema processing and semantic constraints satis-
faction, Rap. Tech. 14, Lund University Cognitive
Studies, 1992.
[5] C. Balkenius et P. Gardenförs, Nonmonotonic infe-
rences in neural networks, dans Proc. of the 2nd Int.
Conf. on Principles of Knowledge Representation and
Reasoning (KR’91), pp. 32–39, 1991.
[6] C. Büchel et K. Briston, Modulation of connecti-
vity in visual pathways by attention : cortical inter-
actions evaluated with structural equation modelling
and fMRI, Cereb. Cortex, vol. 7, pp. 768–778, 1997.
[7] S. Benferhat, D. Dubois, et H. Prade, Representing
default rules in possibilistic logic, dans Proc. of the
3rd Int. Conf. on Principles of Knowledge Repre-
sentation and Reasoning (KR’92), (Cambridge, MA),
pp. 673–684, 1992.
[8] R. Bergmann et W. Wilke, On the role of abstrac-
tion in case-based reasoning, dans Proc. of the 3rd
Europ. Workshop on Advances in Case-Based Reaso-
ning, 1996.
[9] G. Berns et T. Sejnowski, A computational model of
how basal ganglia produce sequences, J. Cogn. Neu-
rosci., vol. 10, pp. 108–121, 1998.
[10] S. Bressler, Large-scale cortical networks and cogni-
tion, Brain. Res. Rev., vol. 20, pp. 288–304, 1995.
[11] D. Dubois, F. Esteva, P. Garcia, L. Godo, R. L. D.
Màntaras, et H. Prade, Fuzzy set-based models in
case-based reasoning, dans 2nd Int. Conf. on Case-
Based Reasoning (ICCBR’97), 1997.
[12] D. Dubois et H. Prade, Gradual inference rules in ap-
proximate reasoning, Inform. Sci., vol. 61, pp. 103–
122, 1992.
[13] D. Dubois et H. Prade, Ensemble flou et théorie des
possibilités : notions de base, dans Logique Floue
(OFTA, ed.), Masson, 1994.
[14] D. Dubois et H. Prade, What are fuzzy rules and
how to use them ?, Fuzzy Sets and Systems, vol. 84,
pp. 169–185, 1996.
[15] D. Dubois et H. Prade, A fuzzy set approach to case-
based decision, dans Computational Intelligence in
Theory and Practice (B. Reusch et K. Temme, eds.),
Advances in Soft Computing (Kacprzyk J.Ed.), pp. 1–
13, A Springer-Verlag Company Heidelberg - New
York : Physica-Verlag, 2001.
[16] P. Fox et M. Raichle, Stimulus rate dependence of re-
gional brain blood flow in human striate cortex, de-
monstrated by positron emission tomography, J. Neu-
rophysiol., vol. 51, pp. 1109–1120, 1984.
[17] P. Fox et M. Raichle, Stimulus rate determines regio-
nal brain blood flow in striate cortex, Ann. Neurol.,
vol. 17, pp. 303–305, 1985.
[18] Z. Ghahramani et D. Wolpert, Modular decom-
position in visuomotor learning, Nature, vol. 386,
pp. 392–395, 1997.
[19] Z. Gharhamani, Computational models of sensorimo-
tor integration, dans Self-organisation, Computatio-
nal Maps and Motor Control (P. Morasso et V. San-
guineti, eds.), Amsterdam : North-Holland, 1997.
[20] M. Giard, J. Lavikainen, K. Reinikainen, F. Perrin,
O. Bertrand, et J. P. et al., Separate representation
of stimulus frequency, intensity and duration in au-
ditory sensory memory : an event related potential
and dipol-model analysis, J. Cogn. Neurosci., vol. 7,
pp. 133–43, 1995.
[21] P. Goldman-Rakik, Topography of cognition : paral-
lel distributed networks in primate association cortex,
Annu. Rev. Neurosci., vol. 11, pp. 133–143, 1988.
[22] R. L. Goldstone, The role of similarity in categori-
zation : providing a groundwork, Cognition, vol. 52,
pp. 125–157, 1994.
[23] S. Grossberg, S. Hwang, et E. Mingolla, Thalomocor-
tical dynamics of the McCollough effect : boundary-
surface alignment through perpeptual learning, Vision
Res., vol. 42, pp. 1259–1286, 2002.
[24] U. Hahn et M. Ramscar, Similarity and Categoriza-
tion. Oxford University Press, 2001.
[25] B. Horwitz, M. Tagamets, et A. McIntosh, Neural
modeling, functional brain imaging, and cognition,
Trends Cogn. Sci., vol. 3, pp. 91–98, 1999.
[26] V. Labatut, Réseaux causaux probabilistes à grande
échelle : un nouveau formalisme pour la modélisation
du traitement de l’information cérébrale. Thèse de
doctorat, Univ. Toulouse III, 2003.
[27] V. Labatut, J. Pastor, et S. Ruff, Dynamic bayesian
modeling of the cerebral activity, dans Proc. of the
18th Int. Joint Conf. on Artificial Intelligence (IJ-
CAI’03), (Acapulco), pp. 169–174, 2003.
[28] V. Labatut, J. Pastor, S. Ruff, J.-F. Démonet, et P. Cel-
sis, Cerebral modeling and dynamic bayesian net-
works, Artificial Intelligence in Medicine, vol. 39,
pp. 119–139, 2004.
[29] M. Lafon, Modélisation de la propagation de l’in-
formation cérébrale par graphes causaux qualitatifs.
Thèse de doctorat, Univ. Toulouse III, 2000.
[30] I. Loubinoux, J. Pariente, K. Boulanouar, C. Ca-
rel, C. Manelfe, O. Rascol, P. Celsis, et F. Chol-
let, A single dose of the serotonin agonist paroxe-
tine enhances motor output : double-blind, placebo-
controlled, fMRI study in healthy subject, Neuroi-
mage, vol. 15, no. 1, pp. 26–36, 2002.
[31] E. Lumer, G. Edelman, et G. Tononi, Neural dyna-
mics in a model of the thalamocortical system. part 1.
layers, loops, and the emergence of fast synchronous
rhythms, Cereb. Cortex, vol. 7, pp. 207–227, 1997.
[32] E. Lumer, G. Edelman, et G. Tononi, Neural dyna-
mics in a model of the thalamocortical system. part 2.
the role of neural synchrony tested through perturba-
tions of spike timing, Cereb. Cortex, vol. 7, pp. 228–
236, 1997.
[33] H. McGurck et J. MacDonald, Hearing lips and
seeing voices, Nature, vol. 264, no. 246-248, 1976.
[34] M. Mesulam, Large-scale neurocognitive networks
and distributed processing for attention, language,
and memory, Ann. Neurol., vol. 28, pp. 597–613,
1990.
[35] D. Michie, D. Spiegelhalter, et C. Taylor, Machine
Learning, Neural and Statistical Classification. Pren-
tice Hall, 1994.
[36] M. Minsky, A framework for representing know-
ledge, dans The psychology of computer vision
(P. Winston, ed.), pp. 211–277, New-York : McGraw-
Hill, 1975.
[37] M. Minsky, The Society of the Mind. New-York :
Touchstone Book, 1988.
[38] J. Pastor, M. Lafon, L. Travè-Massuyès, J.-F. Démo-
net, B. Doyon, et P. Celsis, Information processing in
large-scale cerebral networks : The causal connecti-
vity approach, Biol. Cybern., vol. 82, no. 1, pp. 46–
59, 2000.
[39] V. M. Sloutsky, The role of similarity in the deve-
lopment of categorization, Trends Cogn. Sci., vol. 7,
pp. 246–250, 2003.
[40] L. Smith, S. Jones, et B. Landau, Naming in young
children : a dumb attentional mechanism, Cognition,
vol. 60, pp. 143–171, 1996.
[41] P. Tiesinga, J. Fellous, J. Jose, et T. Sejnowski, Com-
putational model of carbachol-induced delta, theta,
and gamma oscillations in the hippocampus, Hippo-
campus, vol. 11, pp. 251–274, 2001.
[42] X. Wang et G. Buzsaki, Gamma oscillation by synap-
tic inhibition in a hippocampal interneuronal network
model, J. Neurosci., vol. 16, pp. 6402–6413, 1996.