Université de Rennes Computational neuro-electromagnetic models for non-invasive brain stimulation Modèle computationnel neuro-électromagnétique pour la stimulation cérébrale non invasif Approximation quasi-statiqueStimulation cérébrale non-invasisveStimulation transcranienne électriqueModélisation des courants électriquesModélisation de l'activité neurale Quasi-static approximationNon-invasive brain stimulationTranscranial electrical stimulationCurrent flow modelingNeural activity modeling Approximation, Théorie de l' Cerveau -- Stimulation La stimulation électrique transcrânienne (tES, en anglais) est une technique de stimulation cérébrale non-invasive émergente de par sa capacité à améliorer les performances cognitives et l'intérêt de son application dans le cadre de maladies neurodégénératives. Les objectifs de la présente thèse étaient d'étudier les aspects numériques de la modélisation de la tES. En effet, la modélisation est une part importante de par la nécessité de prédire et doser la stimulation ainsi que pour améliorer sa précision. La première étude menée a démontré la limite de l'approximation quasi-statique à partir du MHz. Aussi, l'erreur introduite en négligeant les propriétés capacitives des tissus est importante, allant jusqu'à 20 % à 10 Hz au niveau de la zone ciblée. Dans un second temps, il a été montré une forte variabilité due à celle sur les valeurs des propriétés diélectriques, ainsi qu'une relation entre la forme des gyri et la variation de champ électrique. Finalement, la relation de dépendance entre la fréquence de stimulation et l’entraînement cellulaire d'une large variété de type de neurones a été étudiée par l'utilisation de modèles morpho-réalistiques et simplifiés. Les résultats soulignent la préférence des cellules excitatrices pour les fréquences de stimulation proches de leur activité intrinsèque alors que les cellules inhibitrices tendent à être entraînées pour une fréquence de stimulation plus haute (> 40 Hz). Transcranial electrical stimulation (tES) emerges as a promising non-invasive brain stimulation technique that enables the relief of neurological disorders and improves cognitive performance. The objectives of the present work were to investigate the numerical aspects of this method, as numerical modeling is required to predict and design tES protocols for accurate stimulation delivery. The first study aimed to assess the accuracy of ubiquitous physical assumptions. The limit of applicability of the quasi-static approximation in tES modeling was found to be in the MHz range. The capacitive effects of tissues also induced relatively high errors at low frequencies, with an error up to 20 % at 10 Hz at the stimulation target. Secondly, we studied anatomical and electrical variability impact on tES-induced electric fields using a numerical approach, demonstrating the significance of electrical properties' variability and establishing a relationship between the electric field distribution and the shapes of gyri. Finally, we examined the frequency-dependent entrainment response of a wide variety of morphologically realistic neurons, and their associated simplified models. The results indicated a frequency preference of excitatory cells for their intrinsic activity, while inhibitory cells were more responsive to higher frequencies (> 40 Hz). Electronic Thesis or DissertationText application/pdf1 : 34372 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/f23ffc70-f1f6-4c2b-a6f5-a5159b0f2fc1 Gaugain Gabriel 1995-01-04 FR 279881975 gabriel.ggain@gmail.com 2023URENS128 http://www.theses.fr/2023URENS128 2023-12-18 Électronique Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiNikolayevDenysintervenant_1229606849ModoloJulienintervenant_2130934542LissorguesGaëlleintervenant_3085634492NikolayevDenysintervenant_1229606849ModoloJulienintervenant_2130934542BiksonMaromintervenant_4259254541YvertBlaiseintervenant_512664182XKoesslerLaurentintervenant_6133412210RuffiniGiuliointervenant_7279886039 MATISSEecoleDoctorale_1 267602553 IETR partenaireRecherche_1 149256035 ddc:620 NikolayevDenysModoloJulienLissorguesGaëlleBiksonMaromYvertBlaiseKoesslerLaurentRuffiniGiulioUniversité de RennesMATISSE IETR ASCII PDF 35196978 restriction 2023-12-18 2024-12-18 confidentialité 2023-12-18 2024-12-18 restriction 2023-12-18 2024-12-18