Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Le sujet de cette thèse aborde le problème de la représentation de l'espace dans la boucle sensorimotrice chez le primate et sur des systèmes robotiques. Chez l'être vivant, l'intégration multisensorielle passe par la problématique des référentiels pour lesquels il existe des modèles théoriques basés sur des données électrophysiologiques. Cependant ces derniers n'expliquent pas tous les résultats issus des travaux en neurosciences. Dans une première partie de l'étude, nous avons enregistré et mis en évidence, chez le singe vigile, l'influence de la direction de la tête par rapport au corps et de son interaction avec celle de l'oeil par rapport à la tête au sein de l'aire visuelle primaire (V1) sous forme de modulation de l'activité neuronale. L'effet de la position de la tête n'avait été, jusqu'à présent, montré que dans le cortex pariétal, aire hautement intégrative. Nos résultats mettent clairement en évidence l'existence d'une intégration distribu ée et d'une construction d'une représentation stable et unifiée en amont du cortex pariétal. Ces intégrations semblent exister également après le cortex pariétal postérieur. Des résultats électrophysiologiques, longtemps ignorés mais confirmés récemment ont montré l'influence de la position des yeux au sein du cortex prémoteur dorsal. Une deuxième étude basée sur le formalisme de l'asservissement visuel en robotique, nous a permis de proposer une interprétation de ces résultats. La mise en oeuvre d'un réseau de neurones artificiels entraîné à partir de ce formalisme montre la similitude de l'influence des effets de la position des yeux observés au niveau cortical et confirme notre interprétation. Sur l'ensemble de tous ces travaux, nous proposons une discussion sous l'angle des deux formalismes neuro-robotique où nous présentons un bilan fonctionnel de la perception à l'action. Finalement, nous proposons l'existence d'une origine multisensorielle qui avantagerait l'intégration multisensorielle en ne urosciences comme en robotique.

Le but de cette thèse est de proposer une modélisation mathématique des stimulations visuelles afin d'analyser finement des données expérimentales en psychophysique et en électrophysiologie. Plus précis\'ement, afin de pouvoir exploiter des techniques d'analyse de données issues des statistiques Bayésiennes et de l'apprentissage automatique, il est nécessaire de développer un ensemble de stimulations qui doivent être dynamiques, stochastiques et d'une complexité paramétrée. Il s'agit d'un problème important afin de comprendre la capacité du système visuel à intégrer et discriminer différents stimuli. En particulier, les mesures effectuées à de multiples échelles (neurone, population de neurones, cognition) nous permette d'étudier les sensibilités particulières des neurones, leur organisation fonctionnelle et leur impact sur la prise de décision. Dans ce but, nous proposons un ensemble de contributions théoriques, numériques et expérimentales, organisées autour de trois axes principaux : (1) un modèle de synthèse de textures dynamiques Gaussiennes spécialement paramétrée pour l'étude de la vision; (2) un modèle d'observateur Bayésien rendant compte du biais positif induit par fréquence spatiale sur la perception de la vitesse; (3) l'utilisation de méthodes d'apprentissage automatique pour l'analyse de données obtenues en imagerie optique par colorant potentiométrique et au cours d'enregistrements extra-cellulaires. Ce travail, au carrefour des neurosciences, de la psychophysique et des mathématiques, est le fruit de plusieurs collaborations interdisciplinaires. / The goal of this thesis is to propose a mathematical model of visual stimulations in order to finely analyze experimental data in psychophysics and electrophysiology. More precisely, it is necessary to develop a set of dynamic, stochastic and parametric stimulations in order to exploit data analysis techniques from Bayesian statistics and machine learning. This problem is important to understand the visual system capacity to integrate and discriminate between stimuli. In particular, the measures performed at different scales (neurons, neural population, cognition) allow to study the particular sensitivities of neurons, their functional organization and their impact on decision making. To this purpose, we propose a set of theoretical, numerical and experimental contributions organized around three principal axes: (1) a Gaussian dynamic texture synthesis model specially crafted to probe vision; (2) a Bayesian observer model that accounts for the positive effect of spatial frequency over speed perception; (3) the use of machine learning techniques to analyze voltage sensitive dye optical imaging and extracellular data. This work, at the crossroads of neurosciences, psychophysics and mathematics is the fruit of several interdisciplinary collaborations.