L'objet de cette thèse est l'étude asymptotique du modèle de Hopfield dont le but est de simuler le phénomène neuronal de mémoire associative. Après une brève introduction au calcul neuronal et une description générale de la modélisation mathématique de la mémoire associative, nous définissons le modèle étudié dans le cadre d'une dynamique d'évolution déterministe, respectivement séquentielle (modèle de Hopfield) ou parallèle (modèle de Little). Nous étudions alors la stabilité asymptotique de $p$ images originales, au sens presque sûr pour l'espace de probabilité associé aux variables aléatoires modélisant ces images, ainsi que l'attraction de certaines configurations, en une seule étape de la dynamique, si $p$ est de l'ordre $N/\log N$ ($N$ la taille du réseau). La fonction énergie ayant notamment pour minima locaux les images originales et tous les autres points fixes de l'application associée à la dynamique, il est intéressant d'en connaître les fluctuations sur l'espace des configurations. Après avoir rappelé les résultats de Newman, relatifs à l'existence de barrières énergétiques, nous montrons que asymptotiquement et presque sûrement, sous certaines hypothèses sur $p$, les images combinées, combinaisons d'un nombre fine ou de toutes les images combinées, ne peuvent être des minima plus profonds que les images originales elles-mêmes. En ces points, nous calculons la limite presque sûre du hamiltonien normalisé. Au chapitre suivant, nous décrivons la dynamique stochastique de Glauber qui nous conduit à définir les mesures de Gibbs pour la limite thermodynamique de ce systèmes. Nous étudions alors, dans un dernier chapitre, le comportement asymptotique de l'énergie libre: pour toute température, cette variable aléatoire converge presque sûrement vers une constante, si $p/N$ converge vers 0, et vérifie la propriété d'être auto-moyennée, si $p$ est inférieur au proportionnel à $N$. En conclusion, nous terminons en évoquant quelques problèmes ouverts et des extensions possibles du modèle de Hopfield.

Ce travail visait à évaluer le potentiel d’une méthodologie innovante récemment adaptée à la Souris sur la base de tests neuropsychologiques utilisés en clinique humaine. Après optimisation de 3 tâches (PAL, VMCL, PVD) ciblant différentes fonctions cognitives chez l’animal, nos études ont établi : (1) l’existence possible d’interférences proactives lors d’apprentissages consécutifs ; (2) l’absence de déficit d’acquisition chez les souris de la lignée Tg2576 (modèle transgénique de la maladie d’Alzheimer), quelle que soit l’étendue de la charge amyloïde ; (3) l’implication spécifique du striatum dorsal lors de l’acquisition des tâches de VMCL et PAL, et celle de l’hippocampe lors du rappel de cette dernière tâche. Ces derniers résultats suggèrent qu’en dépit des efforts déployés pour s’assurer du caractère translationnel d’une tâche cognitive dans le paradigme du touchscreen, certaines adaptations inhérentes à chaque espèce influencent profondément les bases neurobiologiques associées. / This thesis work aimed to specify the potential of an innovative methodology latterly adapted in mice from neuropsychological tasks used in Humans. After the optimization of 3 assays (PAL, VMCL, PVD) taxing various cognitive functions in animals, different behavioral studies have gradually revealed: (1) the putative existence of proactive interferences over consecutive learnings in touchscreen tasks; (2) no acquisition deficit in Tg2576 mice (a transgenic model of Alzheimer’s Disease) in these paradigms, whatever the amyloid load considered; (3) the specific involvement of the dorsal striatum during the acquisition of VMCL and PAL tasks and the key role of the hippocampus during the recall of the latter task. As exemplified by the PAL task, our results suggest that despite momentous efforts in order to ensure the translational feature of touchscreen cognitive tasks, certain adaptations inherent to each species deeply influence the nature of underlying neurobiological substrates.

Initialement encodés dans l’hippocampe, les nouveaux souvenirs déclaratifs deviennent progressivement dépendants d’un réseau distribué de neurones corticaux au cours de leur maturation dans le temps. Cependant, les mécanismes cellulaires et moléculaires sous-­‐tendant la consolidation et le stockage à long terme de ces nouveaux souvenirs au sein des réseaux corticaux restent à élucider. Les récepteurs N-­‐méthyl-­‐D-­‐aspartate (RNMDA) jouent un rôle essentiel dans l’induction et la régulation des changements synaptiques sous-­‐tendant les processus mnésiques de type associatifs. Sur la base de leurs propriétés biophysiques respectives, nous avons formulé l’hypothèse que la redistribution synaptique des deux formes principales de sous-­‐unités GluN2 exprimées dans le néocortex adulte (GluN2A and GluN2B), pourrait constituer un mécanisme de régulation de la plasticité synaptique supportant l’intégration et la stabilisation progressive des souvenirs au niveau cortical au cours du processus de consolidation mnésique. En combinant, chez le rat adulte, une approche comportementale, biochimique, pharmacologique et des stratégies innovantes consistant à manipuler le trafic de sous-­‐unités des RNMDA à la surface synaptique, nos résultats mettent en évidence un changement cortical dans la composition synaptique en sous unités GluN2, lequel régule la stabilisation progressive de la mémoire à long terme au sein des réseaux corticaux. Nous avons d'abord établi que les RNMDA contenant la sous-­‐unité GluN2B, via leur interaction spécifique avec une protéine clé de la signalisation synaptique, la CaMKII, sont préférentiellement recrutés lors de la phase d’encodage pour permettre l’allocation des nouveaux souvenirs olfactifs associatifs dans un réseau de neurones corticaux spécifique. Au cours du processus de consolidation, nous avons révélé que la redistribution des RNMDA corticaux contenant les sous-­‐unités GluN2B vers l’extérieur ou l’intérieur de l’espace synaptique suite à l’apprentissage, contrôle respectivement la stabilisation de la mémoire à long terme et son oubli au cours du temps. Enfin, renforcer l’acquisition initiale conduit à une augmentation plus rapide du ratio post-­‐synaptique GluN2A/GluN2B et accélère la cinétique du dialogue hippocampo-­‐cortical, ce qui se traduit par une stabilisation accélérée des souvenirs au sein des réseaux corticaux. Pris dans leur ensemble, nos travaux montrent que le trafic des GluN2B-­‐RNMDA corticaux représente un mécanisme cellulaire majeur conditionnant le devenir des traces mnésiques (i.e. stabilisation versus oubli) et apporte un éclairage nouveau sur la façon dont le cerveau organise les souvenirs récents et anciens. / Initially encoded in the hippocampus, new declarative memories are thought to become progressively dependent on a broadly distributed cortical network as they mature and consolidate over time. Although we have a good understanding of the mechanisms underlying the formation of new memories in the hippocampus, little is known about the cellular and molecular mechanisms by which recently acquired information is transformed into remote memories at the cortical level. The N-­‐methyl-­‐D-­‐aspartate receptor (NMDAR) is widely known to be a key player in many aspects of long-­‐term experience-­‐dependent synaptic changes underlying associative memory processes. Based on their distinct biophysical properties, we postulated that the activity-­‐dependent surface dynamics of the two predominant GluN2 subunits (GluN2A and GluN2B) of NMDARs present in the adult neocortex could provide a metaplastic control of synaptic plasticity supporting the progressive embedding and stabilization of long-­‐lasting associative memories within cortical networks during memory consolidation. By combining, in adult rats, behavioral, biochemical, pharmacological and innovative strategies consisting in manipulating trafficking of NMDAR subunits at the cell membrane, our results identify a cortical switch in the synaptic GluN2-­‐containing NMDAR composition which drives the progressive embedding and stabilization of long-­‐lasting memories within cortical networks. We first established that cortical GluN2B-­‐containing NMDARs and their specific interactions with the synaptic signaling CaMKII protein are preferentially recruited upon encoding of associative olfactory memories to enable neuronal allocation, the process via which a new memory trace is thought to be allocated to a given neuronal network. As these memories are progressively processed and embedded into cortical networks, we observed a learning-­‐induced surface redistribution of cortical GluN2B-­‐containing NMDARs outwards or inwards synapses which respectively drives the progressive stabilization and subsequent forgetting of remote memories over time. Finally, increasing the strength, upon encoding, of the initial memory leads to a faster increase of the cortical GluN2A/GluN2B synaptic ratio and accelerates the kinetics of hippocampal-­‐cortical interactions, which translated into a faster stabilization of memories within cortical networks. Taken together, our results provide evidence that GluN2B-­‐NMDAR surface trafficking controls the fate of remote memories (i.e. stabilization versus forgetting), shedding light on a novel mechanism used by the brain to organize recent and remote memories.

Les risques psychosociaux sont un enjeu de santé publique majeur, en particulier à cause des troubles qu'ils peuvent engendrer : stress, changements d'humeurs, burn-out, etc. Bien que le diagnostic de ces troubles doive être réalisé par un professionel, l'Affective Computing peut apporter une contribution en améliorant la compréhension des phénomènes. L'Affective Computing (ou Informatique Affective) est un domaine pluridisciplinaire, faisant intervenir des concepts d'Intelligence Artificielle, de psychologie et de psychiatrie, notamment. Dans ce travail de recherche, on s'intéresse à deux éléments pouvant faire l'objet de troubles : l'état émotionnel et l'état dépressif des individus.Le concept d'émotion couvre un très large champ de définitions et de modélisations, pour la plupart issues de travaux en psychiatrie ou en psychologie. C'est le cas, par exemple, du circumplex de Russell, qui définit une émotion comme étant la combinaison de deux dimensions affectives, nommées valence et arousal. La valence dénote le caractère triste ou joyeux d'un individu, alors que l'arousal qualifie son caractère passif ou actif. L'évaluation automatique des états émotionnels a suscité, dans la dernière décénie, un regain d'intérêt notable. Des méthodes issues de l'Intelligence Artificielle permettent d'atteindre des performances intéressantes, à partir de données capturées de manière non-invasive, comme des vidéos. Cependant, il demeure un aspect peu étudié : celui des intensités émotionnelles, et de la possibilité de les reconnaître. Dans cette thèse, nous avons exploré cet aspect au moyen de méthodes de visualisation et de classification pour montrer que l'usage de classes d'intensités émotionnelles, plutôt que de valeurs continues, bénéficie à la fois à la reconnaissance automatique et à l'interprétation des états.Le concept de dépression connaît un cadre plus strict, dans la mesure où c'est une maladie reconnue en tant que telle. Elle atteint les individus sans distinction d'âge, de genre ou de métier, mais varie en intensité ou en nature des symptômes. Pour cette raison, son étude tant au niveau de la détection que du suivi, présente un intérêt majeur pour la prévention des risques psychosociaux.Toutefois, son diagnostic est rendu difficile par le caractère parfois anodin des symptômes et par la démarche souvent délicate de consulter un spécialiste. L'échelle de Beck et le score associé permettent, au moyen d'un questionnaire, d'évaluer la sévérité de l'état dépressif d'un individu. Le système que nous avons développé est capable de reconnaître automatiquement le score dépressif d'un individu à partir de vidéos. Il comprend, d'une part, un descripteur visuel spatio-temporel bas niveau qui quantifie les micro et les macro-mouvements faciaux et, d'autre part, des méthodes neuronales issues des sciences cognitives. Sa rapidité autorise des applications de reconnaissance des états dépressifs en temps réel, et ses performances sont intéressantes au regard de l'état de l'art. La fusion des modalités visuelles et auditives a également fait l'objet d'une étude, qui montre que l'utilisation de ces deux canaux sensoriels bénéficie à la reconnaissance des états dépressifs.Au-delà des performances et de son originalité, l'un des points forts de ce travail de thèse est l'interprétabilité des méthodes. En effet, dans un contexte pluridisciplinaire tel que celui posé par l'Affective Computing, l'amélioration des connaissances et la compréhension des phénomènes étudiés sont des aspects majeurs que les méthodes informatiques sous forme de "boîte noire" ont souvent du mal à appréhender. / Psychosocial risks are a major public health issue, because of the disorders they can trigger : stress, mood swings, burn-outs, etc. Although propoer diagnosis can only be made by a healthcare professionnel, Affective Computing can make a contribution by improving the understanding of the phenomena. Affective Computing is a multidisciplinary field involving concepts of Artificial Intelligence, psychology and psychiatry, among others. In this research, we are interested in two elements that can be subject to disorders: the emotional state and the depressive state of individuals.The concept of emotion covers a wide range of definitions and models, most of which are based on work in psychiatry or psychology. A famous example is Russell's circumplex, which defines an emotion as the combination of two emotional dimensions, called valence and arousal. Valence denotes an individual's sad or joyful character, while arousal denotes his passive or active character. The automatic evaluation of emotional states has generated a significant revival of interest in the last decade. Methods from Artificial Intelligence allow to achieve interesting performances, from data captured in a non-invasive manner, such as videos. However, there is one aspect that has not been studied much: that of emotional intensities and the possibility of recognizing them. In this thesis, we have explored this aspect using visualization and classification methods to show that the use of emotional intensity classes, rather than continuous values, benefits both automatic recognition and state interpretation.The concept of depression is more strict, as it is a recognized disease as such. It affects individuals regardless of age, gender or occupation, but varies in intensity or nature of symptoms. For this reason, its study, both at the level of detection and monitoring, is of major interest for the prevention of psychosocial risks.However, his diagnosis is made difficult by the sometimes innocuous nature of the symptoms and by the often delicate process of consulting a specialist. The Beck's scale and the associated score allow, by means of a questionnaire, to evaluate the severity of an individual's state of depression. The system we have developed is able to automatically recognize an individual's depressive score from videos. It includes, on the one hand, a low-level visual spatio-temporal descriptor that quantifies micro and macro facial movements and, on the other hand, neural methods from the cognitive sciences. Its speed allows applications for real-time recognition of depressive states, and its performance is interesting with regard to the state of the art. The fusion of visual and auditory modalities has also been studied, showing that the use of these two sensory channels benefits the recognition of depressive states.Beyond performance and originality, one of the strong points of this thesis is the interpretability of the methods. Indeed, in a multidisciplinary context such as that of Affective Computing, improving knowledge and understanding of the studied phenomena is a key point that usual computer methods implemeted as "black boxes" can't deal with.