Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français français
CORDIS - Résultats de la recherche de l’UE
CORDIS

Dynamic Network Reconstruction of Human Perceptual and Reward Learning via Multimodal Data Fusion

Description du projet

Comprendre comment le cerveau humain apprend à optimiser la prise de décision

La formation et l’expérience sont susceptibles d’améliorer de manière durable notre capacité à prendre des décisions dans différents domaines. Prenons pour exemples l’apprentissage de l’analyse d’images radiographiques avec un fort bruit de fond aux fins d’établir des diagnostics précis, ou encore la capacité à choisir entre différentes options d’achat d’actions aux fins de maximiser le rendement financier. Ces scénarios d’apprentissage, en apparence très différents, ont jusqu’à présent été étudiés isolément. L’objectif du projet DyNeRfusion, financé par l’UE, est de développer un cadre unifié pour intégrer ces différents domaines de recherche et parvenir à caractériser les processus neurobiologiques qui gouvernent l’apprentissage et la prise de décision dans le cerveau humain. Pour ce faire, l’équipe entend mettre au point une solution d’imagerie cérébrale de pointe (fusion de l’EEG et de l’IRMf) en s’appuyant sur de nouvelles techniques d’apprentissage machine et sur la modélisation mathématique du comportement humain. Le projet s’est donné pour mission d’établir un descriptif exhaustif de la façon dont notre cerveau apprend à optimiser les décisions, en allant bien plus loin que ce qui pourrait être déduit à partir des techniques d’imagerie cérébrale classiques.

Objectif

Training and experience can lead to long-lasting improvements in our ability to make decisions based on either ambiguous sensory or probabilistic information (e.g. learning to diagnose a noisy x-ray image or betting on the stock market). These two processes are referred to as perceptual and probabilistic/reward learning, respectively. Despite considerable efforts to uncover the neural systems involved in these processes, perceptual and reward learning have largely been studied in separate lines of research using divergent learning mechanisms. The primary aim of this proposal is to develop a unified framework for integrating these lines of research and understand the extent to which they share a common computational and neurobiological basis. Specifically, we will test the proposition that both the perceptual and reward systems could be understood in a common framework of “reward maximization”, whereby a domain-general reinforcement-guided learning mechanism – based on separate prediction error representations – facilitates future actions and adaptive behavior. To offer a comprehensive spatiotemporal characterization of the relevant networks and their computational principles we will adopt a state-of-the-art multimodal neuroimaging approach to fuse simultaneously-acquired EEG and fMRI data, via machine-learning-inspired multivariate single-trial analysis techniques and computational modelling. The project’s ultimate goal is to empower a level of neuronal and mechanistic understanding that extends beyond what could be inferred with each of these modalities in isolation. We will achieve this goal by exploiting endogenous trial-by-trial electrophysiological variability to build parametric fMRI predictors that can offer additional explanatory power than what can already be achieved by stimulus- or behaviorally-derived predictors, allowing us to go over and beyond what has been reported previously in the literature.

Mots‑clés

Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).

Programme(s)

Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.

Thème(s)

Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.

Régime de financement

Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.

ERC-COG - Consolidator Grant

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.

(s’ouvre dans une nouvelle fenêtre) ERC-2019-COG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

UNIVERSITY OF GLASGOW
Contribution nette de l'UE

La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.

€ 1 996 043,00
Adresse
UNIVERSITY AVENUE
G12 8QQ Glasgow
Royaume-Uni

Voir sur la carte

Région
Scotland West Central Scotland Glasgow City
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total

Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.

€ 1 996 043,00

Bénéficiaires (1)

Mon livret 0 0