EuroMov, centre européen de recherche sur le mouvement humain +33 434 432 630 contact@euromov.eu EuroMov est un centre de l'Université de Montpellier Université de Montpellier

Groupe de recherche

Complexité et Adaptablité

Complexité & Adaptabilité

La complexité est peut-être l’un des concepts les moins bien compris, souvent considérée synonyme de hasard et d’imprévisibilité. Cependant, les approches scientifiques récentes convergent vers des définitions précises, considérant la complexité comme renvoyant à une coordination souple et adaptative entre les multiples composantes d’un système (Kello et al., 2010). La complexité apparaît ainsi à mi-chemin entre le désordre (aucune coordination entre les composants) et de l’ordre strict (coordination rigide). Cet accent mis sur la coordination suppose que les interactions entre les composants ont plus d’influence sur le comportement du système que les composants eux-mêmes. Dans cette approche, la complexité est supposée déterminer les propriétés de stabilité et l’adaptabilité qui caractérisent les systèmes sains, efficaces et pérennes. En revanche, la complexité peut être altérée avec l’âge et la maladie, provoquant inadaptation et manque de flexibilité. On considère enfin qu’elle peut être restaurée grâce à la réadaptation et à l’apprentissage.

Notre projet scientifique est composé de trois axes intriqués, dédiés respectivement à des approches fondamentale, translationnelle et méthodologique. Ces axes ne sont pas considérés séquentiellement, ni organisés de façon hiérarchique. Il s s’enrichissent mutuellement au fur et à mesure de leur développement.

Recherche fondamentale

Nous considérons que les fonctions sensori-motrices sont produites par des systèmes adaptatifs complexes (Holland, 2006), présentant des propriétés essentielles: (1) la capacité à produire des comportements plus ou moins reproductibles dans des environnements stables (stabilité), (2) la capacité à résister aux perturbations externes pour maintenir l’exécution des fonctions (robustesse, flexibilité) et (3) la capacité à s’adapter aux changements de l’environnement en adoptant de nouveaux modes de fonctionnement (évolutivité, plasticité, apprentissage). Cette approche met l’accent sur les principes de conception qui peuvent doter les systèmes de ces propriétés essentielles. Whitacre (2010) a notamment souligné l’importance des propriétés de dégénérescence, ou redondance partielle, pour permettre simultanément robustesse et évolutivité.

Les systèmes complexessont également connus pourproduire desfluctuationsintrinsèquescaractériséespar des corrélationsà long terme.Cette propriétéaété mise en évidencedansun certain nombre desystèmes physiques etbiologiques,eten particulier dansle mouvement humain(Delignièreset al,2004;Gildenet al,1995;Hausdorffet al,1995).Les corrélations à long termeont étéessentiellementdécouvertesdans les organismesjeuneseten bonne santé,et à l’inverse l’analysedes sériesproduites par les systèmesdéficients a révéléune claire altération de cespropriétés statistiques(Hausdorffet al.,1997).

Ces deux lignes de raisonnement suggèrent un lien direct et causal entre les principes de conception qui sous-tendent les systèmes complexes adaptatifs et les propriétés statistiques des séries qu’ils produisent. En retour, ces propriétés statistiques pourraient représenter des marqueurs essentiels de l’organisation des systèmes.

1.1 Principes de conception des systèmes et structure temporelle des séries de performance.

Cet axe de recherche vise à confirmer la relation entre la complexité des systèmes et les propriétés statistiques des séries comportementales. Nous visons avant tout à approfondir le lien entre dégénérescence et corrélations à long terme. Ce travail nécessite la conception de modèles de réseaux dégénérescents susceptibles de reproduire les effets de la pratique, de l’apprentissage,  de la charge mentale, du vieillissement ou de la maladie sur les corrélations à long-terme des séries produites.

Un deuxième axe de recherche vise à analyser les liens entre les propriétés biomécanique des systèmes impliqués dans la posture ou la locomotion (i.e., la stabilité , la rigidité , l’activité musculaire , le coût énergétique ) et la complexité des principales variables comportementales. Ce travail portera sur des simulations numériques basées sur des modèles spécifiques ainsi que sur des études expérimentales.

 

1.2. La complexité comme  propriété globale ou spécifique.

En général, la complexité est conçue comme une propriété globale des organismes. Cependant, des expériences récentes ont montré que les propriétés de corrélation à long terme sont spécifiques à la fois aux individus et aux tâches réalisées (Kello et al., 2007; Torre et al., 2011) . Des investigations supplémentaires sont nécessaires pour déterminer la vraie nature et les limites des « réseaux spécifiques » ou «sous-systèmes» au sein de l’organisme. Cela nécessite l’analyse des données recueillies dans des batteries de tests, afin de vérifier la présence de clusters éventuels .

 

1.3. Les liens entre les structures de variabilité à différents niveaux d’observation.

La relation supposée entre la complexité des réseaux sous-jacents et les propriétés statistiques des comportements observables implique que les structures de corrélation à différents niveaux d’analyse (activation corticale, activité musculaire, production de force) présentent de fortes similitudes. Tester cette hypothèse est essentiel pour soutenir l’hypothèse que les corrélations série de performances reflètent la complexité des réseaux neuronaux sous-jacent.

 

1.4. Processus de synchronisation entre systèmes complexes.

Complexité et corrélations à long terme jouent un rôle central dans la théorie de l’anticipation forte, qui vise à expliquer la synchronisation entre systèmes complexes (Dubois, 2003). L’anticipation forte suggère que la complexité permet une synchronisation globale et multi-échelle, qui pourrait être comprise comme une alignement de la complexité des systèmes en présence (Marmelat & Delignières, 2012 , Stephen et al , 2008) . Ce phénomène doit être étudié plus profondément, en particulier en vue de déterminer les conditions qui peuvent optimiser cet alignement des  complexités (coordination inter-personnelle , environnements virtuels , etc.).

 

  1. Recherche translationnelle

Notre activité de recherche translationnelle est basée sur trois hypothèses principales, découlant directement des propositions théoriques précédentes.

 

2.1 . Vieillissement, maladie et la perte de complexité .

La première hypothèse stipule que le vieillissement et la maladie sont caractérisées par une perte de complexité, dégradant la capacité des personnes âgées ou des patients à s’adapter à différentes contraintes (Lipsitz & Goldberger , 1992 ; Vaillancourt & Newell, 2002). Notre objectif est de tester l’intérêt clinique des mesures de complexité, notamment pour l’évaluation de la fragilité chez les personnes âgées. Par exemple Hausdorff et al. (1997) ont montré que les mesures de complexité pourraient servir comme un indice pronostique du risque de chute. Notre objectif est de fournir aux cliniciens des protocoles d’évaluation fiables et efficaces, adaptés aux limites fonctionnelles des patients âgés.

 

2.2. La restauration de la complexité des systèmes déficients.

S’appuyant sur l’hypothèse de la perte de complexité, on pourrait considérer que la réhabilitation pourrait viser la restauration de la complexité des systèmes déficients. Notre travail sur l’anticipation forte ouvre des perspectives intéressantes à cet égard. Considérant que la synchronisation entre systèmes complexes débouche sur un alignement de leurs complexités, une stratégie de réhabilitation prometteuse pourrait reposer sur la synchronisation de l’activité de patients avec celle de partenaires en bonne santé (la marche par exemple). Ce couplage pourrait permettre un entraînement du système déficient par le système sain, visant après pratique une possible restauration de la complexité.

 

2.3. La complexité résiduelle comme mesure du potentiel de plasticité et du degré de récupération espéré après réhabilitation.

La récupération est limitée par la plasticité du système, la capacité des réseaux de neurones à se réorganiser afin de compenser les déficits. Au-delà de la localisation des dommages, la pathologie est susceptible de perturber les interactions entre composants, et donc d’altérer la complexité du système. En supposant que la plasticité du système est lié à sa complexité résiduelle, nous émettons l’hypothèse que la structure de corrélation du comportement pourrait permettre d’évaluer un réservoir de plasticité, et le degré de récupération pouvant être attendu après réhabilitation .

 

  1. Les méthodes d’analyse et de modélisation.

 

La combinaison des deux précédents axes nécessite le développement et l’évaluation de méthodes d’analyse des séries temporelles. Ces analyses non-linéaires requièrent de longues séries, ce qui implique des essais expérimentaux prolongés, qui pourraient être contaminés par la fatigue ou la perte de concentration. L’amélioration des méthodes, pour obtenir des résultats précis sur des séries courtes représente un défi important. Il est essentiel dans ce domaine de recherche de développer une compréhension profonde de ces méthodes, afin d’éviter utilisations à l’aveugle et interprétations erronées. Notre groupe a déjà entrepris cet effort méthodologique, concernant par exemple les analyses fractales, les analyses de récurrence, d’entropie ou la modélisation des systèmes.

References

Delignières, D., Lemoine, L., & Torre, K. (2004). Time intervals production in tapping and oscillatory motion. Human Movement Science, 23(2), 87–103. doi:10.1016/j.humov.2004.07.001

Delignières, D., Ramdani, S., Lemoine, L., Torre, K., Fortes, M., & Ninot, G. (2006). Fractal analyses for “short” time series: A re-assessment of classical   methods. Journal of Mathematical Psychology, 50(6), 525–544. doi:10.1016/j.jmp.2006.07.004

Delignières, D., & Torre, K. (2009). Fractal dynamics of human gait: a reassessment of the 1996 data of   Hausdorff et al. Journal of Applied Physiology, 106(4), 1272–1279. doi:10.1152/japplphysiol.90757.2008

Delignières, D., Torre, K., & Lemoine, L. (2008). Fractal models for event-based and dynamical timers. Acta Psychologica, 127(2), 382–397. doi:10.1016/j.actpsy.2007.07.007

Dubois, D. M. (2003). Mathematical foundations of discrete and functional systems with strong   and weak anticipations. In M. V. Butz, O. Sigaud, & P. Gerard (eds.), Anticipatory Behavior in Adaptive Learning Systems: Foundations, Theories, and Systems (Vol. 2684, pp. 110–132). Berlin: Springer-Verlag Berlin.

Gilden, D. L., Thornton, T., & Mallon, M. W. (1995). 1/F Noise in Human Cognition. Science, 267(5205), 1837–1839. doi:10.1126/science.7892611

Hausdorff, J. M., Mitchell, S. L., Firtion, R., Peng, C. K., Cudkowicz, M. E., Wei, J. Y., & Goldberger, A. L. (1997). Altered fractal dynamics of gait: Reduced stride-interval correlations   with aging and Huntington’s disease. Journal of Applied Physiology, 82(1), 262–269.

Hausdorff, J. M., Peng, C. K., Ladin, Z., Wei, J. Y., & Goldberger, A. L. (1995). Is walking a random walk? Evidence for long-range correlations in stride interval of human gait. Journal of Applied Physiology, 78(1), 349–358.

Holland, J. H. (2006). Studying Complex Adaptive Systems. Journal of Systems Science and Complexity, 19(1), 1–8. doi:10.1007/s11424-006-0001-z

Kello, C. T., Beltz, B. C., Holden, J. G., & Van Orden, G. C. (2007). The emergent coordination of cognitive function. Journal of Experimental Psychology-General, 136(4), 551–568. doi:10.1037/0096-3445.136.4.551

Kello, C. T., Brown, G. D. A., Ferrer-i-Cancho, R., Holden, J. G., Linkenkaer-Hansen, K., Rhodes, T., & Van Orden, G. C. (2010). Scaling laws in cognitive sciences. Trends in Cognitive Sciences, 14(5), 223–232. doi:10.1016/j.tics.2010.02.005

Kelso, J. A. S. (1995). Dynamics patterns: the self-organization of brain and behavior. Cambridge, MA: MIT Press.

Lipsitz, L., & Goldberger, A. (1992). Loss of Complexity and Aging – Potential Applications of Fractals and Chaos Theory to Senescence. Jama-Journal of the American Medical Association, 267(13), 1806–1809. doi:10.1001/jama.267.13.1806

Marmelat, V., & Delignieres, D. (2012). Strong anticipation: complexity matching in interpersonal coordination. Experimental Brain Research, 222(1-2), 137–148. doi:10.1007/s00221-012-3202-9

Morana, C., Ramdani, S., Perrey, S., & Varray, A. (2009). Recurrence quantification analysis of surface electromyographic signal:   Sensitivity to potentiation and neuromuscular fatigue. Journal of Neuroscience Methods, 177(1), 73–79. doi:10.1016/j.jneumeth.2008.09.023

Ramdani, S., Bouchara, F., & Caron, O. (2012). Detecting high-dimensional determinism in time series with application   to human movement data. Nonlinear Analysis-Real World Applications, 13(4), 1891–1903. doi:10.1016/j.nonrwa.2011.12.017

Ramdani, S., Bouchara, F., & Casties, J.-F. (2007). Detecting determinism in short time series using a quantified averaged   false nearest neighbors approach. Physical Review E, 76(3). doi:10.1103/PhysRevE.76.036204

Ramdani, S., Bouchara, F., & Lagarde, J. (2009). Influence of noise on the sample entropy algorithm. Chaos, 19(1). doi:10.1063/1.3081406

Ramdani, S., Casties, J.-F., Bouchara, F., & Mottet, D. (2006). Influence of noise on the averaged false neighbors method for analyzing time series. Physica D: Nonlinear Phenomena, 223(2), 229–241. doi:10.1016/j.physd.2006.09.019

Ramdani, S., Seigle, B., Lagarde, J., Bouchara, F., & Bernard, P. L. (2009). On the use of sample entropy to analyze human postural sway data. Medical Engineering & Physics, 31(8), 1023–1031. doi:10.1016/j.medengphy.2009.06.004

Schmidt, R., & Lee, T. (2005). Motor Control And Learning: A Behavioral Emphasis (4th ed.). Human Kinetics.

Stephen, D. G., Stepp, N., Dixon, J. A., & Turvey, M. T. (2008). Strong anticipation: Sensitivity to long-range correlations in synchronization behavior. Physica A: Statistical Mechanics and its Applications, 387(21), 5271–5278.

Torre, K., Balasubramaniam, R., & Delignières, D. (2010). Oscillating in Synchrony with a Metronome: Serial Dependence, Limit   Cycle Dynamics, and Modeling. Motor Control, 14(3), 323–343.

Torre, K., Balasubramaniam, R., Rheaume, N., Lemoine, L., & Zelaznik, H. N. (2011). Long-range correlation properties in motor timing are individual and   task specific. Psychonomic Bulletin & Review, 18(2), 339–346. doi:10.3758/s13423-011-0049-1

Torre, K., & Delignières, D. (2008). Unraveling the finding of 1/f(beta) noise in self-paced and synchronized   tapping: a unifying mechanistic model. Biological Cybernetics, 99(2), 159–170. doi:10.1007/s00422-008-0247-8

Torre, K., Delignières, D., & Lemoine, L. (2007). Detection of long-range dependence and estimation of fractal exponents   through ARFIMA modelling. British Journal of Mathematical & Statistical Psychology, 60, 85–106. doi:10.1348/000711005X89513

Turvey, M. T. (2007). Action and perception at the level of synergies. Human Movement Science, 26(4), 657–697. doi:10.1016/j.humov.2007.04.002

Vaillancourt, D. E., & Newell, K. M. (2002). Changing complexity in human behavior and physiology through aging and   disease. Neurobiology of Aging, 23(1), 1–11.

Whitacre, J. M. (2010). Degeneracy: a link between evolvability, robustness and complexity in biological systems. Theoretical Biology and Medical Modelling, 7, 6.

 

Contactez-nous

    Votre nom (obligatoire)

    Votre email (obligatoire)

    Sujet (obligatoire)

    Votre message

    Venez chez EuroMov

    Centre Euromov

    Euromov batiment position UFR

    Le Centre EuroMov est au sein du Campus de l’UFR STAPS de l’Université de Montpellier.

    Google Map

    Hôpital CHRU Lapeyronie

    Hôpital CHRU Lapeyronie

    Université de Montpellier
    Centre EuroMov
    700 avenue du Pic Saint Loup
    34090 Montpellier, FRANCE

    contact@euromov.eu

    Tél. : +33 434 432 630
    Fax : +33 434 432 697