Auditory and visual event-related potential alterations in fragile X syndrome

Le syndrome du X fragile (SXF) est la première cause héréditaire de déficience intellectuelle et également la première cause monogénique d’autisme. Le SXF est causé par l'expansion de la répétition du nucléotide CGG sur le gène FMR1, ce qui empêche l’expression de la protéine FMRP. L’absence du FMRP mène à une altération du développement structurel et fonctionnel de la synapse, ce qui empêche la maturation des synapses induite par l’activité et l’élagage synaptique, qui sont essentiels pour le développement cérébral et cognitif. Nous avons investigué les potentiels reliés aux événements (PRE) évoqués par des stimulations fondamentales auditives et visuelles dans douze adolescents et jeunes adultes (10-22) atteints du SXF, ainsi que des participants contrôles appariés en âge chronologique et développemental. Les résultats indiquent un profil des PRE altéré, notamment l’augmentation de l’amplitude de N1 auditive, par rapport aux deux groupes contrôle, ainsi que l’augmentation des amplitudes de P2 et N2 auditifs et de la latence de N2 auditif. Chez les patients SXF, le traitement sensoriel semble être davantage perturbé qu’immature. En outre, la modalité auditive semble être plus perturbée que la modalité visuelle. En combinaison avec des résultats anatomique du cerveau, des mécanismes biochimiques et du comportement, nos résultats suggèrent une hyperexcitabilité du système nerveux dans le SXF.

Ablation laser femtoseconde de verres métalliques de Cu_x Zr_(1−x) : une étude par dynamique moléculaire

L’ablation laser de verres métalliques de CuxZr1−x (x = 0.33, 0.50 et 0.67) et d’un alliage métallique cristallin de CuZr2 dans la structure C11b a été étudiée par dynamique moléculaire (DM) combinée à un modèle à deux températures (TTM). Le seuil d’ablation (Fth) a été déterminé pour chacun des 4 échantillons et s'est avéré plus bas pour les échantillons plus riches en Cu étant donné que la cohésion du Cu est plus faible que celle du Zr dans tous les échantillons. Pour x=0.33, Fth est plus bas pour le cristal que pour l’amorphe car le couplage électron-phonon est plus faible dans ce dernier, ce qui implique que l’énergie est transférée plus lentement du système électronique vers le système ionique pour le a-CuZr2 que le c-CuZr2. La vitesse de l’onde de pression créée par l’impact du laser croît avec la fluence dans l’échantillon cristallin, contrairement aux échantillons amorphes dans lesquels sa vitesse moyenne est relativement constante avec la fluence. Ceci est expliqué par le fait que le module de cisaillement croît avec la pression pour le cristal, ce qui n’est pas le cas pour les verres métalliques étudiés. Finalement, la zone affectée par la chaleur (HAZ) a été étudiée via la profondeur de fusion et les déformations plastiques. La plus faible température de fusion des échantillons amorphes implique que la profondeur de fusion est plus importante dans ceux-ci que dans l’échantillon cristallin. Dans les verres métalliques, les déformations plastiques ont été identifiées sous forme de zones de transformation par cisaillement (STZ) qui diffusent et fusionnent à plus haute fluence. Aucune déformation plastique importante n’a été identifiée dans le c-CuZr2 mis à part de légères déformations près du front de fusion causées par les contraintes résiduelles. Ce travail a ainsi permis d’améliorer notre compréhension de l’ablation laser sur les verres métalliques et de l’étendue des dommages qu’elle peut entraîner.

Non invasive classification system of scoliosis curve types using least-squares support vector machines

Objective To determine scoliosis curve types using non invasive surface acquisition, without prior knowledge from X-ray data. Methods Classification of scoliosis deformities according to curve type is used in the clinical management of scoliotic patients. In this work, we propose a robust system that can determine the scoliosis curve type from non invasive acquisition of the 3D back surface of the patients. The 3D image of the surface of the trunk is divided into patches and local geometric descriptors characterizing the back surface are computed from each patch and constitute the features. We reduce the dimensionality by using principal component analysis and retain 53 components using an overlap criterion combined with the total variance in the observed variables. In this work, a multi-class classifier is built with least-squares support vector machines (LS-SVM). The original LS-SVM formulation was modified by weighting the positive and negative samples differently and a new kernel was designed in order to achieve a robust classifier. The proposed system is validated using data from 165 patients with different scoliosis curve types. The results of our non invasive classification were compared with those obtained by an expert using X-ray images. Results The average rate of successful classification was computed using a leave-one-out cross-validation procedure. The overall accuracy of the system was 95%. As for the correct classification rates per class, we obtained 96%, 84% and 97% for the thoracic, double major and lumbar/thoracolumbar curve types, respectively. Conclusion This study shows that it is possible to find a relationship between the internal deformity and the back surface deformity in scoliosis with machine learning methods. The proposed system uses non invasive surface acquisition, which is safe for the patient as it involves no radiation. Also, the design of a specific kernel improved classification performance.