Découvrez les offres de stage ENAC

Publié le 07 décembre 2023

L’ENAC propose tout au long de l’année des stages à destination d’étudiants, dans différents domaines.

Pour toute candidature spontanée, merci d'écrire à recrutement@enac.fr

Liste actuelle des stages proposés :

Stage M1 / M2 / École d'ingénieur - Génération de signaux iEEG via le décodeur d’un autoencodeur : métriques de qualité, fidélité spectrale et validation experte

Cadre du stage : Stage réalisé à l’ENAC à Toulouse, avec collaboration avec AvrioMedTech pour la validation neurophysiologique et échanges avec CerCo sur la donnée et son interprétation.
Encadrant / contact : Christophe Hurter — ENAC, Université de Toulouse (Visual Intelligence) christophe.hurter@enac.fr
Durée du stage : 2 - 6 mois dès la mi-avril 2026
Gratification : Selon la réglementation en vigueur (stage > 3 mois)

Pourquoi ce stage ?

Peut-on utiliser l’IA non seulement pour analyser des signaux cérébraux, mais aussi pour en générer de nouveaux de façon réaliste ?

Dans ce stage, vous travaillerez sur des signaux enregistrés directement dans le cerveau dans le cadre de l’étude de l’épilepsie. L’objectif est d’exploiter le décodeur d’un autoencodeur pour reconstruire et générer des signaux synthétiques proches des signaux réels, puis de concevoir des outils pour répondre à une question essentielle : comment mesurer objectivement la qualité de ces signaux générés, et comment organiser ces données pour qu’elles deviennent réellement utiles à la recherche et à l’évaluation clinique ?

Ce stage combine :

deep learning génératif,
traitement du signal,
évaluation expérimentale et clinique,
et structuration de bases de données de signaux synthétiques et réels.

Contexte scientifique

Le projet GENEPI explore le potentiel des autoencodeurs pour apprendre une représentation compacte de signaux cérébraux, puis les reconstruire de manière fidèle. Une fois entraîné, ce type de modèle peut aussi être utilisé pour générer de nouveaux signaux synthétiques à partir de son espace latent.

Ces signaux générés peuvent avoir plusieurs intérêts :

produire des exemples réalistes pour augmenter les bases de données,
explorer des variantes de signaux de manière contrôlée,
corriger ou atténuer certains artefacts,
et construire des jeux de données mieux structurés pour l’entraînement, l’analyse et la validation de futurs modèles.

Mais pour que ces données synthétiques soient réellement exploitables, il faut aller au-delà de la simple génération. Le stage vise donc aussi à définir des métriques de qualité, à mettre en place une évaluation experte avec des cliniciens, et à réfléchir à la manière d’organiser une base de données cohérente de signaux réels et synthétiques, documentée et réutilisable pour la suite du projet.

Ce que vous ferez

Le stage commencera par la prise en main d’un autoencodeur capable de reconstruire des signaux cérébraux et d’en générer de nouveaux. L’objectif sera ensuite de produire des signaux synthétiques réalistes, puis d’en évaluer la qualité en les comparant à des signaux réels, à la fois avec des métriques quantitatives et avec l’appui d’experts du domaine.

Le travail comprendra aussi un volet base de données, avec l’organisation des signaux réels et synthétiques dans une structure claire, documentée et réutilisable pour les expériences futures. Le stage devra enfin aboutir à des livrables concrets : un pipeline reproductible, des critères d’évaluation et une base de données exploitable pour la suite du projet.

Profil recherché

Ce stage s’adresse à un·e étudiant·e de M2 ou fin d’études intéressé·e par l’IA appliquée à des données biomédicales réelles.

Compétences appréciées :

bases solides en deep learning,
intérêt pour les modèles génératifs ou les autoencodeurs,
bonnes notions de traitement du signal,
maîtrise de Python et idéalement PyTorch,
rigueur méthodologique,
capacité à construire un protocole d’évaluation propre et à échanger avec des experts non spécialistes du machine learning.

Environnement technique

Python, PyTorch, NumPy, SciPy, scikit-learn, matplotlib / plotly, Git.

Ce que le stage peut vous apporter

Ce stage est particulièrement intéressant si vous souhaitez :

travailler sur une problématique de génération de données réalistes,
concevoir des métriques d’évaluation utiles en pratique,
contribuer à la création d’une base de données structurée pour la recherche,
collaborer avec des experts du domaine clinique,
évoluer à l’interface entre IA, signal, données et santé.

References

Gardy, L., Curot, J., Valton, L., Berthier, L., Barbeau, E. J., & Hurter, C. (2025). Detecting fast-ripples on both micro- and macro-electrodes in epilepsy: A wavelet-based CNN detector. Journal of Neuroscience Methods, 415, 110350. https://doi.org/10.1016/j.jneumeth.2024.110350

Zijlmans, M., Jiruska, P., Zelmann, R., Leijten, F. S. S., Jefferys, J. G. R., & Gotman, J. (2012). High-frequency oscillations as a new biomarker in epilepsy. Annals of Neurology.

Jacobs, J., & Zijlmans, M. (2012). High-frequency oscillations (HFOs) in clinical epilepsy. Progress in Neurobiology.

Zweiphenning, W., et al. (2022). HFO trial: HFO-guided tailoring of epilepsy surgery. The Lancet Neurology.

McInnes, L., Healy, J., & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv, 1802.03426.

Maslarova, A., Shin, J. N., Navas-Olive, A., Vöröslakos, M., Hamer, H., Doerfler, A., et al. (2025). Spatiotemporal patterns differentiate hippocampal sharp-wave ripples from interictal epileptiform discharges in mice and humans. Nature Communications.

Duan, C., Zhang, Y., Kanai, S., Ding, Y., Daida, A., Yu, P., et al. (2026). Omni-iEEG: A Large-Scale, Comprehensive iEEG Dataset and Benchmark for Epilepsy Research. arXiv preprint, arXiv:2602.16072.

Stage M1 / M2 / École d'ingénieur - Deep learning pour les signaux cérébraux : Apprentissage d’un autoencodeur pour signaux iEEG et exploration sémantique de l’espace latent (Fast Ripples / Non–Fast Ripples)

Cadre du stage : Le stage se déroule à l’ENAC à Toulouse, avec des interactions dans le cadre du projet GENEPI, en lien avec CerCo et AvrioMedTech pour les aspects neurophysiologie et évaluation.
Encadrant / contact : Christophe Hurter — ENAC, Université de Toulouse (Visual Intelligence) : christophe.hurter@enac.fr
Durée du stage : 2 - 6 mois à partir dès la mi-mai 2026
Gratification : Selon la réglementation en vigueur (stage > 3 mois)

Pourquoi ce stage ?

Dans ce stage, vous travaillerez sur des enregistrements de l’activité cérébrale réalisés à l’aide d’électrodes placées dans le cerveau, une technique appelée SEEG (stéréo-électroencéphalographie). L’objectif sera d’utiliser l’IA pour apprendre à repérer et représenter automatiquement certains événements très rapides du signal, appelés Fast Ripples, qui pourraient aider à localiser les zones à l’origine des crises d’épilepsie.

Contexte scientifique

Chez certains patients atteints d’épilepsie pharmaco-résistante, une étape clé consiste à localiser avec précision les zones cérébrales responsables des crises. Parmi les biomarqueurs étudiés, les oscillations de haute fréquence (HFO), et en particulier les Fast Ripples, jouent un rôle majeur.

Le projet GENEPI explore une approche d’intelligence artificielle où le modèle apprend directement à partir des signaux cérébraux, plutôt que d’utiliser uniquement des règles définies à la main. L’idée est d’entraîner un autoencodeur, c’est-à-dire un modèle capable de compresser un signal en une représentation plus compacte (espace latent), puis de le reconstruire. Cette représentation compacte, appelée espace latent, permet ensuite d’explorer la structure des données : on peut chercher si certains types de signaux s’y regroupent, comme les Fast Ripples, le bruit ou d’autres motifs d’intérêt pour l’analyse neurophysiologique et clinique.

Ce que vous ferez

Au cours du stage, vous serez amené·e à :

Prendre en main les données iEEG / SEEG
1. comprendre la structure des segments de signaux (typiquement 400 ms),
2. exploiter les annotations disponibles (Fast Ripples, bruit, artefacts),
3. manipuler les métadonnées utiles à l’analyse.
Concevoir un autoencodeur pour signaux temporels
1. proposer et tester des architectures adaptées aux séries temporelles (1D CNN, TCN, variantes hybrides, etc.),
2. définir une stratégie d’entraînement robuste,
3. choisir et comparer différentes fonctions de coût (reconstruction, régularisation, contraintes sur le latent, etc.).
Entraîner et valider le modèle
1. mettre en place des protocoles d’évaluation rigoureux,
2. contrôler la qualité des données et la robustesse aux artefacts,
3. conduire des expériences comparatives et des ablations.
Explorer le sens de l’espace latent
1. analyser la séparation entre Fast Ripples et non-Fast Ripples,
2. rechercher des clusters, des sous-classes ou des structures cachées,
3. étudier la présence éventuelle de signatures liées à la physiologie, au bruit ou aux artefacts,
4. produire des visualisations et des analyses quantitatives (UMAP, t-SNE, métriques de séparabilité, clustering).
Produire des livrables utiles pour la suite du projet
1. code propre et reproductible,
2. notebooks d’analyse,
3. rapport technique avec résultats, limites et recommandations.

Profil recherché

Nous recherchons un·e étudiant·e curieux·se, autonome et rigoureux·se, avec un intérêt pour l’IA appliquée à des données réelles.

Compétences appréciées :

bases solides en machine learning / deep learning,
bonne maîtrise de Python,
expérience avec PyTorch ou framework équivalent,
intérêt pour les séries temporelles ou le traitement du signal,
goût pour l’expérimentation propre, documentée et reproductible.

Environnement technique

Python, PyTorch, NumPy, SciPy, scikit-learn, matplotlib / plotly, Git.

Ce que le stage peut vous apporter

Ce stage est particulièrement intéressant si vous souhaitez :

travailler sur un vrai problème de recherche appliquée,
développer une expertise en deep learning pour signaux temporels,
contribuer à un sujet à fort impact biomédical,
explorer des questions de représentation, interprétabilité et visualisation,
évoluer à l’interface entre IA, signal et neurosciences.

References

Gardy, L., Curot, J., Valton, L., Berthier, L., Barbeau, E. J., & Hurter, C. (2025). Detecting fast-ripples on both micro- and macro-electrodes in epilepsy: A wavelet-based CNN detector. Journal of Neuroscience Methods, 415, 110350. https://doi.org/10.1016/j.jneumeth.2024.110350
Zijlmans, M., Jiruska, P., Zelmann, R., Leijten, F. S. S., Jefferys, J. G. R., & Gotman, J. (2012). High-frequency oscillations as a new biomarker in epilepsy. Annals of Neurology.
Jacobs, J., & Zijlmans, M. (2012). High-frequency oscillations (HFOs) in clinical epilepsy. Progress in Neurobiology.
Zweiphenning, W., et al. (2022). HFO trial: HFO-guided tailoring of epilepsy surgery… The Lancet Neurology (randomised adaptive non-inferiority trial).
McInnes, L., Healy, J., & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426.

Additional references

Maslarova, A., Shin, J. N., Navas-Olive, A., Vöröslakos, M., Hamer, H., Doerfler, A., ... & Liu, A. (2025). Spatiotemporalpatterns differentiatehippocampalsharp-waveripplesfrominterictalepileptiformdischargesin miceand humans. Nature Communications.

Duan, C., Zhang, Y., Kanai, S., Ding, Y., Daida, A., Yu, P., ... & Roychowdhury, V. (2026). Omni-iEEG: A Large-Scale, Comprehensive iEEG Dataset and Benchmark for Epilepsy Research. arXiv preprint arXiv:2602.16072.

Sujet : Étude de l’impact d’une présentation multisensorielle des alarmes sur l’occurrence d’échecs perceptifs.

Lieu du Stage : Équipe Informatique Interactive, École Nationale de l’Aviation Civile (ENAC), Toulouse
Encadrants : Angelo Gaillet (ENAC), Jérémie Garcia (ENAC) et Sébastien Scannella (ISAE-Supaéro)
Durée du Stage : 5 à 6 mois à partir de mars 2026 (date de début flexible)
Rémunération : gratification réglementaire 4,50€ / heure soit environ 650€ par mois

Objectifs du stage et travail demandé

L’objectif de ce stage est d’étudier les possibles bénéfices d’une présentation multisensorielle des alarmes critiques pour réduire l’occurrence d’échecs perceptifs dans une situation (plus) proche de celles réelles de pilotage.

En particulier, nous souhaitons mener une expérimentation, avec un jeu vidéo, visée à créer des échecs perceptifs parmi les participants. Dans cette expérience nous souhaitons comparer les taux de réponses à des alarmes présentées via différents canaux sensoriels. Nous nous intéresserons aussi à la caractérisation des signatures électrophysiologiques sous-jacentes aux phénomènes observés (échecs perceptifs et intégration multisensorielle ; cf. Dehais et al., 2019; Foxe et al., 2000; Noel et al., 2018).

Déroulé envisagé du stage :

Familiarisation avec l’état de l’art sur les échecs perceptifs et sur l’intégration multisensorielle ;
Participation à la conception et au développement d’une expérimentation ;
Recueil des données expérimentales ;
Analyse des données ;
Participation à la rédaction d’un article scientifique décrivant les résultats ;

Profil recherché :

Étudiant·e en Sciences Cognitives, Psychologie, Neurosciences, Ingéniérie Cognitique, ou disciplines associées ;
Lecture et compréhension de l’anglais écrit ;
Intérêt pour la recherche ;
Compétences souhaitées en méthodes expérimentales, développement (python) et analyse statistique de données ;
Des compétences en analyse de données EEG sont un plus

Merci de contacter Angelo Gaillet et Jérémie Garcia par email angelo.gaillet@enac.fr et jeremie.garcia@enac.fr pour des renseignements ou postuler avec un CV et une lettre/email de motivation avant le 16 janvier 2026.

Nous organiserons des entretiens présentiels ou visio-conférence entre le 19 et le 23 janviers avec les candidat.e.s retenu.e.s.

Stage - Allier théorie des jeux et apprentissage par renforcement

Profil recherché :

Stage de fin d’étude ou de recherche (M2, 3ème année d’école d’ingénieur, ou césure)

Compétences requises :

Goût pour la recherche
Intérêt pour l’IA pour les systèmes dynamiques
Connaissances en programmation, maîtrise du langage Python
Connaissance des principes et techniques de Deep Learning
Maîtrise de l’anglais ou du français

Compétences supplémentaires appréciées :

Expérience en recherche
Connaissance des principes de la théorie des jeux,
Connaissance des principes et techniques de Reinforcement Learning
Connaissance de la programmation fonctionnelle (eg: CamL, JAX)
Connaissance des drones

Stands-out :

Connaissance de JAX (Bibliothèque Python pour le calcul sur GPU, cf. suite)
Connaissance de l’apprentissage par renforcement multi-agent dans des environnements compétitifs
Connaissance et/ou expériences avec les techniques de la théorie des jeux, comme PSRO ou CFR.

Lieu de travail : ENAC, 7 avenue Edouard Belin à Toulouse (campus universitaire Rangueil)
Pour candidater : Adressez par mail à timothee.gavin-ext@enac.fr et murat.bronz@enac.fr un CV et une lettre de motivation.

Stage - Implémentation d'algorithmes d'apprentissage par renforcement multi-agent

Profil recherché : Bac +3/+4

Compétences requises

Intérêt pour l’IA pour les systèmes dynamiques
Connaissances en programmation, maîtrise du langage Python
Maîtrise de l’anglais ou du français

Compétences supplémentaires appréciées

Connaissance des principes et techniques de Deep Learning
Connaissance des principes et techniques de Reinforcement Learning
Connaissance de la programmation fonctionnelle (eg: CamL, JAX)
Connaissance des drones

Stands-out :

Connaissance de JAX
Connaissance de l’apprentissage par renforcement multi-agent

Stage - Explorer les méthodes d'amélioration des processus d'apprentissage par renforcement multi-agents

Profil recherché : Stage de fin d’étude ou de recherche (M2, 3ème année d’école d’ingénieur, ou césure)

Compétences requises

Goût pour la recherche
Intérêt pour l’IA pour les systèmes dynamiques
Connaissances en programmation, maîtrise du langage Python
Maîtrise de l’anglais ou du français

Compétences supplémentaires appréciées

Connaissance des principes et techniques de Deep Learning
Connaissance des principes et techniques de Reinforcement Learning
Connaissance de la programmation fonctionnelle (eg: CamL, JAX)
Connaissance des drones

Stands-out :

Connaissance de JAX (Bibliothèque Python pour le calcul sur GPU, cf. suite)
Connaissance de l’apprentissage par renforcement multi-agent

Stage M2 - Analyse de l’invention dans les lignées de techniques d’interaction F/H

Contexte
Une grande partie de la recherche en interaction humain-machine porte sur l'invention de nouvelles techniques d’interaction, comme en témoignent les publications dans les conférences UIST ou CHI ou les ouvrages de référence, comme par exemple (Myers 2024). Une technique d'interaction est ce qui permet, en combinant des modalités d'entrée et de sortie (graphisme 2D, gestes, parole…), d'effectuer des tâches élémentaires d'interaction telles que la sélection, l'entrée de données, le déclenchement, le défilement ou la spécification d'arguments et de propriétés. Par exemple, le défilement dans une vidéo peut être effectué par manipulation directe non par une barre de défilement, mais par saisie et déplacement d'un objet en déplacement dans la vidéo (Dragicevic et al 2008). La spécification simultanée d'arguments dans un outil de dessin peut être effectuée par un seul geste traversant plusieurs palettes (CrossY, Apitz et al 2004). La sélection d'une cible dans un ensemble de bulles de tailles différentes peut être réalisée plus efficacement par un redimensionnement dynamique de la taille du curseur de sélection (Bubble Cursor, Grossman et al 2005). La sélection dans une zone peut être réalisée bi-manuellement par dimensionnement et sélection dans la zone (WritLarge, Xia et al 2017). Dernier exemple bien connu, la saisie de formes géométriques peut être réalisée par combinaison de commandes vocales et de gestes de pointage (Bolt 1980).

Objectifs du stage :
L’objectif de ce stage est, à travers une analyse de la littérature scientifique et une analyse de deux ou trois cas d’étude, de décrire des exemples de tels schèmes techniques. La description des schèmes intervenant dans l'évolution des techniques d'interaction est présente d'une certaine manière dans la littérature scientifique en IHM, notamment dans les sections "état de l'art" qui servent à situer la technique d'interaction publiée par rapport à des lignées, ainsi que dans l’histoire des techniques d’interaction (Myers 2024). Une première étude des lignées pourrait ainsi s'inspirer d'une analyse de ces sections avec cet objectif spécifique. Les schèmes techniques sont également présents dans les cours, dans les schémas des ingénieurs et des chercheurs. Le musée de l'interaction de l'INRIA (Mackay 2015) est un recensement qui propose une première classification de ces techniques, tout comme la classification cladistique des objets interactifs tangibles proposée par (Fleck et al 2018). Le modèle de l'interaction instrumentale (Beaudouin-Lafon 2000), qui permet de préciser pour un instrument ses degrés d'indirection, d'intégration et de compatibilité, fournit une formalisation de ce que serait la concrétisation pour un interacteur. C'est une mesure statique, mais on pourrait imaginer l'utiliser pour mesurer le degré de concrétisation d'un objet évoluant dans une lignée technique. Ce modèle est un exemple de schème, mais il y en aurait probablement d'autres dont la genèse démontrerait la concrétisation, comme la liaison (Magnaudet et al 2018), un schème qui unifie plusieurs formes d'interaction. Enfin les recherches en IHM portant sur l'innovation dans les techniques d'interaction comportent ce qu'on appelle des "espaces de conception" (e.g. Card et Mackinlay 1990) ou "espace de caractérisation" (Baglioni et al 2009). Ces "design space" ont pour objectif de caractériser sur le plan technique et fonctionnel les propriétés des techniques d'interaction et les dimensions des problématiques.

Travail demandé :