Traitement du signal ECoG pour Interface Cerveau Machine à grand nombre de degrés de liberté pour application clinique
Auteur / Autrice : | Marie-Caroline Schaeffer |
Direction : | Tetiana Aksenova |
Type : | Thèse de doctorat |
Discipline(s) : | MBS - Modèles, méthodes et algorithmes en biologie, santé et environnement |
Date : | Soutenance le 06/06/2017 |
Etablissement(s) : | Université Grenoble Alpes (ComUE) |
Ecole(s) doctorale(s) : | École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble ; 1995-....) |
Partenaire(s) de recherche : | Laboratoire : Clinatec (Grenoble, Isère, France) |
Jury : | Président / Présidente : Alim-Louis Benabid |
Examinateurs / Examinatrices : Marco Congedo, Laura Sacerdote, Laurent Bougrain | |
Rapporteurs / Rapporteuses : François Cabestaing, Saïd Moussaoui |
Mots clés
Mots clés contrôlés
Résumé
Les Interfaces Cerveau-Machine (ICM) sont des systèmes qui permettent à des patients souffrant d'un handicap moteur sévère d'utiliser leur activité cérébrale pour contrôler des effecteurs, par exemple des prothèses des membres supérieurs dans le cas d'ICM motrices. Les intentions de mouvement de l'utilisateur sont estimées en appliquant un décodeur sur des caractéristiques extraites de son activité cérébrale. Des challenges spécifiques au déploiement clinique d'ICMs motrices ont été considérés, à savoir le contrôle mono-membre ou séquentiel multi-membre asynchrone et précis. Un décodeur, le Markov Switching Linear Model (MSLM), a été développé pour limiter les activations erronées de l'ICM, empêcher des mouvements parallèles des effecteurs et décoder avec précision des mouvements complexes. Le MSLM associe des modèles linéaires à différents états possibles, e.g. le contrôle d'un membre spécifique ou une phase de mouvement particulière. Le MSLM réalise une détection d'état dynamique, et les probabilités des états sont utilisées pour pondérer les modèles linéaires.La performance du décodeur MSLM a été évaluée pour la reconstruction asynchrone de trajectoires de poignet et de doigts à partir de signaux electrocorticographiques. Il a permis de limiter les activations erronées du système et d'améliorer la précision du décodage du signal cérébral.