Contribution à la compréhension des performances BCI basées sur les tâches mentales à l'aide de modèles computationnels prédictifs

par Camille Benaroch

Thèse de doctorat en Informatique

Sous la direction de Fabien Lotte.

Thèses en préparation à Bordeaux , dans le cadre de École doctorale de mathématiques et informatique , en partenariat avec LaBRI - Laboratoire Bordelais de Recherche en Informatique (laboratoire) et de Images et Son (equipe de recherche) .


  • Résumé

    Les interfaces cerveau-ordinateur (ou BCI – Brain-Computer Interface) sont des neurotechnologies utilisant l'activité cérébrale (avec des machines d'aquisition de type électroencéphalogramme) pour contrôler des sytèmes. L'individu effectue des tâches sans passer par l'action des muscles. Cette technologie est très prometteuses pour de nombreuses applications (contrôle de prothèse, réeducation post AVC...), mais elles sont encore insuffisamment fiables. Les rendre fiables et utilisables hors des laboratoires nécessite non seulement des améliorations côté machine (ex. : algorithmes d'analyse de signaux cérébraux), mais aussi côté utilisateur. En effet, contrôler une BCI est une compétence qui s'apprend et qui demande de l'entraînement. Malheureusement, la communauté scientifique comprend encore très mal comment entraîner les utilisateurs efficacement et comment les aider à aquérir les compétences nécessaires. Pour pouvoir optimiser l'entraînement en BCI, il faut d'abord bien le comprendre et le modéliser, pour ainsi en déduire les facteurs sur lesquels on peut jouer dans le but d'améliorer les performances et l'apprentissage de l'utilisateur. L'objectif de mes recherches est d'étudier et modéliser statistiquement comment les utilisateurs apprennent à produire des commandes BCI. Pour ce faire, je crée des modèles computationnels interprétables capables de prédire les performances moyennes et la progression des utilisateurs de BCI. Ces modèles sont créés à partir de facteurs provenant des utilisateurs eux-mêmes comme leurs traits de personnalité , ou les caractéristiques de leur activité EEG. Ils prennent également en compte les caractéristiques liées à l'apprentissage de la machine qui apprend à décoder les signaux EEG des utilisateurs pour les transformer en commande, mais aussi du feedback. En combinant ces différents modèles, nous espérons pouvoir prédire à tout moment les performances des utilisateurs de BCI et ainsi identifier les facteurs ayant une influence sur ces dernières afin d'optimiser l'entraînement des utilisateurs.

  • Titre traduit

    Contribution to the understanding of mental task BCI performances using predictive computational models


  • Résumé

    Brain computer interfaces (BCI) are communication and control tools that enable their users to interact with computer by using brain activity alone (which is measured, most of the time, using electroencephalography - EEG). A prominent type of BCI is Mental Task (MT) BCI, that translates change in brain activity due to mental tasks performed by the user (e.g., imagination of movements, mental calculation or mental rotation of an object among others) into control commands for a computer. Using a MT-BCI requires dedicated training. Indeed, the user has to generate stable and distinct brain signals for each task otherwise they will not be able to control the system. Indeed, the system will not be able to recognize which task the user is performing. Producing such brain signals is a skill to be acquired and mastered and the more the user practice the better he/she will get at it. The objective of my PhD project is to contribute to the understanding of BCI user training by first doing an experimental study of learning by participating in the CYBATHLON competition and second by trying to model the various components of learning computationally. The idea would be to create computational models of BCI user training that could predict the learning rate and the performances of various BCI users, over training time, based on their traits, states and skills over time, their neurophysiological characteristics but also on characteristics of the machine (properties of the classifier and signal processing approaches) or the training tasks they perform among others. This would enable us to identify the factors to consider in order to improve user training, and how to manipulate them to optimize such training.