Conception, étude et optimisation de tâches et de programmes d'entrainement au contrôle d'interfaces cerveau-ordinateur

par Aline Roc

Projet de thèse en Informatique

Sous la direction de Fabien Lotte et de Pascal Guitton.

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) depuis le 23-08-2019 .


  • Résumé

    Contexte : Les Interfaces Cerveau Ordinateur (ou BCI de l'anglais Brain computer interfaces) sont des systèmes de communication et de contrôle qui permettent à leurs utilisateurs d'interagir avec un ordinateur uniquement grâce à leur activité cérébrale, celle-ci étant généralement mesurée par électroencéphalographie (EEG) (Nam 2018). Une BCI peut par exemple permettre à un utilisateur paralysé d'envoyer des commandes simples à une prothèse ou à un fauteuil roulant, en imaginant des mouvements (ex : aller tout droit, tourner à gauche ou à droite, en imaginant des mouvements des pieds, de la main gauche ou de la main droite, respectivement). Utiliser une BCI requiert de l'entrainement, et plus les utilisateurs pratiquent le contrôle de BCI, meilleurs ils peuvent devenir. Malheureusement ce processus d'apprentissage humain au contrôle des BCI est encore relativement mal compris, et l'entrainement permettant cet apprentissage est très sous-optimal (Lotte 2013). Dans le cadre du projet ERC BrainConquest, notre objectif est donc de comprendre, de modéliser et d'optimiser l'apprentissage et l'entrainement au contrôle de BCI. Différents travaux passés et actuels dans l'équipe (voir par exemple Jeunet 2015, Jeunet 2018, Lotte 2018), dont notamment 2 thèses en cours sur le projet BrainConquest, ont déjà donné divers résultats afin de mieux comprendre et de modéliser cet apprentissage. Cette 3ème thèse sur le projet BrainConquest s'intéresse donc à l'optimisation de l'entrainement. En effet, jusqu'à présent, à part quelques exceptions (dont des travaux dans l'équipe), l'entrainement au contrôle de BCI consiste en un seul exercice, avec un seul feedback, répété de multiples fois, qui est le même pour tout le monde. C'est bien entendu très sous-optimal, et le but de cette thèse est donc de changer ça. Objectifs de la thèse : L'objective de cette thèse est de concevoir et d'étudier un ensemble de tâches d'entrainement au contrôle de BCI, qui vont entrainer différentes compétences BCI, et ce avec différents feedbacks et différents niveaux de difficulté. Ces tâches d'entrainement et feedbacks pourront notamment se baser sur les travaux précédents de l'équipe (voir, par exemple Pillette 2018, Mladenovic 2017), mais devront également proposer de nouveaux exercices, ciblant des compétences non entrainées jusqu'à présent. Ensuite, une fois ces tâches d'entrainement conçues et testées, il s'agira de proposer un programme d'entrainement complet au BCI, qui propose une séquence de tâches d'entrainement adaptifs, et adaptées à chaque utilisateur, en particulier adaptées aux compétences, à l'état et au profil de l'utilisateur – en fonction des modèles développés dans l'équipe et dans le projet BrainConquest. On pourra par exemple explorer des algorithmes de séquençage d'exercices basés sur du machine learning tels que (Clément 2015). Ces programmes d'entrainement devront être testés avec de nombreux utilisateurs humains, à la fois des personnes neurotypiques, mais aussi des personnes en situation de handicap moteur, qui sont une des cibles privilégiées des BCI. L'objectif à long terme est d'optimiser l'entrainement au contrôle des BCI, afin d'améliorer drastiquement les performances des utilisateurs au contrôle de BCI.

  • Titre traduit

    Design, study and optimization of training tasks and programs for brain-computer interface control


  • Résumé

    Context: Brain Computer Interfaces (BCIs) are communication and control systems that allow their users to interact with a computer only through their brain activity, which is usually measured by electroencephalography (EEG) (Nam 2018). A BCI can for example allow a paralyzed user to send simple commands to a prosthesis or a wheelchair, only by imagining movements (e.g. go straight, turn left or right, by imagining movements of the feet, left hand or right hand, respectively.). Using a BCI requires training, and the more users practice BCI control, the better they can become. Unfortunately this process of human learning to control BCI is still relatively poorly understood, and the training program is suboptimal (Lotte 2013). As part of the ERC BrainConquest project, our goal is to understand, model and optimize BCI's learning and control training. Various past and current work in the team (see for example Jeunet 2015, Jeunet 2018, Lotte 2018), including two PhD theses in progress on the BrainConquest project, have already given various results to better understand and model this learning. This third PhD thesis on the BrainConquest project is therefore focused with the optimization of training. Indeed, so far, apart from a few exceptions (including work from the team), BCI control training consists of a unique exercise, with a single feedback, repeated multiple times, which remains the same for everyone. This is, of course, very suboptimal, and the purpose of this thesis is to improve that. Objectives of the thesis: The objective of this thesis will be to design and study a set of control training tasks of BCI, which will lead to various BCI skills, with different feedbacks and different levels of difficulty. These training tasks and feedbacks may be based on the team's previous work (see, for example, Pillette 2018, Mladenovic 2017), but will also have to offer new exercises, targeting untrained skills so far. Once these training tasks have been designed and tested, we will try to propose a complete BCI training program, which offers a sequence of adaptive training tasks adapted to each user, particularly their skills, state and profile - depending on the models developed in the team and in the BrainConquest project. For example, we could explore algorithms for sequencing exercises based on machine learning such as (Clement 2015). These training programs will have to be tested with many human users, both neurotypical people and people with motor disabilities, who are one of the preferred targets of BCI. The long-term goal is to optimize BCI control training to drastically improve user performance.