Deep learning methods for motor imagery detection from raw EEG : applications to brain-computer interfaces

par Oleksii Avilov

Thèse de doctorat en Informatique

Sous la direction de Patrick Hénaff et de Anton Popov.

Soutenue le 22-02-2021

à l'Université de Lorraine en cotutelle avec l'Institut polytechnique de Kiev (Ukraine) , dans le cadre de École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine , en partenariat avec Laboratoire lorrain de recherche en informatique et ses applications (laboratoire) .

Le président du jury était Ye-Qiong Song.

Le jury était composé de Patrick Hénaff, Anton Popov, Tetiana Aksenova, Sylvain Chevallier, Vladimir Timofeyev, Kateryna Ivanko, Laurent Bougrain.

Les rapporteurs étaient Tetiana Aksenova, Sylvain Chevallier.

mots clés

• Apprentissage profond
• Électroencéphalographie
• Interfaces cerveau-ordinateur
• Extraction de caractéristiques
• Imagination motrice
• Apprentissage profond
• Électroencéphalographie
• Interfaces neuronales directes
• Cerveau -- Imagerie

Titre traduit

Méthodes d'apprentissage en profondeur pour la détection d'imagerie motrice à partir de l'EEG filtré : applications aux interfaces cerveau-ordinateur

Résumé

Cette thèse présente trois contributions pour améliorer la reconnaissance d’imaginations motrices utilisées par de nombreuses interfaces cerveau-ordinateur (BCI) comme moyen d'interaction. Tout d'abord, nous proposons d'estimer la qualité des images motrices en détectant des valeurs aberrantes et de les supprimer avant apprentissage. Ensuite, nous étudions la sélection des caractéristiques pour sept imaginations de mouvements. Enfin, nous présentons une architecture d'apprentissage profond reprenant les principes du réseaux EEGnet applicable directement sur des signaux électro-encéphalographiques simplement filtrés et adapté au nombre d’électrodes. Nous montrons en particulier ses bénéfices pour l'amélioration de la détection des réveils peropératoires et d'autres applications.

mots clés

• Binterface (BCI)
• Deep learning
• Electroencephalogram (EEG)
• Intraoperative awareness during general anesthesia
• Machine learning
• Median nerve stimulation
• Motor imagery

Résumé

This thesis presents three contributions to improve the recognition of motor imaginary movements used by numerous brain-computer interfaces (BCI) as types of interaction. First of all, we propose to estimate the quality of motor images by detecting outliers and removing them before training. Next, we study the feature selection for seven different motor imaginary movements. Finally, we present a deep learning architecture based on the principles of EEGNet network applied directly on raw electroencephalographic signals and adapted to the number of electrodes. We show in particular its benefits for improving the detection of intraoperative awareness and other applications.