Réhabilitation motrice post-AVC par l’utilisation d’intelligence artificielle combinée à des neurotechnologies non invasives

Artificial intelligence-based non-invasive neurotechnologies for adaptive and personalized post-stroke motor rehabilitation

• Auteur / Autrice : David Trocellier
• Direction : Fabien Lotte, Bernard N'Kaoua
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 29/09/2025
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire bordelais de recherche en informatique
• Jury : Président / Présidente : Fabrizio De Vico Fallani
• Jury : Examinateurs / Examinatrices : Laurent Bougrain
• Jury : Rapporteurs / Rapporteuses : Cuntai Guan, Tetiana Aksenova
• DOI : 10.70675/ac61719ezf123z4f04zb06bz1304dd8e5f4e

Mots clés

Mots clés contrôlés

Maladies cérébrovasculaires

Intelligence artificielle

Interfaces neuronales directes

Mots clés libres

Interfaces cerveau-ordinateur

Intelligence artificielle

Facteur de variabilité

AVC

Stroke

Variability factors

Artificial Intelligence

Brain computer interfaces

Résumé

Les interfaces cerveau-ordinateur, en anglais brain computer interface (BCI), permettent aux utilisateurs d’envoyer des commandes à un ordinateur en utilisant uniquement leur activité cérébrale. L’un des paradigmes les plus étudiés dans ce domaine est l’imagerie motrice (IM), où les utilisateurs imaginent des mouvements spécifiques de membres — tels que des mouvements de la main gauche ou droite — sans les exécuter physiquement. Cette approche est rendue possible par le fait que l’imagination d’un mouvement active des schémas neuronaux similaires à ceux impliqués dans l’exécution réelle du mouvement. Cependant, les techniques actuelles d’apprentissage manquent souvent de robustesse aux facteurs de variabilités connus dans le domaine. Une variabilité importante des performances des BCI est observée entre les utilisateurs — environ 30% des individus n’arrivent pas à obtenir un contrôle fiable — ainsi que pour un même utilisateur. Cette variabilité peut provenir de facteurs spécifiques aux individus, tels que les traits personnels ou la capacité à réaliser la tâche mentale, ainsi que des facteurs liés aux sessions, tels que la qualité du signal électroencéphalographique (EEG) enregistré ou les fluctuations de l’état mental des utilisateurs (par exemple, la fatigue ou la motivation). Dans cette thèse, nous avons cherché à améliorer la robustesse des algorithmes de classification pour les BCI en prenant en compte ces sources de variabilité. Nous proposons trois contributions principales pour répondre à cette problématique. Dans un premier temps, nous avons validé plusieurs prédicteurs neurophysiologiques des performances des BCI à l’aide d’un large jeu de données en libre accès. Cette étape nous a permis de quantifier l’impact de ces facteurs en vue, dans un second temps, de concevoir des modèles invariants à leur égard. Nous avons ensuite réalisé une revue systématique des algorithmes de classification prenant explicitement en compte ces facteurs de variabilité, que ce soit pour améliorer la précision de classification ou pour atteindre une forme d’invariance vis-à-vis de ces facteurs. Sur cette base, nous avons proposé une version modifiée du classifieur Linear Discriminant Analysis (LDA), conçue pour être invariante à des états mentaux subjectifs ou certains facteurs neurophysiologiques corrélés aux performances des BCI. Enfin, nous avons évalué l’impact des algorithmes d’apprentissage profond dans une approche d’entraînement inter-sujets, comparée à une approche intra-sujet. Nous avons observé que l’entraînement du modèle sur un grand nombre de sujets permet d’améliorer les performances des BCI tout en augmentant la robustesse face à la variabilité interindividuelle. Dans la seconde partie de cette thèse, nous avons étudié les variabilités du IM-BCI dans une application spécifique, la rééducation motrice post-accident vasculaire cérébral (AVC). La réalisation d’exercices d’IM peut favoriser la neuroplasticité, et les BCI peuvent fournir un retour sensoriel continu, directement lié à l’activité du cortex moteur, favorisant ainsi la récupération motrice. Malgré ce potentiel, les thérapies actuelles de rééducation utilisant les BCI restent limitées, principalement en raison de problèmes de robustesse algorithmique, les AVC induisant eux-mêmes une grande variabilité intra- et inter-sujets. Afin d’améliorer l’efficacité des protocoles de rééducation utilisant les BCI, nous avons d’abord effectué une synthèse des différents facteurs susceptibles de prédire le succès de la rééducation. Cela inclut à la fois des prédicteurs de la performance des BCI, et des prédicteurs de la récupération motrice après AVC, avec ou sans intervention par BCI. À partir de cette analyse, nous avons proposé un protocole expérimental, en collaboration avec un hôpital, visant à valider ces prédicteurs en conditions cliniques. Enfin, nous avons intégré une réflexion méthodologique sur les bonnes pratiques d’analyse du signal EEG [...]

Brain-Computer Interfaces (BCI) enable users to send commands to a computer using only their brain activity. One of the most studied paradigms in BCI is motor imagery (MI), where users imagine specific limb movements—such as left- or right-hand movement—without performing them. This is possible because imagining a movement activates neuronal patterns similar to those involved in actual movement execution. MI signals can be decoded using machine learning (ML) or deep learning (DL) algorithms, which are trained to extract the neural features corresponding to these imagined movements. However, current machine learning techniques often lack robustness. A significant variability in BCI performance is observed across users, with approximately 30% of individuals unable to achieve reliable control, as well as within-user variability. This performance variability can arise from subject-specific factors, such as individual traits and the ability to perform the mental task, as well as session-specific factors, such as the quality of the recorded electroencephalographic (EEG) signal and fluctuations in users’ mental states (e.g., fatigue or motivation). In this thesis, we aimed to enhance the robustness of BCI classification algorithms by addressing these sources of variability. We propose three contributions to respond to this question. We first validated several neurophysiological factors of BCI performance variability using a large open-access dataset. We validate the impact of those factors in order to be able in a second step to create ML/DL models invariant to them. We then conducted a systematic review of classification algorithms that explicitly take into account these variability factors, either to improve classification accuracy or to achieve invariance to these factors. We proposed a modified version of the Linear Discriminant Analysis (LDA) classifier designed to be invariant to specific neurophysiological factors correlated with BCI performance or subjective mental states. Lastly, we evaluate the impact of DL algorithms in a cross-subject training approach compared to a within-subject training. We observe that training the model from a large range of subjects allows to increase BCI performance as well as being more robust to cross-subject variability. In the second part of this thesis, we study MI-BCI variability in a more applicative context, for motor rehabilitation for stroke patients Indeed, performing MI exercises can enhance neuroplasticity, and BCIs can provide continuous sensory feedback that is directly linked to motor cortex activity—thereby promoting motor recovery. Despite this potential, current BCI-based rehabilitation therapies remain limited, largely due to algorithmic robustness issues as stroke also induces cross and within subject variability. To improve the effectiveness of BCI-based motor rehabilitation, we first conducted a synthesis of the various factors that may predict the success of rehabilitation. These included predictors of BCI control performance, and predictors of motor recovery after stroke, both with and without BCI intervention. Based on this analysis, we proposed an experimental protocol, to be conducted in collaboration with a hospital, aimed at validating these predictors in a clinical setting. Finally, we included a methodological reflection on best practices in EEG signal analysis. We demonstrated that visual cues (often used in BCI protocols) can introduce biases in ML models, particularly DL architectures, when not properly controlled. Then, we evaluated how the choice of a baseline in event-related desynchronisation (ERD) analysis – often used for MI-BCI - can significantly affect the interpretation of results. Through this work, we aim to better understand the factors related to MI-BCI performance variability and to develop ML methods that explicitly account for this variability [...]