S'attaquer à la grande variabilité des données EEG en utilisant la géométrie riemannienne pour obtenir des interfaces cerveau-ordinateur fiables

Tackling the large variability of EEG data using Riemannian geometry toward reliable Brain-Computer Interfaces

• Auteur / Autrice : Maria sayu Yamamoto
• Direction : Sylvain Chevallier
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 01/04/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....)
• Partenaire(s) de recherche : Equipe de recherche : A&O - Apprentissage et Optimisation
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Brain-Computer Interface (BCI)

Géométrie riemannienne

Apprentissage

Brain-Computer Interface (BCI)

Riemannian geometry

Machine learning

Résumé

Les Interfaces Cerveau-Ordinateur (BCI) est un système qui offre une voie de communication directe entre le cerveau humain et une machine en utilisant uniquement l'activité cérébrale. Elle a le potentiel de révolutionner de nombreux domaines d'application, mais la plupart des BCI sont encore des prototypes dans les laboratoires. L'une des raisons en est la grande variabilité des données d'électroencéphalographie (EEG). Cette grande variabilité est due à des causes telles que des artefacts musculaires ou l'état cognitif de l'utilisateur, et ces facteurs seront encore plus sévères lorsque nous utiliserons les BCI dans des conditions réelles, car il s'agit d'un environnement bruyant avec de nombreux distracteurs. Cette thèse abordera ce problème de variabilité en développant des modèles de décodage et de classification EEG robustes utilisant la géométrie riemannienne et contribuera à la conception de BCIs fiables.

Brain-Computer Interface (BCI) is a system that offers a direct communication pathway between the human brain and a machine by using brain activity only. It has the potential to revolutionize many application fields, but most BCIs are still prototypes inside laboratories. One of the reasons behind this is the large variability of electroencephalography (EEG) data. The large variability is due to causes such as muscular artifacts or the user's cognitive state, and those factors will be even more severe when we use BCIs in a real-life condition as it is a noisy environment with many distractors. This thesis will tackle this variability problem by developing robust EEG decoding and classification models using Riemannian geometry and contribute to designing reliable BCIs.