Interface Cerveau-Machine : application au handicap moteur

Brain computer interface : application to motor disability

• Auteur / Autrice : Dalila Trad
• Direction : Stéphane Delaplace, Mohamed Jemmi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2012
• Etablissement(s) : Versailles-St Quentin en Yvelines

Mots clés

Mots clés contrôlés

Ordinateurs

Mots clés libres

Imc

Imagerie motrice

Emd

Bp

Lda

Hmm

Svm

Roc

Kappa

Simulink

Résumé

L’interface cerveau-ordinateur (ICO) ou l’interface cerveau-machine (ICM) est un système de communication et de contrôle directs. Elle s’appuie uniquement sur l’activité cérébrale d’une personne et un système électrique ou mécanique sans aucune intervention musculaire. Dans notre thèse, nous avons contribué à l’optimisation de certaines étapes et tout particulièrement l’extraction de caractéristiques de l’électroencéphalogramme (EEG) et la classification des tâches mentales dans une ICM de type indirect, asynchrone et indépendant. Cette ICM se base sur la mesure et l’analyse des signaux EEG récoltés sur le scalp d’un individu à l’aide d’électrodes de surface. Elle est asynchrone puisqu’elle exploite la production volontaire de l’activité cérébrale. En fait, cette activité que nous avons enregistrée à l’aplomb du cortex moteur change durant l’activité motrice, lors de la réalisation du mouvement ou lorsque le sujet imagine un mouvement. Du point de vue méthodologique, nous avons proposé une nouvelle technique d’extraction de caractéristiques destinée aux signaux EEG. Cette méthode nous a permis de mettre en évidence la puissance dans les rythmes sensorimoteurs lorsque le sujet imagine un mouvement. Ensuite, nous avons appliqué des méthodes la classification sur la base des vecteurs caractéristiques déjà construits. Le but de cette phase est de déterminer l’´etat mental de l’individu lors de l’imagination d’un mouvement. De plus, plusieurs mesures permettant de quantifier la performance des classifieurs ont été utilisées afin de valider notre méthode d’extraction de caractéristiques proposée. En utilisant deux jeux de données distincts : un basé sur nos propres expériences et l’autre issu d’une base de donnée (Benchmark), nous avons montré que notre approche non linéaire proposée pour l’extraction de caractéristiques a amélioré significativement les performances de classification par rapport aux approches linéaires classiques. Enfin, nous avons implémenté sous MATLAB/Simulink un modèle qui permet de traduire en ligne l’ensemble de ces méthodes pour décoder l’etat mental du sujet.

The brain-computer interface (BCI) or brain-machine interface (BMI) is a system of direct communication and control. It relies solely on brain activity of a subject and an electrical or mechanical system without any intervention muscle. In our study, we have contributed to the optimization of certain stages and especially the extraction of features from the electroencephalogram (EEG) and classifying mental tasks in an indirect, asynchronous and independent type of ICM. The ICM is based on the measurement and analysis of EEG signals collected from the scalp of an individual using surface electrode. It is asynchronous because it exploits the voluntary production of brain activity. In fact, this activity that we recorded at the base of the motor cortex changes during motor activity, when the movement takes place or when the subject imagines a movement. From the methodological point of view, we proposed a new technique for feature extraction for EEG signals. This method allowed us to highlight the power in the sensorimotor rhythms when the subject imagines a movement. Then we applied the classification methods based on the feature vectors already built. The aim of this phase is to determine the mental state of the individual during the imagination of a movement. In addition, several measures for quantifying the performance of classifiers were used to validate our proposed method of feature extraction. Using two separate data sets: one based on our own experiences and the other from a database (Benchmark), we showed that our proposed approach for nonlinear feature extraction significantly improved performance classification compared to traditional linear approaches. Finally, we implemented in MATLAB / Simulink a model that implements online all of these methods to decode the subject's mental state.