Décodage des intentions et des exécutions motrices : étude du rôle des oscillations cérébrales via l’apprentissage machine et développement d’outils open-source

Decoding motor intentions and movement execution : investigating the role of cerebral oscillations using machine learning and development of open-source tools

• Auteur / Autrice : Etienne Combrisson
• Direction : Aymeric Guillot, Karim Jerbi
• Type : Thèse de doctorat
• Discipline(s) : Intelligence artificielle et neuroinformatique
• Date : Soutenance le 13/12/2017
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Interdisciplinaire Sciences-Santé (Villeurbanne ; 1995-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire interuniversitaire de biologie de la motricité (Saint-Etienne ; Lyon ; Chambéry ; 2016-....)
• Jury : Président / Présidente : Blaise Yvert
• Jury : Examinateurs / Examinatrices : Annalisa Pascarella
• Jury : Rapporteurs / Rapporteuses : Maureen Clerc, Alexandre Gramfort

Mots clés

Mots clés contrôlés

Logiciels libres

Python (langage de programmation)

Apprentissage automatique

Mots clés libres

Oscillations cérébrales

Système moteur

Apprentissage machine

Logiciels ouverts

Python

Brain oscillations

Motor system

Machine-learning

Open-source software packages

Python

Résumé

L'exécution d'un simple mouvement est associée à des modulations complexes de l'activité oscillatoire du cerveau. Toutefois, notre compréhension du rôle spécifique des composantes de phase, d'amplitude ou de couplage phase-amplitude (PAC) durant la préparation et l'exécution motrice est encore partielle. La première partie de cette thèse traite de cette question en analysant des données d'EEG intracrânien obtenues chez des sujets épileptiques effectuant une tâche center out différée. Les outils d'apprentissage machine ont permis d'identifier des marqueurs neuronaux propres aux états moteur ou aux directions de mouvement. En plus du rôle déjà bien connu de la puissance spectrale, cette approche dictée par les données (data-driven) a identifié une implication importante de la composante de phase basse fréquence ainsi que du PAC dans les processus neuronaux de la préparation et de l'exécution motrice. En plus de cet apport empirique, une importante partie de ce travail de thèse a consisté à implémenter des outils d'analyse et de visualisation de données électrophysiologiques. Plusieurs utilitaires ont été conçus spécifiquement : une toolbox dédiée à l'extraction et à la classification de marqueurs neuronaux (Brainpipe), des outils de calcul de PAC modulaire basé sur des tenseurs (Tensorpac) ainsi qu'un ensemble d'interfaces graphiques dédiées à la visualisation de données cérébrales (Visbrain). Ces recherches auront permis de mieux comprendre le rôle des oscillations neuronales lors de comportements dirigés et met également à disposition un ensemble d'outils efficaces et libres permettant à la communauté scientifique de répliquer et d'étendre ces recherches

The execution of a motor task is associated with complex patterns of oscillatory modulations in the brain. However, the specific role of oscillatory phase, amplitude and phase-amplitude coupling (PAC) across the planning and execution stages of goal-directed motor behavior is still not yet fully understood. The aim of the first part of this PhD thesis was to address this question by analyzing intracranial EEG data recorded in epilepsy patients during the performance of a delayed center-out task. Using machine learning, we identified functionally relevant oscillatory features via their accuracy in predicting motor states and movement directions. In addition to the established role of oscillatory power, our data-driven approach revealed the prominent role of low-frequency phase as well as significant involvement of PAC in the neuronal underpinnings of motor planning and execution. In parallel to this empirical research, an important portion of this PhD work was dedicated to the development of efficient tools to analyze and visualize electrophysiological brain data. These packages include a feature extraction and classification toolbox (Brainpipe), modular and tensor-based PAC computation tools (Tensorpac) and a versatile brain data visualization GUI (Visbrain). Taken together, this body of research advances our understanding of the role of brain oscillations in goal-directed behavior, and provides efficient open-source packages for the scientific community to replicate and extend this research