Une interface cerveau-machine basée sur des algorithmes de décodage innovants pour le contrôle d'effecteurs complexes en vue d'un usage au quotidien par des patients en situation de handicap moteur
Auteur / Autrice : | Alexandre Moly |
Direction : | Tetiana Aksenova |
Type : | Thèse de doctorat |
Discipline(s) : | Modèles, méthodes et algorithmes en biologie, santé et environnement |
Date : | Soutenance le 10/12/2020 |
Etablissement(s) : | Université Grenoble Alpes |
Ecole(s) doctorale(s) : | École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble ; 1995-....) |
Partenaire(s) de recherche : | Laboratoire : Clinatec (Grenoble, Isère, France) |
Jury : | Président / Présidente : François Cabestaing |
Examinateurs / Examinatrices : Tetiana Aksenova, Solaiman Shokur, Alim-Louis Benabid | |
Rapporteurs / Rapporteuses : Saïd Moussaoui, Fabien Lotte |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
Les interfaces cerveau-Machine (ICM) sont des systèmes permettant de traduire l’activité cérébrale d’un individu via un ordinateur afin d’effectuer des tâches nécessitant normalement une action des nerfs périphériques et/ou musculaires. En se basant sur l’essai clinique de CEA/LETI/CLINATEC, nommé « BCI et Tétraplégie », les recherches de thèse présentées dans ce manuscrit répondent aux challenges de l’intégration ICM dans la vie quotidienne, à savoir le contrôle complexe asynchrone d’effecteurs multi-membres et l’adaptation en temps réel des algorithmes de décodage durant des expériences en closed-loop. Pour répondre aux challenges de l’essai clinique, l’algorithme incrémental adapatif en temps réel Recursive exponentially weighted Markov switching multi-linear model (REW-MSLM) a été créé. L’algorithme REWMSLM repose sur une architecture du type Mixture d’Experts (ME). Les MEs combinent plusieurs décodeurs continus dit «experts » dont les prédictions sont pondérées par un modèle discretnommé «gate » . Les modèles des experts sont estimés via l’algorithme REW-NPLS tandis que l emodèle de gate est un modèle de markov caché (HMM). L’algorithme REW-MSLM a permis à un patient tétraplégique de contrôler un exosquelette 4 membres avec 8 degrés de liberté via ledécodage de signaux électrocorticographiques (ECoG) enregistrés avec deux implants épiduraux sans fil nommé WIMAGINE. Dans une même expérience, avec un même modèle, le patient aréalisé des tâches de contrôle alternatif des mouvements du bras gauche et du bras droit dansl’espace 3D et de rotation 1D des poignets gauche et droit. Le contrôle du patient durant ces tâches est resté très stable, même durant des expériences 6 mois après la fin de la mise à jour du modèle.Par exemple, les performances de contrôle réalisées 0 à 37 jours après la dernière mise à jour dumodèle ont montré un score de réussite de 71 ± 12% et 99 ± 2% pour les tâches de contrôle 3Ddes mouvements des mains et les tâches de contrôle 1D de rotation des poignets. Lesperformances de contrôle réalisées de 0 à 167 jours après la dernière mise à jour du modèle ontmontré un score de réussite de 67 ± 21% et 93 ± 12% pour les tâches de contrôle 3D desmouvements des mains et les tâches de contrôle 1D de rotation des poignets. Dans le but d’êtreintégré dans REW-MSLM, de nouveaux algorithmes, à savoir le (Automatic) Penalized RecursiveExponentially Weighted N-way Partial Least Squares (PREW-NPLS et APREW-NPLS) et uneversion du Modèle de Markov Caché Hiérarchique (H2M2), ont été imaginés et testés en offline.Lp-PREW-NPLS est un algorithme incrémental adaptatif permettant une pénalisation pargroupes du modèle de décodage suivant la norme/pseudo norme Lp=0, 0.5 ou 1. Pour uneutilisation en temps réel, l’algorithme PREW-NPLS nécessite de déterminer avec une étudeoffline préliminaire l’hyperparamètre de pénalisation optimal. APREW-NPLS permet de comparer en temps réel plusieurs modèles avec des hyperparamètres de pénalisation différents afin de l’optimiser en temps réel durant l’expérience. Les algorithmes PREW-NPLS et APREWNPLSont été créés pour réduire la dimension de l’espace des caractéristiques et améliorer lesperformances de décodage. H2M2, quant à lui est un classifieur dynamique similaire aux modèles de type HMM mais avec une structure hiérarchique. La structure hiérarchique est répartie encouches avec les états des couches inférieures dépendants des états des couches supérieures.L’algorithme H2M2 a été conçu dans le but d’améliorer la réactivité du modèle de classification de REW-MSLM (gating). Les résultats de décodage neural direct des signaux épiduraux ECoG obtenus nous poussent à diversifier l’utilisation de ces algorithmes à d’autres domaines.