Contribution à la compréhension des performances BCI basées sur les tâches mentales à l’aide de modèles computationnels prédictifs
Auteur / Autrice : | Camille Benaroch |
Direction : | Fabien Lotte, Camille Jeunet |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 17/12/2021 |
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 - Institut national de recherche en informatique et en automatique (France). Centre de recherche Inria de l'université de Bordeaux (Bordeaux) - Popular interaction with 3d content (France) |
Jury : | Président / Présidente : François Cabestaing |
Examinateurs / Examinatrices : Camille Jeunet, Maryam Alimardani | |
Rapporteurs / Rapporteuses : Moritz Grosse-Wentrup, Nathalie George |
Résumé
Les interfaces cerveau-ordinateur (ICO) sont des outils de communication et de contrôle qui permettent à leurs utilisateurs d’interagir avec un ordinateur via leur activité cérébrale (mesurée, généralement, à l’aide de l’électroencéphalographie - EEG). Une catégorie prometteuse d’ICO est l’ICO basée sur les tâches mentales (TM). Les TM-ICO utilisent les modifications de l’activité cérébrale induites par les TM effectuées par l’utilisateur (par exemple, l’imagination de mouvements, le calcul mental ou la rotation mentale d’un objet) pour les transformer en commandes de contrôle. Contrôler une TM-ICO nécessite l’acquisition de compétences et donc un entraînement approprié. En effet, l’utilisateur doit générer des signaux cérébraux stables et distincts pour chaque tâche, faute de quoi il ne sera pas en mesure de contrôler le système. En effet, le système ne sera pas en mesure de reconnaître quelle tâche l’utilisateur est en train d’effectuer. Produire de tels signaux cérébraux est une compétence à acquérir et à maîtriser. L’objectif de cette thèse est de contribuer à la compréhension de l’entraînement des utilisateurs d’ICO en réalisant d’abord une étude expérimentale de l’apprentissage. Dans une première partie, nous avons proposé et évalué la conception d’une TM-ICO multi-classes pour entrainer un utilisateur tétraplégique sur le long terme. Nou avons utilisé une nouvelle méthode de classification: les classifieurs riemanniens adaptatifs. Nous avons également observé que notre pilote a appris à améliorer l’ICO en produisant des signaux EEG correspondant de plus en plus à la distribution des données d’entraînement du classificateur, plutôt qu’en améliorant à discriminer ses signaux. Cette étude nous a également permis de constater la difficulté de la mise en place d’un protocole fiable dédié à un entraînement ICO à long terme. La seconde partie de notre travail est consacrée à la compréhension des performances des TM-ICO à l’aide de modèles computationnels prédictifs. Nous avons proposé différents modèles pouvant prédire les performances de différents utilisateurs de ICO au cours de l’entraînement basés sur des caractéristiques liées aux ICO. Comme une ICO est un système de communication entre un utilisateur et une machine, ces caractéristiques sont liés à la fois au profil de l’utilisateur at aux facteurs extraits d’algorithmes utilisés pour construire/calibrer le système. Nos résultats suggèrent qu’il est possible de prédire les performances des utilisateurs d’ICO en utilisant les caractéristiques neurophysiologiques d’un utilisateur, mais aussi les caractéristiques neurophysiologiques combinées à des caractéristiques stables (des traits) de l’utilisateur. De plus, nos études ont révélé que l’étude des caractéristiques extraites des méthodes utilisées pour construire/calibrer le système pourraient être intéressantes pour mieux comprendre pourquoi certains sujets ont des difficultés à contrôler une ICO. En effet, des modèles fiables de performances ont été révélés en utilisant de telles caractéristiques.