Méthodes d'apprentissage en profondeur pour la détection d'imagerie motrice à partir de l'EEG filtré : applications aux interfaces cerveau-ordinateur

Deep learning methods for motor imagery detection from raw EEG : applications to brain-computer interfaces

• Auteur / Autrice : Oleksii Avilov
• Direction : Patrick Hénaff, Anton Popov
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 22/02/2021
• Etablissement(s) : Université de Lorraine en cotutelle avec Institut polytechnique de Kyiv (Ukraine)
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire lorrain de recherche en informatique et ses applications
• Jury : Président / Présidente : Ye-Qiong Song
• Jury : Examinateurs / Examinatrices : Patrick Hénaff, Anton Popov, Tetiana Aksenova, Sylvain Chevallier, Vladimir Timofeyev, Kateryna Ivanko, Laurent Bougrain
• Jury : Rapporteurs / Rapporteuses : Tetiana Aksenova, Sylvain Chevallier

Mots clés

Mots clés contrôlés

Imagerie

Cerveau

Interfaces neuronales directes

Électroencéphalographie

Apprentissage profond

Mots clés libres

Apprentissage profond

Électroencéphalographie

Interfaces cerveau-ordinateur

Extraction de caractéristiques

Imagination motrice

Binterface (BCI)

Deep learning

Electroencephalogram (EEG)

Intraoperative awareness during general anesthesia

Machine learning

Median nerve stimulation

Motor imagery

Résumé

Cette thèse présente trois contributions pour améliorer la reconnaissance d’imaginations motrices utilisées par de nombreuses interfaces cerveau-ordinateur (BCI) comme moyen d'interaction. Tout d'abord, nous proposons d'estimer la qualité des images motrices en détectant des valeurs aberrantes et de les supprimer avant apprentissage. Ensuite, nous étudions la sélection des caractéristiques pour sept imaginations de mouvements. Enfin, nous présentons une architecture d'apprentissage profond reprenant les principes du réseaux EEGnet applicable directement sur des signaux électro-encéphalographiques simplement filtrés et adapté au nombre d’électrodes. Nous montrons en particulier ses bénéfices pour l'amélioration de la détection des réveils peropératoires et d'autres applications.

This thesis presents three contributions to improve the recognition of motor imaginary movements used by numerous brain-computer interfaces (BCI) as types of interaction. First of all, we propose to estimate the quality of motor images by detecting outliers and removing them before training. Next, we study the feature selection for seven different motor imaginary movements. Finally, we present a deep learning architecture based on the principles of EEGNet network applied directly on raw electroencephalographic signals and adapted to the number of electrodes. We show in particular its benefits for improving the detection of intraoperative awareness and other applications.