Méthodes d'apprentissage en profondeur pour la détection d'imagerie motrice à partir de l'EEG filtré : applications aux interfaces cerveau-ordinateur
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 |
Examinateurs / Examinatrices : Patrick Hénaff, Anton Popov, Tetiana Aksenova, Sylvain Chevallier, Vladimir Timofeyev, Kateryna Ivanko, Laurent Bougrain | |
Rapporteurs / Rapporteuses : Tetiana Aksenova, Sylvain Chevallier |
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.