Interfaces cerveau-machines cognitives et neurofeedback pour améliorer la fonction attentionnelle

Non-invasive cognitive brain machine interfaces and neurofeedback to enhance the attentional function

• Auteur / Autrice : Célia Loriette
• Direction : Suliann Ben Hamed
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 08/03/2022
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Neurosciences et Cognition (NSCo) (Lyon)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....)
• Partenaire(s) de recherche : Laboratoire : Institut de sciences cognitives Marc Jeannerod (Lyon ; 2006-....)
• Jury : Président / Présidente : Pierre Fourneret
• Jury : Examinateurs / Examinatrices : Suliann Ben Hamed, Claire Wardak, Claire Sergent, Laurent Petit
• Jury : Rapporteur / Rapporteuse : Claire Wardak, Claire Sergent

Mots clés

Mots clés contrôlés

Neurosciences cognitives

Neurofeedback

Troubles de l'attention

Emploi en thérapeutique -- Essais

Apprentissage automatique

Mots clés libres

Attention visuo-spatiale

Homme

Interfaces cerveau-machine

Neurofeedback

IRM fonctionnelle

EEG

Intelligence artificielle

Décodage

Visuo-spatial attention

Humans

Brain-computer interfaces

Neurofeedback

FMRI

EEG

Machine Learning

Decoding

Résumé

L’attention visuo-spatiale est une fonction majeure que tous nous utilisons quotidiennement. La conduite, la pratique d’activités sportives ou artistiques dépendent de notre capacité à sélectionner des éléments d’intérêt dans l’espace et à nous concentrer dessus. Les troubles de l’attention et de l’hyperactivité (TDAH) sont souvent liés à des difficultés. Afin de les atténuer, des solutions médicamenteuses peuvent être proposées, mais l’amélioration qu’elles procurent est souvent considérée comme insuffisante par les patients, et leurs effets indésirables peuvent être mal tolérés. En parallèle de ces solutions pharmacologiques, des solutions d’entraînement cognitifs ont été développées ayant pour but d’améliorer l’attention de façon non invasive chez les personnes présentant un TDAH. Parmi ces outils, l’un deux connaît un développement majeur depuis ces dernières années : l’entraînement par neurofeedback. Le principe du neurofeedback consiste, après avoir enregistré l’activité cérébrale des patients, à l’utiliser pour donner un feedback à chaque personne entraînée. Souvent, le feedback utilisé est un marqueur de la fonction à entraîner. Par exemple, pour les TDAH, l’électroencéphalographie (EEG) est souvent utilisée pour construire un neurofeedback basé sur l’activité Alpha qui est un marqueur de l’attention (ce sont les oscillations de l’activité cérébrale situées entre 8 et 12 Hz). Cependant, l’information fournie par ce genre de feedback est souvent peu précise car les marqueurs utilisés témoignent souvent de fonctions plus globales que celle ciblées. Néanmoins, ces dernières années, grâce au développent rapide des techniques d’intelligence artificielle, un nouveau type de neurofeedback s’est développé, appelé « neurofeedback décodé » (DecNef). Le principe du DecNef est d'utiliser l’intelligence artificielle pour extraire dans les enregistrements d'activité cérébrale des informations fiables, associées à des fonctions cognitives spécifiques. Ces informations sont ensuite transmises au sujet dans le but de générer des changements ou des améliorations de la fonction ciblée. Cette interaction entre homme et machine est aussi appelée Interfaces Cerveau Machine (ICM). Par exemple, nous pourrions imaginer un algorithme capable de « lire » dans le cerveau d’une personne, et d’estimer où cette personne porte son attention dans l’espace, le tout grâce à des enregistrements cérébraux comme l’EEG ou l’imagerie fonctionnelle. Cela permettrait d’anticiper quand la personne se déconcentre et de la corriger en temps réel. Cette technique de DecNef se montre très prometteuse. Cependant, elle nécessite un algorithme capable de faire des estimations avec une très grande précision afin que le feedback soit le plus informatif possible. Ce travail de thèse se place dans une telle perspective. Les objectifs en sont multiples. Premièrement, nous avons cherché à construire une interface cerveau machine précise, afin de pouvoir estimer la position de l’attention spatiale, chez des participants humains. Cela a été réalisé en utilisant principalement l’imagerie fonctionnelle, avec en préalable la construction d'un algorithme de décodage à haute résolution (Chapitre 1). Puis, dans second travail, nous avons utilisé les outils développés précédemment afin de réaliser un neurofeedback décodé (Chapitre2). Ces travaux ont également permis d’augmenter les connaissances scientifiques dans le domaine de l’attention visuelle. Puis, dans une troisième travail (Chapitre 3), nous avons utilisé les outils de décodages développés sur des données d’EEG, qui permettent d’enregistrer l’activité cérébrale à plus haute résolution temporelle. Après avoir mis en place une méthode de décodage, nous avons utilisé le résultat de notre décodeur afin de mieux comprendre les mécanismes sous-jacents à l’attention spatiale.

Visuo-spatial attention is a major function permanently experienced in daily life. Driving, practicing sport or arts, relies on our ability focus and orient our attention in space. In this context, attention deficits and hyperactivity disorders (ADHD) often lead to strong impairments in patients. Pharmacological solutions have shown significant effects in reliving the symptoms, but benefits still reported not sufficient and side effects persist strongly. In parallel of the medication answer of ADHD symptoms, cognitive training has been developed in order to provide new and non-invasive tools to improve attention within ADHD population. Among these tools, the neurofeedback-based training has known the most development these last years. The principle of this latter is to record brain activity and use it to provide a feedback to the trained participant. The feedback is often a marker of the targeted function to train. As an example, in ADHD, EEG has been used to build neurofeedback based on Alpha activity (oscillation of brain activity in a range of 8 to 12Hz), which is a marker of attention. However, the data provided by this kind of feedback is often little informative as markers are often representing more global functions than the targeted one. As a consequence, due to the impressive development of machine learning techniques, a new type of feedback, called “decoded neurofeedback” (DecNef), has been developed. The DecNef method allows to extract reliable information associated to a specific cognitive function subtended by brain activity recordings using machine learning algorithms. Then, this information is relayed to the participant in order to improve the targeted function. This interaction between brain and computers is also called Brain Computer Interfaces (BCIs). As an example, we could imagine an algorithm able to read in one person’s brain where this person is attending to in space, thanks to recorded brain activity as EEG or functional imaging. This would permit to anticipates when the person loses its attention and correct him in real time. The DecNef technique is assumed to be very promising. However, it requires a very precise accuracy in the estimation algorithm in order to provide the most informative feedback. In this context, this thesis work comes to deal with several objectives. First, we focused our interest on building a precise brain computer interface to infer to position of spatial attention in human participants. This has been done using mainly functional magnetic resonance imaging (fMRI), by building, in a first study, a high resolution decoder algorithm (Chapter 1) to be used in a second study to perform decoded neurofeedback (Chapter 2). These two studies permitted to improve our knowledge on visuo-spatial attention mechanisms. In a third study (Chapter 3), we used decoding tools on EEG data, which is a higher time resolved recording tool. We generated an accurate decoding algorithms for visuo-spatial attention using EEG. Then we used the output of our inferences to understand more spatial attention. This thesis work contributes to scientific knowledge in multiple ways. First, it contributes to technical advances in building cognitive BCIs in real time and at high resolution. Moreover, it brings new approaches in term of machine learning application in neuroscience. In fact, instead of developing algorithms in order to improve our ability to read minds, this thesis work uses machine learning knowledge and neuroscience understanding of visuospatial-attention in order to get improvements in both of domains simultaneously. All this work has been done associated with very challenging technical developments and using a very wide range of neuroscience techniques.