Apprentissage profond pour les applications interface cerveau-machine : exploiter les avancées récentes en vision par ordinateur

Deep learning for BCI applications : leveraging recent advances in computer vision

• Auteur / Autrice : Yassine El ouahidi
• Direction : Vincent Gripon, Bastien Pasdeloup, Giulia Lioi
• Type : Thèse de doctorat
• Discipline(s) : Signal, image et vision
• Date : Soutenance le 20/03/2025
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Laboratoire : Equipe Algorithm Architecture Interactions - Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance
• Jury : Président / Présidente : Anatole Lécuyer
• Jury : Examinateurs / Examinatrices : Vincent Gripon, Bastien Pasdeloup, Giulia Lioi, Sylvain Baillet, Sylvain Chevallier, Francesca Galassi
• Jury : Rapporteurs / Rapporteuses : Sylvain Baillet, Sylvain Chevallier
• DOI : 10.70675/c23c5d11zaddez4475z979eza5b5b6f6cc3f

Mots clés

Mots clés contrôlés

Apprentissage auto-supervisé (intelligence artificielle)

Apprentissage profond

Imagerie motrice

Électroencéphalographie

Mots clés libres

Interface Cerveau-Machine (ICM)

Électroencéphalographie (EEG)

Imagerie motrice

Apprentissage profond

Modèle de fondation

Apprentissage auto-supervisé

Brain-Computer Interface (BCI)

Electroencephalography (EEG)

Motor imagery

Deep learning

Foundation model

Self-supervised learning

Résumé

Les ICM permettent une communication directe entre l’activité cérébrale et des dispositifs externes, avec des applications en technologie d’assistance, neuro-rééducation et interaction homme-machine. Malgré leur potentiel,les ICM basées sur l’EEG restent peu utilisées en pratique, la plupart étant confinées aux laboratoires. Leur principale limite est que la dynamique neuronale capturée par l’EEG présente un faible rapport signal/bruit et une forte variabilité entre sujets, sessions et configurations d’enregistrement, rendant difficile l’apprentissage de modèles statistiques stables. Les défis des ICM-EEG ont mené au développement de nombreuses méthodes d’apprentissage profond dédiées. Pourtant, malgré ses capacités de transfert, l’apprentissage profond peine à s’imposer en ICM, faute de bases théoriques claires et d’évaluations rigoureuses. Cette thèse explore si les techniques existantes des principaux domaines de l’apprentissage profond peuvent être adaptées au décodage EEG plutôt que de concevoir de nouvelles méthodes spécifiques aux ICM. Nos résultats montrent comment les avancées en apprentissage profond peuvent améliorer les ICM en les rendant plus efficaces, avec une calibration réduite et une meilleure généralisation aux configurations d’électrodes et aux tâches.

BCI systems enable direct communication between brain activity and external devices, with applications in assistive technology, neurorehabilitation, and human-computer interaction. Despite their potential, EEG-based BCI remain mostly confined to laboratory prototypes. Their main limitation is that neuronal dynamics captured by EEG exhibit low signal-to-noise ratio and strong variability across subjects, sessions, recording settings, and tasks, making stable statistical modeling challenging. These difficulties have led to numerous EEG-BCI-specific deep learning methods. While deep learning excels in transfer learning, its impact on BCI remains limited due to the lack of clear theoretical foundations and rigorous evaluations. This dissertation explores whether existing techniques from leading deep learning fields can be adapted to EEG decoding instead of designing new BCIspecific methods. Our findings show how deep learning advances can enhance EEG-based BCIs, improving adaptability, efficiency, and generalization across electrode configurations and tasks, while reducing calibration time.