Aborder la grande variabilité des données EEG avec la géométrie riemannienne : vers la conception d'interfaces cerveau-ordinateur fiables

Addressing the Large Variability of EEG Data with Riemannian Geometry : Toward Designing Reliable Brain-Computer Interfaces

• Auteur / Autrice : Maria Sayu Yamamoto
• Direction : Sylvain Chevallier, Fabien Lotte
• Type : Thèse de doctorat
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Soutenance le 02/12/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire des Sciences du Numérique - Institut national de recherche en informatique et en automatique (France). Unité de recherche (Saclay, Ile-de-France)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Bertrand Thirion
• Jury : Examinateurs / Examinatrices : Christian Jutten, Karim Jerbi, Alexandre Gramfort, Raphaëlle N. Roy
• Jury : Rapporteurs / Rapporteuses : Christian Jutten, Karim Jerbi

Mots clés

Mots clés contrôlés

Apprentissage automatique

Électroencéphalographie

Géométrie de Riemann

Interfaces neuronales directes

Mots clés libres

Interfaces cerveau-ordinateur

Géométrie riemannienne

Électroencéphalographie (EEG)

Apprentissage automatique

Brain-Computer Interfaces (BCIs)

Riemannian geometry

Electroencephalography (EEG)

Machine learning

Résumé

Les interfaces cerveau-ordinateur (BCI) basées sur la géométrie riemannienne ont gagné en popularité au cours de la dernière décennie, démontrant des améliorations significatives dans divers contextes de classification des BCI. Malgré ces avancées, les systèmes BCI restent insuffisamment fiables pour des applications pratiques. L'une des principales difficultés auxquelles les BCI sont confrontées est la variabilité considérable de l'électroencéphalogramme (EEG). Cette variabilité est censée être encore plus prononcée lorsque les systèmes BCI sont utilisés sur plusieurs jours ou en dehors des environnements de laboratoire contrôlés. Cette thèse aborde la grande variabilité de l'EEG sous divers angles sur la variété riemannienne des matrices symétriques définies positives (SPD). Nos six contributions au total peuvent être divisées en trois catégories. Dans la première section, nous proposons deux approches pour atténuer la variabilité de la distribution des données intra-utilisateur sur une variété SPD. La première contribution est une méthode automatique de détection des valeurs aberrantes basée sur le regroupement spectral des matrices SPD EEG, qui permet de détecter les valeurs aberrantes plus précisément que les méthodes existantes de manière entièrement centrée sur les données. La deuxième contribution propose un modèle de classification qui prend en compte les distributions multimodales des matrices SPD sur un collecteur. Notre classificateur multimodal améliore de manière significative la précision de la classification pour un ensemble de données très variables par rapport à un classificateur unimodal standard. La deuxième section traite de la variabilité inter-utilisateur en proposant deux méthodes de sélection de paramètres personnalisées. La première méthode implique une réduction dimensionnelle pour projeter les matrices SPD dans des sous-espaces de basse dimension plus discriminants entre classes, améliorant significativement la précision de classification par rapport à l'espace dimensionnel original. La deuxième méthode est une approche de sélection de bandes de fréquences et de fenêtres temporelles discriminantes basée sur la distinctivité des classes sur une variété SPD. Notre approche de sélection a considérablement amélioré la précision de la classification par rapport à une référence sans sélection de paramètres personnalisés et à une méthode de sélection conventionnelle bien connue. Dans la section finale, nous nous concentrons sur la conception de caractéristiques de classification moins variables dérivées de mesures neurophysiologiques qui ont été sous-utilisées dans les études BCI. Nous proposons de nouvelles représentations de matrices SPD exploitant des couplages inter-fréquences comme caractéristiques de classification, améliorant significativement la précision par rapport aux représentations SPD riemanniennes conventionnelles. De plus, nous avons exploré l'efficacité de la suppression d'une composante hautement variable du signal neural basée sur la paramétrisation périodique/aperiodique des signaux EEG. Cela pourrait contribuer au développement de stratégies neuroscientifiquement interprétables pour aborder la grande variabilité des EEG/BCI. Nos résultats empiriques issus de ces six contributions ouvrent la voie au développement d'algorithmes qui traitent plus efficacement la variabilité significative de l'EEG, faisant progresser la conception d'applications BCI fiables.

Riemannian geometry-based Brain-Computer Interfaces (BCIs) have gained momentum over the last decade, demonstrating significant improvements in various BCI classification contexts. Despite these advancements, BCI systems remain insufficiently reliable for practical applications. One of the obstacles facing BCIs is the considerable variability of electroencephalogram (EEG). This variability is expected to be even more pronounced when BCI systems are used over multiple days or outside controlled laboratory environments. This thesis tackled the large variability of EEG data from a variety of angles on the Riemannian manifold of symmetric positive definite (SPD) matrices. Our six contributions can be divided into three categories. In the first section, we proposed two approaches to mitigate the variability of intra-user data distribution on an SPD manifold. The first contribution is an automatic outlier detection method based on spectral clustering for EEG SPD matrices, which could detect outliers more accurately than existing methods in a fully data-driven manner. The second contribution proposed a classification model that accounts for multimodal distributions of SPD matrices on a manifold. Our classifier significantly improved accuracy for a highly variable dataset compared to a standard unimodal classifier. The second section tackled inter-user variability by proposing two personalized parameters selection methods. The first method involves dimensionality reduction to project SPD matrices into more class-discriminating low-dimensional subspaces, significantly enhancing classification accuracy from the original high-dimensional space. The second method is a discriminative frequency band and time window selection approach based on class distinctiveness on an SPD manifold. Our selection approach substantially improved classification accuracy over both a baseline without personalized parameters selection and a well-known conventional selection method. In the final section, we focused on designing less variable classification features derived from neurophysiological measurements that have been underutilized in BCI studies. We propose novel SPD matrix representations that exploit multiple cross-frequency coupling as classification features, significantly improving classification accuracy over conventional Riemannian SPD representations. Additionally, we explored the effectiveness of removing a highly variable component of neural signal based on periodic/aperiodic parameterization of EEG signals. This could contribute to the development of neuroscientifically interpretable strategies for addressing large variability in EEG/BCI. Our empirical findings from these six contributions collectively pave the way for algorithm developments that more effectively address significant EEG variability, advancing the design of reliable BCI applications.