Interface Cerveau-Machine Haute Fidélité pour la Réhabilitation Motrice

High Fidelity Brain-Computer Interface for Motor Rehabilitation

• Auteur / Autrice : Davoud Hajhassani
• Direction : Marco Congedo
• Type : Projet de thèse
• Discipline(s) : BIS - Biotechnologie, instrumentation, signal et imagerie pour la biologie, la médecine et l'environnement
• Date : Inscription en doctorat le 01/05/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement
• Partenaire(s) de recherche : Laboratoire : Grenoble Images Parole Signal Automatique

Mots clés

Mots clés libres

Interfaces Cerveau-Ordinateur

Apprentissage statistique

Géométrie Riemannienne

Brain-Computer Interface

Machine learning

Riemannian Geometry

Résumé

Le projet de recherché de la these est un projet translationnelle qui s'appuie sur des avancées récentes dans plusieurs domaines (Interfaces cerveau-ordinateur (BCI) non invasives, neuroimagerie multimodale à haute résolution, neurosciences cognitives, apprentissage automatique et traitement du signal) pour relever un énorme défi clinique : le développement de système fonctionnels robustes et efficaces contrôlés par le cerveau pour la réadaptation motrice. L'objectif de cette thèse est d'adapter les paramètres d'extraction et de classification des caractéristiques à partir d'une session à l'autre, en optimisant les approches d'apprentissage par transfert. Ces développements permettront une compensation en temps réel pour les apprentissages spécifiques et non spécifiques des changements dans les signaux enregistrés (par exemple, différences dans la position ou l'impédance des électrodes). En particulier, nous allons étudier les méthodes qui se sont avérées efficaces pour l'apprentissage par transfert, par exemple la géométrie riemannienne et le transport optimal, qui code des caractéristiques sous forme de matrices de covariance, préservant ainsi l'information spatiale spécifiques à chaque sujet.

The thesis project is a translational research that builds upon recent advances in several fields (non-invasive Brain-Computer Interfaces (BCIs), high resolution multimodal neuroimaging, cognitive neuroscience, machine learning, and signal processing) to tackle an enormous clinical challenge: the development of robust and efficient brain-controlled assistive devices for motor rehabilitation. The aim of this thesis is to adapt feature extraction and classification parameters from one session to the next by optimizing transfer learning approaches. These developments will allow real-time compensation for both learning-specific and nonspecific (e.g. differences in electrode position or impedance) changes in recorded signals. In particular, we will investigate methods that have proved efficient for transfer learning, e.g. Riemannian geometry and optimal transport, which encode features in the form of covariance matrices, thereby preserving subject-specific spatial information.