Apprentissage profond pour le décodage de l'électroencéphalographie

Deep Learning for Electroencephalography Decoding

• Auteur / Autrice : Bruno Aristimunha pinto
• Direction : Sylvain Chevallier, Raphael Yokoingawa De camargo
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/06/2023
• Etablissement(s) : université Paris-Saclay en cotutelle avec Federal University of ABC, Center for Mathematics, Computing and Cognition (UFABC)
• 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 (Orsay, Essonne ; 2021-....)
• Partenaire(s) de recherche : Equipe de recherche : A&O - Apprentissage et Optimisation
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Apprentissage profond

Électroencéphalographie

Décodage

Deep Learning

Electroencephalography

Decoding

Résumé

Comprendre le fonctionnement du cerveau humain est l'un des défis les plus importants de la science. La technique non invasive la plus courante pour évaluer l'activité cérébrale est l'électroencéphalographie (EEG), qui utilise des électrodes pour capturer les champs électriques générés par l'activité collective de milliards de neurones. Cependant, l'analyse de ces données est un véritable défi car le rapport signal/bruit est très faible, le signal a une dimensionnalité élevée et le volume de données généralement disponibles pour l'analyse est faible. Ce projet de doctorat utilisera des modèles d'apprentissage profond pour classifier et apprendre une représentation utile de ces signaux biologiques. L'accent sera mis sur l'utilisation de ces modèles dans toutes les données EEG du monde. Nous inspecterons les couches du modèle et espérons permettre des analyses plus précises dans des scénarios d'analyse supervisés cliniquement, tels que les interfaces cerveau-machine.

Understanding how the human brain works is one of science's most important open challenges. The most common non-invasive technique for assessing brain activity is electroencephalography (EEG), which uses electrodes to capture electric fields generated by the collective activity of billions of neurons. However, analyzing this data is a real challenge because the signal-to-noise ratio is very low, the signal has a high dimensionality and the volume of data generally available for analysis is low. This PhD project will use deep learning models to classify and learn a useful representation of these biological signals. The focus will be on using these models across all EEG data worldwide. We will inspect model layers and hope to enable more accurate analyses in clinically supervised analysis scenarios, such as brain-machine interfaces.