Avalanches neurones comme caractéristiques pour les interfaces cerveau-machine

Neuronal avalanches to improve Brain-Computer Interfaces

• Auteur / Autrice : Camilla Mannino
• Direction : Mario Chavez
• Type : Projet de thèse
• Discipline(s) : Sciences de l'ingénieur
• Date : Inscription en doctorat le 02/11/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Institut du cerveau et de la moelle épinière

Mots clés

Mots clés libres

Interface cerveau-machine

Connectivite cerebrale

Electroencephalographie

Magnetoencephalographie

Brain-computer interface

Brain connectivity

Electroencephalography

Magnetoencephalography

Résumé

Les interfaces cerveau-machine (ou Brain-Computer Interfaces -BCIs en anglais) consistent en des dispositifs traduisant l'activité cérébrale en commandes afin de contrôler un objet (virtuel ou non) ou de communiquer avec autrui. De tels outils présentent un nombre important d'applications cliniques allant du contrôle d'une prothèse à la communication non-verbale. Cependant, la maîtrise de l'utilisation des BCIs n'est pas innée et nécessite plusieurs sessions d'entraînement afin de pouvoir contrôler le système avec une performance satisfaisante. Entre 15 et 30% des utilisateurs ne parviennent pas à maîtriser ces dispositifs après plusieurs sessions d'entraînement. Ce phénomène appelé « BCI inefficiency » dans la littérature, se manifeste par une très grande variabilité inter et intra-sujets, en termes de contrôle des BCIs notamment. Une des approches les plus prometteuses visant à réduire ce phénomène consiste à identifier des patterns neurophysiologiques qui rendraient mieux compte des mécanismes sous-tendant la réalisation de tâches lors de sessions BCIs. Dans ce contexte, il a été démontré que les avalanches neuronales : i) se propageaient différemment suivant la tâche réalisée par le sujet, ii) corrélaient avec les scores comportementaux BCIs, et iii) qu'elles pouvaient être considérées comme des caractéristiques alternatives pour la classification de signaux. Cette thèse vise à explorer dans quelle mesure l'utilisation des avalanches neuronales pourrait être bénéfique à la communauté BCI, en étudiant les mécanismes de propagation sous-tendant les avalanches neuronales, en proposant des approches d'apprentissage machine robustes et réplicables adaptées à la classification de ces nouvelles caractéristiques, et en envisageant une translation vers le domaine clinique.

Brain-computer interfaces (BCI) consist of translating brain activity into commands for control or communication. They present a plethora of clinical applications from the control of a prothesis to the non-verbal communication. Nevertheless, fully controlling a BCI remains a learned skill that requires several sessions to achieve high performance. It is estimated that between 15 to 30% of the users cannot control a BCI device even after several training sessions, referred to as the “BCI inefficiency” phenomenon. One promising approach to tackle this issue is to identify more informative neurophysiological patterns during BCI sessions. Neuronal avalanches have been shown to i) spread differently according to the tasks performed by the users, ii) correlate with the BCI score, and iii) could be considered as alternative features for BCI classification. This PhD project aims to explore to which extent neuronal avalanches could be beneficial to the BCI community by studying the mechanisms of propagation underlying the neuronal avalanches, by proposing robust and replicable machine learning approaches that enable a suited classification of these new features, and by considering the translation towards the clinical domain.