Décodeur neuronal pour une neuroprothèse Cerveau-Moelle Epinière de restauration des mouvements des membres supérieurs de patients en situation de handicap moteur dans le cadre de la vie quotidienne

Neural signal decoder for a brain-spinal cord neuroprosthesis to restore upper limb movement in patients with motor disabilities as part of daily life

• Auteur / Autrice : Mathis Etienne
• Direction : Tetiana Aksenova, Stéphane Bonnet
• Type : Projet de thèse
• Discipline(s) : MBS - Modèles, méthodes et algorithmes en biologie, santé et environnement
• Date : Inscription en doctorat le 11/03/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement
• Partenaire(s) de recherche : Laboratoire : CLINATEC

Mots clés

Mots clés libres

Machine learning

Traitement du signal

Neuroprothèse

Biomédical

Apprentissage automatique

Neurosciences

Machine learning

Signal processing

Neuroprosthesis

Biomedical

Neuroscience

Résumé

La thèse sera réalisée au centre technologique de recherche CEA (Commissariat à l'Energie Atomique et aux Energies Alternatives) à l'institut de recherche CEA/LETI/CLINATEC (Grenoble, France), en collaboration avec l'EPFL (Lausanne, Suisse) dans le cadre du programme multidisciplinaire Brain-Computer Interface (BCI). L'objectif de la BCI est d'explorer des solutions de réadaptation fonctionnelle ou de compensation pour les personnes souffrant de handicaps moteurs graves en utilisant des neuroprothèses. Les neuroprothèses enregistrent et décodent les signaux neuronaux du cerveau pour activer un effecteur externe (exosquelette, par exemple) ou interne (stimulateur implantable de la moelle épinière, par exemple) directement sans que la commande de contrôle neural physiologique ne soit interrompue par une lésion de la moelle épinière, par exemple. Un ensemble d'algorithmes de décodage a été développé à CLINATEC et appliqué dans 2 protocoles de recherche clinique chez des tétraplégiques (projet Brain-Machine Interface, BMI) à Grenoble et chez des paraplégiques (projet Brain-Spine Interface, BSI) à Lausanne. Le projet BMI explore des solutions de compensation fonctionnelle du patient tétraplégique par le contrôle d'un exosquelette. Le contrôle des membres supérieurs en dimensions élevées est réalisé (Benabid et al., 2019), ce qui correspond à l'état de l'art actuel. Cependant, il n'est toujours pas adapté aux tâches de la vie réelle et reste insuffisant au regard des exigences de l'application médicale, en termes d'efficacité et de nombre de degrés de liberté atteints. Le projet BSI intègre le stimulateur implantable et invisible de la moelle épinière en tant qu'effecteur. Il explore des solutions de compensation fonctionnelle et/ou de rééducation utilisant le décodage direct pour rétablir la marche chez les paraplégiques souffrant d'une lésion complète ou partielle de la moelle épinière. Les récentes avancées technologiques en matière de stimulation cervicale pour la restauration des membres supérieurs (Capogrosso et al., 2020) suscitent de nouveaux espoirs pour les patients et de nouveaux défis pour le décodage des signaux neuronaux afin de contrôler les articulations. Mission La thèse visera à contrôler les membres supérieurs dans l'exécution de tâches réelles en utilisant des effecteurs externes (exosquelette, CLINATEC) et internes (stimulateur cervical implantable, EPFL). La technologie révolutionnaire (EPFL) de stimulation cervicale pour la restauration des membres supérieurs est basée sur le contrôle des articulations. Le contrôle direct des articulations est totalement innovant et nécessite le décodage d'un plus grand nombre de DoF que le décodage de la position et de la direction traditionnellement utilisé dans les neuroprothèses. Il est exclusivement basé sur une stratégie de décodage direct. Tout d'abord, des algorithmes de décodage innovants seront développés pour le contrôle direct des articulations. Les décodeurs seront particulièrement adaptés aux tâches réelles et offriront les performances de décodage et l'efficacité de contrôle requises pour une utilisation médicale. Enfin, le(s) décodeur(s) adaptatif(s) innovant(s) sera(ont) testé(s) dans les deux plateformes d'essais cliniques. Pour atteindre les objectifs - Des algorithmes d'IA seront testés pour le contrôle des articulations. - L'approche bayésienne adaptative sera explorée pour un contrôle précis dans le voisinage de la cible afin de faciliter la prise en main et d'ajuster le décodeur aux tâches de la vie réelle ; - L'approche par mélange d'experts sera appliquée pour contrôler/mélanger les modèles de stimulation guidée par le cerveau. - Un modèle de Markov caché basé sur une chaîne semi-Markov permettra de prendre en compte la séquence temporelle du stimulus, d'accroître la réactivité et la robustesse, et de réduire les fausses stimulations.

The thesis will be carried out at the research technological center CEA (Commissariat à l'Energie Atomique et aux Energies Alternatives) at CEA/LETI/CLINATEC research institute (Grenoble, France), in collaboration with EPFL (Lausanne, Switzerland) within the frame of Brain-Computer Interface (BCI) multidisciplinary program. The goal of the BCI is to explore solutions for functional rehabilitation or compensation for people with sever motor disabilities using neuroprosthetics. Neuroprosthetics record, and decode brain neuronal signal for activating an external (e.g. exoskeleton) or an internal (e.g. implantable spinal cord stimulator) effector directly without physiological neural control command pass way interrupted by e.g. spinal cord injury. The neuronal activity is recorded at the level of cerebral cortex (ElectroCorticoGrams, ECoG) using chronic WIMAGINE implant. The neuronal activity to decode is voluntarily elicited by user using neural imagery/attempted movement. A set of decoding algorithms were developed at CLINATEC and applied in 2 clinical research protocols in tetraplegic (Brain–Machine Interface, BMI, project,) in Grenoble and in paraplegic (Brain-Spine Interface, BSI, project) in Lausanne. The BMI project explores solutions for tetraplegic patient functional compensation by controlling an exoskeleton. High-dimensional control of upper limbs is achieved (Benabid et al., 2019), which is a state-of the-art nowadays. However, it is still not adapted to real-life tasks and remains insufficient regarding to requirements of medical application, in term of efficiency and the number of Degrees of Freedom (DoF) achieved. The BSI project integrates the implantable and invisible spinal cord stimulator as an effector. It explores solutions for functional compensation and/or rehabilitation using direct decoding to restore walking in paraplegic suffering from complete or partial spinal cord injury. Recent technological breakthroughs in cervical stimulation for restoring the upper limbs (Capogrosso et al., 2020) raises the new hope for patients and the new challenges for neuronal signal decoding to control joints. Mission The thesis will aim at upper limb control performing real-life tasks using both external (exoskeleton, CLINATEC) and internal (implantable cervical stimulator, EPFL) effectors. It will contribute to the highly ambitious scientific breakthroughs - taking neuroprosthetics out-of-the-lab. The revolutionary technology (EPFL) of cervical stimulation for restoring the upper limbs is based on joints control. Direct joint control is fully innovative, and requires decoding of larger number of DoF compared to position/direction decoding traditionally used in neuroprosthetics. It is exclusively based on direct decoding strategy. Firstly, the innovative decoding algorithms will be developed for the direct joint control. Decoders will be particularly adapted to real-life tasks providing the decoding performance and control efficiency required for medical use. Finally, innovative adaptive decoder(s) will be tested in both clinical trial platforms. To achieve the objectives • AI algorithms will be tested for joint control; • Adaptive Bayesian approach will be explored for the accurate control in the target neighborhood for easy grasp and to adjust the decoder for real-life tasks; • Mixture of expert approach will be applied to control/mix brain guided stimulation patterns. • Hidden Markov Model based on semi-Markov chain will allow taking into account the temporal stimulus sequence, increasing responsiveness and the robustness, decreasing the false stimulation.