19
Nov

Soutenance de Sami Dalhoumi


Soutenance de THÈSE

 

Présentée par

Sami DALHOUMI

Spécialité: I2S informatique

 

Méthodes d’apprentissage automatique pour la conception d’interfaces cerveau machine

""

Le jeudi 19 novembre 2015

14h00

Salle de conférence, site de Nîmes école des mines d’Alès

 

 

Devant le jury composé de :

Antoine Cornuéjols AgroParis Tech Rapporteur
François Cabestaing Université de Lille 1 Rapporteur
Jérôme Boudy Télécom SudParis Examinateur
Stéphane Perrey Université de Montpellier Examinateur
Jacky Montmain Ecole des mines d’Alès Directeur de thèse
Gérard Dray Ecole des mines d’Alès Encadrant de thèse

 Résumé:

Une interface cerveau-machine (ICM) est un système qui permet d'établir une communication directe entre le cerveau et un dispositif externe, en contournant les voies de sortie normales du système nerveux périphérique. Différents types d'ICMs existent dans la littérature. Parmi eux, les ICMs basées sur l'imagerie motrice sont les plus prometteuses. Elles sont basées sur l'autorégulation des rythmes sensorimoteurs par l'imagination de mouvement de différents membres du corps (par exemple, imagination du mouvement de la main gauche et la main droite). Les ICMs basées sur l'imagerie motrice sont les plus adaptées pour les applications dédiées à des patients sévèrement paralysés mais elles sont les plus difficiles à mettre en place parce que l'autorégulation des rythmes du cerveau n'est pas une tâche simple. Dans les premiers stades de la recherche en ICMs basées sur l'imagerie motrice, l'utilisateur devait effectuer des semaines, voire des mois, d'entrainement afin de générer des motifs d'activité cérébrale stables qui peuvent être décodés de manière fiable par le système. Le développement des techniques d'apprentissage automatique supervisé spécifiques à chaque utilisateur a permis de réduire considérablement la durée d'entrainement en ICMs. Cependant, ces techniques restent toujours confrontées aux problèmes de longue durée de calibrage et non-stationnarité des signaux cérébraux qui limitent l'utilisation de cette technologie dans la vie quotidienne. Bien que beaucoup de techniques d'apprentissage automatique avancées aient été tentées, ça reste toujours un problème non résolu. Dans cette thèse, nous étudions de manière approfondie les techniques d'apprentissage automatique supervisé qui ont été tentées afin de surmonter les problèmes de longue durée de calibrage et non-stationnarité des signaux cérébraux en ICMs basées sur l'imagerie motrice. Ces techniques peuvent être classées en deux catégories: les techniques qui sont invariantes à la non-stationnarité et les techniques qui s'adaptent au changement. Dans la première catégorie, les techniques d'apprentissage par transfert entre différentes sessions et/ou différents individus ont attiré beaucoup d'attention au cours des dernières années. Dans la deuxième catégorie, différentes techniques d'adaptation en ligne des modèles d'apprentissage ont été tentées. Parmi elles, les techniques basées sur les potentiels d'erreurs sont les plus prometteuses. Les deux principales contributions de cette thèse sont basées sur des combinaisons linéaires des classificateurs. Ainsi, ces méthodes sont accordées un intérêt particulier tout au long de ce manuscrit. Dans la première contribution, nous étudions l'utilisation des combinaisons linéaires des classificateurs dans les ICMs basées sur l'apprentissage par transfert et nous proposons une méthode de classification inter-sujets basée sur les combinaisons linéaires de classifieurs afin de réduire le temps de calibrage en ICMs. Nous évaluons l'efficacité de la méthode de combinaison de classifieurs utilisée et nous étudions les cas où l'apprentissage par transfert a un effet négatif sur les performances des ICMs. Dans la deuxième contribution, nous proposons une méthode de classification inter-sujets qui permet de combiner l'apprentissage par transfert l'adaptation en ligne. Dans cette méthode, l'apprentissage par transfert est effectué en combinant linéairement des classifieurs appris à partir de signaux EEG de différents sujets. L'adaptation en ligne est effectuée en mettant à jours les poids de ces classifieurs d'une manière semi-supervisée.

Mots clés:
Interfaces cerveau-machine, apprentissage automatique supervisé, apprentissage par transfert, adaptation en ligne, combinaisons linéaires de classifieurs