Using nonlinear analysis of EEG signals in reconstructing movement trajectories - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Using nonlinear analysis of EEG signals in reconstructing movement trajectories

Analyse non-linéaire de signaux EEG pour la reconstruction de trajectoires de mouvement

Johan Medrano

Résumé

Electroencephalography (EEG) is a widely-used noninvasive method to record brain activity. The high time resolution of EEG signals makes it a convenient method to analyze the time course of cortical activity during a prescribed task. Here, we focus on the task of reconstructing self-paced upper-limb movements directly from EEG signals. Numerous studies reported coherence between motoneuron activity and cortical activity in motor areas during motor tasks. Motoneuron activity relates to muscle force and thus to joint torque. Therefore, it is reasonable to presume that cortical activity reflects some aspects of joint kinematics during movement. However, EEG only captures a partial and filtered version of cortical activity. Our objective is to evaluate to what extent joint trajectories can be reconstructed from EEG signals.We address identifying features and locations of EEG signals that may reflect joint kinematics. First, we investigate measures to represent EEG signals. As EEG signals exhibit properties of nonlinear dynamical systems, we use complexity measures from chaos theory and statistical physics to complement classical spectral features in characterizing EEG signals. The quality of the complexity measures considered here depends on carefully selecting a resolution parameter. We propose a novel approach to determine this parameter that allows robust estimation of the measures. We validate our method on both simulated and real-world EEG data. Second, we evaluate the correlation of EEG complexity measures with EMG activity and joint kinematics. We recorded EEG, electromyography (EMG), and joint trajectories of 9 subjects performing self-paced cyclic elbow movements. By building statistical parametric maps of nonlinear EEG features, we identify the locations and features most correlated with movement.We then focus on reconstructing movement trajectories from EEG signals. In particular, we observe that the performance of models reconstructing motion trajectory from EEG signals is generally evaluated with correlation coefficients. We show that the test distribution of the coefficient degenerates for strongly correlated series such as movement trajectory. In that case, the test distribution of the correlation coefficient can be approximated by correcting its number of degrees of freedom. We propose a new parametric approach to estimate the number of degrees of freedom, which gives the appropriate test statistics. In light of the corrected distribution, we show the limited performances of models decoding movement trajectories from EEG signals. Finally, we construct a biologically-plausible model of the task involving a dynamic arm, a Hill-type muscle, a model of the spinal cord, and a neural mass model. We show perspectives and limitations arising from using a complex biophysical model with a state-of-the-art Bayesian inversion scheme.
L'électroencéphalographie (EEG) est une méthode non invasive largement utilisée pour enregistrer l'activité cérébrale. La haute résolution temporelle des signaux EEG en fait une méthode utile pour analyser l'évolution temporelle de l'activité corticale pendant une tâche donnée. Ici, nous tentons de reconstruire des mouvements libres du coude, directement à partir des signaux EEG. De nombreuses études ont rapporté une cohérence entre l'activité des motoneurones et l'activité corticale dans les zones motrices pendant les tâches motrices. L'activité des motoneurones est liée à la force musculaire et donc au couple articulaire. Par conséquent, il est raisonnable de supposer que l'activité corticale reflète certains aspects de la cinématique articulaire pendant le mouvement. Cependant, l'EEG ne capte qu'une version partielle et filtrée de l'activité corticale. Notre objectif est d'évaluer dans quelle mesure les trajectoires articulaires peuvent être reconstruites à partir des signaux EEG.Nous cherchons à identifier les caractéristiques des signaux EEG qui reflètent les trajectoires de mouvement. Comme les signaux EEG présentent des propriétés de systèmes dynamiques non linéaires, nous utilisons des mesures de complexité issues de la théorie du chaos et de la physique statistique pour compléter les caractéristiques spectrales classiques dans la caractérisation des signaux EEG. La qualité des mesures de complexité considérées ici dépend du choix judicieux d'un paramètre de résolution. Nous proposons une nouvelle approche pour déterminer ce paramètre qui permet une estimation robuste des mesures. Nous validons notre méthode sur des données EEG simulées et réelles. Deuxièmement, nous évaluons la corrélation des mesures de complexité EEG avec l'activité EMG et la cinématique articulaire. Nous avons enregistré les signaux EEG, électromyographiques (EMG) et les trajectoires articulaires de 9 sujets effectuant des mouvements cycliques du coude à leur propre rythme. En construisant des cartes statistiques paramétriques des caractéristiques non-linéaires de l'EEG, nous identifions les emplacements et les caractéristiques les plus corrélés avec le mouvement.Nous abordons ensuite la reconstruction de trajectoires de mouvement à partir de signaux EEG. La performance des modèles reconstruisant des trajectoire de mouvement à partir des signaux EEG est généralement évaluée à l'aide de coefficients de corrélation. Nous montrons que la distribution de test du coefficient dégénère pour les séries fortement corrélées comme les trajectoire de mouvement. Dans ce cas, la distribution de test du coefficient de corrélation peut être approximée en corrigeant son nombre de degrés de liberté. Nous proposons une nouvelle approche paramétrique pour estimer le nombre de degrés de liberté, qui donne les statistiques de test appropriées. Avec la distribution corrigée, nous analysons les performances d'un modèle décodant les trajectoires de mouvement à partir des signaux EEG. Enfin, nous construisons un modèle biologiquement plausible de la tâche motrice impliquant modèle de bras dynamique, un modèle de muscle de type Hill, un modèle de la moelle épinière et un modèle de masse neuronale. Nous montrons les perspectives et les limites découlant de l'utilisation d'un modèle biophysique complexe avec un schéma d'inversion bayésien avancé.
Fichier principal
Vignette du fichier
MEDRANO_2022_archivage.pdf (11.91 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04122538 , version 1 (08-06-2023)

Identifiants

  • HAL Id : tel-04122538 , version 1

Citer

Johan Medrano. Using nonlinear analysis of EEG signals in reconstructing movement trajectories. Neurons and Cognition [q-bio.NC]. Université de Montpellier, 2022. English. ⟨NNT : 2022UMONS089⟩. ⟨tel-04122538⟩
71 Consultations
42 Téléchargements

Partager

Gmail Facebook X LinkedIn More