Intra- and Inter-Subject Transfer Learning for Non-InvasiveBrain-Computer Interface
Transfert d'apprentissage intra et inter sujets en interfaces cerveau-machine non-invasives
Résumé
A brain-computer interface (BCI) is a direct link between a brain and a computer, enabling an individual to perform tasks without the need for peripheral nerves or muscles. In recent years, BCIs have become increasingly interesting, especially in the healthcare sector, because of their potential to help patients. They have been used to help some people recover their motor functions after a stroke or spinal cord injury, or to help people with degenerative diseases such as amyotrophic lateral sclerosis, who gradually lose the ability to control their limbs and then communicate. Another factor adding to the appeal of BCIs is their potential to enhance the capabilities of healthy people in areas such as video games. Today, thanks to technological advances in the healthcare field, the tools needed to set up BCIs, such as electroencephalograms, are becoming more affordable, enabling the multiplication of experiments and clinical tests, giving access to a vast amount of data, sometimes freely available on the Internet. This data could make it possible to create models that have been trained from the data of many people, thereby increasing the performance of future systems while reducing their calibration time. This would also enable the use of less expensive hardware for equivalent performance, making BCIs more affordable. The main problem today is that the data available in open access is very heterogeneous, whether in terms of quality, paradigm or even simply hardware. For these reasons, it is very difficult to exploit all this data to extract common features. The aim of this thesis is to find methods for adapting and using open-access data to create machine learning models that are highly robust because they are trained on data from a wide range of subjects. To this end, we are focusing on Riemannian geometry, the use of which in brain-computer interfaces has recently shown to be highly effective. More specifically, this original work focuses on the development of transfer learning methods in the tangent space of the Riemannian variety. The proposed methods have been evaluated on a large number of databases covering several paradigms: motor imagery, P300 evoked potentials and steady-state visual evoked potentials. The work carried out in this thesis has led to the development of a method called Tangent Space Alignment (TSA), which achieves an overall improvement in accuracy of 2.7% over a previously published Riemannian method, Riemannian Procrustes Analysis (RPA). Another contribution of this thesis to the scientific community is research into the use of mathematical arbitrary sources in BCI transfer learning. The work carried out in this thesis shows that little information is lost when aligning to this arbitrary source, and studies the impact on accuracy between subjects, enabling new alignment possibilities to be explored and mathematically normalized alignment sources to be sought, rather than existing subject data which may not possess the right mathematical properties to serve as a quality source.
Une interface cerveau-ordinateur (ICO) désigne un système de liaison directe entre un cerveau et un ordinateur, permettant à un individu d’effectuer des tâches sans passer par l’action des nerfs périphériques et des muscles. Ces dernières années les ICO sont devenues de plus en plus intéressantes, surtout dans le secteur de la santé en raison de leur potentiel d'aide aux patients. Elles ont été utilisées pour aider certaines personnes à récupérer leurs fonctions motrices après un accident vasculaire cérébral ou une lésion de la moelle épinière ou encore pour aider les personnes atteintes de maladies dégénératives telles que la sclérose latérale amyotrophique, et qui perdent peu à peu la capacité de contrôler leurs membres puis de communiquer. Un autre facteur qui ajoute à l'attrait des ICO est leur potentiel d'augmentation des capacités des personnes en bonne santé dans des domaines tels que le jeux vidéo. Aujourd’hui grâce aux avancées technologiques dans le domaine de la santé, les outils nécessaires à la mise en place d’ICO tels que les électroencéphalogrammes deviennent plus abordables et permettent la multiplication d’expérimentations et de test cliniques donnant alors accès à une grande quantité de données, parfois en accès libre sur internet. Ces données pourraient rendre possible la création de modèles ayant été entraînés à partir des données de nombreuses personnes, permettant à la fois d'augmenter les performances des futurs systèmes tout en réduisant leur temps de calibration. Cela aurait également pour conséquence de permettre l'utilisation de matériel moins couteux pour des performances équivalentes, rendant les ICO plus abordables. Le problème principal aujourd'hui est que les données disponibles en accès libre sont très hétérogènes, que ce soit en termes de qualité, de paradigme ou même simplement de matériel. Pour ces raisons, il est très difficile d’exploiter toutes ces données pour en retirer des caractéristiques communes. Cette thèse a pour objectif de trouver des méthodes permettant d'adapter et d'utiliser les données disponibles en accès libre afin de créer des modèles d'apprentissage automatique très robustes car entraînés sur les données de nombreux sujets. Pour ce faire, on s'intéresse à la géométrie Riemannienne dont l'utilisation dans le cadre des interfaces cerveau-ordinateur a récemment démontré une grande efficacité. Ce travail original porte plus précisément sur le développement de méthodes d’apprentissage par transfert dans l’espace tangent à la variété Riemannienne. Les méthodes proposées ont été évaluées sur un grand nombre de bases de données regroupant plusieurs paradigmes : l’imagerie motrice, les potentiels évoqués de type P300 et les potentiels évoqués visuels stables. Les travaux de cette thèse ont permis de développer une méthode nommée Tangent Space Alignment (TSA) avec laquelle une amélioration globale de la précision de 2,7 % est obtenue par rapport à une méthode riemannienne publiée précédemment, l'analyse de Procrustes Riemannienne (RPA). Une amélioration d’autant plus importante dans le cadre des ICO en P300. Un autre apport de cette thèse à la communauté scientifique est la recherche autour de l’utilisation de sources arbitraires mathématiques dans le cadre d’apprentissage par transfert en ICO. Les travaux poursuivis au cours de cette thèse montrent que peu d'informations sont perdues lors de l'alignement vers cette source arbitraire et étudient l'impact sur la précision entre les sujets, permettant alors d’explorer de nouvelles possibilités d’alignement et de chercher des sources d’alignement normées et mathématiques plutôt que des données de sujet existant qui ne possèdent pas forcément les bonnes propriétés mathématiques pour servir de source de qualité.
| Origine | Version validée par le jury (STAR) |
|---|