Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.
Inscriptions closes à cette réunion.
2 personnes membres du GdR ISIS, et 4 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 100 personnes.
Journée thématique organisée conjointement par :
Les propositions (titre, auteur, résumé) sont à envoyer aux organisateurs avant le 15 juin 2013.
Si le concept de BCI est né il y a plus de quarante ans, les premiers résultats expérimentaux sont apparus plus récemment et les applications concrètes commencent à se dessiner. L'objectif de cette journée - qui s'inscrit donc dans la continuité de la précédente organisée par le GDR-STIC santé, INRIA-Jalons, l'équipe TAO du LRI, INRIA Italie (place d'), le CNRS et l'AFIA le 20 Mai 2010 (le programme de cette journée est accessible à ladresse URL suivante http://stic-sante.org/calendrier/details/87-bci--interfaces-cerveau-machines) -, sera une excellente occasion de procéder à un bilan de ces deux dernières années sur les BCI, de tenter de montrer des systèmes fonctionnels et également d'effectuer un bilan d'évaluation des systèmes expérimentés. Ces évaluations font naître des nouveaux problèmes qu'il conviendra de préciser (impact sur la modélisation, disponibilité des données, apprentissage, application temps réel, filtrage). Ceci sera aussi une excellente occasion de présenter les nouveaux développements dans ce sens en signal, modèle, etc. Le programme de la journée devrait permettre de donner une idée large du domaine, des enjeux, de ce qui a été fait et des travaux en cours.
Programme du 27 juin
10h00 F. Cabestaing (Lille) pour un panorama des recherches sur le BCI sur ces dix dernières années
10h30 Louis Mayaud CICIT - Garches From bench to bedside: utilisation du P300 speller en contexte clinique, le projet RoBIK
11h00 Marc Macé (IRIT) Quel avenir pour les neuroprothèses visuelles ?
11h30 A. Barachant (GIPSA-LAB) : A Plug&Play P300 BCI Using Information Geometry
12h00-13h30 Repas
13h30 M. Clerc (INRIA-Sophia) : Apprentissage par renforcement pour le BCI
14h00 M.F Lucas (IRCYN) Prise en compte de potentiels d'erreur dans le décodage d'intentions de mouvements
14h30-15h Margaux Perrin Olivier Pallanca (MENSIA) traitement de l'insomnie par neurofeedback
15h-15h30 Cédric GOUY-PAILLER (CEA-LIST) Méthodes de décomposition des signaux EEG pour l'utilisation d'a priori neurophysiologiques
15h30-16h Juliette Spinnato (LATP/Aix-Marseille Université/CNRS) Modélisation statistique et classification supervisée de signaux électroencéphalogrammes
16h-17h synthèse de la journée, animation, questions réponses, le futur, définition d'une action
M. Macé, IRIT
Dans le domaine des interfaces cerveau-machine visuelles, les principaux problèmes restent la faible résolution des implants et la diminution rapide du rapport signal / bruit à partir de l'implantation des électrodes. Pour contourner ces problèmes, nous adoptons à l'IRIT une double approche, en étudiant d'une part l'interaction entre la neuroprothèse et son substrat neural, par le biais d'une collaboration avec une équipe du LAAS qui développe des électrodes innovantes et d'autres part l'interaction (simulée) entre l'utilisateur et son implant à faible résolution grâce à de nouvelles stratégies d'extraction et de présentation de l'information visuelle.
Alexandre Barachant, Marco Congedo
This presentation introduces a new classification method for Event Related Potentials (ERP) based on an Information geometry framework. Through a new estimation of covariance matrices, this work extend the use of Riemannian geometry, which was previously limited to SMR-based BCI, to the problem of classification of ERPs. As compared to the state-of-the-art, this new method increases performance, reduces the number of data needed for the calibration and features good generalisation across sessions and subjects. These later properties are key features to build an efficient online-adaptive system, where the BCI is initialized with generic parameters derived from a database of users and continiously adapt to the individual, allowing the user to use the system without any calibration while keeping a high accuracy. Online and offline results obtained with the p300-based game brain-invaders will be shown. Finally, the extension of Riemannian geometry to the problem of classification of ERPs leads to the unification of the signal processing chain, where the same framework can now be applied on all the three main BCI paradigms (SMR, ERP, SSEP) with only minor modifications.
Juliette Spinnato (*) (**), Marie-Christine Roubaud (*), Boris Burle (**) et Bruno Torrésani (*)
* LATP/Aix-Marseille Université/CNRS, 39 rue F. J. Curie 13453 Marseille Cedex 13
** LNC/Aix-Marseille Université/CNRS, 3 place Victor-Hugo 13331 Marseille Cedex 3
Basée sur une approche de modélisation statistique des signaux électroencéphalogrammes (EEG), nous proposons une technique de discrimination dans un contexte BCI. Plus particulièrement, nous présentons une procédure de classification supervisée permettant de discriminer, chez un même sujet, deux classes de signaux cérébraux multi capteurs à partir d’une modélisation par un modèle linéaire mixte gaussien. Ce type de modèle statistique permet de distinguer les éléments définissant un comportement fixe et les comportements aléatoires des données considérées par l’intégration et l’estimation de différentes sources de variabilité. Ainsi, le modèle proposé permet en particulier de caractériser un essai EEG dans sa classe par :
La discrimination des signaux EEG se fait via la construction d’un test basé sur le rapport de vraisemblances. Ce test se construit à partir des estimations des paramètres du modèle à effets mixtes dans chaque classe. La méthode proposée intègre un pré-traitement permettant de réduire les dimensions tout en décorrélant les signaux EEG considérés. D’une part des filtres spatiaux basés sur une méthode de classification pénalisée sont appliqués aux signaux. D’autre part, la modélisation a été appliquée aux coefficients d'ondelettes des signaux dans le but d’exploiter les corrélations temporelles. Les avantages d’une telle modélisation sont nombreux. Tout d’abord elle permet d’extraire une information essai par essai au travers de l’estimation des paramètres de variances, de la prédiction des effets aléatoires et finalement des essais via le modèle à effets mixtes. De plus, inscrite dans un contexte de classification supervisée en BCI, la méthode a été élaborée de manière à minimiser la taille de l’échantillon d’apprentissage tout en conservant de bonnes performances du test du rapport de vraisemblances. Ainsi, les performances du classifieur sont équivalentes à un classifieur de type AFD (Analyse Factorielle Discriminante) et la modélisation de la variabilité des signaux rend le classifieur plus stable d’un échantillon à un autre. Enfin, la méthode présentée constitue une alternative aux méthodes dites « boîtes noires » (ex : Support Vector Machine) couramment utilisées en BCI et qui ne permettent pas d’acquérir de l’information facilement interprétable sur les signaux considérés. La procédure construite a été appliquée à la détection d’ondes d’erreurs au cours d’une tâche cognitive. Les données ont été fournies par le laboratoire de neurosciences cognitives de Marseille (LNC). La pertinence de la méthode a été étudiée sur six sujets et les résultats de classification ont été comparés de manière satisfaisante à ceux d’une méthode de classification couramment utilisée (l’analyse factorielle discriminante) illustrant l’apport d’une modélisation statistique pour les problèmes de classification en EEG.
Cédric GOUY-PAILLER (contributions de Yoann ISAAC, Antoine SOULOUMIAC, Quentin BARTHELEMY)
Les travaux au sein de notre équipes (CEA-LIST) sont orientées sur la mise au point d'algorithmes de décompositions des signaux EEG. Au-delà des problématiques de classification inhérentes à la conception d'interfaces cerveau-machines, nos méthodes tentent d'isoler les composantes de l'EEG relatives aux tâches réalisées afin de les rendre observables et stables. Nos travaux reposent sur l'observation d'une variabilité résiduelle importante des performances des interfaces cerveau-machines classiques. Celles-ci étant largement basées sur l'objectif de maximiser des taux de classifications à partir de jeux de données relativement restreints, nous sacrifions volontairement quelques points de performances ponctuelles en contraignant les algorithmes pour la prise en compte d'observations neurophysiologiques (notamment liées à la variabilité).
Dans le cadre du p300, nous montrons que la prise en compte d'une variabilité temporelle de l'instant d'occurrence permet d'extraire des signaux plus propres. Nous montrons également que le cadre général de la décomposition de signaux sur une famille de vecteurs sur-complète (frame) permet d'introduire des connaissances neurophysiologiques sous forme de contraintes algorithmiques.
Références bibliographiques :
Date : 2013-06-27
Lieu : Amphi Grenat, Télécom ParisTech Rue Barrault
Thèmes scientifiques :
A - Méthodes et modèles en traitement de signal
Inscriptions closes à cette réunion.
Accéder au compte-rendu de cette réunion.
(c) GdR IASIS - CNRS - 2024.