Malgré les progrès récents, les interfaces cerveau-machine (ICM) continuent de se heurter à plusieurs limites qui entravent leur passage des laboratoires aux applications réelles. Les problèmes persistants des faux positifs et des temps de décodage fixes sont particulièrement préoccupants. Cette thèse propose l'intégration d'un cadre décisionnel structuré, en particulier le processus de décision markovien partiellement observable (POMDP), dans la technologie BCI.
Notre objectif est de concevoir un modèle POMDP complet adaptable à diverses modalités d'ICB, servant de composante décisionnelle dans le pipeline d'ICB.En s'appuyant sur les résultats des algorithmes de décodage courants, ce modèle facilite la prise de décision optimale pendant le fonctionnement, comme la collecte d'informations supplémentaires, l'inférence de l'état cible caché ou l'abstention d'action.La mise en œuvre d'un tel cadre promet de fournir aux systèmes BCI des temps de décodage adaptatifs adaptés aux participants individuels, en atténuant les faux positifs et en offrant la flexibilité nécessaire pour s'abstenir d'émettre des commandes lorsque cela est nécessaire. En fin de compte, notre objectif est d'améliorer la facilité d'utilisation des systèmes BCI dans des contextes réels. La méthodologie consiste à définir les opérations BCI dans le cadre d'un modèle POMDP générique. Cette approche permet de formuler le modèle BCI-POMDP en utilisant n'importe quelle méthode de décodage basée sur la classification, avec des prédictions basées sur la politique générée par le POMDP. Par la suite, notre pipeline fait l'objet d'une comparaison systématique avec les pipelines de décodage existants pour les modalités BCI actives et réactives, y compris la validation par des tests en ligne.
Nos résultats démontrent que le pipeline basé sur le POMDP offre un modèle flexible et polyvalent adapté aux applications BCI actives et réactives, avec des extensions potentielles aux paradigmes BCI passifs et hybrides. L'introduction de ce modèle enrichit les pipelines BCI en incorporant un système de prise de décision nuancé, ce qui permet d'obtenir des performances comparables à celles des pipelines déjà intégrés à des cadres de décision.Cependant, notre étude a révélé des performances inférieures aux attentes, attribuées à la rareté des données pour l'approximation du modèle POMDP.
Bien que le POMDP soit prometteur en tant que cadre décisionnel unificateur, générique, flexible et extensible pour l'ICB, son inconvénient majeur réside dans la nécessité de disposer de données utilisateur supplémentaires pour l'étalonnage. Étant donné qu'il est impératif de minimiser l'étalonnage du système BCI, l'introduction d'un élément qui prolonge ce processus peut sembler contre-productive. Nous proposons donc plusieurs méthodes pour rationaliser l'étalonnage des POMDP, bien que ces méthodes nécessitent une validation empirique. En outre, les frontières inexplorées telles que les implémentations passives et hybrides des BCI méritent un examen plus approfondi pour vérifier l'efficacité de l'intégration des POMDP dans divers contextes BCI. |
Despite recent advancements, brain-computer interfaces (BCI) continue to face several limitations that hinder their transition from laboratory settings to real-world applications. Of particular concern are the persistent issues of false positives and fixed decoding times. This dissertation proposes the integration of a structured decision-making framework, specifically the partially observable Markov decision process (POMDP), into BCI technology.
Our objective is to devise a comprehensive POMDP model adaptable to various BCI modalities, serving as the decision-making component within the BCI pipeline. Leveraging outputs from prevalent decoding algorithms, this model facilitates optimal decision-making during operation, such as gathering additional information, inferring the hidden target state, or abstaining from action. Implementing such a framework promises to furnish BCI systems with adaptive decoding times tailored to individual participants, mitigating false positives, and providing the flexibility to refrain from issuing commands when necessary. Ultimately, our aim is to enhance the usability of BCI systems in real-world contexts. The methodology entails defining BCI operations within the framework of a generic POMDP model. This approach enables the formulation of the BCI-POMDP model utilizing any classification-based decoding method, with policy-based predictions generated by the POMDP. Subsequently, our pipeline undergoes systematic comparison with existing decoding pipelines for both active and reactive BCI modalities, including validation through online testing.
Our findings demonstrate that the POMDP-based pipeline offers a flexible and versatile model suitable for active and reactive BCI applications, with potential extensions to passive and hybrid BCI paradigms. Introducing this model enriches BCI pipelines by incorporating a nuanced decision-making system, yielding comparable performance to pipelines already integrated with decision frameworks. However, our investigation revealed lower-than-expected performance attributed to data scarcity for POMDP model approximation.
While POMDP holds promise as a unifying, generic, flexible, and extensible decision framework for BCI, its notable drawback lies in the requirement for additional user data for calibration. Given the imperative of minimizing BCI system calibration, introducing an element that prolongs this process may seem counterproductive. Hence, we propose several methods to streamline POMDP calibration, though these methods necessitate empirical validation. Furthermore, unexplored frontiers such as passive and hybrid BCI implementations warrant further scrutiny to ascertain the efficacy of POMDP integration in diverse BCI contexts. |