Les interfaces cerveau-machine (ICM) établissent un lien entre l'activité électrique cérébrale et un dispositif externe, offrant des capacités de communication et de contrôle a l'utilisateur, ainsi qu'une surveillance en temps réel de l'état cognitif dans des environnements critiques tels que l'aviation. Parmi les paradigmes d'ICM disponibles, le potentiel évoqué visuel modulé par code (c-VEP), et en particulier sa variante en burst, présente des atouts majeurs : un débit d'information élevé, un temps de calibration très court et un meilleur confort visuel par rapport aux autres paradigmes visuels. Malgré ces avantages, un obstacle fondamental limite le déploiement des ICM en conditions réelles : la variabilité du signal d'électroencéphalographie entre les utilisateurs et les sessions. Un classifieur entraîné sur un participant ou une session se dégrade fortement lors de son application à un nouveau contexte, nécessitant une recalibration répétée et chronophage. Cette variabilité a été largement étudiée pour les ICM basées sur l'imagerie motrice et le P300, mais reste peu explorée pour le c-VEP.
Cette thèse aborde la variabilité inter-sujets et inter-sessions dans les ICM c-VEP selon deux objectifs complémentaires : comprendre ses origines et sa structure, et la contrer par des méthodes pratiques compatibles avec un déploiement en temps réel. Quatre contributions sont présentées.
La première contribution évalue la combinaison d'un prétraitement spécifique au participant avec des algorithmes de deep learning et des entraînements par adaptation de domaines, comparée aux méthodes riemanniennes utilisées dans des ICM en ligne et à l'entraînement intra-participant. La pipeline proposé atteint une précision pour les entrainements par adaptation de domaine égalant les performances intra-participant et démontrant que la variabilité peut être efficacement contrée par une adaptation ciblée des caractéristiques.
La deuxième contribution identifie des prédicteurs neurophysiologiques de la variabilité inter-sujets. La puissance des bandes spectrales — notamment les bandes alpha et delta — et des mesures basées sur les potentiels évoqués — corrélation inter-époques et amplitude crête-à-crête — calculées après filtrage spatial sont corrélées de façon significative avec les performances individuelles de décodage, fournissant des indicateurs interprétables des raisons pour lesquelles certains utilisateurs obtiennent de faibles performances.
La troisième contribution introduit un cadre d'inférence basée sur la simulation (SBI) pour une ICM sans calibration. Un modèle génératif crée des données synthétiques à partir de distributions afin d'entraîner un modèle inverse chargé de retrouver les paramètres. Le modèle inverse est ensuite appliqué à des données empiriques pour estimer les paramètres associés et classifier les cibles. Le cadre SBI ne parvient pas encore à atteindre les performances de l'état de l'art sans calibration, mais des pistes et perspectives de recherche sont identifiées, ce cadre étant jugé prometteur pour atteindre de hautes performances sans calibration tout en fournissant des résultats interprétables permettant de mieux comprendre les mécanismes sous-jacents.
La quatrième contribution présente une architecture de réseau de neurones à croissance adaptative dont la couche finale ajuste sa taille à chaque participant au cours de l'entraînement. Le GLL-CNN atteint une précision moyenne de 86,0%, surpassant de façon significative le CNN à taille fixe ainsi qu'une autre architecture croissante appelée DAG, et révèle que les participants les moins performants nécessitent des réseaux plus grands, apportant un éclairage sur la structure de la complexité de la variabilité inter-sujets.
L'ensemble de ces contributions fait progresser à la fois la compréhension et la minimisation de la variabilité dans les ICM c-VEP, et pose les bases de systèmes robustes à faible calibration et déployables en dehors du laboratoire. |
Brain--computer interfaces (BCIs) establish a link between brain electrical activity and an external device, offering communication and control capabilities to users, as well as real-time cognitive state monitoring in safety-critical environments such as aviation. Among the available BCI paradigms, the code-modulated visual evoked potential (c-VEP), and in particular its burst variant, is particularly attractive: it combines a high information transfer rate, a very short calibration requirement, and improved user comfort compared to competing visual paradigms. Despite these advantages, a fundamental obstacle limits the deployment of BCI systems in real-world conditions: the variability of the electroencephalography (EEG) signal across users and sessions. A classifier trained on one participant or session typically degrades severely when applied to a new one, requiring repeated and time-consuming recalibration. This variability has been extensively studied for motor-imagery and P300-based BCIs, but remains largely unexplored for c-VEP.
This thesis addresses inter-subject and inter-session variability in c-VEP-based BCIs through two complementary objectives: understanding its origins and structure, and addressing it with practical, online-compatible methods. Four contributions are presented.
The first contribution evaluates the combination of participant-specific preprocessing with deep learning algorithm and domain adaptation training methods compared to riemannian methods used in online BCI and within-participant training. The proposed pipeline (PS-GREEN) reaches a trial-level accuracy of 93% in the domain adaptation setting, matching within-participant performance and demonstrating that variability can be effectively countered through targeted feature adaptation.
The second contribution identifies neurophysiological predictors of inter-subject variability. Spectral band power -- namely alpha and delta band power -- and ERP-based features — namely inter-epoch correlation and peak-to-peak amplitude — measured after spatial filtering are shown to correlate significantly with individual decoding performance, providing interpretable indicators of why some users perform poorly.
The third contribution introduces a simulation-based inference (SBI) framework for calibration-free BCI decoding. A generative forward model create synthetic data from priors in order to train a backward model to retrieve the parameters priors. The resulting backward model is then applied to empirical EEG to estimate response parameters and classify targets. The SBI framework provides does not yet reach state-of-the art performance without calibration, but future directions and research aspect are depicted as we think this framework could attain calibration-free high performance while giving us interpretable result to undestand better the underlying mechanisms.
The fourth contribution presents a growing neural network architecture whose final layer adapts its size to each participant during training. The growing linear-layer CNN (GLL-CNN) achieves a mean accuracy of 86.0%, significantly performing better than both the fixed CNN and the alternative growing architecture called DAG, and reveals that participants with lower performance require larger networks, providing insight into the complexity structure of inter-subject variability.
Together, these contributions advance both the understanding and the mitigation of EEG variability in c-VEP-based BCIs, and lay the groundwork for robust, low-calibration BCI systems deployable outside the laboratory. |