Les interfaces cerveau-ordinateur 1
Fondements et méthodes
Maureen Clerc
Laurent Bougrain
Fabien Lotte
iSTE
Préface
José Del R. Millán17
Introduction
Maureen Clerc, Laurent Bougrain et Fabien Lotte19
Première partie. Anatomie et physiologie29
Chapitre 1. Anatomie du système nerveux
Matthieu Kandel et Maude Tollet
1.1. Description générale du système nerveux31
1.2. Le système nerveux central33
1.2.1. Le télencéphale33
1.2.1.1. Le lobe frontal35
1.2.1.2. Le lobe pariétal36
1.2.1.3. Le lobe temporal36
1.2.1.4. Le lobe occipital37
1.2.1.5. L'insula ou lobe de l'insula37
1.2.2. Le diencéphale37
1.2.3. Le tronc cérébral39
1.3. Le cervelet40
1.4. La moelle épinière et les racines42
1.5. Le système nerveux périphérique44
1.5.1. Le nerf44
1.5.2. Organisation générale du SNP45
1.5.3. Le système nerveux autonome46
1.6. Quelques syndromes et pathologies visées par les interfaces cerveau-ordinateur46
1.6.1. Syndromes moteurs46
1.6.2. Quelques pathologies accessibles aux BCI47
1.7. Conclusion49
1.8. Bibliographie49
Chapitre 2. Imagerie fonctionnelle cérébrale51
Christian-George Bénar
2.1. L'IRM fonctionnelle52
2.1.1. Principes de base de l'IRM52
2.1.2. Principes de l'IRMf52
2.1.3. Analyse statistique des données : le modèle linéaire53
2.1.4. Analyse en composantes indépendantes54
2.1.5. Mesures de connectivité55
2.2. Electrophysiologie : EEG et MEG56
2.2.1. Principes de base de la génération des signaux56
2.2.2. Potentiels et champs évoqués56
2.2.3. Localisation de sources57
2.2.4. Analyse en composantes indépendantes58
2.2.5. Analyse temps-fréquence59
2.2.6. Connectivité60
2.2.7. Analyse statistique61
2.3. EEG-IRMf simultanés61
2.3.1. Principes de la méthode61
2.3.2. Applications et analyse des données61
2.3.3. Liens entre électrophysiologie et IRMf62
2.4. Discussion et pistes futures62
2.5. Bibliographie64
Chapitre 3. Electrogenèse cérébrale69
Franck Vidal
3.1. Les activités électriques neuronales à l'origine de l'EEG69
3.1.1. Potentiels d'actions et potentiels postsynaptiques69
3.1.2. Potentiel de repos, gradient électrochimique et potentiels postsynaptiques71
3.1.3. Des potentiels postsynaptiques à l'EEG72
3.2. Champs dipolaire et quadripolaire74
3.2.1. Champ créé par un courant d'ions dû à l'ouverture de canaux ioniques74
3.2.1.1. Champ créé par une entrée d'ions au niveau d'une synapse (PPS)75
3.2.1.2. Champ créé par une entrée d'ions au niveau de l'axone (PA)75
3.2.1.3. Champ créé par d'autres activités neuronales77
3.2.2. Déterminants de la valeur du potentiel créé par un courant d'ions78
3.3. Importance de la géométrie des ensembles générateurs79
3.3.1. Sommation spatiale, champs fermés et champs ouverts79
3.3.2. Effet de la position des synapses sur la polarité des activités mesurées81
3.3.3. Effet de la position des zones activées82
3.4. Influence des milieux conducteurs83
3.4.1. Influence des cellules gliales83
3.4.2. Influence des os du crâne84
3.5. Conclusion84
3.6. Bibliographie85
Chapitre 4 Marqueurs physiologiques pour le contrôle de BCI actives/réactives
François Cabestaing et Philippe Derambure87
4.1. Introduction87
4.2. Marqueurs permettant le contrôle d'interfaces actives91
4.2.1. Variations spatio-temporelles de potentiels92
4.2.1.1. Variations lentes du potentiel cortical moyen92
4.2.1.2. Bereitschaftspotential ou Readiness Potential92
4.2.2. Variations spatio-temporelles de rythmes93
4.3. Marqueurs permettant le contrôle d'interfaces réactives96
4.3.1. Potentiels évoqués sensoriels96
4.3.1.1. Potentiels évoqués visuels stationnaires96
4.3.1.2. Autres potentiels steady-state : SSAEP, ASSR et SSSEP98
4.3.2. Potentiel endogène P30098
4.4. Conclusion100
4.5. Bibliographie100
Chapitre 5 Marqueurs neurophysiologiques pour les interfaces cerveau-ordinateur passives
Raphaëlle N. Roy et Jérémy Frey105
5.1. BCI passives et états mentaux105
5.1.1. BCI passives : définition105
5.1.2. Notion d'états mentaux106
5.1.3. Grandes catégories de marqueurs neurophysiologiques106
5.2. Charge mentale107
5.2.1. Définition107
5.2.2. Marqueurs comportementaux107
5.2.3. Marqueurs EEG107
5.2.4. Exemple d'application : contrôle aérien108
5.3. Fatigue mentale et vigilance108
5.3.1. Définition108
5.3.2. Marqueurs comportementaux109
5.3.3. Marqueurs EEG109
5.3.4. Exemple d'application : conduite automobile109
5.4. Attention110
5.4.1. Définition110
5.4.2. Marqueurs comportementaux110
5.4.3. Marqueurs EEG110
5.4.4. Exemple d'application : enseignement111
5.5. Détection des erreurs111
5.5.1. Définition111
5.5.2. Marqueurs comportementaux112
5.5.3. Marqueurs EEG112
5.5.4. Exemple d'application : interfaces tactiles et robotique112
5.6. Emotions113
5.6.1. Définition113
5.6.2. Marqueurs comportementaux113
5.6.3. Marqueurs EEG113
5.6.4. Exemples d'application : communication et développement personnel114
5.7. Conclusion114
5.8. Bibliographie115
Deuxième partie. Traitement du signal et apprentissage121
Chapitre 6. Prétraitements de données d'électro-encéphalographie123
Maureen Clerc
6.1. Introduction123
6.2. Principes d'acquisition de l'EEG124
6.2.1. Montage124
6.2.2. Echantillonnage125
6.2.3. Quantification125
6.3. Représentation temporelle et segmentation125
6.3.1. Débruitage126
6.3.2. Séparation de composantes126
6.4. Représentation fréquentielle et filtrage126
6.4.1. Débruitage128
6.4.2. Séparation de composantes128
6.5. Représentations temps-fréquence128
6.5.1. Atome temps-fréquence129
6.5.2. Transformée de Fourier à fenêtre130
6.5.3. Transformée en ondelettes131
6.5.3.1. Transformée en ondelettes ou filtrage multi-échelles132
6.5.4. Transformées temps-fréquence de signaux discrets132
6.5.5. Vers d'autres représentations redondantes133
6.6. Représentations spatiales134
6.6.1. Représentation topographique134
6.6.2. Filtrage spatial135
6.6.2.1. Laplacien de surface135
6.6.2.2. Densité surfacique de courant136
6.6.3. Reconstruction de sources136
6.6.4. Utilisation de représentations spatiales en BCI138
6.7. Représentation statistique des données139
6.7.1. Analyse en composantes principales (ACP)139
6.7.2. Analyse en composantes indépendantes (ACI)139
6.7.3. Représentations statistiques pour le BCI140
6.8. Contexte d'utilisation en BCI et conclusion140
6.9. Bibliographie141
Chapitre 7. Extraction de caractéristiques du signal EEG
Fabien Lotte et Marco Congedo145
7.1. Introduction145
7.2. Extraction de caractéristiques145
7.3. Extraction de caractéristiques pour les BCI exploitant l'activité oscillatoire147
7.3.1. Conception basique d'une BCI exploitant l'activité oscillatoire148
7.3.2. Vers des BCI plus avancées utilisant de multiples électrodes148
7.3.2.1. Filtrage spatial150
7.3.3. L'algorithme Common Spatial Patterns151
7.3.4. Illustration sur des vraies données153
7.4. Extraction de caractéristiques pour les BCI exploitant les potentiels évoqués154
7.4.1. Filtrage spatial pour les BCI exploitant les potentiels évoqués155
7.5. Méthodes alternatives et approche par géométrie riemannienne156
7.6. Conclusion158
7.7. Bibliographie159
Chapitre 8. Analyse des enregistrements extracellulaires
Christophe Pouzat161
8.1. Introduction161
8.1.1. Pourquoi enregistrer des populations de neurones ?161
8.1.2. Comment enregistre-t-on des populations de neurones ?162
8.1.3. Les propriétés des données extracellulaires et la nécessité du tri des potentiels d'action162
8.2. L'origine du signal et ses conséquences164
8.2.1. Relation entre courant et potentiel pour un milieu homogène164
8.2.2. Relation entre dérivées du potentiel membranaire et courant transmembranaire165
8.2.3. « Des électrodes aux tétrodes »168
8.3. Tri des potentiels d'action : présentation chronologique169
8.3.1. Tri à l'oeil170
8.3.2. Discriminateur d'amptitudes (window discriminator (1963)170
8.3.3. Comparaison à des motifs standards (template matching) (1964)171
8.3.4. Réduction de dimension (dimension reduction) et classification non supervisée (clustering) (1965)172
8.3.5. Analyse en composantes principales (principal components analysis) (1968)172
8.3.6. Résolution des superpositions (1972)174
8.3.7. Dynamique d'amplitude des potentiels d'action (1973)175
8.3.8. Filtres optimaux (1975)176
8.3.9. Stéréodes et rapport d'amplitudes (1983)178
8.3.10. La gigue électronique (sampling jitter) (1984)182
8.3.11. Outils graphiques183
8.3.12. Classification non-supervisée automatique185
8.4. Quelques recommandations191
8.5. Bibliographie193
Chapitre 9. Apprentissage statistique pour les BCI
Rémi Flamary, Alain Rakotomamonjy et Michèle Sebag197
9.1. Apprentissage statistique supervisé197
9.1.1. Données d'apprentissage et fonction de prédiction198
9.1.2. Risque empirique et régularisation199
9.1.3. Méthodes de classification classiques201
9.1.3.1. Analyse discriminante linéaire (LDA)201
9.1.3.2. Séparateurs à vaste marge (SVM)202
9.2. Méthodes d'apprentissage spécifiques203
9.2.1. Sélection de variables et de capteurs203
9.2.2. Apprentissage multisujet, transert d'information204
9.3. Mesures de performance205
9.3.1. Mesure de performance pour la classification205
9.3.2. Performance pour la régression207
9.4. Validation et sélection de modèles207
9.4.1. Estimation de la mesure de performance208
9.4.1.1. Echantillonnage aléatoire208
9.4.1.2. K-validation croisée et leave-one-out (LOO)209
9.4.1.3. Bootstrap209
9.4.2. Optimisation des hyper-paramètres210
9.5. Conclusion212
9.6. Bibliographie212
Troisième partie. Apprentissage humain et interaction homme-machine217
Chapitre 10. Méthodes adaptatives en apprentissage machine219
Maureen Clerc, Emmanuel Daucé et Jérémie Mattout
10.1. Les principales sources de variabilité219
10.1.1. La variabilité intra-individuelle220
10.1.2. La variabilité inter-individuelle221
10.2. Cadre de l'adaptation pour les interfaces cerveau-ordinateur222
10.3. Décodage statistique adaptatif223
10.3.1. Dérive de convariables224
10.3.2. Adaptation du classifieur225
10.3.2.1. Réaprentissage par fenêtre glissante225
10.2.2.2. Descentes de gradient226
10.3.3. Calibration adaptée au sujet227
10.2.2.1. Apprentissage par renforcement227
10.3.4. Tâche optimale228
10.3.5. Correspondance entre tâche et commande228
10.4. Modèle génératif et adaptation229
10.4.1. Approche bayésienne229
10.4.2. Décision séquentielle232
10.4.3. Optimisation en ligne des stimulations233
10.4.3.1. Expériences adaptatives en neuroconsciences cognitives235
10.5. Conclusion236
10.6. Bibliographie236
Chapitre 11. Apprentissage humain pour les interfaces cerveau-ordinateur241
Camille Jeunet, Fabien Lotte et Bernard N'Kaoua
11.1. Introduction241
11.2. Illustration : deux protocoles historiques en BCI243
11.2.1. Principe du protocole de Graz243
11.2.2. Principe du protocole du Wadworth Center pour le contrôle 1D de curseur244
11.3. Limites des protocoles standards utilisés en BCI245
11.4. Etat de l'art des protocoles d'apprentissage en BCI246
11.4.1. Instructions246
11.4.2. Tâches d'entraînement246
11.4.3. Feedback247
11.4.4. Environnement d'apprentissage250
11.4.5. Pour résumer : quelques lignes directrices pour la création de protocoles d'apprentissage plus efficaces250
11.5. Perspectives : vers des protocoles d'apprentissage adaptés et adaptables à l'utilisateur251
11.6. Conclusion254
11.7. Bibliographie254
Chapitre 12. Interfaces cerveau-ordinateur pour l'interaction homme-machine259
Andéol Evain, Nicolas Roussel, Géry Casiez, Ferran Argelaguet et Anatole Lécuyer
12.1. Une brève introduction à l'interaction homme-machine259
12.1.1. Système interactif, interface et interaction260
12.1.2. Tâches élémentaires et techniques d'interaction260
12.1.3. Théorie de l'action, retours d'information260
12.1.4. Utilisabilité261
12.2. Caractéristiques des BCI, du point de vue de l'IHM262
12.3. Quel motif pour quelle tâche ?264
12.4. Paradigmes d'interaction pour les BCI265
12.4.1. Boucle d'interaction BCI265
12.4.2. Principaux paradigmes d'interaction pour les BCI267
12.5. Conclusion271
12.6. Bibliographie272
Chapitre 13. Entraîner son cerveau avec le neurofeedback
Lorraine Perronnet, Anatole Lécuyer, Fabien Lotte, Maureen Clerc et Christian Barillot277
13.1. Introduction277
13.2. Comment ça marche ?280
13.2.1. Mise en place d'un programme d'entraînement par NF280
13.2.2. Déroulement d'une séance de NF : les « yeux rivés » sur son cerveau281
13.2.3. Un procédé d'apprentissage sur lequel il reste beaucoup à apprendre282
13.3. Cinquante ans d'histoire283
13.3.1. Un engouement trop précoce283
13.3.2. Une diversification des approches284
13.4. Vers un rapprochement entre NF et BCI286
13.5. Applications288
13.5.1. TDAH289
13.5.2. Epilepsie289
13.5.3. Dépression290
13.5.4. Réhabilitation motrice suite à un accident vasculaire cérébral (AVC)290
13.5.5. NF pour le contrôle d'une BCI291
13.6. Conclusion291
13.7. Bibliographie292
Index299
Sommaire du volume 2305