Dans cette thèse nous proposons d'étudier le potentiel d'erreur et sa possible intégration dans les ICMs (Interfaces cerveau machine). Le potentiel d'erreur (ErrP) est un potentiel généré par le cerveau lors de l'observation d'une erreur. Sa détection essai par essai pourrait permettre la mise en place d'une boucle de contrôle dans les ICMs. Cependant son RSB étant très faible cette détection est difficile. Ici nous proposons une étude complète de ce système. Dans un premier temps nous étudions de manière détaillée ses différentes caractéristiques (temporelles, fréquentielles..). A partir de ces observations nous proposons des méthodes de filtrage adaptées permettant d'augmenter le RSB de l'ErrP et ainsi d'améliorer les performances de détection essai par essai. Enfin nous étudions quelles stratégies d'intégration peuvent etre envisagées et quelles améliorations ces différentes stratégies peuvent apporter aux systèmes ICMs. / In this thesis we study the error-related potential (ErrP) and its possible integration in BCIs (Brain Computer Interfaces). The error-related potential is an evoked potential generated by brain electrical activity when observing an error. Its single-trial detection would allow the integration of control loops in BCIs. However its signal to noise ratio (SNR) is very low making its single-trial detection difficult. In the first part of this thesis we study the different characteristics (temporal, frequential…) of the ErrP. Then from these observations we develop specific filtering methods in order to improve the ErrP SNR and thus improve its single trial detection. In the last part of the thesis we study several integration strategies and conclude on what kind of improvement might be reached by using these strategies in actual BCI systems.

Malgré les récents progrès dans la prise en charge des patients en réanimation, la mortalité en réanimation reste élevée: environ 30%. L’atteinte cérébrale en est un déterminant majeur. Le concept de l'implication d'un dysfonctionnement du tronc cérébral dans la survenue de la mort en réanimation est bien établi. Cependant, les signatures neurophysiologiques de cette atteinte du tronc cérébral ne sont pas encore bien caractérisées. Certains paramètres de l'électroencéphalogramme (EEG) et des potentiels évoqués (PE) pourraient permettre l'évaluation de l'état fonctionnel du tronc cérébral en réanimation. La réactivité de l'EEG aux stimulations nociceptives permet de tester le fonctionnement du tronc cérébral par la voie extra-lemniscale (spino-thalamique). Les potentiels somesthésiques (PES) et auditifs précoces (PEAP) explorent respectivement les voies lemniscale médiane et lemniscale latérale dans le tronc cérébral.Dans les travaux présentés ici, nous avons évalué les anomalies de réponses neurophysiologiques du tronc cérébral et leur impact sur le pronostic dans différentes cohortes de patients en soins intensifs. En effet, le manque de réactivité de l'EEG à la stimulation douloureuse, ainsi que l'allongement du temps de conduction subcortico-corticale (PES P14-N20_ IPL) ont été chacun indépendamment corrélé à la mort en réanimation. L'allongement du temps de conduction ponto-mésencéphalique (PEAP III-V _ IPL) a tendance à être associé à l'apparition du délire ou du réveil retardé. Nos travaux fournissent des substrats neurophysiologiques des dysfonctionnements du tronc cérébral observés chez les patients gravement malades et leur relation avec le pronostic. Des études avec d'autres marqueurs neurophysiologiques ciblant le tronc cérébral comme les enregistrements du réflexe de clignement, des PE laser et des PE respiratoires, sont nécessaires. / Despite recent progress in the management of critically ill patients, mortality in the ICU remains high (around 30%). Neurological impairment is a major determinant of mortality in ICU. It has been hypothesithed that brainstem dysfunction might play a role in mortality in the ICU. However, neurophysiological signatures of brainstem failure in ICU patients have not yet been characterized. Electroencephalogram (EEG) and sensorial evoked potentials (EP) parameters could enable the assessment of the functional status of the brainstem at the bedside in the ICU. EEG reativity to intense painful stimuli allows testing the proper functioning of the brainstem via the extra-lemniscal pathway (spino-thalamic). Somatosensory (SSEP) and brainstem auditory (BAEP) evoked potentials respectively explore the median lemniscal and the lateral lemniscal pathways within the brainstem.In the works presented here, we assessed brainstem neurophysiological responses' and their impact on prognosis in various cohorts of critically ill patients. A lack of EEG reactivity to painful stimulation as well as the lengthening of subcortico-cortical conduction time (SSEP P14-N20_ IPL) was each independantly correlated with death in the ICU. The lengthening of ponto-mesencephalic conduction time (BAEP III-V _ IPL) tended to be associated with the onset of delirium or delayed awakening. Our work provides neurophysiological substratum for the concept of the brainstem dysfunctions in critically ill patients and their relationship with prognosis. Supplemental studies with other neurophysiological markers involving the brainstem such as recordings of blink reflexes, laser EP and respiratory EP, are needed to confirm these results.

L'interface cerveau-ordinateur (ICO) décode les signaux électriques du cerveau requise par l’électroencéphalographie et transforme ces signaux en commande pour contrôler un appareil ou un logiciel. Un nombre limité de tâches mentales ont été détectés et classifier par différents groupes de recherche. D’autres types de contrôle, par exemple l’exécution d'un mouvement du pied, réel ou imaginaire, peut modifier les ondes cérébrales du cortex moteur. Nous avons utilisé un ICO pour déterminer si nous pouvions faire une classification entre la navigation de type marche avant et arrière, en temps réel et en temps différé, en utilisant différentes méthodes. Dix personnes en bonne santé ont participé à l’expérience sur les ICO dans un tunnel virtuel. L’expérience fut a était divisé en deux séances (48 min chaque). Chaque séance comprenait 320 essais. On a demandé au sujets d’imaginer un déplacement avant ou arrière dans le tunnel virtuel de façon aléatoire d’après une commande écrite sur l'écran. Les essais ont été menés avec feedback. Trois électrodes ont été montées sur le scalp, vis-à-vis du cortex moteur. Durant la 1re séance, la classification des deux taches (navigation avant et arrière) a été réalisée par les méthodes de puissance de bande, de représentation temporel-fréquence, des modèles autorégressifs et des rapports d’asymétrie du rythme β avec classificateurs d’analyse discriminante linéaire et SVM. Les seuils ont été calculés en temps différé pour former des signaux de contrôle qui ont été utilisés en temps réel durant la 2e séance afin d’initier, par les ondes cérébrales de l'utilisateur, le déplacement du tunnel virtuel dans le sens demandé. Après 96 min d'entrainement, la méthode « online biofeedback » de la puissance de bande a atteint une précision de classification moyenne de 76 %, et la classification en temps différé avec les rapports d’asymétrie et puissance de bande, a atteint une précision de classification d’environ 80 %. / A Brain-Computer Interface (BCI) decodes the brain signals representing a desire to do something, and transforms those signals into a control command. However, only a limited number of mental tasks have been previously detected and classified. Performing a real or imaginary navigation movement can similarly change the brainwaves over the motor cortex. We used an ERS-BCI to see if we can classify between movements in forward and backward direction offline and then online using different methods. Ten healthy people participated in BCI experiments comprised two-sessions (48 min each) in a virtual environment tunnel. Each session consisted of 320 trials where subjects were asked to imagine themselves moving in the tunnel in a forward or backward motion after a randomly presented (forward versus backward) command on the screen. Three EEG electrodes were mounted bilaterally on the scalp over the motor cortex. Trials were conducted with feedback. In session 1, Band Power method, Time-frequency representation, Autoregressive models and asymmetry ratio were used in the β rhythm range with a Linear-Discriminant-analysis classifier and a Support Vector Machine classifier to discriminate between the two mental tasks. Thresholds for both tasks were computed offline and then used to form control signals that were used online in session 2 to trigger the virtual tunnel to move in the direction requested by the user's brain signals. After 96 min of training, the online band-power biofeedback training achieved an average classification precision of 76 %, whereas the offline classification with asymmetrical ratio and band-power achieved an average classification precision of 80%.

L'interface cerveau-ordinateur (ICO) décode les signaux électriques du cerveau requise par l’électroencéphalographie et transforme ces signaux en commande pour contrôler un appareil ou un logiciel. Un nombre limité de tâches mentales ont été détectés et classifier par différents groupes de recherche. D’autres types de contrôle, par exemple l’exécution d'un mouvement du pied, réel ou imaginaire, peut modifier les ondes cérébrales du cortex moteur. Nous avons utilisé un ICO pour déterminer si nous pouvions faire une classification entre la navigation de type marche avant et arrière, en temps réel et en temps différé, en utilisant différentes méthodes. Dix personnes en bonne santé ont participé à l’expérience sur les ICO dans un tunnel virtuel. L’expérience fut a était divisé en deux séances (48 min chaque). Chaque séance comprenait 320 essais. On a demandé au sujets d’imaginer un déplacement avant ou arrière dans le tunnel virtuel de façon aléatoire d’après une commande écrite sur l'écran. Les essais ont été menés avec feedback. Trois électrodes ont été montées sur le scalp, vis-à-vis du cortex moteur. Durant la 1re séance, la classification des deux taches (navigation avant et arrière) a été réalisée par les méthodes de puissance de bande, de représentation temporel-fréquence, des modèles autorégressifs et des rapports d’asymétrie du rythme β avec classificateurs d’analyse discriminante linéaire et SVM. Les seuils ont été calculés en temps différé pour former des signaux de contrôle qui ont été utilisés en temps réel durant la 2e séance afin d’initier, par les ondes cérébrales de l'utilisateur, le déplacement du tunnel virtuel dans le sens demandé. Après 96 min d'entrainement, la méthode « online biofeedback » de la puissance de bande a atteint une précision de classification moyenne de 76 %, et la classification en temps différé avec les rapports d’asymétrie et puissance de bande, a atteint une précision de classification d’environ 80 %. / A Brain-Computer Interface (BCI) decodes the brain signals representing a desire to do something, and transforms those signals into a control command. However, only a limited number of mental tasks have been previously detected and classified. Performing a real or imaginary navigation movement can similarly change the brainwaves over the motor cortex. We used an ERS-BCI to see if we can classify between movements in forward and backward direction offline and then online using different methods. Ten healthy people participated in BCI experiments comprised two-sessions (48 min each) in a virtual environment tunnel. Each session consisted of 320 trials where subjects were asked to imagine themselves moving in the tunnel in a forward or backward motion after a randomly presented (forward versus backward) command on the screen. Three EEG electrodes were mounted bilaterally on the scalp over the motor cortex. Trials were conducted with feedback. In session 1, Band Power method, Time-frequency representation, Autoregressive models and asymmetry ratio were used in the β rhythm range with a Linear-Discriminant-analysis classifier and a Support Vector Machine classifier to discriminate between the two mental tasks. Thresholds for both tasks were computed offline and then used to form control signals that were used online in session 2 to trigger the virtual tunnel to move in the direction requested by the user's brain signals. After 96 min of training, the online band-power biofeedback training achieved an average classification precision of 76 %, whereas the offline classification with asymmetrical ratio and band-power achieved an average classification precision of 80%.