Les interfaces cerveau-machine (ICM) utilisent les signaux émis par le cerveau pour contrôler des machines ainsi que des appareils (claviers, voitures, neuro-prothèses). Après plusieurs décennies de développement, les techniques de ICM modernes montrent une maturité relative par rapport aux dernières décennies et reçoivent de plus en plus d'attention dans les applications grand public du monde réel, en particulier dans le domaine des interactions homme-machine pour personnes en bonne santé, par exemple les neuro-jeux. L'objectif de cette thèse est de développer un modèle d'ICM et des algorithmes de traitement de signaux EEG pour relever ces défis, donc conduire à une ICM non-invasive, portable et facile à utiliser, exploitant des rythmes EEG pour les applications grand public (non médicales). Pour atteindre cet objectif, un examen de l'état de l'art (prototypes existants et produits commerciaux, configurations expérimentales, algorithmes) a d'abord été effectué pour acquérir une bonne compréhension de ce domaine. Les contributions de cette thèse comprennent : 1) un paradigme ICM hybride avec peu d'électrodes, 2) la réduction de la dimensionnalité pour l'ICM multi-canal (avec un nombre élevé d'électrodes), 3) la réduction et la sélection de canal, 4) l'amélioration de la classification pour l'ICM avec des électrodes prédéterminées. Les résultats expérimentaux montrent que les méthodes proposées dans cette thèse peuvent améliorer les performances de classification et/ou augmenter l'efficacité du système (par exemple, réduire le temps d'apprentissage, réduire le coût du matériel), de manière à contribuer à des ICM pour des applications générales. / Brain-computer interfaces (BCIs) use signals from the brain to control machines and devices (keyboards , cars, neuro- prostheses) . After several decades of development, modern BCI techniques show a relative maturity compared to the past decades and receive more and more attention in real-world general public applications, in particular in the domain of BCI-based human-computer interactions for healthy people, such as neuro-games. The aim of this thesis is to develop an experimental setup and signal processing algorithms for non-invasive, portable and easy-to-use BCI systems for large public (non-medical) applications. To achieve this goal, a review of the state of the art (existing prototypes and commercial products, experimental setup, algorithms) is first performed to get a full scope and a good understanding in this field. The main contributions of this thesis include: 1) a hybrid BCI paradigm with a few electrodes , 2) dimensionality reduction for multi-channel BCI (with a high number of electrodes ), 3) reduction and selection channel , 4) improved classification for BCI with a few predetermined electrodes. The experimental results show that the methods proposed in this thesis can improve classification performance and / or increase the efficiency of the system ( for example, reduce the learning time, reduce the cost of equipment ) , so as to contribute to BCI for the general applications.

La palliation du handicap moteur est la principale application actuelle des interfaces cerveau-machine (ICM). Cette thèse décrit une interface cerveau-machine hybride, conçue spécifiquement pour des patients souffrant de myopathie de Duchenne. Notre ICM hybride exploite les signaux issus de capteurs électroencéphalographiques (EEG), électromyographiques (EMG), et de joysticks. Leur traitement nous permet de détecter un mouvement ou une intention de mouvement à différents niveaux de la commande motrice. Les signaux joysticks sont utilisés tant que le patient est capable de les activer, puis à mesure que la motricité se dégrade avec l’évolution de la maladie, l’ICM hybride prend en compte les signaux EMG et enfin les signaux EEG. Nous avons développé une méthode originale de traitement des signaux EEG, qui permet à un expert humain de sélectionner les valeurs caractéristiques qui lui semblent les plus discriminantes. Les performances de cette méthode ont été évaluées sur une base de données qui sert de référence dans la communauté ICM, ainsi que sur des données que nous avons enregistrées sur des sujets sains. Notre ICM hybride permet le contrôle de trajectoire d’un mobile à partir de trois actions, correspondant à un mouvement ou une intention de mouvement de la main droite, de la main gauche, et des deux mains simultanément. Un degré de liberté supplémentaire peut être envisagé en intégrant la détection d’une intention de mouvement des pieds. / Brain-machine interfaces (BMI) have been considered since many years as the most promising approach to the palliation of severe motor handicap. This thesis describes a hybrid brain-machine interface, designed specifically for patients suffering from Duchenne muscular dystrophy. Our hybrid BMI uses signals recorded by electroencephalography (EEG), electromyography (EMG), and joystick sensors. Signal processing enables the hybrid BMI to detect a movement or movement intent at different levels of the motor command chain. Joysticks are used as long as the patient is able to activate them, then when motricity deteriorates with the disease evolution, the hybrid BMI takes EMG signals into account and finally EEG signals. We have developed an original method for processing EEG signals, allowing the system to select features that a human expert considers as the most discriminant. Performance has been assessed on a data set used as a reference in the BMI community, as well as on data that we have recorded from healthy subjects in our laboratory. Our hybrid BMI controls the trajectory of a moving object – either real or virtual – through three actions, corresponding to a movement or an intent of movement of the right hand, the left hand, or both hands simultaneously. An additional degree of freedom can be considered by integrating the detection of attempted feet movements.

La mémoire spatiale est composée d'une phase d''encodage pendant l'éveil, suivi par une phase de consolidation pendant le sommeil, au cours de laquelle les séquences d'activation des cellules de lieu sont rejouées. Ces réactivations ont lieu pendant des oscillations à hautes fréquences du sommeil à ondes lentes, appelées les sharp-wave ripples (SPW-Rs) dont l'occurrence est coordonnées avec celle des autres rythmes corticaux (ondes delta 2-4Hz et spindles 10-15Hz). Ce modèle bien que largement accepté ne repose que sur des études corrélatives. De plus, les SWP-Rs et les ondes delta sont impliquées à la fois dans l'homéostasie du sommeil et dans la consolidation de la mémoire. Or l'interaction entre les deux phénomènes n'a jamais été caractérisée. Au moyen d'une interface cerveau machine, nous avons associé les réactivations spontanées d'une cellule de lieu pendant le sommeil à une stimulation électrique de récompense. Au réveil les souris allaient dans le champ de lieu du neurone démontrant la possibilité de créer des souvenirs artificiels pendant le sommeil. Ceci démontrait également le rôle causal des cellules de lieu dans la navigation spatiale ainsi que l'existence de réactivations d'informations spatiales pendant le sommeil. Dans un second temps, nous avons développé une deuxième interface cerveau-machine permettant de manipuler les ondes delta. Nous avons également montré que l'occurrence des SPW-Rs et des ondes delta diminuent avec le temps de sommeil en maintenant leur coordination. Enfin nous avons identifié une sous-population de neurones corticaux potentiellement impliquée dans la génération des ondes delta et leur régulation par la pression homéostatique de sommeil. / Spatial memory is composed of an encoding phase during wakefulness, followed by a consolidation phase during sleep, corresponding to the replay of sequences of activation of hippocampal place cells observed during wake. Those reactivations occur during slow wave sleep, mostly during hippocampal high frequency oscillations, called sharp-wave ripples (SPW-Rs). Moreover, SPW-Rs occurrence is coordinated with others cortical rhythms (delta waves 2-4Hz and spindles 10-15Hz). Although this theoretical framework is widely accepted, it is only based on correlative studies. Moreover, in addition to memory consolidation, SPW-Rs and delta waves are also involved in sleep homeostasis. Finally, a fine description of the interactions between the two phenomena is still lacking. By using a newly designed brain machine interface, we associated spontaneous reactivations of a single place cell during sleep to intracranial rewarding stimulations. At awakening, mice went and stayed within the place field of the related neuron, demonstrating the possibility to create artificial memories during sleep. It also demonstrated the causal role of place cells on spatial navigation, and that they still convey spatial information during sleep supporting the existence of sleep reactivation. We also developed a second brain machine interface in order to manipulate delta waves during sleep. We showed that the occurrence of both SPW-Rs and delta waves decrease during sleep, even though their coordination was maintained. Finally, we identify a sub-population of cortical neurons potentially involved both in the generation of delta waves and their modulation by the homeostatic pressure of sleep.

Nous nous intéressons ici à une interface cerveau-machine (BCI, Brain Computer Interface) permettant de commander une prothèse par la pensée. Le rôle du BCI est de décoder à partir de signaux électroencéphalographiques (EEG) le mouvement désiré par le sujet. Le coeur du BCI est un algorithme de classification caractérisé par le choix des descripteurs des signaux et des règles de décision. L'objet de cette thèse est de développer un système BCI précis, capable d'améliorer ses performances en cours d'utilisation et de s'adapter à l'utilisateur sans nécessiter de multiples sessions d'apprentissage. Nous combinons deux moyens pour y parvenir. Le premier consiste à augmenter la précision du système de décision en recherchant des descripteurs pertinents vis à vis de l'objectif de classification. Le second est d'inclure un retour de l'utilisateur sur le système de décision : l'idée est d'estimer l'erreur du BCI à partir de potentiels cérébraux évoqués, reflétant l'état émotionnel du patient corrélé au succès ou à l'échec de la décision prise par le BCI, et de corriger le système de décision du BCI en conséquence. Les principales contributions de la thèse sont les suivantes : nous avons proposé une méthode d'optimisation de descripteurs à bases d'ondelettes pour des signaux EEG multivoies ; nous avons quantifié théoriquement l'amélioration des performances apportée par le détecteur ; un simulateur du système corrigé et bouclé a été développé pour observer le comportement du système global et comparer différentes stratégies de mise à jour de l'ensemble d'apprentissage ; le système complet a été implémenté et fonctionne en ligne dans des conditions réelles.

Cette thèse a pour but le développement d’une Interface cerveau-machine (ICM) à partir de la mesure EEG,permettant à l’utilisateur de communiquer avec un dispositif externe directement par l’intermédiaire de son activité cérébrale. Ces travaux ont été menés avec comme ligne directrice le développement d'un système d'ICM utilisable dans un contexte de vie courante, le but étant de réaliser une ICM simple d'utilisation, robuste et ergonomique, permettant le contrôle d'un effecteur avec un temps de calibration minimal.Un brain-switch ou interrupteur cérébral a été réalisé et permet à l'utilisateur d'envoyer une commande binaire. La réalisation d'une telle ICM implique le développement d'algorithmes robustes et leurs mises en œuvre expérimentales. Les travaux réalisés comportent deux volets, l'un concerne le développement de nouveaux algorithmes, l'autre concerne la réalisation de campagne de tests. / This thesis presents the development of a Brain computer Interface (BCI) based on EEG signal, allowing its user to communicates with an external device solely by the mean of brain activity. This work as been conduct with the goal of designing a robust, ergonomic and easy to use BCI system for real life applications.In this context, a brain-switch has been developed, allowing it's user to send a binary command to a homeautomation system. This goal can only be achieved by developing new methodologies and algorithms, while testing them on real life experiments. Therefore, this works is two part, the first one is focus on the design of new algorithms, the secondon the design of experimental paradigm.

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.

Les traumatismes médullaires, ainsi que les myopathies, les accidents vasculaires cérébraux ou les amputations peuvent entraîner de très lourds handicaps où la commande motrice ne peut plus être exécutée correctement. Les interfaces cerveau-machine ont été développées pour contrecarrer ces déficits. La plupart des groupes de recherche travaillant dans le domaine ont conçu des interfaces qui tentent de reconstruire un mouvement à partir de l'activité neuronale du cerveau. Dans notre cas, nous attaquons le problème différemment en conditionnant un neurone ou un petit nombre d'entre eux dans le cortex moteur de rats éveillés afin qu'ils contrôlent la vitesse d'un actuateur en une dimension en augmentant ou en diminuant leur taux de décharge. Dans ce protocole, connaître l'espace initial de codage des neurones conditionnés n'était pas un prérequis. Nous avons observé que l'activité de la plupart des neurones pouvait être modulée par conditionnement opérant, et pouvaient contrôler en temps réel et pendant plusieurs secondes la position d'une bouteille contenant une récompense liquide située en face de l'animal. De plus, pendant la période d'apprentissage, les neurones conditionnés ont affiché des propriétés spéciales comparées aux autres neurones non conditionnés, en termes de variabilité du taux de décharge, de latence de la réponse et de force de la modulation. Cela constitue la première démonstration d'un outil externe contrôlé en temps réel par des neurones conditionnés devant ajuster leur activité selon des objectifs constamment redéfinis.

Les Interfaces Cerveau-Machine (ICM) sont des systèmes qui permettent à des patients souffrant d'un handicap moteur sévère d'utiliser leur activité cérébrale pour contrôler des effecteurs, par exemple des prothèses des membres supérieurs dans le cas d'ICM motrices. Les intentions de mouvement de l'utilisateur sont estimées en appliquant un décodeur sur des caractéristiques extraites de son activité cérébrale. Des challenges spécifiques au déploiement clinique d'ICMs motrices ont été considérés, à savoir le contrôle mono-membre ou séquentiel multi-membre asynchrone et précis. Un décodeur, le Markov Switching Linear Model (MSLM), a été développé pour limiter les activations erronées de l'ICM, empêcher des mouvements parallèles des effecteurs et décoder avec précision des mouvements complexes. Le MSLM associe des modèles linéaires à différents états possibles, e.g. le contrôle d'un membre spécifique ou une phase de mouvement particulière. Le MSLM réalise une détection d'état dynamique, et les probabilités des états sont utilisées pour pondérer les modèles linéaires.La performance du décodeur MSLM a été évaluée pour la reconstruction asynchrone de trajectoires de poignet et de doigts à partir de signaux electrocorticographiques. Il a permis de limiter les activations erronées du système et d'améliorer la précision du décodage du signal cérébral. / Brain-Computer Interfaces (BCI) are systems that allow severely motor-impaired patients to use their brain activity to control external devices, for example upper-limb prostheses in the case of motor BCIs. The user's intentions are estimated by applying a decoder on neural features extracted from the user's brain activity. Signal processing challenges specific to the clinical deployment of motor BCI systems are addressed in the present doctoral thesis, namely asynchronous mono-limb or sequential multi-limb decoding and accurate decoding during active control states. A switching decoder, namely a Markov Switching Linear Model (MSLM), has been developed to limit spurious system activations, to prevent parallel limb movements and to accurately decode complex movements.The MSLM associates linear models with different possible control states, e.g. activation of a specific limb, specific movement phases. Dynamic state detection is performed by the MSLM, and the probability of each state is used to weight the linear models. The performance of the MSLM decoder was assessed for asynchronous wrist and multi-finger trajectory reconstruction from electrocorticographic signals. It was found to outperform previously reported decoders for the limitation of spurious activations during no-control periods and permitted to improve decoding accuracy during active periods.

Une Interface Cerveau-Machine (ICM) est un système permettant de transformer l'activité neurale du cerveau en une commande d'effecteurs externes. Cette étude correspond à une étape vers une ICM totalement autonome fonctionnant dans un environnement naturel ce qui est d'une importance cruciale pour les futures applications cliniques d'une ICM. Pour représenter l'environnement naturel, des expériences avec une ICM binaire asynchrone ont été réalisées avec des animaux libres de se mouvoir. En comparaison avec les études précédentes, des expériences sur le long terme ont été réalisées, ce qui est plus conforme aux exigences des applications de la vie réelle. L'objectif principal de cette étude est de différencier le modèle spécifique neuronal lié à l'intention d'action de l'activité de fond du cerveau chez des animaux libres de tous mouvements. Pour atteindre le niveau nécessaire de sélectivité, l'analyse Multi-Voies PLS a été choisie sachant qu'elle fournit simultanément un traitement du signal dans plusieurs domaines, à savoir, temporel, fréquentiel et spatial. Pour améliorer la capacité de l'approche générique Multi-Voies PLS pour le traitement de données à grandes dimensions, l'algorithme " Itérative NPLS " est introduit dans notre travail. En ayant des besoins plus faibles en mémoire, cet algorithme fournit des traitements de grands ensembles de données, permet une résolution élevée, préserve l'exactitude de l'algorithme générique et démontre une meilleure robustesse. Pour la calibration adaptative d'un système ICM, l'algorithme récursif NPLS est proposé. Finalement, l'algorithme pénalisé NPLS est développé pour la sélection efficace d'un sous-ensemble de fonctions, à savoir, un sous-ensemble d'électrodes. Les algorithmes proposés ont été testés sur des ensembles de données artificielles et réelles. Ils ont démontré une performance qui est comparable à celle d'un algorithme générique NPLS. Leur efficacité de calcul est acceptable pour les applications en temps réel. Les algorithmes développés ont été appliqués à la calibration d'un système ICM et ont été utilisés dans des expériences d'ICM avec bouclage en temps réel chez des animaux. Enfin, les méthodes proposées représentent une approche prospective pour de futurs développements de systèmes ICM humains.

L'attention visuospatiale est un mécanisme de sélection et de traitement d'information qui se manifeste explicitement par l'orientation de la tête ou du regard. En anticipation d'une nouvelle information, le foyer de l'attention s'oriente implicitement en vision périphérique pour dissocier l'orientation du regard et du foyer implicite vers deux emplacements distincts. Dans cette situation, la réaction à une cible qui apparaît à l'emplacement du foyer implicite s'améliore par rapport aux autres cibles qui pourraient s'afficher dans un emplacement non-attendu. La problématique de la thèse est d'étudier comment détecter l'emplacement du foyer de l'attention implicite par décodage de l'activité cérébrale mesurée en électro-encéphalographie (EEG) avant l'affichage d'une cible visuelle dans 3 expériences réalisées chez des sujets sains. La première expérience aborde la problématique dans une condition où l'indication sur l'emplacement de la cible est globalement non-informative pour les sujets. Cependant, leur activité cérébrale suggère que ce type d'indication a tendance à induire un état d'alerte, de préparation ou d'orientation de l'attention dans le temps plutôt que dans l'espace. En lien avec ce résultat, la deuxième expérience aborde la problématique dans une condition ambiguë où l'attention du sujet s'oriente vers un emplacement sans lien systématique avec le contenu des indications. / Visuospatial attention is an information selection and processing mechanism whose overt manifestations consist of head or gaze shifts. In anticipation to new information, the focus of attention can also covertly shift to peripheral vision to share attention between two distinct locations: the overt one (center of gaze) and the covert one in periphery. In such a situation, the reaction to a target appearing at the focus of attention is enhanced with respect to targets appearing at unattended locations. This thesis addresses the problem of detecting the location of covert attention by decoding neural activity measured by electroencephalography (EEG) before target onset in 3 experiments on healthy subjects. The first experiment uses visuospatial cues that are non-informative about the target location. However, the neural activity reflects that non-informative cues tend to bring the subjects into a state related to alertness, motor preparation or temporal expectation rather than a spatial shift of attention. According to this result, the second experiment uses an ambiguous precueing condition in which the sujet's attention is shifted to spatial locations which bear a non-systematic relation to the information contained in the cues. With these ambiguous cues, we find that the proportion of targets displayed at unattended locations is equivalent to a non-informative condition, and that reaction speed and accuracy are dramatically impacted.