No description available.

L'attention focalisée est une fonction cognitive de haut niveau permettant à l'Homme de faciliter sélectivement certaines actions et perceptions. Dans un monde regorgeant de choix d'actions, et de possibilités de perceptions, l'attention focalisée représente une composante vitale de la cognition humaine. Un constat important doit cependant être noté : l'Homme est incapable de maintenir indéfiniment un état stable d'attention focalisée. Cette incapacité est mise en évidence pendant les tâches d'attention soutenue par l'apparition progressive de déficiences sensori-motrices au cours du temps. L'impulsivité motrice augmente alors, ainsi que le temps de réponse aux stimuli impératifs, et la sensibilité perceptive diminue. À l'heure actuelle, les bases neuronales du phénomène restent très peu connues et ce manque de connaissance est clairement perceptible au sein de deux champs disciplinaires - les Neurosciences Cognitives et l'Ingénierie Cognitive. En Neurosciences Cognitives, la question demeure ainsi posée : pourquoi l'Homme est-il incapable de maintenir un niveau de performance sensori-motrice optimal au cours de tâches d'attention soutenue ? En Ingénierie Cognitive, la problématique concerne le développement d'Interfaces Cerveau-Machine (ICM) passives : identifier les marqueurs neuronaux des déficits d'attention permettrait, à terme, de suivre en temps réel l'état cognitif de l'Homme et de l'alerter de la survenue de ces déficits durant son activité. Ces deux problématiques ont été traitées dans cette thèse. Dans un premier temps, je démontre que le maintien d'une attention focalisée sur une stimulation visuelle entraîne une rapide inhibition des aires visuelles corticales. Cette inhibition sensorielle serait liée à l'absence de variation de la stimulation sensorielle. Ainsi, l'inhibition sensorielle serait bénéfique au cours de tâches de recherche visuelle : elle permettrait à l'Homme d'éviter de réexaminer plusieurs fois le même stimulus, le même objet, la même localisation spatiale; mais lorsqu'une attention soutenue est requise, ce mécanisme serait alors à l'origine de l'apparition de déficiences sensorielles. La présence de cette inhibition sensorielle apporte une explication probante à la diminution de sensibilité perceptive et à l'allongement du temps de réaction qui caractérisent le phénomène. Je montre ensuite que l'activité de structures neuronales motrices et d'aires corticales connues pour sous-tendre l'attention focalisée (i.e., tractus cortico-spinal, et aires corticales motrice primaire, préfrontale et pariétale droite) augmente progressivement au cours d'une tâche d'attention soutenue. Ce sur-engagement reflèterait un processus de compensation en réponse au désengagement préalable des aires corticales sensorielles et à la diminution de la qualité des représentations perceptives. Aussi, l'augmentation d'activité des structures neuronales motrices expliquerait l'augmentation de l'impulsivité motrice, une des signatures comportementales des déficits d'attention. Dans un second temps, je teste la possibilité d'exploiter ces corrélats neuronaux des déficits d'attention afin de discriminer deux états attentionnels donnés (i.e., avec ou sans déficits d'attention) au sein d'une ICM passive. Nous avons pour cela appliqué des méthodes de classification supervisées sur des données de spectroscopie proche infra-rouge reflétant l'activité hémodynamique des aires corticales préfrontale et pariétale enregistrées pendant une tâche d'attention soutenue. Nous rapportons des résultats encourageant en termes de performance de classification pour le futur développement d'ICM passives. Pris ensemble, les résultats décrits dans cette thèse apportent une meilleure compréhension des corrélats neuronaux des déficits d'attention et montrent comment cette connaissance peut être exploitée afin de développer des systèmes permettant de limiter la survenue d'accidents et d'incidents liés à l'erreur humaine dans un contexte écologique. / Focused attention represents a high-level cognitive function enabling humans to selectively facilitate specific actions and perceptions. In a world full of choices of action, and of perceptual possibilities, focused attention appears to be a vital component of human cognition. One observation however, is worth making: human-beings are unable to maintain stable states of focused attention indefinitely. This inability manifests during sustained attention tasks with the progressive occurrence of sensory-motor deficiencies with time-on-task. The phenomenon - called attention decrement - is characterized by increases in motor impulsivity and in response times to imperative events, and by a reduction in perceptual sensitivity. So far, the neural underpinnings of attention decrement have not been fully elucidated and this lack of knowledge is clearly palpable within two disciplinary fields : Cognitive Neuroscience and Cognitive Engineering. In Cognitive Neuroscience, the associated question is why are human-beings unable to maintain an optimal sensory-motor performance during sustained attention tasks? In Cognitive Engineering, the lack of a complete scientific understanding of attentional issues impacts the development of efficient passive Brain-Computer interfaces (BCI), capable of detecting the occurrence of potentially dangerous attention decrements during the performance of everyday activities. Both issues have been addressed in this thesis. In terms of Cognitive Neuroscience, I demonstrate that sustaining focused attention on a visual stimulation rapidly leads to an inhibition of the visual cortices. This sensory inhibition can be causally related to the lack of changes in perceptual stimulation typically characterizing sustained attention tasks. While the mechanism may be beneficial during visual search tasks as it helps humans avoid processing the same stimulus, the same object, the same location several times, it can lead to the occurrence of sensory deficiencies when sustained attention is required. As such, the sensory inhibition provides a compelling explanation as to the decrease in perceptual sensitivity and to the increase in reaction time that typify attention decrement. I show in a second study that attention decrement is associated with an increase in the activity of motor- and attention-related neural structures (i.e., cortico-spinal tract, primary motor, prefrontal and right parietal cortices). This excessive engagement reflects a compensatory process occurring in response to the sensory disengagement already highlighted and to the related degradation of the quality of perceptual representations. It is notable that the excessive engagement of the motor neural structures with time-on-task provides a potential explanation for the increase in motor impulsivity typifying attention decrement. In terms of application of these new findings, I investigated the potential of exploiting these neural correlates of attention decrement to discriminate between two different attentional states (i.e., with or without attention decrement) through a passive BCI system. To do so, we applied supervised classification analyses on near-infrared spectroscopy signals reflecting the hemodynamic activity of prefrontal and parietal cortices as recorded during a sustained attention task. We achieved relatively promising classification performance results which bode well for the future development of passive BCI. When considered together, the results described in this thesis contribute towards a better understanding of the neural correlates of attention decrement and demonstrate how this novel knowledge can be exploited for the future development of systems which may enable a reduction in accidents and human error-driven incidents in real world environments.

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. / Brain Computer Interface (BCI) is a system for translation of brain neural activity into commands for external devices. This study was undertaken as a step toward the fully autonomous (self-paced) BCI functioning in natural environment which is of crucial importance for BCI clinical applications. To model the natural environment binary self-paced BCI experiments were carried out in freely moving animals. In comparison to the previous works, the long-term experimental sessions were carried out, which better comply with the real-life applications requirements. The main goal of the study was to discriminate the specific neuronal pattern related to the animal's control action against background brain activity of freely-moving animal. To achieve the necessary level of selectivity the Multi-Way Analysis was chosen since it provides a simultaneous signal processing in several domains, namely, temporal, frequency and spatial. To improve the capacity of the generic Multy-Way PLS approach for treatment of high-dimensional data, the Iterative NPLS algorithm is introduced in the current study. Having lower memory requirements it provides huge datasets treatment, allows high resolution, preserves the accuracy of the generic algorithm, and demonstrates better robustness. For adaptive calibration of BCI system the Recursive NPLS algorithm is proposed. Finally, the Penalized NPLS algorithm is developed for effective selection of feature subsets, namely, for subset of electrodes. The proposed algorithms were tested on artificial and real datasets. They demonstrated performance which either suppress or is comparable with one of the generic NPLS algorithm. Their computational efficiency is acceptable for the real-time applications. Developed algorithms were applied for calibration of the BCI system and were used in the real-time close-loop binary BCI experiments in animals. The proposed methods represent a prospective approach for further development of a human BCI system.

Les interfaces cerveau-machine (ICM) permettent de contrôler un appareil électronique grâce aux signaux cérébraux. Plusieurs méthodes de mesure de ces signaux, invasives ou non, peuvent être utilisées. L'électro-encéphalographie (EEG) est la méthode non-invasive la plus étudiée car elle propose une bonne résolution temporelle et le matériel nécessaire est bien moins volumineux que les systèmes de mesure des champs magnétiques.L'EEG a cependant une faible résolution spatiale, ce qui limite les performances des ICM utilisant cette méthode de mesure. Ce souci de résolution spatiale peut être réglé en utilisant le problème inverse de l'EEG, qui permet de passer des potentiels mesurés en surface à une distribution volumique des sources de courant dans le cerveau. Le principal verrou de cette technique est le temps nécessaire (plusieurs heures) pour calculer avec une station de travail la matrice permettant de résoudre leproblème inverse. Dans le cadre de cette thèse, nous avons étudié les solutions actuelles pour accélérer matériellement la conception de cette matrice. Nous avons ainsi proposé, conçu et testé une architecture électronique dédiée à ces traitements pour ICM. Les premiers résultats démontrent que notre solution permet de passer de plusieurs heures de calcul sur une station de travail à quelques minutes sur circuit reconfigurable. Cette accélération des traitements d'imagerie par EEG facilitera grandement la recherche sur l'utilisation du problème inverse et ouvrira ainsi de nouvelles perspectives pour le domaine de l'ICM. / Brain-Computer Interfaces (BCI) are systems that use brain activity to control an external device. Various techniques can be used to collect the neural signals. The measurement can be invasive ornon-invasive. Electroencephalography (EEG) is the most studied non-invasive method. Indeed, EEG offers a fine temporal resolution and ease of use but its spatial resolution limits the performances of BCI based on EEG. The spatial resolution of EEG can be improved by solving the EEG inverse problem, which allows to determine the distribution of electrical sources in the brain from EEG. Currently, the main difficulty is the time needed(several hours) to compute the matrix which is used to solve the EEG inverse problem. This document describes the proposed solution to provide a hardware acceleration of the matrix computation. A dedicated electronic architecture has been implemented and tested. First results show that the proposed architecture divides the calculation time by a factor of 60 on a programmable circuit. This acceleration opens up new perspectives for EEG BCI.

Aujourd'hui, les modèles computationnels de l'apprentissage et de la prise de décision chez l'homme se sont raffinés et complexifiés pour prendre la forme de modèles génératifs des données psychophysiologiques de plus en plus réalistes d'un point de vue neurobiologique et biophysique. Dans le même temps, le nouveau champ de recherche des interfaces cerveau-machine (ICM) s'est développé de manière exponentielle. L'objectif principal de cette thèse était d'explorer comment le paradigme de l'électrophysiologie temps-réel peut contribuer à élucider les processus d'apprentissage et de prise de décision perceptive chez l'homme. Au niveau expérimental, j'ai étudié les décisions perceptives somatosensorielles grâce à des tâches de discrimination de fréquence tactile. En particulier, j'ai montré comment un contexte sensoriel implicite peut influencer nos décisions. Grâce à la magnétoencéphalographie (MEG), j'ai pu étudier les mécanismes neuronaux qui sous-tendent cette adaptation perceptive. L'ensemble de ces résultats renforce l'hypothèse de la construction implicite d'un a priori ou d'une référence interne au cours de l'expérience. Aux niveaux théoriques et méthodologiques, j'ai proposé une vue générique de la façon dont l'électrophysiologie temps-réel pourrait être utilisée pour optimiser les tests d'hypothèses, en adaptant le dessin expérimental en ligne. J'ai pu fournir une première validation de cette démarche adaptative pour maximiser l'efficacité du dessin expérimental au niveau individuel. Ce travail révèle des perspectives en neurosciences fondamentales et cliniques ainsi que pour les ICM

Les interfaces cerveau-machine (ICM) permettent de contrôler une machine directement à partir de l'activité cérébrale. Le P300-Speller, en particulier, pourrait offrir à des patients complètement paralysés, la possibilité de communiquer sans l'aide de la parole ou du geste. Nous avons cherché à améliorer cette communication en étudiant la coadaptation entre cerveau et machine. Nous avons d'abord montré que l'adaptation d'un utilisateur peut être partiellement perçue, en temps-réel, à travers les modulations de sa réponse électrophysiologique aux feedbacks de la machine. Nous avons ensuite proposé, testé et évalué les effets sur l'utilisateur de plusieurs approches permettant d'améliorer l'interaction, notamment : - la correction automatique des erreurs, grâce à la reconnaissance en temps-réel des réponses aux feedbacks ; - une stimulation dynamique permettant de diminuer le risque d'erreur tout en réduisant l'inconfort lié aux stimulations ; - un processus automatique de décision adaptative, en fonction de l'état de vigilance du sujet. Nos résultats montrent la présence de réponses aux feedbacks spécifiques des erreurs et modulées par l'attention ainsi que par la surprise du sujet face au résultat de l'interaction. Par ailleurs, si l'efficacité de la correction automatique est variable d'un sujet à l'autre, le nouveau mode de stimulation comme la décision adaptative apparaissent comme très avantageux et leur utilisation a un effet positif sur la motivation. Dans la perspective d'études cliniques pour évaluer l'utilité des ICM pour la communication, ces travaux soulignent et quantifient l'intérêt de développer des interfaces capables de s'adapter à chaque utilisateur.

Les Interfaces Cerveau-Machine (ICM) ont été appliquées avec succès aussi bien dans le domaine clinique que pour l'amélioration de la vie quotidienne de patients avec des handicaps. En tant que composante essentielle, le module de traitement du signal détermine nettement la performance d'un système ICM. Nous nous consacrons à améliorer les stratégies de traitement du signal du point de vue de l'apprentissage de la machine. Tout d'abord, nous avons développé un algorithme basé sur les SVM transductifs couplés aux noyaux multiples afin d'intégrer différentes vues des données (vue statistique ou vue géométrique) dans le processus d'apprentissage. Deuxièmement, nous avons proposé une version enligne de l'apprentissage multi-noyaux dans le cas supervisé. Les résultats expérimentaux montrent de meilleures performances par rapport aux approches classiques. De plus, l'algorithme proposé permet de sélectionner automatiquement les canaux de signaux EEG utiles grâce à l'apprentissage multi-noyaux.Dans la dernière partie, nous nous sommes attaqués à l'amélioration du module de traitement du signal au-delà des algorithmes d'apprentissage automatique eux-mêmes. En analysant les données ICM hors-ligne, nous avons d'abord confirmé qu'un modèle de classification simple peut également obtenir des performances satisfaisantes en effectuant une sélection de caractéristiques (et/ou de canaux). Nous avons ensuite conçu un système émotionnel ICM par en tenant compte de l'état émotionnel de l'utilisateur. Sur la base des données de l'EEG obtenus avec différents états émotionnels, c'est-à -dire, positives, négatives et neutres émotions, nous avons finalement prouvé que l'émotion affectait les performances ICM en utilisant des tests statistiques. Cette partie de la thèse propose des bases pour réaliser des ICM plus adaptées aux utilisateurs.

Restorer la faculté de parler chez des personnes paralysées et aphasiques pourrait être envisagée via l’utilisation d’une interface cerveau-machine permettant de contrôler un synthétiseur de parole en temps réel. L’objectif de cette thèse était de développer trois aspects nécessaires à la mise au point d’une telle preuve de concept.Premièrement, un synthétiseur permettant de produire en temps-réel de la parole intelligible et controlé par un nombre raisonable de paramètres est nécessaire. Nous avons choisi de synthétiser de la parole à partir des mouvements des articulateurs du conduit vocal. En effet, des études récentes ont suggéré que l’activité neuronale du cortex moteur de la parole pourrait contenir suffisamment d’information pour décoder la parole, et particulièrement ses propriété articulatoire (ex. l’ouverture des lèvres). Nous avons donc développé un synthétiseur produisant de la parole intelligible à partir de données articulatoires. Dans un premier temps, nous avons enregistré un large corpus de données articulatoire et acoustiques synchrones chez un locuteur. Ensuite, nous avons utilisé des techniques d’apprentissage automatique, en particulier des réseaux de neurones profonds, pour construire un modèle permettant de convertir des données articulatoires en parole. Ce synthétisuer a été construit pour fonctionner en temps réel. Enfin, comme première étape vers un contrôle neuronal de ce synthétiseur, nous avons testé qu’il pouvait être contrôlé en temps réel par plusieurs locuteurs, pour produire de la parole inetlligible à partir de leurs mouvements articulatoires dans un paradigme de boucle fermée.Deuxièmement, nous avons étudié le décodage de la parole et de ses propriétés articulatoires à partir d’activités neuronales essentiellement enregistrées dans le cortex moteur de la parole. Nous avons construit un outil permettant de localiser les aires corticales actives, en ligne pendant des chirurgies éveillées à l’hôpital de Grenoble, et nous avons testé ce système chez deux patients atteints d’un cancer du cerveau. Les résultats ont montré que le cortex moteur exhibe une activité spécifique pendant la production de parole dans les bandes beta et gamma du signal, y compris lors de l’imagination de la parole. Les données enregistrées ont ensuite pu être analysées pour décoder l’intention de parler du sujet (réelle ou imaginée), ainsi que la vibration des cordes vocales et les trajectoires des articulateurs principaux du conduit vocal significativement au dessus du niveau de la chance.Enfin, nous nous sommes intéressés aux questions éthiques qui accompagnent le développement et l’usage des interfaces cerveau-machine. Nous avons en particulier considéré trois niveaux de réflexion éthique concernant respectivement l’animal, l’humain et l’humanité. / Restoring natural speech in paralyzed and aphasic people could be achieved using a brain-computer interface controlling a speech synthesizer in real-time. The aim of this thesis was thus to develop three main steps toward such proof of concept.First, a prerequisite was to develop a speech synthesizer producing intelligible speech in real-time with a reasonable number of control parameters. Here we chose to synthesize speech from movements of the speech articulators since recent studies suggested that neural activity from the speech motor cortex contains relevant information to decode speech, and especially articulatory features of speech. We thus developed a speech synthesizer that produced intelligible speech from articulatory data. This was achieved by first recording a large dataset of synchronous articulatory and acoustic data in a single speaker. Then, we used machine learning techniques, especially deep neural networks, to build a model able to convert articulatory data into speech. This synthesizer was built to run in real time. Finally, as a first step toward future brain control of this synthesizer, we tested that it could be controlled in real-time by several speakers to produce intelligible speech from articulatory movements in a closed-loop paradigm.Second, we investigated the feasibility of decoding speech and articulatory features from neural activity essentially recorded in the speech motor cortex. We built a tool that allowed to localize active cortical speech areas online during awake brain surgery at the Grenoble Hospital and tested this system in two patients with brain cancer. Results show that the motor cortex exhibits specific activity during speech production in the beta and gamma bands, which are also present during speech imagination. The recorded data could be successfully analyzed to decode speech intention, voicing activity and the trajectories of the main articulators of the vocal tract above chance.Finally, we addressed ethical issues that arise with the development and use of brain-computer interfaces. We considered three levels of ethical questionings, dealing respectively with the animal, the human being, and the human species.

Les interfaces cerveau-machine (ICM) permettent de contrôler une machine directement à partir de l'activité cérébrale. Le P300-Speller, en particulier, pourrait offrir à des patients complètement paralysés, la possibilité de communiquer sans l'aide de la parole ou du geste. Nous avons cherché à améliorer cette communication en étudiant la coadaptation entre cerveau et machine. Nous avons d'abord montré que l'adaptation d'un utilisateur peut être partiellement perçue, en temps-réel, à travers les modulations de sa réponse électrophysiologique aux feedbacks de la machine. Nous avons ensuite proposé, testé et évalué les effets sur l'utilisateur de plusieurs approches permettant d'améliorer l'interaction, notamment : la correction automatique des erreurs, grâce à la reconnaissance en temps-réel des réponses aux feedbacks ; une stimulation dynamique permettant de diminuer le risque d'erreur tout en réduisant l'inconfort lié aux stimulations ; un processus automatique de décision adaptative, en fonction de l'état de vigilance du sujet. Nos résultats montrent la présence de réponses aux feedbacks spécifiques des erreurs et modulées par l'attention ainsi que par la surprise du sujet face au résultat de l'interaction. Par ailleurs, si l'efficacité de la correction automatique est variable d'un sujet à l'autre, le nouveau mode de stimulation comme la décision adaptative apparaissent comme très avantageux et leur utilisation a un effet positif sur la motivation. Dans la perspective d'études cliniques pour évaluer l'utilité des ICM pour la communication, ces travaux soulignent et quantifient l'intérêt de développer des interfaces capables de s'adapter à chaque utilisateur / Brain-computer interfaces (BCI) aim at enabling the brain to directly control an artificial device. In particular, the P300-Speller could offer patients who cannot speak and neither move, to communicate again. This work consisted in improving this communication by implementing and studying a coadaptation between the brain and the machine. First, on the user side, we showed that adaptation is reflected in real-time by modulations of the electrophysiological responses to the feedbacks from the machine. Then, on the computer side, we proposed, tested and evaluated the effect on the user, of several approaches that endow the machine with adaptive behavior, namely: Automatic correction of errors, based on real-time recognition of feedback responses; Dynamic stimulation to increase spelling accuracy as well as to reduce the discomfort associated with the traditional row/column stimulation paradigm; Adaptive decision making for optimal stopping, depending on the attentional state of the user. Our results show the presence of feedback responses which are error specific and modulated by attention as well as user's surprise with respect to the outcome of the interaction. Besides, while the interest of automatic correction is highly subject-dependant, the new stimulation mode and the adaptive decision method proved clearly beneficial and their use had a significant positive impact on subject's motivation. In the perspective of clinical studies to assess the usefulness of ICM for communication, this work highlights and quantifies the importance of developing adaptive interfaces that are tailored to each every individual

Les Interfaces Cerveau-Machine (ICM) ont été appliquées avec succès aussi bien dans le domaine clinique que pour l'amélioration de la vie quotidienne de patients avec des handicaps. En tant que composante essentielle, le module de traitement du signal détermine nettement la performance d'un système ICM. Nous nous consacrons à améliorer les stratégies de traitement du signal du point de vue de l'apprentissage de la machine. Tout d'abord, nous avons développé un algorithme basé sur les SVM transductifs couplés aux noyaux multiples afin d'intégrer différentes vues des données (vue statistique ou vue géométrique) dans le processus d'apprentissage. Deuxièmement, nous avons proposé une version enligne de l'apprentissage multi-noyaux dans le cas supervisé. Les résultats expérimentaux montrent de meilleures performances par rapport aux approches classiques. De plus, l'algorithme proposé permet de sélectionner automatiquement les canaux de signaux EEG utiles grâce à l'apprentissage multi-noyaux.Dans la dernière partie, nous nous sommes attaqués à l'amélioration du module de traitement du signal au-delà des algorithmes d'apprentissage automatique eux-mêmes. En analysant les données ICM hors-ligne, nous avons d'abord confirmé qu'un modèle de classification simple peut également obtenir des performances satisfaisantes en effectuant une sélection de caractéristiques (et/ou de canaux). Nous avons ensuite conçu un système émotionnel ICM par en tenant compte de l'état émotionnel de l'utilisateur. Sur la base des données de l'EEG obtenus avec différents états émotionnels, c'est-à -dire, positives, négatives et neutres émotions, nous avons finalement prouvé que l'émotion affectait les performances ICM en utilisant des tests statistiques. Cette partie de la thèse propose des bases pour réaliser des ICM plus adaptées aux utilisateurs. / Brain-computer Interface (BCI) has achieved numerous successful applications in both clinicaldomain and daily life amelioration. As an essential component, signal processing determines markedly the performance of a BCI system. In this thesis, we dedicate to improve the signal processing strategy from perspective of machine learning strategy. Firstly, we proposed TSVM-MKL to explore the inputs from multiple views, namely, from statistical view and geometrical view; Secondly, we proposed an online MKL to reduce the computational burden involved in most MKL algorithm. The proposed algorithms achieve a better classifcation performance compared with the classical signal kernel machines, and realize an automatical channel selection due to the advantages of MKL algorithm. In the last part, we attempt to improve the signal processing beyond the machine learning algorithms themselves. We first confirmed that simple classifier model can also achieve satisfying performance by careful feature (and/or channel) selection in off-line BCI data analysis. We then implement another approach to improve the BCI signal processing by taking account for the user's emotional state during the signal acquisition procedure. Based on the reliable EEG data obtained from different emotional states, namely, positive, negative and neutral emotions, we perform strict evaluation using statistical tests to confirm that the emotion does affect BCI performance. This part of work provides important basis for realizing user-friendly BCIs.