Afin d’étudier le cerveau humain dans le but d’aider les patients souffrant de maladies neurologiques, on a besoin d’une interface cérébrale entièrement implantable pour permettre l’accès direct aux neurones et enregistrer et analyser l’activité neuronale. Dans cette thèse, des interfaces cerveau-machine implantables (IMC) à très faible puissance basées sur plusieurs circuits et innovations de systèmes ont été étudiées pour être utilisées comme analyseur neuronal. Un tel système est destiné à recueillir l’activité neuronale émise par centaines de neurones tout en les activant à la demande en utilisant des moyens d’actionnement tels que l’électro- et / ou la photo-stimulation. Un tel système doit fournir plusieurs canaux d’enregistrement, tout en consommant très peu d’énergie, et présente une taille extrêmement réduite pour la sécurité et la biocompatibilité. Typiquement, un microsystème d’interfaçage avec le cerveau comprend plusieurs blocs, tels qu’un bloc analogique d’acquisition (AFE), un convertisseur analogique-numérique (ADC), des modules de traitement de signal numérique et un émetteur-récepteur de données sans fil. Un IMC extrait les signaux neuronaux du bruit, les numérise et les transmet à une station de base sans interférer avec le comportement naturel du sujet. Cette thèse se concentre sur les blocs analogiques d’acquisition à très faible consommation à utiliser dans l’IMC. Cette thèse présente des frontaux avec plusieurs stratégies innovantes pour consommer moins d’énergie tout en permettant des données de haute résolution et de haute qualité. Premièrement, nous présentons une nouvelle structure frontale utilisant un schéma de réutilisation du courant. Cette structure est extensible à un très grand nombre de canaux d’enregistrement, grâce à sa petite taille de silicium et à sa faible consommation d’énergie. L’AFE à réutilisation de courant proposée, qui comprend un amplificateur à faible bruit (LNA) et un amplificateur à gain programmable (PGA), utilise une nouvelle topologie de miroir de courant entièrement différentielle utilisant moins de transistors et améliorant plusieurs paramètres de conception, tels que la consommation d’énergie et du bruit, par rapport aux mises en oeuvre de circuit d’amplificateur de réutilisation de courant précédentes. Ensuite, dans la deuxième partie de cette thèse, nous proposons un nouveau convertisseur sigmadelta multicanal qui convertit plusieurs canaux indépendamment en utilisant un seul amplificateur et plusieurs condensateurs de stockage de charge. Par rapport aux techniques conventionnelles, cette méthode applique un nouveau schéma de multiplexage entrelacé, qui ne nécessite aucune phase de réinitialisation pour l’intégrateur lors du passage à un nouveau canal, ce qui améliore sa résolution. Lorsque la taille des puces n’est pas une priorité, d’autres approches peuvent être plus attrayantes, et nous proposons une nouvelle stratégie d’économie d’énergie basée sur un nouveau convertisseur sigma-delta à très basse consommation conçu pour réduire la consommation d’énergie. Ce nouveau convertisseur utilise une architecture basse tension basée sur une topologie prédictive innovante qui minimise la non-linéarité associée à l’alimentation basse tension. / Studying brain functionality to help patients suffering from neurological diseases needs fully implantable brain interface to enable access to neural activities as well as read and analyze them. In this thesis, ultra-low power implantable brain-machine-interfaces (BMIs) that are based on several innovations on circuits and systems are studied for use in neural recording applications. Such a system is intended to collect information on neural activity emitted by several hundreds of neurons, while activating them on demand using actuating means like electro- and/or photo-stimulation. Such a system must provide several recording channels, while consuming very low energy, and have an extremely small size for safety and biocompatibility. Typically, a brain interfacing microsystem includes several building blocks, such as an analog front-end (AFE), an analog-to-digital converter (ADC), digital signal processing modules, and a wireless data transceiver. A BMI extracts neural signals from noise, digitizes them, and transmits them to a base station without interfering with the natural behavior of the subject. This thesis focuses on ultra-low power front-ends to be utilized in a BMI, and presents front-ends with several innovative strategies to consume less power, while enabling high-resolution and high-quality of data. First, we present a new front-end structure using a current-reuse scheme. This structure is scalable to huge numbers of recording channels, owing to its small implementation silicon area and its low power consumption. The proposed current-reuse AFE, which includes a low-noise amplifier (LNA) and a programmable gain amplifier (PGA), employs a new fully differential current-mirror topology using fewer transistors. This is an improvement over several design parameters, in terms of power consumption and noise, over previous current-reuse amplifier circuit implementations. In the second part of this thesis, we propose a new multi-channel sigma-delta converter that converts several channels independently using a single op-amp and several charge storage capacitors. Compared to conventional techniques, this method applies a new interleaved multiplexing scheme, which does not need any reset phase for the integrator while it switches to a new channel; this enhances its resolution. When the chip area is not a priority, other approaches can be more attractive, and we propose a new power-efficient strategy based on a new in-channel ultra-low power sigma-delta converter designed to decrease further power consumption. This new converter uses a low-voltage architecture based on an innovative feed-forward topology that minimizes the nonlinearity associated with low-voltage supply.

Nous élaborons une interface cerveau-machine (ICM) entièrement sans fil afin de fournir un système de liaison directe entre le cerveau et les périphériques externes, permettant l’enregistrement et la stimulation du cerveau pour une utilisation permanente. Au cours de cette thèse, nous explorons la modélisation de canal, les antennes implantées et portables en tant que propagateurs appropriés pour cette application, la conception du nouveau système d’un émetteur-récepteur UWB implantable, la conception niveau système du circuit et sa mise en oeuvre par un procédé CMOS TSMC 0.18 um. En plus, en collaboration avec Université McGill, nous avons conçu un réseau de seize antennes pour une détection du cancer du sein à l’aide d’hyperfréquences. Notre première contribution calcule la caractérisation de canal de liaison sans fil UWB d’implant à l’air, l’absorption spécifique moyennée (ASAR), et les lignes directrices de la FCC sur la densité spectrale de puissance UWB transmis. La connaissance du comportement du canal est nécessaire pour déterminer la puissance maximale permise à 1) respecter les lignes directrices ANSI pour éviter des dommages aux tissus et 2) respecter les lignes directrices de la FCC sur les transmissions non autorisées. Nous avons recours à un modèle réaliste du canal biologique afin de concevoir les antennes pour l’émetteur implanté et le récepteur externe. Le placement des antennes est examiné avec deux scénarios contrastés ayant des contraintés de puissance. La performance du système au sein des tissus biologiques est examinée par l’intermédiaire des simulations et des expériences. Notre deuxième contribution est dédiée à la conception des antennes simples et à double polarisation pour les systèmes d’enregistrement neural sans fil à bande ultra-large en utilisant un modèle multicouches inhomogène de la tête humaine. Les antennes fabriquées à partir de matériaux flexibles sont plus facilement adaptées à l’implantation ; nous étudions des matériaux à la fois flexibles et rigides et examinons des compromis de performance. Les antennes proposées sont conçues pour fonctionner dans une plage de fréquence de 2-11 GHz (ayant S11-dessous de -10 dB) couvrant à la fois la bande 2.45 GHz (ISM) et la bande UWB 3.1-10.6 GHz. Des mesures confirment les résultats de simulation et montrent que les antennes flexibles ont peu de dégradation des performances en raison des effets de flexion (en termes de correspondance d’impédance). Finalement, une comparaison est réalisée entre quatre antennes implantables, couvrant la gamme 2-11 GHz : 1) une rigide, à la polarisation simple, 2) une rigide, à double polarisation, 3) une flexible, à simple polarisation et 4) une flexible, à double polarisation. Dans tous les cas une antenne rigide est utilisée à l’extérieur du corps, avec une polarisation appropriée. Plusieurs avantages ont été confirmés pour les antennes à la polarisation double : 1) une taille plus petite, 2) la sensibilité plus faible aux désalignements angulaires, et 3) une plus grande fidélité. Notre troisième contribution fournit la conception niveau système de l’architecture de communication sans fil pour les systèmes implantés qui stimulent simultanément les neurones et enregistrent les réponses de neurones. Cette architecture prend en charge un grand nombre d’électrodes (> 500), fournissant 100 Mb/s pour des signaux de stimulation de liaison descendante, et Gb/s pour les enregistrements de neurones de liaison montante. Nous proposons une architecture d’émetteur-récepteur qui partage une antenne ultra large bande, un émetteur-récepteur simplifié, travaillant en duplex intégral sur les deux bandes, et un nouveau formeur d’impulsions pour la liaison montante du Gb/s soutenant plusieurs formats de modulation. Nous présentons une démonstration expérimentale d’ex vivo de l’architecture en utilisant des composants discrets pour la réalisation les taux Gb/s en liaison montante. Une bonne performance de taux d’erreur de bit sur un canal biologique à 0,5, 1 et 2 Gb/s des débits de données pour la télémétrie de liaison montante (UWB) et 100 Mb/s pour la télémétrie en liaison descendante (bande 2.45 GHz) est atteinte. Notre quatrième contribution présente la conception au niveau du circuit d’un dispositif d’émission en duplex total qui est présentée dans notre troisième contribution. Ce dispositif d’émission en duplex total soutient les applications d’interfaçage neural multimodal et en haute densité (les canaux de stimulant et d’enregistrement) avec des débits de données asymétriques. L’émetteur (TX) et le récepteur (RX) partagent une seule antenne pour réduire la taille de l’implant. Le TX utilise impulse radio ultra-wide band (IR-UWB) basé sur une approche alliant des bords, et le RX utilise un nouveau 2.4 GHz récepteur on-off keying (OOK).Une bonne isolation (> 20 dB) entre le trajet TX et RX est mis en oeuvre 1) par mise en forme des impulsions transmises pour tomber dans le spectre UWB non réglementé (3.1-7 GHz), et 2) par un filtrage espace-efficace du spectre de liaison descendante OOK dans un amplificateur à faible bruit RX. L’émetteur UWB 3.1-7 GHz peut utiliser soit OOK soit la modulation numérique binaire à déplacement de phase (BPSK). Le FDT proposé offre une double bande avec un taux de données de liaison montante de 500 Mbps TX et un taux de données de liaison descendante de 100 Mb/s RX, et il est entièrement en conformité avec les standards TSMC 0.18 um CMOS dans un volume total de 0,8 mm2. Ainsi, la mesure de consommation d’énergie totale en mode full duplex est de 10,4 mW (5 mW à 100 Mb/s pour RX, et de 5,4 mW à 500 Mb/s ou 10,8 PJ / bits pour TX). Notre cinquième contribution est une collaboration avec l’Université McGill dans laquelle nous concevons des antennes simples et à double polarisation pour les systèmes de détection du cancer du sein à l’aide d’hyperfréquences sans fil en utilisant un modèle multi-couche et inhomogène du sein humain. Les antennes fabriquées à partir de matériaux flexibles sont plus facilement adaptées à des applications portables. Les antennes flexibles miniaturisées monopôles et spirales sur un 50 um Kapton polyimide sont conçus, en utilisant high frequency structure simulator (HFSS), à être en contact avec des tissus biologiques du sein. Les antennes proposées sont conçues pour fonctionner dans une gamme de fréquences de 2 à 4 GHz. Les mesures montrent que les antennes flexibles ont une bonne adaptation d’impédance dans les différentes positions sur le sein. De Plus, deux antennes à bande ultralarge flexibles 4 × 4 (simple et à double polarisation), dans un format similaire à celui d’un soutien-gorge, ont été développés pour un système de détection du cancer du sein basé sur le radar. / We are working on a fully wireless brain-machine-interface to provide a communication link between the brain and external devices, enabling recording and stimulating the brain for permanent usage. In this thesis we explore channel modeling, implanted and wearable antennas as suitable propagators for this application, system level design of an implantable UWB transceiver, and circuit level design and implementing it by TSMC 0.18 um CMOS process. Also, in a collaboration project with McGill University, we designed a flexible sixteen antenna array for microwave breast cancer detection. Our first contribution calculates channel characteristics of implant-to-air UWB wireless link, average specific absorption rate (ASAR), and FCC guidelines on transmitted UWB power spectral density. Knowledge of channel behavior is required to determine the maximum allowable power to 1) respect ANSI guidelines for avoiding tissue damage and 2) respect FCC guidelines on unlicensed transmissions. We utilize a realistic model of the biological channel to inform the design of antennas for the implanted transmitter and the external receiver. Antennas placement is examined under two scenarios having contrasting power constraints. Performance of the system within the biological tissues is examined via simulations and experiments. Our second contribution deals with designing single and dual-polarization antennas for wireless ultra-wideband neural recording systems using an inhomogeneous multi-layer model of the human head. Antennas made from flexible materials are more easily adapted to implantation; we investigate both flexible and rigid materials and examine performance trade-offs. The proposed antennas are designed to operate in a frequency range of 2–11 GHz (having S11 below -10 dB) covering both the 2.45 GHz (ISM) band and the 3.1–10.6 GHz UWB band. Measurements confirm simulation results showing flexible antennas have little performance degradation due to bending effects (in terms of impedance matching). Finally, a comparison is made of four implantable antennas covering the 2-11 GHz range: 1) rigid, single polarization, 2) rigid, dual polarization, 3) flexible, single polarization and 4) flexible, dual polarization. In all cases a rigid antenna is used outside the body, with an appropriate polarization. Several advantages were confirmed for dual polarization antennas: 1) smaller size, 2) lower sensitivity to angular misalignments, and 3) higher fidelity. Our third contribution provides system level design of wireless communication architecture for implanted systems that simultaneously stimulate neurons and record neural responses. This architecture supports large numbers of electrodes (> 500), providing 100 Mb/s for the downlink of stimulation signals, and Gb/s for the uplink neural recordings. We propose a transceiver architecture that shares one ultra-wideband antenna, a streamlined transceiver working at full-duplex on both bands, and a novel pulse shaper for the Gb/s uplink supporting several modulation formats. We present an ex-vivo experimental demonstration of the architecture using discrete components achieving Gb/s uplink rates. Good bit error rate performance over a biological channel at 0.5, 1, and 2 Gbps data rates for uplink telemetry (UWB) and 100 Mbps for downlink telemetry (2.45 GHz band) is achieved. Our fourth contribution presents circuit level design of the novel full-duplex transceiver (FDT) which is presented in our third contribution. This full-duplex transceiver supports high-density and multimodal neural interfacing applications (high-channel count stimulating and recording) with asymmetric data rates. The transmitter (TX) and receiver (RX) share a single antenna to reduce implant size. The TX uses impulse radio ultra-wide band (IR-UWB) based on an edge combining approach, and the RX uses a novel 2.4-GHz on-off keying (OOK) receiver. Proper isolation (> 20 dB) between the TX and RX path is implemented 1) by shaping the transmitted pulses to fall within the unregulated UWB spectrum (3.1-7 GHz), and 2) by spaceefficient filtering (avoiding a circulator or diplexer) of the downlink OOK spectrum in the RX low-noise amplifier. The UWB 3.1-7 GHz transmitter can use either OOK or binary phase shift keying (BPSK) modulation schemes. The proposed FDT provides dual band 500-Mbps TX uplink data rate and 100 Mbps RX downlink data rate, and it is fully integrated into standard TSMC 0.18 um CMOS within a total size of 0.8 mm2. The total measured power consumption is 10.4 mW in full duplex mode (5 mW at 100 Mbps for RX, and 5.4 mW at 500 Mbps or 10.8 pJ/bit for TX). Our fifth contribution is a collaboration project with McGill University which we design single and dual-polarization antennas for wireless ultra-wideband breast cancer detection systems using an inhomogeneous multi-layer model of the human breast. Antennas made from flexible materials are more easily adapted to wearable applications. Miniaturized flexible monopole and spiral antennas on a 50 um Kapton polyimide are designed, using a high frequency structure simulator (HFSS), to be in contact with biological breast tissues. The proposed antennas are designed to operate in a frequency range of 2–4 GHz (with reflection coefficient (S11) below -10 dB). Measurements show that the flexible antennas have good impedance matching while in different positions with different curvature around the breast. Furthermore, two flexible conformal 4×4 ultra-wideband antenna arrays (single and dual polarization), in a format similar to that of a bra, were developed for a radar-based breast cancer detection system.

Une interface cerveau-machine (ICM) est un système qui permet d'établir une communication directe entre le cerveau et un dispositif externe, en contournant les voies de sortie normales du système nerveux périphérique. Différents types d'ICMs existent dans la littérature. Parmi eux, les ICMs basées sur l'imagerie motrice sont les plus prometteuses. Elles sont basées sur l'autorégulation des rythmes sensorimoteurs par l'imagination de mouvement des membres différents (par exemple, imagination du mouvement de la main gauche et la main droite). Les ICMs basées sur l'imagerie motrice sont les meilleurs candidats pour les applications dédiées à des patients sévèrement paralysés mais elles sont difficiles à mettre en place parce que l'autorégulation des rythmes du cerveau n'est pas une tâche simple.Dans les premiers stades de la recherche en ICMs basées sur l'imagerie motrice, l'utilisateur devait effectuer des semaines, voire des mois, d'entrainement afin de générer des motifs d'activité cérébrale stables qui peuvent être décodés de manière fiable par le système. Le développement des techniques d'apprentissage automatique supervisé spécifiques à chaque utilisateur a permis de réduire considérablement la durée d'entrainement en ICMs. Cependant, ces techniques sont toujours confrontées aux problèmes de longue durée de calibrage et non-stationnarité des signaux cérébraux qui limitent l'utilisation de cette technologie dans la vie quotidienne. Bien que beaucoup de techniques d'apprentissage automatique avancées ont été essayées, ça reste toujours pas un problème non résolu.Dans cette thèse, j'étudie de manière approfondie les techniques d'apprentissage automatique supervisé qui ont été tentées afin de surmonter les problèmes de longue durée de calibrage et la non-stationnarité des signaux cérébraux en ICMs basées sur l'imagerie motrice. Ces techniques peuvent être classées en deux catégories: les techniques qui sont invariantes à la non-stationnarité et les techniques qui s'adaptent au changement. Dans la première catégorie, les techniques d'apprentissage par transfert entre différentes sessions et/ou différents individus ont attiré beaucoup d'attention au cours des dernières années. Dans la deuxième catégorie, différentes techniques d'adaptation en ligne des modèles d'apprentissage ont été tentées. Parmi elles, les techniques basées sur les potentiels d'erreurs sont les plus prometteuses. Les deux principales contributions de cette thèse sont basés sur des combinaisons linéaires des classificateurs. Ainsi, ces méthodes sont accordées un intérêt particulier tout au long de ce manuscrit. Dans la première contribution, je étudie l'utilisation de combinaisons linéaires des classificateurs dans les ICMs basées sur l'apprentissage par transfert et je propose une méthode de classification inter-sujets basée sur les combinaisons linéaires de classifieurs afin de réduire le temps de calibrage en ICMs. Je teste l'efficacité de la méthode de combinaison de classifieurs utilisée et j'étudie les cas ou l'apprentissage par transfert a un effet négatif sur les performances des ICMs. Dans la deuxième contribution, je propose une méthode de classification inter-sujets qui permet de combiner l'apprentissage par transfert l'adaptation en ligne. Dans cette méthode, l'apprentissage par transfert est effectué en combinant linéairement des classifieurs appris à partir de signaux EEG de différents sujets. L'adaptation en ligne est effectué en mettant à jours les poids de ces classifieurs d'une manière semi-supervisée. / A brain-computer interface (BCI) is a system that allows establishing direct communication between the brain and an external device, bypassing normal output pathways of peripheral neuromuscular system. Different types of BCIs exist in literature. Among them, BCIs based on motor imagery (MI) are the most promising ones. They rely on self-regulation of sensorimotor rhythms by imagination of movement of different limbs (e.g., left hand and right hand). MI-based BCIs are best candidates for applications dedicated to severely paralyzed patients but they are hard to set-up because self-regulation of brain rhythms is not a straightforward task.In early stages of BCI research, weeks and even months of user training was required in order to generate stable brain activity patterns that can be reliably decoded by the system. The development of user-specific supervised machine learning techniques allowed reducing considerably training periods in BCIs. However, these techniques are still faced with the problems of long calibration time and brain signals non-stationarity that limit the use of this technology in out-of-the-lab applications. Although many out-of-the-box machine learning techniques have been attempted, it is still not a solved problem.In this thesis, I thoroughly investigate supervised machine learning techniques that have been attempted in order to overcome the problems of long calibration time and brain signals non-stationarity in MI-based BCIs. These techniques can be mainly classified into two categories: techniques that are invariant to non-stationarity and techniques that adapt to the change. In the first category, techniques based on knowledge transfer between different sessions and/or subjects have attracted much attention during the last years. In the second category, different online adaptation techniques of classification models were attempted. Among them, techniques based on error-related potentials are the most promising ones. The aim of this thesis is to highlight some important points that have not been taken into consideration in previous work on supervised machine learning in BCIs and that have to be considered in future BCI systems in order to bring this technology out of the lab. The two main contributions of this thesis are based on linear combinations of classifiers. Thus, these methods are given a particular interest throughout this manuscript. In the first contribution, I study the use of linear combinations of classifiers in knowledge transfer-based BCIs and I propose a novel ensemble-based knowledge transfer framework for reducing calibration time in BCIs. I investigate the effectiveness of the classifiers combination scheme used in this framework when performing inter-subjects classification in MI-based BCIs. Then, I investigate to which extent knowledge transfer is useful in BCI applications by studying situations in which knowledge transfer has a negative impact on classification performance of target learning task. In the second contribution, I propose an online inter-subjects classification framework that allows taking advantage from both knowledge transfer and online adaptation techniques. In this framework, called “adaptive accuracy-weighted ensemble” (AAWE), inter-subjects classification is performed using a weighted average ensemble in which base classifiers are learned using EEG signals recorded from different subjects and weighted according to their accuracies in classifying brain signals of the new BCI user. Online adaptation is performed by updating base classifiers' weights in a semi-supervised way based on ensemble predictions reinforced by interaction error-related potentials.

Cette thèse porte sur la conception et l'évaluation de systèmes interactifs utilisant des interfaces cerveau-machine (BCI pour Brain-Computer Interfaces). Ce type d'interfaces s'est développé dans les années récentes tout d'abord dans le domaine du handicap, afin de fournir aux grands handicapés des moyens d'interaction et de communication, et plus récemment dans d'autres domaines comme celui des jeux vidéo. Néanmoins, la plupart des travaux ont porté sur l'identification des signaux du cerveau susceptibles de porter une information utile, et sur les traitements nécessaires à l'extraction de cette information. Peu de travaux ont porté sur les aspects d'utilisabilité et de prise en compte des facteurs humains dans l'ensemble du système interactif. Cette thèse se concentre sur les systèmes basées sur SSVEP (steady-state visually evoked potentials), et se propose d'étudier l'ensemble du système interactif cerveau-machine, selon les critères de l'interaction homme-machine (IHM). Plus précisément, les points étudiés portent sur la demande cognitive, la frustration de l'utilisateur, les conditions de calibration, et les BCI hybrides. / This PhD deals with the conception and evaluation of interactive systems based on Brain-Computer Interfaces (BCI). This type of interfaces has developed in recent years, first in the domain of handicaps, in order to provide disabled people means of interaction and communication, and more recently in other fields as video games. However, most of the research so far focused on the identification of cerebral pattern carrying useful information, a on signal processing for the detection of these patterns. Less attention has been given to usability aspects. This PhD focuses on interactive systems based on Steady-State Visually Evoked Potentials (SSVEP), and aims at considering the interactive system as a whole, using the concepts of Human-Computer Interaction. More precisely, a focus is made on cognitive demand, user frustration, calibration conditions, and hybrid BCIs.

Les interfaces cerveau machine (BCI pour Brain Computer Interfaces) non invasives permettent à leur utilisateur de contrôler une machine par la pensée. Ce dernier doit porter un dispositif d'acquisition de signaux électroencéphalographiques (EEG), qui sont dotés d'un rapport signal sur bruit assez faible ; à ceci s'ajoute l’importante variabilité tant à travers les sessions d'utilisation qu’à travers les utilisateurs. Par conséquent, la calibration du BCI est souvent nécessaire avant son utilisation. Cette thèse étudie les sources de cette variabilité, dans le but d'explorer, concevoir, et implémenter des méthodes d'autocalibration. Nous étudions la variabilité des potentiels évoqués, particulièrement une composante tardive appelée P300. Nous nous penchons sur trois méthodes d’apprentissage par transfert : la Géométrie Riemannienne, le Transport Optimal, et l’apprentissage ensembliste. Nous proposons un modèle de l'EEG qui tient compte de la variabilité. Les paramètres résultants de nos analyses nous servent à calibrer ce modèle et à simuler une base de données, qui nous sert à évaluer la performance des méthodes d’apprentissage par transfert. Puis ces méthodes sont combinées et appliquées à des données expérimentales. Nous proposons une méthode de classification basée sur le Transport Optimal dont nous évaluons la performance. Ensuite, nous introduisons un marqueur de séparabilité qui nous permet de combiner Géométrie Riemannienne, Transport Optimal et apprentissage ensembliste. La combinaison de plusieurs méthodes d’apprentissage par transfert nous permet d’obtenir un classifieur qui s’affranchit des différentes sources de variabilité des signaux EEG. / Non-invasive Brain Computer Interfaces (BCIs) allow a user to control a machine using only their brain activity. The BCI system acquires electroencephalographic (EEG) signals, characterized by a low signal-to-noise ratio and an important variability both across sessions and across users. Typically, the BCI system is calibrated before each use, in a process during which the user has to perform a predefined task. This thesis studies of the sources of this variability, with the aim of exploring, designing, and implementing zero-calibration methods. We review the variability of the event related potentials (ERP), focusing mostly on a late component known as the P300. This allows us to quantify the sources of EEG signal variability. Our solution to tackle this variability is to focus on adaptive machine learning methods. We focus on three transfer learning methods: Riemannian Geometry, Optimal Transport, and Ensemble Learning. We propose a model of the EEG takes variability into account. The parameters resulting from our analyses allow us to calibrate this model in a set of simulations, which we use to evaluate the performance of the aforementioned transfer learning methods. These methods are combined and applied to experimental data. We first propose a classification method based on Optimal Transport. Then, we introduce a separability marker which we use to combine Riemannian Geometry, Optimal Transport and Ensemble Learning. Our results demonstrate that the combination of several transfer learning methods produces a classifier that efficiently handles multiple sources of EEG signal variability.

L’objectif de cette thèse est d’étudier l’utilisation d’Interfaces Cerveau-Ordinateur (ICOs) au sein de la Réalité Virtuelle (RV) et de la Réalité Augmentée (RA). Notre but est d’évaluer la compatibilité entre les systèmes basés sur une ICO et la RV/RA, de concevoir de nouveaux outils pour la visualisation de l’activité cérébrale basée sur la RV/RA, et finalement de proposer de nouveaux usages pour les ICOs, plus particulièrement en combinaison avec des vêtements intelligents. Afin de réaliser ces objectifs, nous avons tout d’abord réalisé une étude de faisabilité concernant l’association entre une ICO et la RV. Notre objectif était d’étudier l’influence de l’activité motrice sur une ICO. Nous avons conçu un système similaire à un jeu vidéo, servant comme support à une étude utilisateur montrant que l’ICO peut être utilisée avec succès, même lorsque les participants exécutent une activité musculaire exigeante. Dans un second temps, nous avons également proposé des outils de visualisation de l’activité cérébrale basés sur la RV/RA. Notre premier système nommé «Mind-Mirror» superpose un cerveau virtuel représentant l’activité cérébrale d’un utilisateur à l’image de celui-ci dans un miroir. Une étude utilisateur a montré qu’aucune perte significative de performance de l’ICO n’a été constatée, même avec une complexité additionnelle due à l’affichage basé sur la RA. Notre seconde contribution se nomme «Mind-Window» et étend les possibilités du Mind-Mirror en permettant plusieurs points de vue sur un même enregistrement d’activité cérébrale en utilisant des tablettes. Notre dernière contribution se nomme «Mind-Inside» et permet aux utilisateurs de visualiser en RV leur activité cérébrale en temps réel tout en étant immergés dans un cerveau virtuel. Enfin, nous avons étudié comment les ICOs et la RV/RA peuvent être appliquées au domaine des vêtements intelligents. Nous avons mis en place une plateforme d’expérimentation consistant en une cabine d’essayage virtuelle intégrant une ICO et permettant aux utilisateurs de porter des vêtements intelligents virtuels en RA. Poursuivant ces travaux, nous avons également conçu une «cape d’invisibilité» inspirée par l’univers de Harry Potter. Cette cape virtuelle permet aux utilisateurs de se camoufler en RA en utilisant leur état mental. Une étude utilisateur sur le contrôle de l’effet a mis en avant l’amélioration de l’expérience utilisateur et «l’impression d’avoir un superpouvoir». / The objective of this PhD thesis is to study the use of Brain- Computer Interfaces (BCIs) within Virtual Reality (VR) and Augmented Reality (AR). Our goal is to evaluate the compatibility between systems based on a BCI and VR/AR, to design new tools for the visualization of the brain activity based on VR/AR, and finally to propose new uses for the BCIs, and especially in combination with smart clothes. In order to fulfil these objectives, we have first designed and performed a feasibility study concerning the combination of a BCI and VR. Our objective was to study the influence of motor activity on a BCI. We have designed a system similar to a video game, serving as a base for a user study showing that this BCI can be successfully used, even when participants are performing a demanding muscular activity. We have also proposed three visualization tools for the brain activity based on VR/AR. Our first system called the «Mind- Mirror» which enables the visualization of our own brain activity «inside our own head» by superimposition. A user study has shown that no significant drop in BCI performance occurred, even with the additional complexity due to our AR-based display. Our second contribution is called «Mind- Window» and extends the Mind-Mirror’s possibilities by enabling one or multiple users to visualize the brain activity of another person as if her skull was transparent. Our last contribution is called «Mind-Inside» and allows users to visualize their brain activity in real-time while being immersed in a virtual brain. Finally, we have studied how BCIs and the VR/AR can be applied to smart clothes. We have designed an experimental platform comprising a dressing room integrating a BCI. Following this work, we proposed an «invisibility cloak» inspired by the Harry Potter universe. This virtual cloak allows users to camouflage themselves in AR using their mental state. Results from a preliminary study based on a simple videogame inspired by the Harry Potter universe could notably show that, compared to a standard control made with a keyboard, controlling the optical camouflage directly with the BCI could enhance the user experience and the feeling of «having a super-power».

L’avenir de la recherche sur les maladies du cerveau repose sur le développement de nouvelles technologies qui permettront de comprendre comment cet organe si complexe traite, intègre et transfère l’information. Parmi celles-ci, l’optogénétique est une technologie révolutionnaire qui permet d’utiliser de la lumière afin d’activer sélectivement les neurones du cortex d’animaux transgéniques pour observer leur effet dans un vaste réseau biologique. Ce cadre expérimental repose typiquement sur l’observation de l’activité neuronale de souris transgéniques, car elles peuvent exprimer une grande variété de gènes et de maladies et qu’elles sont peu couteuses. Toutefois, la plupart des appareils de mesure ou de stimulation optogénétique disponible ne sont pas appropriés, car ils sont câblés, trop lourds et/ou trop simplistes. Malheureusement, peu de systèmes sans fil existent, et ces derniers sont grandement limités par la bande passante requise pour transmettre les données neuronales, et ils ne fournissent pas de stimulation optogénétique multicanal afin de stimuler et observer plusieurs régions du cerveau. Dans les dispositifs actuels, l’interprétation des données neuronales est effectuée ex situ, alors que la recherche bénéficierait grandement de systèmes sans fil assez intelligents pour interpréter et stimuler les neurones en boucle fermée, in situ. Le but de ce projet de recherche est de concevoir des circuits analogiques-numériques d’acquisition et de traitement des signaux neuronaux, des algorithmes d’analyse et de traitement de ces signaux et des systèmes electro-optiques miniatures et sans fil pour : i) Mener des expériences combinant l’enregistrement neuronal et l’optogénétique multicanal haute résolution avec des animaux libres de leurs mouvements. ii) Mener des expériences optogénétiques synchronisées avec l’observation, c.-à-d. en boucle fermée, chez des animaux libres de leurs mouvements. iii) Réduire la taille, le poids et la consommation énergétique des systèmes optogénétiques sans fil afin de minimiser l’impact de la recherche chez de petits animaux. Ce projet est en 3 phases, et ses principales contributions ont été rapportées dans dix conférences internationales (ISSCC, ISCAS, EMBC, etc.) et quatre articles de journaux publiés ou soumis, ainsi que dans un brevet et deux divulgations. La conception d’un système optogénétique haute résolution pose plusieurs défis importants. Notamment, puisque les signaux neuronaux ont un contenu fréquentiel élevé (_10 kHz), le nombre de canaux sous observation est limité par la bande passante des transmetteurs sans fil (2-4 canaux en général). Ainsi, la première phase du projet a visé le développement d’algorithmes de compression des signaux neuronaux et leur intégration dans un système optogénétique sans fil miniature et léger (2.8 g) haute résolution possédant 32 canaux d’acquisition et 32 canaux de stimulation optique. Le système détecte, compresse et transmet les formes d’onde des potentiels d’action (PA) produits par les neurones avec un field programmable gate array (FPGA) embarqué à faible consommation énergétique. Ce processeur implémente un algorithme de détection des PAs basé sur un seuillage adaptatif, ce qui permet de compresser les signaux en transmettant seulement les formes détectées. Chaque PA est davantage compressé par une transformée en ondelette discrète (DWT) de type Symmlet-2 suivie d’une technique de discrimination et de requantification dynamique des coefficients. Les résultats obtenus démontrent que cet algorithme est plus robuste que les méthodes existantes tout en permettant de reconstruire les signaux compressés avec une meilleure qualité (SNDR moyen de 25 dB _ 5% pour un taux de compression (CR) de 4.2). Avec la détection, des CR supérieurs à 500 sont rapportés lors de la validation in vivo. L’utilisation de composantes commerciales dans des systèmes optogénétiques sans fil augmente / la taille et la consommation énergétique, en plus de ne pas être optimisée pour cette application. La seconde phase du projet a permis de concevoir un système sur puce (SoC) complementary metal oxide semiconductor (CMOS) pour faire de l’enregistrement neuronal et de optogénétique multicanal, permettant de réduire significativement la taille et la consommation énergétique comparativement aux alternatives commerciales. Ceci est une contribution importante, car c’est la première puce à être doté de ces deux fonctionnalités. Le SoC possède 10 canaux d’enregistrement et 4 canaux de stimulation optogénétique. La conception du bioamplificateur inclut une bande passante programmable (0.5 Hz - 7 kHz) et un faible bruit referré à l’entré (IRN de 3.2 μVrms), ce qui permet de cibler différents types de signaux biologiques (PA, LFP, etc.). Le convertisseur analogique numérique (ADC) de type Delta- Sigma (DS) MASH 1-1-1 est conçu pour fonctionner de faibles taux de sur-échantillonnage (OSR _50) pour réduire sa consommation et possède une résolution programmable (ENOB de 9.75 Bits avec un OSR de 25). Cet ADC exploite une nouvelle technique réduisant la taille du circuit en soustrayant la sortie de chaque branche du DS dans le domaine numérique, comparativement à la méthode analogique classique. La consommation totale d’un canal d’enregistrement est de 11.2 μW. Le SoC implémente un nouveau circuit de stimulation optique basé sur une source de courant de type cascode avec rétroaction, ce qui permet d’accommoder une large gamme de LED et de tensions de batterie comparativement aux circuits existants. Le SoC est intégré dans un système optogénétique sans fil et validé in vivo. À ce jour et en excluant ce projet, aucun système sans-fil ne fait de l’optogénétique en boucle fermée simultanément au suivi temps réel de l’activité neuronale. Une contribution importante de ce travail est d’avoir développé le premier système optogénétique multicanal qui est capable de fonctionner en boucle fermée et le premier à être validé lors d’expériences in vivo impliquant des animaux libres de leurs mouvements. Pour ce faire, la troisième phase du projet a visé la conception d’un SoC CMOS numérique, appelé neural decoder integrated circuit (ND-IC). Le ND-IC et le SoC développé lors de la phase 2 ont été intégrés dans un système optogénétique sans fil. Le ND-IC possède 3 modules : 1) le détecteur de PA adaptatif, 2) le module de compression possédant un nouvel arbre de tri pour discriminer les coefficients, et 3) le module de classement automatique des PA qui réutilise les données générées par le module de détection et de compression pour réduire sa complexité. Un lien entre un canal d’enregistrement et un canal de stimulation est établi selon l’association de chaque PA à un neurone, grâce à la classification, et selon l’activité de ce neurone dans le temps. Le ND-IC consomme 56.9 μW et occupe 0.08 mm2 par canal. Le système pèse 1.05 g, occupe un volume de 1.12 cm3, possède une autonomie de 3h, et est validé in vivo. / The future of brain research lies in the development of new technologies that will help understand how this complex organ processes, integrates and transfers information. Among these, optogenetics is a recent technology that allows the use of light to selectively activate neurons in the cortex of transgenic animals to observe their effect in a large biological network. This experimental setting is typically based on observing the neuronal activity of transgenic mice, as they express a wide variety of genes and diseases, while being inexpensive. However, most available neural recording or optogenetic devices are not suitable, because they are hard-wired, too heavy and/or too simplistic. Unfortunately, few wireless systems exist, and they are greatly limited by the required bandwidth to transmit neural data, while not providing simultaneous multi-channel neural recording and optogenetic, a must for stimulating and observing several areas of the brain. In current devices, the analysis of the neuronal data is performed ex situ, while the research would greatly benefit from wireless systems that are smart enough to interpret and stimulate the neurons in closed-loop, in situ. The goal of this project is to design analog-digital circuits for acquisition and processing of neural signals, algorithms for analysis and processing of these signals and miniature electrooptical wireless systems for: i) Conducting experiments combining high-resolution multi-channel neuronal recording and high-resolution multi-channel optogenetics with freely-moving animals. ii) Conduct optogenetic experiments synchronized with the neural recording, i.e. in closed loop, with freely-moving animals. iii) Increase the resolution while reducing the size, weight and energy consumption of the wireless optogenetic systems to minimize the impact of research with small animals. This project is in 3 phases, and its main contributions have been reported in ten conferences (ISSCC, ISCAS, EMBC, etc.) and four published journal papers, or submitted, as well as in a patent and two disclosures. The design of a high resolution optogenetic system poses several challenges. In particular, since the neuronal signals have a high frequency content (10 kHz), the number of chanv nels under observation is limited by the bandwidth of the wireless transmitters (2-4 channels in general). Thus, the first phase of the project focused on the development of neural signal compression algorithms and their integration into a high-resolution miniature and lightweight wireless optogenetics system (2.8g), having 32 recording channels and 32 optical stimulation channels. This system detects, compresses and transmits the waveforms of the signals produced by the neurons, i.e. action potentials (AP), in real time, via an embedded low-power field programmable gate array (FPGA). This processor implements an AP detector algorithm based on adaptive thresholding, which allows to compress the signals by transmitting only the detected waveforms. Each AP is further compressed by a Symmlet-2 discrete wavelet transform (DWT) followed dynamic discrimination and requantification of the DWT coefficients, making it possible to achieve high compression ratios with a good reconstruction quality. Results demonstrate that this algorithm is more robust than existing approach, while allowing to reconstruct the compressed signals with better quality (average SNDR of 25 dB 5% for a compression ratio (CR) of 4.2). With detection, CRs greater than 500 are reported during the in vivo validation. The use of commercial components in wireless optogenetic systems increases the size and power consumption, while not being optimized for this application. The second phase of the project consisted in designing a complementary metal oxide semiconductor (CMOS) system-on-chip (SoC) for neural recording and multi-channel optogenetics, which significantly reduces the size and energy consumption compared to commercial alternatives. This is important contribution, since it’s the first chip to integrate both features. This SoC has 10 recording channels and 4 optogenetic stimulation channels. The bioamplifier design includes a programmable bandwidth (0.5 Hz -7 kHz) and a low input-referred noise (IRN of 3.2 μVrms), which allows targeting different biological signals (AP, LFP, etc.). The Delta-Sigma (DS) MASH 1-1-1 low-power analog-to-digital converter (ADC) is designed to work with low OSR (50), as to reduce its power consumption, and has a programmable resolution (ENOB of 9.75 bits with an OSR of 25). This ADC uses a new technique to reduce its circuit size by subtracting the output of each DS branch in the digital domain, rather than in the analog domain, as done conventionally. A recording channel, including the bioamplifier, the DS and the decimation filter, consumes 11.2 μW. Optical stimulation is performed with an on-chip LED driver using a regulated cascode current source with feedback, which accommodates a wide range of LED parameters and battery voltages. The SoC is integrated into a wireless optogenetic platform and validated in vivo. / To date and excluding this project, no wireless system is making closed-loop optogenetics simultaneously to real-time monitoring of neuronal activity. An important contribution of this work is to have developed the first multi-channel optogenetic system that is able to work in closed-loop, and the first to be validated during in vivo experiments involving freely-moving animals. To do so, the third phase of the project aimed to design a digital CMOS chip, called neural decoder integrated circuit (ND-IC). The ND-IC and the SoC developed in Phase 2 are integrated within a wireless optogenetic system. The ND-IC has 3 main cores: 1) the adaptive AP detector core, 2) the compression core with a new sorting tree for discriminating the DWT coefficients, and 3 ) the AP automatic classification core that reuses the data generated by the detection and compression cores to reduce its complexity. A link between a recording channel and a stimulation channel is established according to the association of each AP with a neuron, thanks to the classification, and according to the bursting activity of this neuron. The ND-IC consumes 56.9 μW and occupies 0.08 mm2 per channel. The system weighs 1.05 g, occupies a volume of 1.12 cm3, has an autonomy of 3h, and is validated in vivo.

L’enregistrement des données de neurones a connu d’énormes progrès au cours des dernières années ; il aide à diagnostiquer les maladies à l’intérieur du cerveau comme la maladie de Parkinson et la dépression clinique. Un grand nombre de patients atteints de Parkinson utilisent un implant neuronal pour réduire les tumeurs et le mouvement rigide. Afin de contrôler le mouvement, une petite électrode est placée sur le cerveau pour réduire et même éliminer les symptômes de Parkinson au moment où une simulation électrique arrive. Le système d’enregistrement de données de neurones exige un lien complet. En utilisant des microélectrodes, on prend les données provenant des neurones dans le cerveau, on les convertis en données numériques et ensuite on transmet ces données numérisées en utilisant une liaison sans fil. Dans ce travail, nous nous concentrons sur l’envoi de données de neurones à partir d’un dispositif implanté à travers la peau en utilisant la lumière. Il y’a différentes façons de transmettre les données sans fil, soit avec antenne, soit avec un émetteur optique ; nous discutons à propos de ces méthodes dans le chapitre de la revue de la littérature. Nous avons choisi de travailler avec Émettant VCSEL ou Vertical Cavity Surface lasers ; une diode laser spécialisée avec une meilleure efficacité et une vitesse élevée par rapport à d’autres dispositifs optiques. La première partie de la recherche était d’étudier la meilleure façon de transmettre des données à travers la peau humaine, le mode de transmission et les propriétés du milieu à travers lequel la lumière se propage. Après avoir choisi le mode de transmission, nous avons conçu un lien intégré en utilisant la technologie de 0,18 um CMOS. Ce lien intégré est constitué de deux parties, du côté de l’émetteur, qui est un moteur apte à entraîner le VCSEL avec un dB bande passante à 3 de 1,3 GHz et une faible consommation de puissance de 12 mW, et un côté récepteur qui se compose d’une photodiode reliée à un VCSEL CMOS amplificateur d’adaptation d’impédance à gain élevé (90 dB) et haute vitesse de (250 Mbps). La deuxième partie était de construire une liaison optique discrète avec des composants à faible coût commercial, donc nous avons conçu deux PCB (Printed Circuit Board) pour le côté émetteur ainsi que le côté récepteur, et nous avons conçu un système mécanique pour aligner l’émetteur et la photodiode. Nous avons ensuite testé notre liaison optique, ce qui a démontré la capacité de transmettre des données par le biais de 3 mm de tissu de porc à un débit binaire de 20 Mbps avec une faible consommation d’énergie de 3MWen utilisant OOK (On Off Keying) la transmission de données, et enfin nous avons fait une comparaison entre nos résultats et d’autres oeuvres. / Neural data recording has seen huge progress during the past few years; it helps for diagnosing diseases inside the brain like Parkinson disease and clinical depression. A big number of Parkinson’s patients use a neural implant to lessen tumors and rigid movement. A small electrode will be placed on the brain. It helps to control motion and when an electrical simulation happens, it helps reduce and even eliminate Parkinson symptoms. The neural data recording system requires a complete link starting by recording neural data using electrodes, convert this data onto digital data and transmit the digitized data using a wireless link. In this work we are focusing on sending neural data from an implanted device through the skin using light. There are different ways to transmit data wirelessly with either antenna or with an optical transmitter; we discuss about those methods in the literature review chapter. We choose to work with VCSEL or Vertical Cavity Surface Emitting Lasers; a specialized laser diode with improved efficiency and high speed compared to other optical devices. The first part of the research was to study the best way to transmit data through the human skin, the method of transmission and the properties of the medium through which the light will propagate. After choosing the method of transmission, we designed an integrated link using 0.18 um CMOS technology. This integrated link consists of two parts, the transmitter side which is a VCSEL driver able to drive the VCSEL with a 3 dB bandwidth of 1.3 GHz and low power-consumption of 12 mW, and a receiver side that consists of a photodiode connected to a CMOS transimpedance amplifier with high gain (90 dB) and high speed of (250 Mbps). The second part was to build a discrete optical link with commercial low cost components, so we designed two PCBs (Printed Circuit Board) for the transmitter and receiver side, and we designed a mechanical system to align the transmitter and the photodiode. We then tested our optical link, and it demonstrated the capability to transmit data through 3 mm of pork tissue at a bit-rate of 20 Mbps with low power consumption of 3 mW using OOK (On Off Keying) data transmission, and finally we did a comparison between our results and other works.

Cette thèse porte sur la modélisation de la commande motrice chez le Primate suivant deux approches : - Tout d'abord, en suivant une formalisation mathématique de la préparation par le Cerveau des signaux de commande d'un mouvement volontaire dirigé vers une cible. La méthode utilisée dans cette étude a été de recenser les contraintes fonctionnelles et d'en déduire un circuit de traitement des signaux moteurs, compatible avec l'organisation anatomique des voies cérébelleuses. Ce circuit a permis une optimisation hiérarchisée, sous les contraintes de rapidité d'exécution et d'économie de la dépense énergétique. Cette approche a été appliquée à la commande d'un bras robotique à 2 d.d.l mû par des muscles de McKibben, et à la modélisation du système oculomoteur du Primate. - Ensuite, en suivant une approche par codage. Nous présentons ici la conception et la mise au point d'une Interface Cerveau-Machine asynchrone qui décode les données cérébrales enregistrées chez le Macaque afin de contrôler un doigt robotique.

Une interface cerveau-ordinateur permet d'interagir avec un système, comme un système d'écriture, uniquement par l'activité cérébrale. Un des phénomènes neurophysiologiques permettant cette interaction est le potentiel évoqué cognitif P300, lequel correspond à une modification du signal 300 ms après la présentation d'une information attendue. cette petite réaction cérébrale est difficile à observer par électroencéphalographie car le signal est bruité. Dans cette thèse, de nouvelles techniques basées sur la théorie des ondelettes sont développées pour améliorer la détection des P300 en utilisant des mesures de similarité entre les canaux électroencéphalographiques. Une technique présentée dans cette thèse débruite les signaux en considérant simultanément la phase des signaux. Nous avons également étendu cette approche pour étudier la localisation du P300 dans le but de sélectionner automatiquement la fenêtre temporelle à étudier et faciliter la détection.