Les interfaces cerveau-machine (ICM) ouvrent des voies de communication alternatives entre le cerveau et son environnement. Elles peuvent être utilisées pour supplanter une fonction biologique défaillante ou pour permettre de nouveaux modes d’interaction à l’utilisateur. Les ICM de sortie, dont le fonctionnement se base sur la lecture de données biologiques, nécessitent la mesure de signaux de contrôle stables dans le temps et dans la population. La recherche de tels signaux et leur calibration sont des étapes clefs dans la conception d’une ICM. Cette étude s’intéresse en premier lieu aux ICM utilisant les potentiels évoqués visuels comme signaux de contrôle. Un modèle est proposé pour la prédiction individuelle de ces potentiels en régime permanent, c’est-à-dire lorsqu'ils sont issus d’une stimulation périodique. Ce modèle utilise une sommation linéaire corrigée en amplitude de la réponse à des stimulations visuelles discrètes pour prédire quantitativement la nature et la localisation spatiale de la réponse à des stimulations répétées. Les signaux modélisés sont ensuite utilisés en temps réel comme base de comparaison pour décoder les signaux électroencéphalographiques d’une ICM. Dans une deuxième partie, un paradigme est proposé pour le développement d’ICM cognitives, c’est-à-dire permettant la mesure de fonctions cérébrales de haut niveau. L’originalité du paradigme réside dans la volonté de mesurer la cognition en continu plutôt que son influence sur des événements discrets. Une expérience visant à discriminer différents états d’attention visuelle soutenue est proposée, avec l’ambition d’une mesure en temps réel pour le développement de systèmes de neurofeedback. / Brain-computer interfaces (BCIs) offer alternative communication pathways between the brain and its environment. They can be used to replace a defective biological function or to provide the user with new ways of interaction. Output BCIs, which are based on the reading of biological data, require the measurement of control signals as stable as possible in time and in the population. Identification and calibration of such signals are crucial steps in the conception of a BCI.The first part of this study focuses on BCIs using visual evoked potentials (VEPs) as control signals. A model is proposed to predict steady-state VEPs individually, i.e. to predict the response of a given subject’s brain to periodic visual stimulations. This model uses a linear summation of transient VEPs and an amplitude correction for quantitative prediction of the shape and spatial organization of the brain response to repeated stimulations. The simulated signals are then used as a basis of comparison for real-time decoding of electroencephalographic signals in a BCI.In the second part of this study, a paradigm is proposed for the development of cognitive BCIs, i.e. for the real-time measuring of high-level brain functions. The originality of the paradigm lies in the fact that correlates of cognition are measured continuously, instead of being observed on discrete events. An experiment with the purpose of discriminating between several levels of sustained visual attention is proposed, with the ambition of real-time measurement for the development of neurofeedback systems.

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 / Brain-Computer Interfaces (BCI) are control and communication systems which were initially developed for people with disabilities. The idea behind BCI is to translate the brain activity into commands for a computer application or other devices, such as a spelling system. The most popular technique to record brain signals is the electroencephalography (EEG), from which Event-Related Potentials (ERPs) can be detected and used in BCI systems. Despite the BCI popularity, it is generally difficult to work with brain signals, because the recordings contains also noise and artifacts, and because the brain components amplitudes are very small compared to the whole ongoing EEG activity. This thesis presents new techniques based on wavelet theory to improve BCI systems using signals' similarity. The first one denoises the signals in the wavelet domain simultaneously. The second one combines the information provided by the signals to localize the ERP in time by removing useless information

Les Interfaces Cerveau Machine (ICM) sont des dispositifs d'un type nouveau permettant la communication directe entre le cerveau d'un utilisateur et une machine. De tels dispositifs peuvent être réalisés grâce à la mesure non-invasive d'informations provenant du cortex par électroencéphalographie (EEG). Un des enjeux principaux du domaine est de réussir à extraire en temps réel, à partir d'une source d'information très limitée et bruitée, un signal de commande robuste et suffisamment complexe pour permettre le contrôle d'un programme ou d'un effecteur. Dans cette thèse nous avons contribué à l'amélioration des ICM sur trois points. Tout d'abord, nous avons exploré la possibilité d'augmenter la résolution spatiale de l'EEG en utilisant des méthodes permettant de construire l'activité corticale en temps réel. D'autre part, inspirés par une ICM utilisant l'imagination motrice des pieds pour envoyer une commande unique, nous nous sommes intéressés aux signaux produits par l'imagination de mouvements brefs. Cela nous a permis de développer un nouveau type d'ICM appelé bouton commandé par la pensée. Une telle ICM permet à l'utilisateur d'envoyer, de façon asynchrone, plusieurs commandes en imaginant différents mouvements. Finalement, nous avons développé une méthode, basée sur la théorie des bandits stochastiques, pour sélectionner automatiquement et efficacement le mouvement imaginé le plus discernable de l'état de repos et permettant ainsi le meilleur contrôle de l'ICM. En parallèle, nous avons développé une boîte à outils Matlab qui automatise l'ajustement des paramètres et la comparaison des différentes méthodes utilisées pour réaliser une ICM.

Au cours des deux dernières décennies, l'intérêt porté aux interfaces cérébrales ou Brain Computer Interfaces (BCI) s’est considérablement accru, avec un nombre croissant de laboratoires de recherche travaillant sur le sujet. Depuis le projet Brain Computer Interface, où la BCI a été présentée à des fins de réadaptation et d'assistance, l'utilisation de la BCI a été étendue à d'autres applications telles que le neurofeedback et l’industrie du jeux vidéo. Ce progrès a été réalisé grâce à une meilleure compréhension de l'électroencéphalographie (EEG), une amélioration des systèmes d’enregistrement du EEG, et une augmentation de puissance de calcul.Malgré son potentiel, la technologie de la BCI n’est pas encore mature et ne peut être utilisé en dehors des laboratoires. Il y a un tas de défis qui doivent être surmontés avant que les systèmes BCI puissent être utilisés à leur plein potentiel. Ce travail porte sur des aspects importants de ces défis, à savoir la spécificité des systèmes BCI aux capacités physiques des utilisateurs, la robustesse de la représentation et de l'apprentissage du EEG, ainsi que la suffisance des données d’entrainement. L'objectif est de fournir un système BCI qui peut s’adapter aux utilisateurs en fonction de leurs capacités physiques et des variabilités dans les signaux du cerveau enregistrés.À ces fins, deux voies principales sont explorées : la première, qui peut être considérée comme un ajustement de haut niveau, est un changement de paradigmes BCI. Elle porte sur la création de nouveaux paradigmes qui peuvent augmenter les performances de la BCI, alléger l'inconfort de l'utilisation de ces systèmes, et s’adapter aux besoins des utilisateurs. La deuxième voie, considérée comme une solution de bas niveau, porte sur l’amélioration des techniques de traitement du signal et d’apprentissage statistique pour améliorer la qualité du signal EEG, la reconnaissance des formes, ainsi que la tache de classification.D'une part, une nouvelle méthodologie dans le contexte de la robotique d'assistance est définie : il s’agit d’une approche hybride où une interface physique est complémentée par une interface cérébrale pour une interaction homme-machine plus fluide. Ce système hybride utilise les capacités motrices résiduelles des utilisateurs et offre la BCI comme un choix optionnel : l'utilisateur choisit quand utiliser la BCI et peut alterner entre les interfaces cérébrales et musculaire selon le besoin.D'autre part, pour l’amélioration des techniques de traitement du signal et d'apprentissage statistique, ce travail utilise un cadre Riemannien. Un frein majeur dans le domaine de la BCI est la faible résolution spatiale du EEG. Ce problème est dû à l'effet de conductance des os du crâne qui agissent comme un filtre passe-bas non linéaire, en mélangeant les signaux de différentes sources du cerveau et réduisant ainsi le rapport signal-à-bruit. Par conséquent, les méthodes de filtrage spatial ont été développées ou adaptées. La plupart d'entre elles – à savoir la Common Spatial Pattern (CSP), la xDAWN et la Canonical Correlation Analysis (CCA) – sont basées sur des estimations de matrice de covariance. Les matrices de covariance sont essentielles dans la représentation d’information contenue dans le signal EEG et constituent un élément important dans leur classification. Dans la plupart des algorithmes d'apprentissage statistique existants, les matrices de covariance sont traitées comme des éléments de l'espace euclidien. Cependant, étant symétrique et défini positive (SDP), les matrices de covariance sont situées dans un espace courbe qui est identifié comme une variété riemannienne. Utiliser les matrices de covariance comme caractéristique pour la classification des signaux EEG, et les manipuler avec les outils fournis par la géométrie de Riemann, fournit un cadre solide pour la représentation et l'apprentissage du EEG. / In the last two decades, interest in Brain-Computer Interfaces (BCI) has tremendously grown, with a number of research laboratories working on the topic. Since the Brain-Computer Interface Project of Vidal in 1973, where BCI was introduced for rehabilitative and assistive purposes, the use of BCI has been extended to more applications such as neurofeedback and entertainment. The credit of this progress should be granted to an improved understanding of electroencephalography (EEG), an improvement in its measurement techniques, and increased computational power.Despite the opportunities and potential of Brain-Computer Interface, the technology has yet to reach maturity and be used out of laboratories. There are several challenges that need to be addresses before BCI systems can be used to their full potential. This work examines in depth some of these challenges, namely the specificity of BCI systems to users physical abilities, the robustness of EEG representation and machine learning, and the adequacy of training data. The aim is to provide a BCI system that can adapt to individual users in terms of their physical abilities/disabilities, and variability in recorded brain signals.To this end, two main avenues are explored: the first, which can be regarded as a high-level adjustment, is a change in BCI paradigms. It is about creating new paradigms that increase their performance, ease the discomfort of using BCI systems, and adapt to the user’s needs. The second avenue, regarded as a low-level solution, is the refinement of signal processing and machine learning techniques to enhance the EEG signal quality, pattern recognition and classification.On the one hand, a new methodology in the context of assistive robotics is defined: it is a hybrid approach where a physical interface is complemented by a Brain-Computer Interface (BCI) for human machine interaction. This hybrid system makes use of users residual motor abilities and offers BCI as an optional choice: the user can choose when to rely on BCI and could alternate between the muscular- and brain-mediated interface at the appropriate time.On the other hand, for the refinement of signal processing and machine learning techniques, this work uses a Riemannian framework. A major limitation in this filed is the EEG poor spatial resolution. This limitation is due to the volume conductance effect, as the skull bones act as a non-linear low pass filter, mixing the brain source signals and thus reducing the signal-to-noise ratio. Consequently, spatial filtering methods have been developed or adapted. Most of them (i.e. Common Spatial Pattern, xDAWN, and Canonical Correlation Analysis) are based on covariance matrix estimations. The covariance matrices are key in the representation of information contained in the EEG signal and constitute an important feature in their classification. In most of the existing machine learning algorithms, covariance matrices are treated as elements of the Euclidean space. However, being Symmetric and Positive-Definite (SPD), covariance matrices lie on a curved space that is identified as a Riemannian manifold. Using covariance matrices as features for classification of EEG signals and handling them with the tools provided by Riemannian geometry provide a robust framework for EEG representation and learning.

Les interfaces cerveau-ordinateur (ou BCI en anglais pour Brain-Computer Interfaces) mettent en place depuis le système nerveux central un circuit artificiel secondaire qui remplace l’utilisation des nerfs périphériques, permettant entre autres à des personnes ayant une déficience motrice grave d’interagir, uniquement à l’aide de leur activité cérébrale, avec différents types d’applications, tels qu’un système d’écriture, une neuro-prothèse, un fauteuil roulant motorisé ou un bras robotique. Une technique répandue au sein des BCI pour enregistrer l’activité cérébrale est l’électroencéphalographie (EEG), étant donné que contrairement à d’autres techniques d’imagerie, elle est non invasif et peu coûteuse. En outre, l’imagination motrice (MI), c’est-à-dire les oscillations des neurones du cortex moteur générées lorsque les sujets imaginent effectuer un mouvement sans réellement l’accomplir, est appropriée car détectable dans l’EEG et liée à l’activité motrice pour concevoir des interfaces comme des neuro-prothèses non assujetties à des stimuli. Cependant, même si des progrès importants ont été réalisés au cours des dernières années, un contrôle 3D complet reste un objectif à atteindre. Afin d’explorer de nouvelles solutions pour surmonter les limitations existantes, nous présentons une approche multiclasses qui considère la détection des imaginations motrices combinées. Le paradigme proposé comprend l’utilisation de la main gauche, de la main droite, et des deux pieds ensemble. Ainsi, par combinaison, huit commandes peuvent être fournies pour diriger un bras robotisé comprenant quatorze mouvements différents qui offrent un contrôle 3D complet. À cette fin, un système de commutation entre trois modes (déplacement du bras, du poignet ou des doigts) a été conçu et permet de gérer les différentes actions en utilisant une même commande. Ce système a été mis en oeuvre sur la plate-forme OpenViBE. En outre, pour l’extraction de caractéristiques une nouvelle approche de traitement d’information fournie par les capteurs a été développée sur la base de l’emplacement spécifique des sources d’activité liées aux parties du corps considérées. Cette approche permet de regrouper au sein d’une seule classe les différentes actions pour lesquelles le même membre est engagé, d’une manière que la tâche multiclasses originale se transforme en un problème équivalent impliquant une série de modèles de classification binaires. Cette approche permet d’utiliser l’algorithme de Common Spatial pattern (CSP) dont la capacité à discriminer des rythmes sensorimoteurs a été largement montrée mais qui présente l’inconvénient d’être applicable uniquement pour différencier deux classes. Nous avons donc également contribué à une nouvelle stratégie qui combine un ensemble de CSP et la géométrie riemannienne. Ainsi des caractéristiques plus discriminantes peuvent être obtenues comme les distances séparant les données des centres des classes considérées. Ces stratégies ont été appliquées sur trois nouvelles approches de classification qui ont été comparées à des méthodes de discrimination multiclasses classiques en utilisant les signaux EEG d’un groupe de sujets sains naïfs, montrant ainsi que les alternatives proposées permettent non seulement d’améliorer l’existant, mais aussi de réduire la complexité de la classification / Brain-Computer Interfaces (BCIs) replace the natural nervous system outputs by artificial ones that do not require the use of peripheral nerves, allowing people with severe motor impairments to interact, only by using their brain activity, with different types of applications, such as spellers, neuroprostheses, wheelchairs, or among others robotics devices. A very popular technique to record signals for BCI implementation purposes consists of electroencephalography (EEG), since in contrast with other alternatives, it is noninvasive and inexpensive. In addition, due to the potentiality of Motor Imagery (MI, i.e., brain oscillations that are generated when subjects imagine themselves performing a movement without actually accomplishing it) to generate suitable patterns for scheming self-paced paradigms, such combination has become a common solution for BCI neuroprostheses design. However, even though important progress has been made in the last years, full 3D control is an unaccomplished objective. In order to explore new solutions for overcoming the existing limitations, we present a multiclass approach that considers the detection of combined motor imageries, (i.e., two or more body parts used at the same time). The proposed paradigm includes the use of the left hand, right hand, and both feet together, from which eight commands are provided to direct a robotic arm comprising fourteen different movements that afford a full 3D control. To this end, an innovative switching-mode scheme that allows managing different actions by using the same command was designed and implemented on the OpenViBE platform. Furthermore, for feature extraction a novel signal processing scheme has been developed based on the specific location of the activity sources that are related to the considered body parts. This insight allows grouping together within a single class those conditions for which the same limb is engaged, in a manner that the original multiclass task is transformed into an equivalent problem involving a series of binary classification models. Such approach allows using the Common Spatial Pattern (CSP) algorithm; which has been shown to be powerful at discriminating sensorimotor rhythms, but has the drawback of being suitable only to differentiate between two classes. Based on this perspective we also have contributed with a new strategy that combines together the CSP algorithm and Riemannian geometry. In which the CSP projected trials are mapped into the Riemannian manifold, from where more discriminative features can be obtained as the distances separating the input data from the considered class means. These strategies were applied on three new classification approaches that have been compared to classical multiclass methods by using the EEG signals from a group of naive healthy subjects, showing that the proposed alternatives not only outperform the existing schema, but also reduce the complexity of the classification task

Les Interfaces Cerveau-Machine (ICM) nécessitent l'utilisation de méthodes d'apprentissage statistique pour la reconnaissance de signaux. Dans cette thèse, nous proposons une approche générale permettant d'intégrer des connaissances a priori dans le processus d'apprentissage. Cette approche consiste à apprendre de manière jointe le classifieur et la représentation des données lors d'une optimisation unique. Nous nous sommes plus particulièrement intéressés à des problèmes de sélection de capteurs et proposons plusieurs termes de régularisation adaptés pour ces problèmes. Notre première contribution est une méthode d'apprentissage supervisé de filtres: le filtrage vaste marge. Un filtrage maximisant la marge entre les échantillons est appris et permet de s'adapter automatiquement aux caractéristiques des signaux tout en restant interprétable. Une application ICM et une extension 2D du filtrage a été réalisée. La seconde contribution est une méthode d'apprentissage multitâche parcimonieuse. Elle permet de sélectionner de manière jointe un ensemble de noyaux pertinents pour l'ensemble des tâches de classification. Des algorithmes efficaces ont été proposés pour résoudre le problème d'optimisation et des expérimentations numériques ont montré l'intérêt de l'approche. Finalement, la troisième contribution est une application de l'apprentissage multitâche parcimonieux sur un ensemble de jeux de données ICM. Un terme de régularisation plus général permettant de promouvoir une similarité entre classifieurs est également proposé. Les résultats numériques ont montré qu'une réduction importante du temps de calibration peut être obtenue grâce à l'apprentissage multitâche proposé.

Les Interfaces Cerveau-Ordinateur basées sur l’Imagerie Mentale (IM-ICO) permettent auxutilisateurs d’interagir uniquement via leur activité cérébrale, grâce à la réalisation de tâchesd’imagerie mentale. Cette thèse se veut contribuer à l’amélioration des IM-ICO dans le but deles rendre plus utilisables. Les IM-ICO sont extrêmement prometteuses dans de nombreuxdomaines allant de la rééducation post-AVC aux jeux-vidéo. Malheureusement, leurdéveloppement est freiné par le fait que 15 à 30% des utilisateurs seraient incapables de lescontrôler. Nombre de travaux se sont focalisés sur l’amélioration des algorithmes de traitementdu signal. Par contre, l’impact de l’entraînement des utilisateurs sur leur performance estsouvent négligé. Contrôler une IM-ICO nécessite l’acquisition de compétences et donc unentraînement approprié. Or, malgré le fait qu’il ait été suggéré que les protocolesd’entraînement actuels sont théoriquement inappropriés, peu d’efforts sont mis en oeuvre pourles améliorer. Notre principal objectif est de comprendre et améliorer l’apprentissage des IMICO.Ainsi, nous cherchons d’abord à acquérir une meilleure compréhension des processussous-tendant cet apprentissage avant de proposer une amélioration des protocolesd’entraînement afin qu’ils prennent en compte les facteurs cognitifs et psychologiquespertinents et qu’ils respectent les principes issus de l’ingénierie pédagogique. Nous avonsainsi défini 3 axes de recherche visant à investiguer l’impact (1) de facteurs cognitifs, (2) de lapersonnalité et (3) du feedback sur la performance. Pour chacun de ces axes, nous décrivonsd’abord les études nous ayant permis de déterminer les facteurs impactant la performance ;nous présentons ensuite le design et la validation de nouvelles approches d’entraînementavant de proposer des perspectives de travaux futurs. Enfin, nous proposons une solution quipermettrait d’étudier l’apprentissage de manière mutli-factorielle et dynamique : un systèmetutoriel intelligent. / Mental-imagery based brain-computer interfaces (MI-BCIs) enable users to interact with theirenvironment using their brain-activity alone, by performing mental-imagery tasks. This thesisaims to contribute to the improvement of MI-BCIs in order to render them more usable. MIBCIsare bringing innovative prospects in many fields, ranging from stroke rehabilitation tovideo games. Unfortunately, most of the promising MI-BCI based applications are not yetavailable on the public market since an estimated 15 to 30% of users seem unable to controlthem. A lot of research has focused on the improvement of signal processing algorithms.However, the potential role of user training in MI-BCI performance seems to be mostlyneglected. Controlling an MI-BCI requires the acquisition of specific skills, and thus anappropriate training procedure. Yet, although current training protocols have been shown tobe theoretically inappropriate, very little research is done towards their improvement. Our mainobject is to understand and improve MI-BCI user-training. Thus, first we aim to acquire a betterunderstanding of the processes underlying MI-BCI user-training. Next, based on thisunderstanding, we aim at improving MI-BCI user-training so that it takes into account therelevant psychological and cognitive factors and complies with the principles of instructionaldesign. Therefore, we defined 3 research axes which consisted in investigating the impact of(1) cognitive factors, (2) personality and (3) feedback on MI-BCI performance. For each axis,we first describe the studies that enabled us to determine which factors impact MI-BCIperformance; second, we describe the design and validation of new training approaches; thethird part is dedicated to future work. Finally, we propose a solution that could enable theinvestigation of MI-BCI user-training using a multifactorial and dynamic approach: an IntelligentTutoring System.