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.

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.

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.

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.

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.