Les interfaces cerveau-ordinateur (ICO) sont des outils de communication et de contrôle qui permettent à leurs utilisateurs d’interagir avec un ordinateur via leur activité cérébrale (mesurée, généralement,à l’aide de l’électroencéphalographie - EEG).
Une catégorie prometteuse d’ICO est l’ICO basée sur les tâches
mentales (TM). Les TM-ICO utilisent les modifications de l’activité cérébrale induites par les TM effectuées par l’utilisateur (par exemple, l’imagination de mouvements, le calcul mental ou la rotation mentale d’un objet) pour les transformer en commandes de contrôle.
Contrôler une TM-ICO nécessite l’acquisition de compétences et donc un entraînement approprié. En effet, l’utilisateur doit générer des signaux cérébrauxstables et distincts pour chaque tâche, faute de quoi il ne sera pas en mesure de contrôler le système. En
effet, le système ne sera pas en mesure de reconnaître quelle tâche l’utilisateur est en train d’effectuer. Produire de tels signaux cérébraux est une compétence à acquérir et à maîtriser. L’objectif de mes travaux de recherche est
de contribuer à la compréhension de l’entraînement des utilisateurs d’ICO en réalisant d’abord une étude expérimentale de l’apprentissage.
Dans un premier temps, nous avons proposé et évalué la conception d’une TM-ICO multi-classes pour entrainer un utilisateur tétraplégique sur le long terme. Nou avons utilisé une
nouvelle méthode de classification: les classifieurs riemanniens adaptatifs. Nous avons également observé que notre pilote a appris à améliorer l’ICO en produisant des signaux EEG correspondant de plus en plus à la
distribution des données d’entraînement du classificateur, plutôt qu’en améliorant à discriminer ses signaux. Cette étude nous a également permis de constater la difficulté de la mise en place d’un protocole fiable dédié
à un entraînement ICO à long terme.
Dans un second temps,= nous avons étudier les performances des utlisateurs de TM-ICO afin de mieux comprendre l'apprentissage à l’aide de modèles computationnels prédictifs. Nous avons proposé différents
modèles pouvant prédire les performances de différents utilisateurs de ICO au cours de l’entraînement basés
sur des caractéristiques liées aux ICO. Comme une ICO est un système de communication entre un utilisateur
et une machine, ces caractéristiques sont liés à la fois au profil de l’utilisateur at aux facteurs extraits
d’algorithmes utilisés pour construire/calibrer le système. Nos résultats suggèrent qu’il est possible de prédire
les performances des utilisateurs d’ICO en utilisant les caractéristiques neurophysiologiques d’un utilisateur,
mais aussi les caractéristiques neurophysiologiques combinées à des caractéristiques stables (des traits) de
l’utilisateur. De plus, nos études ont révélé que l’étude des caractéristiques extraites des méthodes utilisées
pour construire/calibrer le système pourraient être intéressantes pour mieux comprendre pourquoi certains
sujets ont des difficultés à contrôler une ICO. En effet, des modèles fiables de performances ont été révélés en
utilisant de telles caractéristiques.
La machine
Modèles basés sur les facteurs liés à l'apprentissage de la machine.
Travaux de recherche
Le feedback
Modèles basés sur les facteurs liés au feedback donné à l'utilisateur.
Travaux de recherche
