Innovative decoding algorithms for Chronic ECoG-based Brain Computer Interface (BCI) for motor disabled subjects in laboratory and at home - Inserm - Institut national de la santé et de la recherche médicale Accéder directement au contenu
Thèse Année : 2020

Innovative decoding algorithms for Chronic ECoG-based Brain Computer Interface (BCI) for motor disabled subjects in laboratory and at home

Une interface cerveau-machine basée sur des algorithmes de décodage innovants pour le contrôle d'effecteurs complexes en vue d'un usage au quotidien par des patients en situation de handicap moteur

Résumé

Brain-computer interfaces (BCIs) are systems that allow the control of external devices from the brain’s neural signals without neuromuscular activation. Among the various applications, functional compensation and rehabilitation of individuals suffering from severe motor disabilities (with motor BCIs) has always been a focus for BCI research. Brain signals are translated, through signal processing steps, into orders realized by an effector which returns feedbacks (visual, tactile, proprioceptive…) to the patient giving him back some mobility and autonomy. Nevertheless, numerous challenges to translate BCI from offline experiments based on healthy subjects recordings to daily life applications for disable patients. Even though BCI decoding highlights good control performance during specific task such as center out experiments, the development of decoder for online asynchronous decoding, stable during long period, is still one of the BCI community claim. Moreover, a lack of studies and algorithms on multi-limb effector control were highlighted.Relying on the “BCI and Tetraplegia” clinical trial of CEA/LETI/CLINATEC, the development of new decoders for real-time closed-loop adaptive asynchronous multi-limb is addressed in the present doctoral thesis. Recursive exponentially weighted Markov switching multi-linear model (REW-MSLM) was designed to handle complex / high dimensional multi-limb effector control with online closed-loop calibration of the decoding model.Based on a mixture of expert architecture, REW-MSLM allows a tetraplegic patient who underwent bilateral epidural electrocorticographic (ECoG) arrays implantation of chronic wireless implants (WIMAGINE) 8D control of a whole body exoskeleton over several months without model recalibration. The patient was able to perform alternative 3D left and right hand translations and 1D left and right wrist rotations with high accuracy and during long period without any model recalibration. Experiments with higher controlled dimensions and other effectors such as wheelchair have also been tested and highlighted promising results. This PhD thesis aims to present new innovative adaptive BCI decoder adapted to multi-limb decoding for clinical applications and highlights the interest of such decoder in the perspective of the current state-of-the-art.
Les interfaces cerveau-Machine (ICM) sont des systèmes permettant de traduire l’activité cérébrale d’un individu via un ordinateur afin d’effectuer des tâches nécessitant normalement une action des nerfs périphériques et/ou musculaires. En se basant sur l’essai clinique de CEA/LETI/CLINATEC, nommé « BCI et Tétraplégie », les recherches de thèse présentées dans ce manuscrit répondent aux challenges de l’intégration ICM dans la vie quotidienne, à savoir le contrôle complexe asynchrone d’effecteurs multi-membres et l’adaptation en temps réel des algorithmes de décodage durant des expériences en closed-loop. Pour répondre aux challenges de l’essai clinique, l’algorithme incrémental adapatif en temps réel Recursive exponentially weighted Markov switching multi-linear model (REW-MSLM) a été créé. L’algorithme REWMSLM repose sur une architecture du type Mixture d’Experts (ME). Les MEs combinent plusieurs décodeurs continus dit «experts » dont les prédictions sont pondérées par un modèle discretnommé «gate » . Les modèles des experts sont estimés via l’algorithme REW-NPLS tandis que l emodèle de gate est un modèle de markov caché (HMM). L’algorithme REW-MSLM a permis à un patient tétraplégique de contrôler un exosquelette 4 membres avec 8 degrés de liberté via ledécodage de signaux électrocorticographiques (ECoG) enregistrés avec deux implants épiduraux sans fil nommé WIMAGINE. Dans une même expérience, avec un même modèle, le patient aréalisé des tâches de contrôle alternatif des mouvements du bras gauche et du bras droit dansl’espace 3D et de rotation 1D des poignets gauche et droit. Le contrôle du patient durant ces tâches est resté très stable, même durant des expériences 6 mois après la fin de la mise à jour du modèle.Par exemple, les performances de contrôle réalisées 0 à 37 jours après la dernière mise à jour dumodèle ont montré un score de réussite de 71 ± 12% et 99 ± 2% pour les tâches de contrôle 3Ddes mouvements des mains et les tâches de contrôle 1D de rotation des poignets. Lesperformances de contrôle réalisées de 0 à 167 jours après la dernière mise à jour du modèle ontmontré un score de réussite de 67 ± 21% et 93 ± 12% pour les tâches de contrôle 3D desmouvements des mains et les tâches de contrôle 1D de rotation des poignets. Dans le but d’êtreintégré dans REW-MSLM, de nouveaux algorithmes, à savoir le (Automatic) Penalized RecursiveExponentially Weighted N-way Partial Least Squares (PREW-NPLS et APREW-NPLS) et uneversion du Modèle de Markov Caché Hiérarchique (H2M2), ont été imaginés et testés en offline.Lp-PREW-NPLS est un algorithme incrémental adaptatif permettant une pénalisation pargroupes du modèle de décodage suivant la norme/pseudo norme Lp=0, 0.5 ou 1. Pour uneutilisation en temps réel, l’algorithme PREW-NPLS nécessite de déterminer avec une étudeoffline préliminaire l’hyperparamètre de pénalisation optimal. APREW-NPLS permet de comparer en temps réel plusieurs modèles avec des hyperparamètres de pénalisation différents afin de l’optimiser en temps réel durant l’expérience. Les algorithmes PREW-NPLS et APREWNPLSont été créés pour réduire la dimension de l’espace des caractéristiques et améliorer lesperformances de décodage. H2M2, quant à lui est un classifieur dynamique similaire aux modèles de type HMM mais avec une structure hiérarchique. La structure hiérarchique est répartie encouches avec les états des couches inférieures dépendants des états des couches supérieures.L’algorithme H2M2 a été conçu dans le but d’améliorer la réactivité du modèle de classification de REW-MSLM (gating). Les résultats de décodage neural direct des signaux épiduraux ECoG obtenus nous poussent à diversifier l’utilisation de ces algorithmes à d’autres domaines.
Fichier principal
Vignette du fichier
MOLY_2020_archivage.pdf (16.92 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03298314 , version 1 (23-07-2021)

Identifiants

  • HAL Id : tel-03298314 , version 1

Citer

Alexandre Moly. Innovative decoding algorithms for Chronic ECoG-based Brain Computer Interface (BCI) for motor disabled subjects in laboratory and at home. Human health and pathology. Université Grenoble Alpes [2020-..], 2020. English. ⟨NNT : 2020GRALS028⟩. ⟨tel-03298314⟩
308 Consultations
65 Téléchargements

Partager

Gmail Facebook X LinkedIn More