Conception d'un système intelligent embarqué pour la classification automatique des signaux physiologiques

Les interfaces Cerveau-Ordinateur (ICO) basées sur l'électroencéphalographie (EEG) sont prometteuses pour les applications médicales sur systèmes portables. Cependant, leur déploiement sur des plateformes embarquées est difficile, la qualité du signal varie ce qui impacte les performances et conduit à des choix d'algorithmes d'analyse qui eux même modifient la consommation électrique, qui peut être critique si le système est portable.Cette thèse présente un cadre méthodologique reliant la variation de qualité des données, la robustesse algorithmique et l'efficacité matérielle. Elle aborde quatre défis principaux : (i) Le développement de modèles de perturbations du signal (bruit, perte, corruption) ; (ii) La cartographie de la robustesse des paires de caractéristiques-classifieurs KNN (KNN, SVM, CNN); (iii) L'évaluation des performances (temps de cal cul et d'énergie consommée), de plateformes embarquées représentatives (CPU monocartes, SoC RISC-V, FPGA). (iv) Une représentation de ces résultats dans une cartographie inter-couches qui guide la sélection du système en fonction de la qualité du signal et des contraintes de ressources données.Les contributions principales de ce travail sont : (i) De fournir une suite de simulation de variation de données reproductible, permettant l'évaluation systématique des systèmes de classification EEG sous différentes conditions de qualité de données (bruit, pertes, corruptions). (ii) De définir un ensemble de caractéristiques EEG standardisées, afin de permettre une comparaison équitable des méthodes. (iii) De fournir des profils de robustesse qui guident la sélection des algorithmes dans des conditions de données non idéales. (iv) D'établir des pratiques de benchmarking reproductibles pour les plateformes hétérogènes. (v) Enfin d'offrir une base de décision pour la conception de systèmes ICO embarqués fiables et économes en énergie.