Artificial intelligence-based non-invasive neurotechnologies for adaptive and personalized post-stroke motor rehabilitation

Les interfaces cerveau-ordinateur, en anglais brain computer interface (BCI), permettent aux utilisateurs d’envoyer des commandes à un ordinateur en utilisant uniquement leur activité cérébrale. L’un des paradigmes les plus étudiés dans ce domaine est l’imagerie motrice (IM), où les utilisateurs imaginent des mouvements spécifiques de membres — tels que des mouvements de la main gauche ou droite — sans les exécuter physiquement. Cette approche est rendue possible par le fait que l’imagination d’un mouvement active des schémas neuronaux similaires à ceux impliqués dans l’exécution réelle du mouvement. Cependant, les techniques actuelles d’apprentissage manquent souvent de robustesse aux facteurs de variabilités connus dans le domaine. Une variabilité importante des performances des BCI est observée entre les utilisateurs — environ 30% des individus n’arrivent pas à obtenir un contrôle fiable — ainsi que pour un même utilisateur. Cette variabilité peut provenir de facteurs spécifiques aux individus, tels que les traits personnels ou la capacité à réaliser la tâche mentale, ainsi que des facteurs liés aux sessions, tels que la qualité du signal électroencéphalographique (EEG) enregistré ou les fluctuations de l’état mental des utilisateurs (par exemple, la fatigue ou la motivation). Dans cette thèse, nous avons cherché à améliorer la robustesse des algorithmes de classification pour les BCI en prenant en compte ces sources de variabilité. Nous proposons trois contributions principales pour répondre à cette problématique. Dans un premier temps, nous avons validé plusieurs prédicteurs neurophysiologiques des performances des BCI à l’aide d’un large jeu de données en libre accès. Cette étape nous a permis de quantifier l’impact de ces facteurs en vue, dans un second temps, de concevoir des modèles invariants à leur égard. Nous avons ensuite réalisé une revue systématique des algorithmes de classification prenant explicitement en compte ces facteurs de variabilité, que ce soit pour améliorer la précision de classification ou pour atteindre une forme d’invariance vis-à-vis de ces facteurs. Sur cette base, nous avons proposé une version modifiée du classifieur Linear Discriminant Analysis (LDA), conçue pour être invariante à des états mentaux subjectifs ou certains facteurs neurophysiologiques corrélés aux performances des BCI. Enfin, nous avons évalué l’impact des algorithmes d’apprentissage profond dans une approche d’entraînement inter-sujets, comparée à une approche intra-sujet. Nous avons observé que l’entraînement du modèle sur un grand nombre de sujets permet d’améliorer les performances des BCI tout en augmentant la robustesse face à la variabilité interindividuelle. Dans la seconde partie de cette thèse, nous avons étudié les variabilités du IM-BCI dans une application spécifique, la rééducation motrice post-accident vasculaire cérébral (AVC). La réalisation d’exercices d’IM peut favoriser la neuroplasticité, et les BCI peuvent fournir un retour sensoriel continu, directement lié à l’activité du cortex moteur, favorisant ainsi la récupération motrice. Malgré ce potentiel, les thérapies actuelles de rééducation utilisant les BCI restent limitées, principalement en raison de problèmes de robustesse algorithmique, les AVC induisant eux-mêmes une grande variabilité intra- et inter-sujets. Afin d’améliorer l’efficacité des protocoles de rééducation utilisant les BCI, nous avons d’abord effectué une synthèse des différents facteurs susceptibles de prédire le succès de la rééducation. Cela inclut à la fois des prédicteurs de la performance des BCI, et des prédicteurs de la récupération motrice après AVC, avec ou sans intervention par BCI. À partir de cette analyse, nous avons proposé un protocole expérimental, en collaboration avec un hôpital, visant à valider ces prédicteurs en conditions cliniques. Enfin, nous avons intégré une réflexion méthodologique sur les bonnes pratiques d’analyse du signal EEG [...]