Brain Computer Interface with Online feedback based on magnetoencephalography

1
Brain Computer Interface with Online feedback
based on magnetoencephalography
2
Contexte

• Aider les personnes paralysées
• Utilisation de Brain Computer Interface (BCI)
• La plupart utilisent de lElectroEncéphaloGraphie
  (EEG)
• Problème temps dapprentissage important

3
Solution proposée

• Utiliser des algorithmes dapprentissage pour que
  ce soit lappareil qui sadapte
• Utilisation de la MagnétoEncéphaloGraphie (MEG)
  car
• Rapport signal sur bruit plus important
• Mesures similaires à lEEG

4
Dispositif expérimental

• 150 capteurs magnétiques
• La tête est fixée
• Consigne visuelle concernant la partie du corps à
  visualiser (langue ou doigt)
• Temps de visualisation aléatoire
• 4 50 cas

5
Réduction des données (1)

• 1875 échantillons pour chaque canal
• But diminuer la taille en conservant
  linformation
• Utilisation dun modèle autorégressif dordre 2
• Ordre du modèle obtenu après analyse de chaque
  ordre suivant lerreur estimée

6
Réduction des données (2)

• But diminuer le nombre de canaux
• Diminue le nombre de données
• Meilleur compréhension des phénomènes cognitifs.
• Utilisation de la méthode  Recursive Chanel
  Elimination  pour trier les canaux par ordre
  dimportance.
• Réduction du nombre de canaux à 1,150
• Estimation de lerreur par validation croisée

7

• Choix dune erreur acceptable à laide de la
  courbe obtenue
• Critère alpha et béta

8
Résultats obtenus

• Avec tous les canaux, erreur 29,9
• Sélection critère alpha, erreur 31,8
• Sélection critère béta, erreur 31,2
• étude similaire basée sur EEG, erreur 33,75

9
Possibilité dextension à plusieurs classes

• visualisation de linformation relative à chaque
  classe
• Information lorsque le sujet pense au doigt
• Absence dinformation pour la langue
• Conclusion le classifieur reconnaît
  lappartenance ou non à la classe  doigt 
• Problème pour le passage à plusieurs classes
• Solution représentation main gauche/droite

10
Application concrète

• Intérêt prouver que cette méthode peut être
  utilisée concrètement
• Utilisation de paramètres calculés rapidement
• Dispositif expérimental originale servant à
  tester lefficacité du programme pour chaque
  personne.
• Sélection des 5 personnes ayant eu les meilleurs
  résultats (plus de 70)

11

• Réalisation dune tache utile écriture dun
  mot.
• Résultat 4 sujets sur les 5 y parviennent

12
Avis personnel

• Intéressant davoir pensé aux évolutions futures
• Premier à utiliser MEG
• Peu de comparaison avec lexistant
• Peu de données pour pouvoir juger de la qualité
  des résultats (chiffres significatifs?)
• Absence des résultats obtenus avec les vraies
  valeurs du logiciel

13
Conclusion

• Article intéressant montrant que lapprentissage
  peut avoir des applications concrètes mais qui
  demanderait un approfondissement.