Towards Artificial Learning Companions for Mental Imagery-based Brain-Computer Interfaces - Archive ouverte HAL Access content directly
Conference Papers Year :

Towards Artificial Learning Companions for Mental Imagery-based Brain-Computer Interfaces

(1, 2, 3) , (4, 5) , (6) , (7, 8, 9) , (1, 2, 3)
1
2
3
4
5
6
7
8
9

Abstract

Mental Imagery based Brain-Computer Interfaces (MI-BCI) enable their users to control an interface, e.g., a prosthesis, by performing mental imagery tasks only, such as imagining a right arm movement while their brain activity is measured and processed by the system. Designing and using a BCI requires users to learn how to produce different and stable patterns of brain activity for each of the mental imagery tasks. However, current training protocols do not enable every user to acquire the skills required to use BCIs. These training protocols are most likely one of the main reasons why BCIs remain not reliable enough for wider applications outside research laboratories. Learning companions have been shown to improve training in different disciplines, but they have barely been explored for BCIs so far. This article aims at investigating the potential benefits learning companions could bring to BCI training by improving the feedback, i.e., the information provided to the user, which is primordial to the learning process and yet have proven both theoretically and practically inadequate in BCI. This paper first presents the potentials of BCI and the limitations of current training approaches. Then, it reviews both the BCI and learning companion literature regarding three main characteristics of feedback: its appearance, its social and emotional components and its cognitive component. From these considerations, this paper draws some guidelines, identify open challenges and suggests potential solutions to design and use learning companions for BCIs.
Les interfaces cerveau-ordinateur (ICO) exploitant l'imagerie men-tale permettent à leurs utilisateurs d'envoyer des commandes à une interface, une prothèse par exemple, uniquement en réalisant des tâches d'imagerie mentale, tel qu'imaginer son bras droit bouger. Lors de la réalisation de ces tâches, l'activité cérébrale des utilisa-teurs est enregistrée et analysée par le système. Afin de pouvoir utiliser ces interfaces, les utilisateurs doivent apprendre à produire différents motifs d'activité cérébrale stables pour chacune des tâches d'imagerie mentale. Toutefois, les protocoles d'entraînement ex-istants ne permettent pas à tous les utilisateurs de maîtriser les compétences nécessaires à l'utilisation des ICO. Ces protocoles d'entraînements font très probablement partie des raisons princi-pales pour lesquelles les ICO manquent de fiabilité et ne sont pas plus utilisées en dehors des laboratoires de recherche. Or, les com-pagnons d'apprentissage, qui ont déjà permis d'améliorer l'efficacité d'apprentissage pour différentes disciplines, sont encore à peine étudiés pour les ICO. L'objectif de cet article est donc d'explorer les différents avantages qu'ils pourraient apporter à l'entraînement aux ICO en améliorant le retour fait à l'utilisateur, c'est-à-dire les informations fournies concernant la tâche. Ces dernières sont pri-mordiales à l'apprentissage et pourtant, il a été montré qu'à la fois théoriquement et en pratique ces dernières étaient inadéquates. Tout d'abord, seront présentés dans l'article les potentiels des ICO et les limitations des protocoles d'entraînement actuels. Puis, une revue de la littérature des ICO ainsi que des compagnons d'apprentissage est réalisée concernant trois caractéristiques principales du retour utilisateur, c'est-à-dire son apparence, ses composantes sociale et émotionnelle et enfin sa composante cognitive. À partir de ces considérations, ce papier fournit quelques recommandations, iden-tifie des défis à relever et suggère des solutions potentielles pour concevoir et utiliser des compagnons d'apprentissage en ICO.
Fichier principal
Vignette du fichier
WACAI2018_Reviewed.pdf (2.54 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-01762612 , version 1 (10-04-2018)
hal-01762612 , version 2 (23-05-2019)
hal-01762612 , version 3 (06-12-2019)

Identifiers

Cite

Léa Pillette, Camille Jeunet, Roger N'Kambou, Bernard N'Kaoua, Fabien Lotte. Towards Artificial Learning Companions for Mental Imagery-based Brain-Computer Interfaces. WACAI 2018 - Workshop sur les “Affects, Compagnons Artificiels et Interactions”, Jun 2018, Ile de Porquerolles, France. pp.1-8. ⟨hal-01762612v3⟩
464 View
387 Download

Altmetric

Share

Gmail Facebook Twitter LinkedIn More