Development of Network Features for Brain-Computer Interfaces - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Thèse Année : 2022

Development of Network Features for Brain-Computer Interfaces

Développement de propriétés des réseaux complexes pour les Interfaces Cerveau-Machine

Résumé

A Brain-Computer Interface (BCI) is a system that can translate brain activity patterns into messages or commands for an interactive application. It enables a subject to send commands to a device only by means of brain activity, without requiring any peripherical muscular activity. These systems are increasingly explored for control and communication, as well as for treatment of neurological disorders, especially via the ability of subjects to voluntarily modulate their brain activity through mental imagery (MI). To control a BCI, the user must produce different brain signal patterns that the system will identify and translate into commands. Even though this technique has been widely used, subjects performance, measured as the correct classification of the user’s intent, still shows low scores. Much of the efforts to solve this problem have focused on the BCI classification block. While, the research of alternative features has been poorly explored. In most implemented systems, pattern recognition relies on power spectrum density (PSD) of a reduced number of sources, focusing on features that characterize a single brain region. However, the brain is not a collection of isolated pieces working independently. It rather consists of a distributed complex network that integrates information across differently specialized regions. It turns out that examining signals from one specific region, while neglecting its interactions with others, oversimplifies the phenomenon. It would be preferable to have an understanding of the system’s collective behaviour to fully capture the brain functioning. Thus, we hypothesize that functional connectivity (FC) features could be more representative of the complexity of neurophysiological processes, since they measure interactions between different brain areas, reflecting the information exchange that is essential to decode brain organization. Then, these interactions can be quantified using network theoretic approaches, extracting few summary properties of the entire complex brain network. Thus, network analysis may also be more efficient by reducing the problem dimension and optimizing the computational cost. Nevertheless, extracting topological properties of the network, while disregarding the intrinsic spatial nature of the brain, could overlook crucial information for understanding brain functioning. Recent neuroimaging studies demonstrated that brain connectivity reveals hemisphere lateralization during motor MI-related tasks. Covering these two concepts, we explored the dual contribution of brain network topology and space in modelling motor-related mental states through the concept of functional lateralization. Specifically, we introduced new metrics to quantify segregation and integration within and between the hemispheres, and we showed that they are highly relevant features for decoding a motor imagery mental task. These network properties not only give competitive classification accuracy but also have the advantage of being neurophysiologically interpretable, compared to state-of-the-art approaches that are instead blind to the underlying mechanism.
Une interface cerveau-machine (ICM) est un système capable de traduire les modèles d’activité cérébrale en messages pour une application. Il permet à un sujet d’envoyer des commandes à un appareil à travers l’activité cérébrale, sans nécessiter d’activité musculaire périphérique. Ces systèmes sont de plus en plus explorés pour le contrôle et la communication, ainsi que pour le traitement des troubles neurologiques, notamment via la capacité des sujets à moduler volontairement leur activité cérébrale grâce à l’imagerie mentale (IM). Pour contrôler une ICM, l’utilisateur doit produire différents types de signaux cérébraux que le système identifiera et traduira en commandes. Même si cette technique a été largement utilisée, la performance des sujets, mesurée comme la correcte classification de l’intention de l’utilisateur, affiche toujours de faibles scores. Une grande partie des efforts pour résoudre ce problème s’est concentrée sur la classification. Alors que la recherche de features alternatives a été peu explorée. Dans la plupart des systèmes mis en œuvre, la reconnaissance des états mentaux repose sur la puissance spectrale d’un nombre réduit de sources, en se concentrant sur les caractérisation d’une seule région du cerveau. Cependant, le cerveau n’est pas un ensemble de pièces isolées travaillant de manière indépendante. Il s’agit plutôt d’un réseau complexe qui intègre des informations dans des régions différemment spécialisées. Il s’avère que l’examen des signaux d’une région spécifique, tout en négligeant ses interactions avec les autres, simplifie à l’extrême le phénomène. Il serait préférable de comprendre le comportement collectif du système pour bien saisir le fonctionnement cérébral. Ainsi, nous pensons que l’étude à travers la connectivité fonctionnelle pourraient être plus représentatives de la complexité des processus neurophysiologiques, puisqu’elles mesurent les interactions entre différentes aires cérébrales, reflétant l’échange d’informations qui est essentiel pour décoder l’organisation cérébrale. Ensuite, ces interactions peuvent être synthétisées à l’aide d’estimateurs des réseaux complexes, modélisant le cerveau humain comme un réseau. Certes, l’analyse de réseau peut présenter une performance plus précise car elle optimise le coût de calcul et la dimensionnalité. Néanmoins, la simple extraction des propriétés topologiques du réseau, sans tenir compte de la nature spatiale intrinsèque du cerveau, pourrait manquer des informations cruciales pour comprendre le fonctionnement du cerveau. Des études récentes ont démontré que la connectivité cérébrale révèle la latéralisation des hémisphères lors de tâches liées à l’IM moteur. Couvrant ces deux concepts, nous avons exploré la double contribution de la topologie et de l’espace dans la modélisation des états mentaux moteurs par la latéralisation fonctionnelle. Plus précisément, nous avons introduit de nouvelles métriques pour quantifier la ségrégation et l’intégration au sein et entre les hémisphères, et nous avons montré qu’il s’agit de caractéristiques très pertinentes pour décoder une tâche mentale d’imagerie motrice. Ces propriétés de réseau donnent non seulement des précisions de classification compétitives, mais ont également l’avantage d’être interprétables sur le plan neurophysiologique, par rapport aux approches de pointe qui sont plutôt aveugles au mécanisme sous-jacent.
Fichier principal
Vignette du fichier
GONZALEZ_ASTUDILLO_these_2022.pdf (27.82 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03913622 , version 1 (27-12-2022)
tel-03913622 , version 2 (01-02-2023)

Identifiants

  • HAL Id : tel-03913622 , version 2

Citer

Juliana Gonzalez-Astudillo. Development of Network Features for Brain-Computer Interfaces. Human-Computer Interaction [cs.HC]. Sorbonne Université, 2022. English. ⟨NNT : 2022SORUS286⟩. ⟨tel-03913622v2⟩
236 Consultations
20 Téléchargements

Partager

Gmail Facebook X LinkedIn More