D’un point de vue performance et nombre de degr´e de libert´e, les ICMs EEG restent plutˆot limit´ees. Cette limitation est principalement due aux sp´ecificit´es de l’EEG, `a savoir une faible quantit´e d’information utile et mesurable et une tr`es grande sensibilit´e aux per- turbations. Au niveau du traitement du signal, on observe une stagnation des performances maximales. Les limites sont toutefois repouss´ees r´eguli`erement [82], cependant ces avanc´ees sont souvent port´ees par un apprentissage plus long de la part de l’utilisateur (jusqu’`a plusieurs mois), tirant ainsi partie de la capacit´e d’adaptation de notre cerveau. En re- vanche il reste deux points susceptibles d’ˆetre largement am´elior´es et pouvant d´eboucher sur une acceptation plus grande des ICMs : l’ergonomie et la robustesse.
L’ergonomie est un param`etre important dans tout syst`eme ICM qui souhaite se d´emocratiser.
Il est n´ecessaire d’augmenter le confort du dispositif d’enregistrement de l’activit´e c´er´ebrale. Les syst`emes actuels sont pour la plupart filaires, encombrants et contraignants. Ils restrei- gnent les mouvements et induisent fatigue et lassitude pour l’utilisateur ce qui les rend peu utilisables sur de longues p´eriodes ou au quotidien. On note cependant un effort r´eel dans le d´eveloppement de casques de mesure EEG sans fil et ergonomique, ´etape indispensable si
2.6. LES CHALLENGES 37
l’on souhaite d´evelopper une ICM `a destination d’un public plus large. Le temps n´ecessaire
`
a la mise en place avant utilisation est aussi un point primordial. La pose des ´electrodes est en g´en´eral l’´etape la plus consommatrice de temps. Ce temps varie ´enorm´ement en
fonction du nombre d’´electrodes `a poser, il est donc important de r´eduire au maximum le
nombre d’´electrodes sans trop perdre sur la quantit´e d’information utile que l’on mesure. Le d´eveloppement d’algorithmes de s´elections d’´electrodes d’int´erˆet est ainsi une ´etape souvent indispensable. Dans la mˆeme optique, un syst`eme BCI se doit d’ˆetre dot´e d’une ´etape de calibration la plus courte possible et doit pouvoir s’adapter aux changements en cours d’u- tilisation (adaptatif). Il est ´egalement n´ecessaire de travailler sur la r´eduction de la fatigue de l’utilisateur en utilisant des paradigmes et des interfaces adapt´ees et simples d’utilisation. Enfin, l’utilisation de l’ICM doit ˆetre la plus simple possible et ne pas n´ecessiter l’interven- tion d’un sp´ecialiste. Ainsi les diff´erents param`etres n´ecessaires au fonctionnement de l’ICM
doivent ˆetre r´egl´es automatiquement, ou `a d´efaut, `a l’issue d’une proc´edure de calibration
simplifi´ee et unique.
La robustesse de l’ICM, c’est-`a-dire sa capacit´e `a conserver un comportement coh´erent
mˆeme lorsque les signaux sont fortement perturb´es, est une qualit´e indispensable en re- gard de la forte variabilit´e de l’EEG. Une plus grande robustesse pourra ˆetre introduite
par l’utilisation de m´ethodes de traitement du signal pr´evues `a cet effet. Une strat´egie de
commande adapt´ee permet ´egalement d’am´eliorer la robustesse de l’ICM. Par ailleurs, les ICMs hybrides semblent ˆetre une voie particuli`erement int´eressante pour l’augmentation de la robustesse du syst`eme.
Chapitre 3
Traitement du Signal pour les
ICMs EEG
Le chapitre pr´ec´edent a pr´esent´e un ´etat de l’art des ICMs en EEG. Ce chapitre abor-
dera les diff´erentes m´ethodes de traitement du signal n´ecessaire `a la r´ealisation de ces
ICMs. Nous nous restreindrons au cas particulier des ICMs bas´ees sur l’imagerie motrice, pr´esent´ees paragraphe 2.3.3. Ce chapitre se d´ecompose en deux sections, l’une abordant les algorithmes de pr´e-traitement comme le filtrage spatial ainsi que l’extraction de car- act´eristiques, et la seconde portant sur les algorithmes de classification.
3.1
Introduction
Du point de vue du traitement du signal, la r´ealisation d’une ICM consiste `a r´esoudre un probl`eme de d´etection d’une ou plusieurs activit´es mentales `a partir des signaux EEG, c’est-`a-dire un probl`eme de classification. Cette tˆache de d´etection prend alors la forme
math´ematique suivante. Soient Xi une portion de signal EEG et yi une variable discr`ete
repr´esentant le type d’activit´e mentale r´ealis´ee pendant la portion de signal EEG, on cherche une fonction f (.) telle que :
yi= f (Xi) (3.1)
La principale difficult´e dans la r´ealisation d’une ICM est d’´etablir cette fonction f (.). L’estimation de f se d´eroule en deux ´etapes :
1. Pr´e-traitement et extraction de caract´eristiques : `a partir des signaux bruts,
on applique un certain nombre de pr´e-traitements et on extrait des caract´eristiques
dans le but de projeter les signaux dans un espace o`u les diff´erentes classes pourront
ˆetre discrimin´ees plus ais´ement. Ainsi en ICM, on applique g´en´eralement un filtrage fr´equentiel pour se restreindre aux bandes fr´equentielles d’int´erˆet, puis un filtrage spa- tial pour faire ressortir l’information en provenance de certaines zones. En imagerie motrice, les caract´eristiques qui repr´esentent alors ces signaux sont g´en´eralement cal- cul´ees `a partir de la variance de ces signaux pr´e-trait´es. Soit g(.) la fonction permettant l’extraction de caract´eristique, on a :
vi = g(Xi)
avec vi un vecteur de caract´eristiques.
2. Classification : on applique ensuite sur ces caract´eristiques un algorithme de classifi- cation qui affectera `a chaque r´ealisation une classe correspondant `a une tˆache mentale. Soit h(.) la fonction de d´ecision qui r´ealise la classification, on a :
yi= h(vi) = h◦ g(Xi)
D’une mani`ere g´en´erale, il y a un couplage entre ces deux ´etapes. Plus l’algorithme de classification sera simple, plus l’´etape de pr´e-traitement et d’extraction des caract´eristiques
sera complexe, et inversement. Ainsi, si on souhaite utiliser un classifieur lin´eaire, de type
FLDA (analyse discriminante de Fisher) ou SVM lin´eaire (s´eparateur `a vaste marge), l’´etape
de pr´e-traitement devra pr´esenter au classifieur les donn´ees dans un espace o`u elles seront
lin´eairement s´eparables. De la mˆeme mani`ere, si on utilise un classifieur non lin´eaire comme les r´eseaux de neurones, les pr´e-traitements pourront ˆetres plus simples car le classifieur
sera apte `a trouver une fonction complexe permettant de discriminer les diff´erentes classes.
La communaut´e travaillant sur les ICMs est tr`es active dans le d´eveloppement et l’ap- plication de m´ethodes d’apprentissage automatique (machine learning). Un nombre tr`es important de techniques de classification et d’extraction de caract´eristiques a d´ej`a ´et´e ap- pliqu´e au domaine, avec plus ou moins de succ`es. Ainsi, l’article de synth`ese [74] recense pas moins d’une vingtaine d’algorithmes de classification couramment utilis´es.