Les limitations des systèmes existants

La plupart des travaux publiés proposent des systèmes de commande des équipements domestiques commandés par des signaux EEG nécessitant beaucoup d’effort de concentration (P300, SSVEP, hybrides). Aussi, les systèmes existants proposent des solutions algorithmiques plus au moins efficaces avec une validation logicielle en mode hors ligne et parfois en mode

en ligne. Cependant, les implémentations embarquées demeurent peu exploitées et leur uti-lisation dans un contexte en ligne est encore plus rare. De plus, nous avons remarqué que les précisions varient souvent d’un utilisateur à un autre, ce qui compromet leur utilisation dans l’environnement réel. Cette variabilité au niveau de la precision est due principalement à l’utilisation d’un modèle de prétraitement (compensation à posteriori) figé pour tous les utilisateurs. Finalement, la plupart des systèmes existants sont implémentés sur un ordina-teur classique qui consomme beaucoup de puissance et ne permet pas aux utilisaordina-teurs de se déplacer sans aucune contrainte.

Systèmes existants Critère d’évaluation

Système Année Concentration/stimulation Adaptabilité Précision Embarquabilité Consommation Validation réelle

[Mas+16] 2016 [Oga+15] 2015 BackHome [Mir+15] 2015 EBIAHA [Als+14] 2014 ICM-REHAB [CAH13] 2013 CHÁ11] 2011 [EHG11] 2011 BCISHC [Hol+09] 2009 Kimera [Pic+05] 2005

Table 2.5 – Évaluation des systèmes existants en fonction de plusieurs critères

2.2 Problématiques

Les interfaces cerveau-machines permettent à leurs utilisateurs de communiquer avec leur environnement à travers des signaux EEG liées à des mouvements particuliers. Grâce à son évolution technologique, ces ICMs ont été utilisée dans plusieurs domaines d’application de communication, de contrôle et même de diagnostic de pathologies médicales. D’une appli-cation à une autre, seules certaines fonctions du traitement de l’information changent : le filtrage pour la bande spectrale d’intérêt, l’extraction des caractéristiques des signaux dépend de l’application en question, et les algorithmes de classification en vue d’une prise de déci-sion. Comme cité précédemment, le domaine d’application visé dans ces travaux de thèse est le domaine de suppléance fonctionnelle, plus précisément le contrôle des équipement domes-tiques par les signaux EEG. Ce type d’application est très utile pour les personnes ayant un handicap sévère au niveau des mouvements des membres supérieurs et même inférieurs. À travers les exemples expliqués précédemment, nous avons remarqué que peu d’applications intégrant la technique d’imagerie sensorimotrice ont été utilisées pour le contrôle et la com-mande des équipements domestiques. Pour mettre en place cette application, il est nécessaire tout d’abord d’effectuer une exploration algorithmique de ces différents éléments afin de

dé-finir lesquels sont les plus appropriés selon l’approche A3 dans un contexte d’embarquabilité. L’exploration algorithmique se veut non exhaustive et portera sur un corpus de techniques de filtrage (filtre RIF & RII, FFT, etc.), de techniques d’extraction des caractéristiques de signaux EEG (BP, PSD, AAR, les caractéristiques temps-fréquence (FFT, DWT), etc.) et de classification (LDA, MD, SVM, KNN, etc.). Cette exploration algorithmique devra être effectuée minutieusement afin de retenir les algorithmes de filtrage numérique permettant de compenser les artefacts non-physiologiques ainsi que les techniques d’extraction des caracté-ristiques et de classification qui sont capables de préserver la précision à sa plus haute valeur. Les techniques de traitement des signaux EEG devront s’adapter (ou s’auto-adapter) selon les caractéristiques intrinsèques des signaux EEG de chaque sujet. L’adaptation du système pour chaque sujet est possible en s’appuyant sur les capacités d’adaptation des nouvelles architectures reconfigurables (FPGA). En effet, cette technologie permet d’accélérer considé-rablement les traitements logiciels et matériels mais nécessitent de repenser les algorithmes de traitement en les parallélisant et en les optimisant selon les spécifications des systèmes ICMs préalablement définies (contraintes de consommation). En plus, les mêmes techniques de traitement des signaux EEG implémentées sur un circuit reconfigurable FPGA peuvent être utilisées dans plusieurs domaines d’application, moyennant une reconfiguration du sys-tème pour passer d’une application à une autre. La figure 2.6 résume la problématique de ces travaux de thèse.

2.3 Méthodologie

Pour mener à bien l’étude et la conception du système embarqué de contrôle des équipe-ments domestiques, nous devons tout d’abord définir la méthodologie à suivre afin d’éviter des défauts au niveau du prototype réel. Il s’agit de définir un ensemble des règles et des méthodes permettant de passer rigoureusement de l’ensemble des contraintes de spécification vers le système embarqué tout en évitant d’avoir des défauts dans notre système. Nous avons choisi de réaliser une conception et une validation de notre système à différents niveaux d’abs-traction. La figure 2.7 résume la conception multi-niveau suivie tout au long du processus de conception. Tout d’abord, une exploration algorithmique a été menée sur l’une des plateformes logicielles les plus connues nommée BCI-lab. En se servant des bases de données offertes par la compétition "BCI-competition", nous avons pu évaluer les performances de plusieurs com-binaisons algorithmiques résumées dans le tableau 2.5 en mode dit hors ligne. Cette approche a permis d’identifier les algorithmes appropriés pour le prétraitement et la classification des signaux EEG. De plus, elle a servi à la validation et au dimensionnement des paramètres de ces techniques. Enfin, cette démarche permet d’identifier la meilleure combinaison des algo-rithmes qui s’apparente le mieux avec l’application visée afin de passer à un autre niveau d’exploration architecturale et de validation du système en se servant de l’environnement Matlab. À ce niveau d’abstraction, les codes sources des techniques retenues ont été réécrits afin de faciliter l’intégration de nouvelles techniques d’optimisation pour être embarquées sur la plateforme matérielle à base de circuits programmables de type FPGA. Cette approche vise à optimiser progressivement notre architecture jusqu’à l’obtention d’une architecture qui répond aux exigence des spécifications de l’application de détection des mouvements réalisés par l’utilisateur du système domestique.

Implémentation et évaluation des algorithmes de traitement des signaux EEG sur des plateformes

logicielles existantes.

Identification et modélisation de la meilleure chaine de traitement des signaux EEG en utilisant

un langage de haut niveau (Matlab)

Implémentation embarquée de la meilleure chaine de traitement des signaux EEG

BCI-LAB

Matlab

Linux, Quartus

2.3.1 L’utilisation de l’environnement BCI-LAB pour l’exploration archi-tecturale de l’interface ICM

La première étape de l’exploration architecturale consiste à évaluer plusieurs combinai-sons de techniques de traitement des signaux EEG en se servant de l’outil BCI-LAB. En effet, cette plateforme, riche par les algorithmes de traitement des signaux EEG, contient onze paradigmes précompilés intégrant les techniques de filtrage, d’extraction des caractéristiques et de classification. Doté d’une base de données des signaux EEG et d’une bibliothèque d’al-gorithmes diversifiée, l’environnement BCI-LAB demeure facile à utiliser pour une mise en place et une validation rapide de la chaine ICM. De plus, l’application de ces techniques ne requiert aucune connaissance approfondie de leurs modèles mathématiques. L’environnement BCI-LAB accepte d’ajouter d’autres bases de données pour les intégrer dans le processus de validation et de test. Cependant, la modification des techniques existantes ou l’intégration de nouvelles techniques demeurent une tache extrêmement difficile vu que l’utilisateur n’a pas accès aux codes sources des techniques intégrées ainsi que leurs environnements de pro-grammation. Ce qui a pour conséquence de limiter le champ d’exploration des techniques de traitement des signaux EEG à celles définies dans la bibliothèques BCI-LAB. La mise en place d’une architecture ICM commence par faire le choix entre trois types de techniques de filtrage, d’extraction des caractéristiques ainsi que de la classification. Ensuite, il faut fixer la bande passante pour paramétrer et dimensionner la technique de filtrage déjà sélectionnée, le nombre de signaux caractéristiques ainsi que le nombre de cross validation pour quantifier le nombre de trials utilisés durant les phases d’apprentissage et de test. Notons que cet environ-nement permet une implémentation et une validation rapide de la chaine ICM et s’apparente bien avec les applications de type contrôle de navigation sur internet, utilisation des éditeurs de texte, etc., qui ne sont pas gourmands en termes de précision et de temps d’exécution.