Soutenance mémoire
Le Système d’acquisition direct/indirect
La technique d’acquistion dite directe consiste à implanter les capteurs au niveau de la surface de contact avec le cerveau par le biais d’une intervention chirurgicale assez delicate. Cette dernière, connue par la craniotomie, requiert l’ouverture du crâne ainsi que l’incision des differentes couches des membranes qui recouvrent le cerveau [GAP10]. Une fois les électrodes sont mises en contact direct avec les neurones, elles delivrent l’activité électrique post-synaptiqueet/ou les potentiels d’action émis sur l’axone du neurone [Bek+09]. Bien qu’elle est assez délicate, cette technique est caractérisée par une excellente qualité du signal, une très bonne résolution temporelle et une bande de fréquence assez large. De plus, la présence des bruits et des artefacts est réduite à son minimum. Le recours à cette technique d’acquisition est dictée par le besoin d’obtenir des mesures de potentiels cérébrales assez précises pour des applications de diagnostic des pathologies médicales comme l’Alzheimer, l’épilepsie et les troubles neuronales. Quant à la méthode d’acquisition indirecte, connue aussi par la technqiue d’acquistion non-invasive, elle se contente de placer les capteurs sur le cuir chevelu pour enregistrer l’activité cérébrale produite suite à une imagination d’une tâche ou une exécution d’un mouvement donné [GAP10]. Cette méthode demeure la plus sollicitée par les systèmes d’acquisition depuis plusieurs décennies vu sa facilité d’application, son faible coût ainsi que l’absence d’intervention chirurgicale. De plus, elle est dotée d’une bonne résolution temporelle permettant de détecter le moindre changement au niveau des rythmes cérébraux. En revanche, la résolution spatiale ainsi que la gamme de fréquences obtenues par cette technique est limitée puisqu’elle est vulnérable à la présence d’artefacts (bruits et interférences entre des signaux provenant d’autres activités cérébrales non voulues). Pour augmenter la sensibilité de ces électrodes et améliorer la qualité des signaux EEG, un gel est appliqué entre les électrodes et le cuir chevelu (électrodes mouillées). De plus, l’application des techniques de filtrage et d’amplification ont rendu cette technique mieux adaptée pour un spectre assez large d’applications telles que : les ICMs, les applications de communication ainsi que les applications de diagnostic des pathologies médicales.
Taxonomie des signaux
Une bonne connaissance du signal à traiter permet de mieux choisir les techniques de filtrage et de traitement les plus appropriées. En effet, un signal peut être représenté par une fonction continue dans le temps traduisant les variations d’amplitude et de fréquence d’un phénomène physique donné, comme c’est le cas du signal EEG. Les signaux peuvent être ainsi classés en deux catégories principales à savoir : les signaux déterministes et les signaux aléatoires. Un signal est dit déterministe s’il est parfaitement défini par une équation mathématique permettant de connaitre l’amplitude du signal à tout moment. Dans ce cas, le filtrage ainsi que le traitement est relativement simple en tenant compte des modèles mathématiques du signal. Quant au signal aléatoire, il est considéré ainsi si la connaissance du signal à un instant t ne permet pas de déterminer l’amplitude du signal à l’instant t + δt. En pratique, le signal est modélisé par un ensemble de caractéristiques statistiques permettant de représenter au mieux ces propriétés physiques. Si ces caractéristiques restent valables au cours du temps alors le signal est dit aléatoire stationnaire. Dans le cas contraire, le signal est considéré de type non stationnaire tel que le cas du signal EEG [DLSM10]. Chacun de ces types de signaux requiert des techniques de traitement spécifiques visant à optimiser le traitement et à maximiser les rendements en termes de filtrage et de classification.
Le prétraitement des signaux EEG
L’activité cérébrale est toujours la cible des interférences destructives qui s’appellent artefacts, et qui sont pratiquement présentes dans tous les enregistrements [Aur+04]. Ces artefacts masquent les signaux générés et compliquent l’interprétation des données conduisant à une mauvaise décision. Par exemple, dans le diagnostic de pathologie d’épilepsie, si ces artefacts ne sont pas bien supprimés, alors le système pourrait conduire à un mauvais diagnostic engendrant ainsi une prescription inappropriée des médicaments pour le patient. Par conséquent, les signaux EEG idéaux sont ceux qui reflètent purement l’activité cérébrale en absence des activités électriques extra-cérébrales. Les artefacts présents dans les signaux EEG peuvent dériver d’une variété des sources qui sont subdivisés en deux grandes catégories : les artefacts physiologiques et les artefacts non physiologiques [DLSM10]. Les artefacts physiologiques sont ceux provoqués par l’activité biologique de l’utilisateur du système. Ils se présentent sous formes de potentiels électriques générés par le battement du cœur, le mouvement des yeux, l’activation des muscles et le mouvement de l’utilisateur. Quant aux artefacts non physiologiques, ils sont présents partout dans les enregistrements et sont liés aux emplacements des électrodes ainsi qu’au système d’acquisition et l’environnement où il opère. La détection des artefacts physiologiques par le système de traitement est plus facile, parce qu’ils représentent les morphologies des ondes liées aux fonctionnements des membres du corps qui peuvent être apprises au système durant la phase d’apprentissage. En revanche, les artefacts non physiologiques se manifestent par une grande variété de morphologies qui masquent les signaux EEG normaux et leur élimination demeure une tache assez délicate.
L’extraction des caractéristiques des signaux EEG
L’extraction des caractéristiques consiste à chercher une ou plusieurs valeurs décrivant une ou des propriétés des signaux EEG, par exemple la puissance ou la variance du signal dans le rythme α dans le canal C4. L’association de ces valeurs pertinentes (features) constitue le vecteur des caractéristiques du signal EEG visant à faciliter sa classification. Même après l’application du filtrage lors de la phase de prétraitement, la redondance de l’information demeure présente dans les signaux d’origine. Cette redondance provient de la similarité des signaux appartenant à des classes différentes, à l’utilisation d’un nombre important d’électrodes allant jusqu’à 256 électrodes et au recouvrement qui existe entre les bandes de fréquences lors de l’application des techniques de filtrage [Ami+15]. C’est pourquoi il convient d’appliquer des techniques d’extraction des caractéristiques de taille réduite en réduisant la redondance auminimum tout en gardant les valeurs les plus significatives dans le signal EEG en question. La mise en œuvre de cette réduction est effectuée par l’ajout d’un bloc de sélection des featuresentre le bloc d’extraction des caractéristiques et le classifieur. Les caractéristiques statistiques, ainsi extraites, sont propres à chaque utilisateur et dépendent de son état émotionnel, ce qui rend cette tâche assez délicate. Dans la littérature, on trouve une grande variété de techniques d’extraction de caractéristiques appliquées dans le domaine temporel, fréquentiel où spatial. Par exemple dans le domaine temporel et fréquentiel, il existe des méthodes standards et classiques tel que le filtre passe-bande à base de filtre temporel ou à base de FFT permettant d’extraire la puissance du signal dans des bandes particulières dédiées à l’application ICM. L’application de cette famille des filtres dans la phase d’extraction est insuffisante car le signal EEG comprend toujours d’autres composantes indésirables traduisant d’autres activités mentales. De nombreux progrès ont été réalisés au cours de ces dernières années au niveau des techniques d’extraction des caractéristiques des signaux de haute résolution. Plusieurs algorithmes sophistiqués de reconnaissance de caractéristiques (features) ont été développés pour extraire la topographie des champs électriques du cuir chevelu et détecter le changement dans la topographie en cours du temps. Parmi ces algorithmes, on trouve le filtrage spatial commun (Common Spatial Pattern : CSP) [Bla+07]. L’idée de base de cette technique est de concevoir une paire de filtres spatiaux de telle sorte que la variance du signal filtré soit maximale pour une classe donnée tout en étant minime pour le reste des classes [PDS99] ; [LG11a]. Vu sa sensibilité au bruit ainsi qu’à la localisation des électrodes, la technique CSP présente plusieurs variantes qui sont bien expliquées dans [LG11a].
|
Table des matières
Remerciements
Communications durant la thèse
Index des figures
Index des tableaux
Table des sigles et acronymes
Introduction
1 Interfaces Cerveau-Machine : concepts généraux
1.1 Les signaux EEG
1.2 Les techniques d’acquisition des signaux EEG
1.3 L’architecture générique d’un système d’interface cerveau-machine
1.4 L’interface applicative
1.5 Les outils libres de conception et de test
1.6 Exemples des systèmes ICMs les plus représentatifs
1.7 Synthèse
1.8 Conclusion
2 Problématique, état de l’art et approche de conception des ICMs
2.1 État de l’art
2.2 Problématiques
2.3 Méthodologie
2.4 Conclusion
3 Proposition d’une architecture générique de la chaine ICM
3.1 Les spécifications du système ICM
3.2 Simulation fonctionnelle de l’application domestique
3.3 L’étude de l’effet de la variation du RSB sur la précision du système
3.4 Application aux signaux EEG
3.5 Application du filtrage dynamique aux signaux sensorimoteurs EEG
3.6 Conclusion
4 La solution embarquée du système ICM de commande des équipements domestiques
4.1 Les architectures systèmes
4.2 La méthodologie de conception des architectures systèmes
4.3 Implémentation de notre application à base de filtre adaptatif
4.4 Implémentation de notre application à base de la technique de filtrage dynamique
4.5 Validation en ligne de l’architecture de l’ICM
4.6 Conclusion
5 Évaluation et analyse des performances du système de contrôle des équipements domestiques
5.1 La validation hors-ligne des systèmes ICM à différents niveaux d’abstraction
5.2 La validation en ligne des systèmes ICM à différents niveaux d’abstraction
5.3 Synthèse et comparaison des performances du système ICM avec les différentes approches de filtrage
5.4 conclusion
Conclusion
Télécharger le rapport complet
