| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Interface cerveau machine averc adaptation automatique à l'utilisateur
- Brain computer interface with automatic adaptation to the user
|
| dc:subject
| - Thèses et écrits académiques
- Systèmes homme-machine
- Transmission neuromusculaire
- Machine à vecteurs support
|
| preferred label
| - Interface cerveau machine avec adaptation automatique à l'utilisateur
|
| Language
| |
| Subject
| |
| dc:title
| - Interface cerveau machine avec adaptation automatique à l'utilisateur
|
| Degree granting institution
| |
| note
| - We study a brain computer interface (BCI) to control a prosthesis with thought. The aim of the BCI is to decode the movement desired by the subject from electroencephalographic (EEG) signals. The core of the BCI is a classification algorithm characterized by the choice of signals descriptors and decision rules. The purpose of this thesis is to develop an accurate BCI system, able to improve its performance during its use and to adapt to the user evolutions without requiring multiple learning sessions. We combine two ways to achieve this. The first one is to increase the precision of the decision system by looking for relevant descriptors for the classification. The second one is to include a feedback to the user on the system decision : the idea is to estimate the error of the BCI from evoked brain poten tials, reflecting the emotional state of the patient correlated to the success or failure of the decision taken by the BCI, and to correct the decision system of the BCI accordingly. The main contributions are : we have proposed a method to optimize the feature space based on wavelets for multi-channel EEG signals ; we quantified theoretically the performances of the complete system improved by the detector ; a simulator of the corrected and looped system has been developed to observe the behavior of the overall system and to compare different strategies to update the learning set ; the complete system has been implemented and works online in real conditions.
- Nous nous intéressons ici à une interface cerveau-machine (BCI, Brain Computer Interface) permettant de commander une prothèse par la pensée. Le rôle du BCI est de décoder à partir de signaux électroencéphalographiques (EEG) le mouvement désiré par le sujet. Le cœur du BCI est un algorithme de classification caractérisé par le choix des descripteurs des signaux et des règles de décision. L’objet de cette thèse est de développer un système BCI précis, capable d’améliorer ses performances en cours d’utilisation et de s’adapter à l’utilisateur sans nécessiter de multiples sessions d’apprentissage. Nous combinons deux moyens pour y parvenir. Le premier consiste à augmenter la précision du système de décision en recherchant des descripteurs pertinents vis à vis de l’objectif de classification. Le second est d’inclure un retour de l’utilisateur sur le système de décision : l’idée est d’estimer l’erreur du BCI à partir de potentiels cérébraux évoqués, reflétant l’état émotionnel du patient corrélé au succès ou à l’échec de la décision prise par le BCI, et de corriger le système de décision du BCI en conséquence. Les principales contributions de la thèse sont les suivantes : nous avons proposé une méthode d’optimisation de descripteurs à bases d’ondelettes pour des signaux EEG multivoies ; nous avons quantifié théoriquement l’amélioration des performances apportée par le détecteur ; un simulateur du système corrigé et bouclé a été développé pour observer le comportement du système global et comparer différentes stratégies de mise à jour de l’ensemble d’apprentissage ; le système complet a été implémenté et fonctionne en ligne dans des conditions réelles
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
