Cédric SIMAR - Faculté des Sciences

Titre de la thèse: "Machine Learning for Electrophysiological Decoding: From Single-Trial EEG State Classification to EMG-Based Hand Kinematics Estimation"

Résumé:

Les signaux électrophysiologiques permettent d’observer les processus neuronaux et musculaires qui sous-tendent la perception, l’intention et le mouvement. L’électroencéphalographie (EEG) enregistre l’activité électrique cérébrale au scalp, tandis que l’électromyographie de surface (sEMG) capte l’activité associée au recrutement musculaire. Les analyses traditionnelles mettent en évidence des profils robustes à l’échelle de la population, mais le moyennage populationnel peut toutefois masquer des informations propres à un individu ou à un instant donné. Cette thèse étudie comment combiner connaissances physiologiques et apprentissage automatique pour décoder ces signaux à des fins scientifiques et neurotechnologiques.

Elle progresse de la classification de l’EEG à l’échelle de l’essai individuel vers des prédictions interprétables, puis de la reconnaissance de gestes à partir de la sEMG vers l’estimation continue de la cinématique des doigts. Les matrices de covariance, couplées à la géométrie Riemannienne, constituent un cadre commun à ces biosignaux.

Dans un paradigme d’hyperscanning, des chaînes de traitement Riemanniennes ont distingué des conditions neutres, festives et violentes à partir de l’activité EEG préparatoire des acteurs et des observateurs. Elles ont ensuite différencié, chez différents participants, les réponses individuelles à des images en damier et à des images de navigation tridimensionnelle. Une méthode d’attribution locale a produit des cartes de saillance révélant des motifs postérieurs cohérents avec le traitement visuel et permettant d’évaluer la plausibilité physiologique des prédictions individuelles.

Pour la sEMG, la thèse a montré que l’activité tonique de maintien est aussi informative pour la reconnaissance des gestes que l’activité phasique produite durant le mouvement. Une décomposition physiologiquement motivée en composantes de mouvement et de maintien, combinée à des chaînes de traitement riemanniennes, a amélioré cette reconnaissance. Enfin, un modèle léger de régression récurrente exploitant des caractéristiques de covariance multibandes a estimé les angles articulaires des doigts. Il a obtenu des erreurs inférieures à celles des méthodes de référence sur deux jeux de données, s’est révélé compatible avec l’inférence embarquée et a permis de commander en temps réel une main robotique.

Cette thèse fait progresser le décodage électrophysiologique en passant, d’une part, de descriptions moyennées à des prédictions individuelles interprétables, et d’autre part, de la simple reconnaissance de gestes à l’estimation continue en temps réel de la cinématique complexe des doigts de la main.