École Nationale Supérieure de
Techniques Avancées

Résumé

L’objectif des interfaces cerveau-ordinateur est de traduire l’activité cérébrale d’un utilisateur en une commande. Pour ce faire, l’électroencéphalographie (EEG) est généralement utilisée pour enregistrer une série temporelle multivariée qui capture l’activité électrique du cerveau. La représentation la plus courante de l’EEG dans une pipeline d’apprentissage automatique est sa matrice de covariance. Ces matrices sont symétriques définies positives et nous utilisons donc la géométrie riemannienne pour les manipuler. Le problème de cette représentation est qu’elle ne parvient pas à capturer la dynamique temporelle du signal. Dans la première partie de mon stage, j’ai mis en oeuvre un nouvel algorithme de classification des EEG. Cet algorithme s’appuie sur une trajectoire de matrices de covariance, indexée par exemple par le temps, au lieu d’une seule matrice de covariance. L’objectif est de calculer une trajectoire moyenne à l’aide d’une correspondance intelligente reposant sur l’algorithme de Dynamic Time Warping, puis de calculer une moyenne riemannienne pondérée. De cette manière, nous espérons tirer plus d’informations d’un seul EEG et donc mieux traiter la variabilité et les non-stationnarités du signal. Dans la deuxième partie de mon stage, j’ai étudié deux algorithmes de réduction de dimension : MDS et t-SNE et j’ai essayé de les adapter à un cadre riemannien. L’objectif était de visualiser dans un espace de faible dimension des matrices de covariance qui se trouvent dans un espace de haute dimension. Pour les deux projets, nous avons mené des expériences sur des données synthétiques pour montrer l’apport de nos méthodes, puis nous les avons testées sur des données EEG réelles.