Informations

Des connaissances dans quels domaines sont nécessaires pour développer une interface EEG cerveau-ordinateur ?

Des connaissances dans quels domaines sont nécessaires pour développer une interface EEG cerveau-ordinateur ?

Je suis étudiant en informatique, et dans le cadre de mon projet, j'aimerais développer un système qui change la chaîne de télévision, augmente son volume, etc. rien qu'en y pensant. Mon enquête principale a ouvert la voie à l'EEG BCI.

Dans quels domaines dois-je rechercher pour développer un tel système, et quel équipement en général est nécessaire ? Pour autant que je sache, nous avons besoin d'un appareil EEG attaché à la tête, d'un émetteur pour envoyer le signal au téléviseur, d'un récepteur du côté du téléviseur et d'un traitement approprié des signaux et de l'alimentation du téléviseur. J'ai surtout besoin de plus d'explications sur le côté EEG.


Au-delà de ce que vous avez déjà répertorié, vous aurez besoin d'avancées traitement de signal compétences, car jusqu'à présent, personne n'a trouvé comment obtenir des informations beaucoup plus significatives de l'EEG que l'état attentionnel général (blocage alpha et P300, et les potentiels évoqués), et peut-être quelques corrélats de l'imagerie motrice, bien qu'aucun de ceux-ci ont encore fait leurs preuves de manière réaliste.

Vous devrez nettoyer le signal à l'aide de techniques telles que l'analyse en composantes indépendantes/ICA et le débruitage par ondelettes, et identifier un faible corrélat de l'activité mentale dans la forte activité "de fond" non pertinente. Les approches concernant ces derniers se divisent en deux camps, comme je l'ai noté plus haut : soit essayer d'identifier un composant neuropsychologique bien connu, tel que le P300, sur une base d'essai unique ; et/ou utiliser l'apprentissage automatique pour identifier un signal de manière agnostique, les machines à vecteurs de support étant en vogue en ce moment pour autant que je sache. Je suppose que la dernière partie dont vous êtes déjà informé.

Consultez MOBILab pour quelques-uns des principaux chiffres en ce qui concerne le traitement du signal EEG, mais sachez que l'EEG est une mesure extrêmement bruyante.


Du côté de l'EEG, vous aurez besoin d'un moyen d'accéder aux données EEG en temps réel afin de pouvoir effectuer toutes les techniques de calcul nécessaires pour générer des signaux pour contrôler le téléviseur. Certains des nouveaux casques EEG à vocation commerciale ont des SDK que vous pourrez peut-être utiliser. Nous avons utilisé le système Emotiv dans notre laboratoire pour la recherche EEG mobile, et ils ont un SDK qui peut être acheté pour analyser les données EEG brutes.

Le pipeline de traitement ressemblera probablement à quelque chose comme : EEG -> Ordinateur qui traite le signal EEG -> Émetteur TV -> TV.


La banalité du danger

En écoutant ces discours, j'ai été frappé par la banalité des sources de ces dangers dans la vie de tous les jours. Contrairement à la guerre nucléaire ou à un terroriste solitaire construisant un super-virus (menaces dont Sir Martin Rees a parlé avec éloquence), en ce qui concerne la crise climatique et une culture de surveillance émergente, nous nous le faisons collectivement par nos propres actions individuelles innocentes. Ce n'est pas comme si une menace extraterrestre était arrivée et utiliserait un méga-laser pour conduire le climat de la Terre dans un état nouveau et dangereux. Non, c'est juste nous – voler, utiliser des bouteilles en plastique et garder nos maisons bien au chaud en hiver. Et ce n'est pas comme si des soldats en gilet pare-balles noir arrivaient à nos portes et nous forçaient à installer un dispositif d'écoute qui suit nos activités. Non, nous les installons volontiers sur le comptoir de la cuisine parce qu'ils sont tellement pratiques. Ces menaces à notre existence ou à nos libertés sont des choses que nous faisons simplement en vivant nos vies dans les systèmes culturels dans lesquels nous sommes nés. Et il faudrait des efforts considérables pour nous démêler de ces systèmes.

Alors, quelle est la suite alors? Sommes-nous simplement condamnés parce que nous ne pouvons pas collectivement comprendre comment construire et vivre avec quelque chose de différent ? Je ne sais pas. Il est possible que nous soyons condamnés. Mais j'ai trouvé de l'espoir dans le discours du grand (et mon préféré) écrivain de science-fiction Kim Stanley Robinson. Il a souligné comment différentes époques ont différentes « structures de sentiments », qui constituent l'arrière-plan cognitif et émotionnel d'une époque. Robinson a examiné certains changements positifs qui ont émergé à la suite de la pandémie de COVID, y compris un sentiment renouvelé que nous (ou la plupart d'entre nous) reconnaissons que nous sommes ensemble. Peut-être, dit-il, la structure des sentiments à notre époque est sur le point de changer.


Interface cerveau-ordinateur non invasive

Comme son nom l'indique, une interface cerveau-ordinateur non invasive est une interface qui peut fonctionner sans procédures intrusives dans le cerveau. Une interface cerveau-ordinateur non intrusive fonctionne principalement sur les principes de l'EEG (Électroencéphalographie).

Un homme connecté aux électrodes d'un EEG (Crédit photo : Thuglas/Wikimedia Commons)

L'électroencéphalographie est principalement utilisée dans le domaine médical pour voir et analyser l'activité des ondes cérébrales des patients. La façon dont un EEG est effectué dans une configuration médicale consiste à fixer plusieurs électrodes sur le cuir chevelu du patient. L'EEG mesure les fluctuations de tension dans le cerveau causées par le courant ionique dans les neurones du cerveau. Un EEG enregistre l'activité électrique spontanée du cerveau sur une certaine période.

La plupart des BCI non invasives utilisent le concept d'EEG dans leurs modèles. Le plus célèbre d'entre eux est Neurosky, un produit convivial qui utilise le concept d'EEG. Il dispose de divers modes où l'on peut tester un niveau d'attention, d'effort mental et de méditation. Il se compose d'un capteur EEG qui touche la partie supérieure avant gauche du crâne, juste au-dessus du sourcil gauche. Les applications ne sont limitées que par la capacité de l'utilisateur à utiliser le produit.

Neurosky (Crédit d'image: Flickr)

Les avantages d'une interface cerveau-ordinateur non invasive proviennent du fait qu'il est beaucoup moins cher de travailler avec et que l'accent est toujours mis sur la recherche BCI non invasive. En outre, plusieurs personnes d'horizons divers peuvent travailler sur des BCI non invasives, alors que dans le cas d'une BCI invasive, un professionnel de la santé est toujours nécessaire.


Que veut dire BCI ? Une BCI (interface cerveau-ordinateur) est une technologie qui envoie et reçoit des signaux entre le cerveau et un appareil externe. L'acronyme BCI signifie interface cerveau-ordinateur, bien que les interfaces cerveau-ordinateur soient également appelées interfaces cerveau-machine. Les BCI collectent et interprètent les signaux cérébraux, puis les transmettent à une machine connectée qui émet des commandes associées aux signaux cérébraux reçus.

Une définition simplifiée du BCI pourrait décrire la technologie comme « un lien de communication direct entre le cerveau et un appareil externe ». Cette connexion est une liaison bidirectionnelle (une interface bidirectionnelle). Une direction implique un BCI envoyant l'activité cérébrale à un ordinateur, et l'ordinateur traduisant l'activité cérébrale en commandes motrices. La communication peut également se produire dans l'autre sens, où l'ordinateur envoie des informations directement au cerveau de l'utilisateur BCI. C'est ce qu'on appelle la BCI active lorsqu'il existe une connexion cérébrale directe, par rapport à la BCI passive qui est non invasive.

Acquisition de signaux

Traitement de signal

Autorégressive, transformée de Fourier,
Filtres spatiaux communs, filtre laplacien,
Ondelettes, Autres

Dispositifs effecteurs

Orthographes

Curseurs

Fauteuils roulants

Bras robotiques


Comment les interfaces cerveau-machine sont-elles utilisées en médecine aujourd'hui ?

Comment les interfaces cerveau-machine sont-elles utilisées en médecine aujourd'hui ? est apparu à l'origine sur Quora : l'endroit pour acquérir et partager des connaissances, permettant aux gens d'apprendre des autres et de mieux comprendre le monde.

Ce que la plupart d'entre nous considéreraient comme une véritable interface cerveau-machine – une technologie conçue pour lire et/ou écrire dans le cerveau – en est encore à ses balbutiements en tant que technologie médicale. Il y a quelques exceptions, toutes intéressantes.

Pendant des décennies, les scientifiques et les ingénieurs ont travaillé pour créer des technologies capables de lire l'activité cérébrale, en l'utilisant pour contrôler des machines, des ordinateurs, des prothèses. Le signal le plus facile à lire est l'électroencéphalographe, ou EEG – de petits champs électriques sur le cuir chevelu, chacun représentant la moyenne de l'activité électrique de milliards de neurones. À partir des signaux EEG, vous pouvez savoir si vous êtes concentré ou détendu, ou si vous dormez bien. Dans des conditions de laboratoire, l'EEG est un outil puissant pour étudier le cerveau. Et l'EEG est une méthode de diagnostic cruciale pour la médecine du sommeil et l'épileptologie.

Mais l'objectif de lire la sortie réelle du cerveau à l'aide de signaux EEG est resté insaisissable. Une technologie, appelée Orthographe P300 car il repose sur un signal EEG appelé potentiel évoqué P300, permet aux patients d'épeler lentement des mots en se concentrant sur une grille de lettres. Ceci est utile pour certains patients qui souffrent de sclérose latérale amyélotrophe à un stade avancé (SLA, ou "maladie de Lou Gehrig") et n'ont aucun autre moyen de communiquer. Mais, ce n'est pas pratique pour la plupart des autres patients - si vous avez toujours le contrôle sur vos mouvements oculaires, vous pouvez utiliser la technologie de suivi oculaire pour communiquer beaucoup plus rapidement. D'autres signaux du cuir chevelu comme le MEG (magnétoencéphalographie ou l'équivalent magnétique de l'EEG) ou le fNIRS (spectroscopie fonctionnelle proche infrarouge, qui utilise la lumière infrarouge pour observer le flux sanguin cérébral à travers votre crâne) peuvent offrir de meilleures performances à l'avenir, mais en ce moment ils sont principalement limités à l'utilisation de la recherche.

Compte tenu des limites de l'EEG, les signaux enregistrés à la surface corticale ou même profondément à l'intérieur du cerveau peuvent éventuellement être plus utiles. Bien qu'il s'agisse d'un sujet de recherche actif, seuls quelques patients ont reçu des implants d'enregistrement corticaux au cours de la dernière décennie. Ces expériences ont été couronnées de succès, dans la mesure où les patients paralysés ont pu contrôler les curseurs et les bras prothétiques simplement en pensant au mouvement. Pour l'instant, l'application en médecine clinique réelle est limitée non seulement par la lenteur de la R&D, mais aussi par les limitations de la technologie des électrodes. Les microélectrodes intracrâniennes de pointe qui pénètrent réellement dans le cortex perdent généralement leur fonction après quelques mois. Il existe des preuves que des électrodes plus grandes à la surface du cerveau fonctionneront presque aussi bien, ce qui laisse espérer que cette technologie entrera plus tôt dans la pratique clinique.

C'est lire maintenant, parlons d'écrire au cerveau. Neurostimulation – l'utilisation de la technologie pour stimuler directement le cerveau, généralement avec de petits courants électriques – est la forme d'interface cerveau-machine la plus efficace sur le plan clinique, bien que l'état de l'art repose davantage sur la perturbation de l'activité pathologique que sur la véritable écriture d'informations dans le cerveau. La stimulation cérébrale profonde, ou DBS, est couramment utilisée en pratique clinique depuis maintenant vingt ans, d'abord pour le tremblement essentiel, peu de temps après pour la maladie de Parkinson, et occasionnellement pour d'autres troubles du mouvement comme la dystonie. La DBS nécessite de cibler et d'implanter avec précision une rangée d'électrodes en platine-iridium dans une structure cérébrale profonde, généralement le noyau sous-thalamique, et de les connecter à un générateur d'impulsions implantable placé près de la clavicule. Il est devenu le traitement de pointe de la maladie de Parkinson et est capable de retarder considérablement la progression des symptômes, même après que les médicaments ne sont plus efficaces. Les impulsions électriques délivrées par le neurostimulateur perturbent l'activité anormale qui caractérise la maladie, rétablissant un mouvement normal.

La forme d'interface cerveau-machine la plus avancée dans la pratique clinique actuelle est peut-être neurostimulation réactive, développé par l'équipe NeuroPace et approuvé par la FDA depuis fin 2013 pour le traitement de l'épilepsie. Le système NeuroPace RNS est implanté en permanence dans le crâne et surveille en permanence les signaux cérébraux des sondes implantées au niveau du foyer épileptique où commencent les crises. Lorsque des signaux anormaux sont détectés, le système délivre une courte impulsion de stimulation au foyer des crises, réduisant la fréquence des crises et, dans certains cas, libérant même les patients des crises.

Enfin, de nouvelles formes de stimulation cérébrale non invasive peuvent être considérés comme des interfaces cerveau-machine et entrent progressivement dans la pratique clinique. La stimulation magnétique transcrânienne, ou TMS, délivre des impulsions magnétiques à travers le crâne jusqu'au cerveau. Il est actuellement autorisé par la FDA pour le traitement de la dépression clinique, où les impulsions sont censées modifier l'activité du cortex préfrontal dorsolatéral. La stimulation transcrânienne à courant continu, ou tDCS, est un autre traitement prometteur, bien qu'elle ne dispose actuellement d'une approbation réglementaire qu'en Europe pour le traitement de la douleur chronique et de la dépression. La tDCS délivre un léger courant électrique au cerveau via le cuir chevelu, modifiant ainsi les schémas de déclenchement neuronal. Comme TMS, la stimulation tDCS est censée augmenter l'activité dans le cortex préfrontal dorsolatéral, et peut aider à traiter ces maladies en augmentant le contrôle cognitif et en aidant le cerveau à auto-modérer l'activité anormale.

Cette question est apparu à l'origine sur Quora - l'endroit pour acquérir et partager des connaissances, permettant aux gens d'apprendre des autres et de mieux comprendre le monde. Vous pouvez suivre Quora sur Twitter, Facebook et Google+. Plus de questions:


Le bracelet permet au cerveau de contrôler un ordinateur avec une pensée et un tic

De temps en temps, un article de presse apparaît qui montre une personne handicapée dirigeant le mouvement d'un curseur d'ordinateur ou d'une prothèse de main avec la seule pensée. Mais pourquoi quelqu'un choisirait-il de percer un trou dans son crâne pour intégrer une puce informatique dans le cerveau, à moins que cela ne soit justifié par une condition médicale grave ?

Il existe peut-être une solution plus pratique qui vous permet de connecter votre cerveau au monde extérieur. CTRL&ndashLabs, une start-up lancée par le créateur de Microsoft Internet Explorer, Thomas Reardon, et ses partenaires, a démontré une nouvelle approche pour une interface cerveau-ordinateur (BCI) qui relie un appareil attaché à votre poignet aux signaux du système nerveux.

Physiologiquement, observe Reardon, tout transfert d'informations entre humains s'effectue via le contrôle de la motricité fine. Le contrôle moteur de la langue et de la gorge nous donne la parole. L'expression du visage et la posture du corps transmettent l'émotion et l'intention. L'écriture s'effectue en contrôlant les doigts qui grattent la craie sur un tableau noir, tracent de la peinture, manipulent un stylo ou un crayon ou perforent les touches. Si tout ce que le cerveau fait pour interagir avec le monde implique des muscles, pourquoi ne pas utiliser le système moteur pour interfacer plus directement l'esprit et la machine ?

Une réponse à cette question peut être trouvée neuf étages plus haut dans Midtown Manhattan, où les portes des ascenseurs s'ouvrent sur les bureaux de CTRL&ndashLabs, un fouillis de bancs de laboratoire et d'écrans d'ordinateur occupés par un groupe très énergique qui est engagé dans la manipulation de bras de robot et de circuits imprimés à souder. . Les vélos tout-terrain s'appuient contre le mur et sur une table directement devant l'ascenseur se trouve une copie du manuel emblématique Principes de la science neuronale.

Josh Duyan, le directeur de la stratégie de l'entreprise, arrive pour me saluer. Duyan ne perd pas de temps. Il glisse quelque chose sur son poignet qui ressemble à un tour de cou à pointes qui pourrait être porté par un punk gothique, sauf que les clous carrés dorés sont à l'intérieur du groupe, pressés contre sa peau. Un câble plat s'étend du bracelet et s'étend jusqu'à un ordinateur portable qui montre une main blanche semblable à un mannequin écartant ses doigts sur son écran. La main ondule, plie son poignet et serre le poing, imitant tous les mouvements de la main de Duyan, détectés à travers le bracelet.

Le groupe ne détecte pas les impulsions neurales. Au lieu de cela, il capte les sursauts de tension qui résultent des fibres musculaires du bras lorsqu'elles se contractent, un peu comme un électrocardiogramme détecte les potentiels électriques de la contraction du muscle cardiaque. L'ordinateur analyse les décharges électriques des muscles des bras et des mains et les utilise pour calculer le mouvement et la force de préhension de la main. L'ordinateur initie alors les mêmes mouvements dans la main virtuelle. Les mouvements du membre sur l'écran de l'ordinateur pourraient tout aussi bien être effectués par l'un des vrais bras robotiques noirs et chromés qui traînent comme des morceaux d'un costume d'Iron Man.

Josh Duyan, directeur de la stratégie de CRTL-Labs, déplace une main virtuelle à l'aide d'une interface cerveau-ordinateur qui détecte l'activité électrique dans son avant-bras. Crédit: R. Douglas Champs

Je regarde ensuite une vidéo de démonstration. Dans ce document, Reardon tape ses doigts sur une table vierge, et une chaîne de lettres apparaît sur l'écran de l'ordinateur à un rythme de 20 mots par minute. Un porteur du bracelet peut, en principe, danser les doigts en l'air ou même les tordre dans une poche pour créer un message. &ldquoVos enfants ne taperont pas,&rdquo Reardon proclame le sort des claviers conventionnels. De même, en utilisant cet appareil, un bras robotique pourrait être manipulé pour faire des choses que votre propre bras ne pourrait pas faire passer un endoscope à travers l'aorte pour effectuer une intervention chirurgicale sur une valve cardiaque défectueuse battant à l'intérieur d'un thorax d'un patient, peut-être.

Actuellement, les membres prothétiques les plus avancés, tels que le bras DEKA approuvé par la FDA, utilisent une combinaison de commutateurs activés par des contractions musculaires et, dans certains cas, complétés par des capteurs pour détecter les surtensions produites par une contraction musculaire (EMG ou électromyographie). Mais CTRL&ndashLabs affirme avoir avancé cette capacité pour détecter des grappes de cellules musculaires individuelles qui se contractent. Cette réalisation ouvre et étend la bande passante de la sortie du cerveau. Il permet également la manipulation d'appareils électroniques avec des pensées utilisant la technologie la plus avancée de l'entreprise.

Une introduction rapide sur la neurophysiologie du contrôle musculaire est nécessaire pour comprendre comment ce système BCI peut être utilisé avec des pensées seules. Le concept clé est de comprendre ce qu'est une « unité motrice ». Les signaux électriques captés sur la peau représentent une cacophonie de milliers de fibres musculaires individuelles se contractant en même temps dans l'avant-bras. Ces dernières années, les neurophysiologistes ont développé des moyens d'utiliser des méthodes mathématiques pour isoler le déclenchement de fibres musculaires individuelles parmi les milliers qui sont activées lorsqu'un muscle se contracte. Le biceps contient 580 000 fibres musculaires (pdf), toutes s'efforçant de faire une chose et tirer les os de l'avant-bras vers votre corps. Ce mouvement du bras est modulé en continu sur une échelle de la milliseconde en régulant individuellement des centaines de petits groupes de fibres musculaires pour déterminer à quelle vitesse le bras bouge et avec quelle force. Ce niveau de contrôle de la motricité fine est la raison pour laquelle les mouvements rabougris d'un appareil mécanique sont une caricature des mouvements fluides et gracieux de tout animal.

Cependant, il n'est pas nécessaire que chacun des demi-millions de fibres musculaires de votre biceps soit contrôlé par un motoneurone distinct.En fait, il y a 774 axones moteurs et mdash les longues fibres s'étendant des neurones dans la moelle épinière et mdash qui contrôlent toutes les fibres musculaires de nos biceps. L'axone d'un motoneurone de la moelle épinière se ramifie et fait se contracter un petit groupe de fibres musculaires. Cet arrangement et les fibres musculaires contrôlées par un seul neurone sont appelés « unité motrice », et le dispositif BCI peut détecter le déclenchement d'une seule unité motrice. Cette capacité signifie qu'au lieu que les 774 unités motrices de nos biceps n'effectuent qu'une seule action&mdashretirant l'avant-bras, par exemple&mdashchaque unité peut en principe effectuer une tâche distincte.

Considérez comment un pianiste communique la musique dans son esprit à l'esprit d'un auditeur en tapant sur les touches d'un piano. Avec ce bracelet BCI, un pianiste pourrait faire la même chose avec juste une image d'un clavier, s'imaginant jouer &ldquoChopsticks&rdquo ou Chopin. Il n'est pas nécessaire que le muscle déplace l'os et enfonce avec force un levier en bois, une touche de piano. Une secousse imperceptible d'une unité motrice microscopique suffit à créer une décharge électrique qui est facilement détectée par cette interface cerveau-ordinateur. Maintenant, plutôt que de se limiter aux cinq chiffres que l'évolution nous a donnés, un pianiste pourrait jouer en donnant des instructions mentales à 12 doigts virtuels, un pour chaque note de la gamme chromatique (toutes les touches blanches et noires dans une octave). Maintenant les accords endiablés et le blizzard des arpèges dans Chopin&rsquos Polonaise sont un jeu d'enfant à jouer. Bien sûr, le pianiste devrait apprendre à activer les fibres musculaires de la main d'une nouvelle manière, mais apprendre à contrôler 12 chiffres ne serait pas si différent d'apprendre à en contrôler cinq. Pensez aux araignées ou aux mille-pattes, qui ne trébuchent pas sur eux-mêmes, bien qu'ils ne soient équipés que de cerveaux d'insectes.

Auparavant, les chercheurs pouvaient détecter jusqu'à 25 unités motrices individuelles. Reardon prétend avoir largement dépassé ce chiffre, enregistrant environ 100 unités individuelles, "mais nous prévoyons de dépasser ce nombre sous peu", dit-il. &ldquoÇa&rsquo beaucoup de doigts,&rdquo note-t-il.

Jose Contreras-Vidal, directeur du Noninvasive Brain&ndashMachine Interface System Laboratory de l'Université de Houston, déclare que si CTRL&ndashLabs parvenait à contrôler des centaines d'unités motrices individuelles en temps réel, cela constituerait une réalisation importante. &ldquoLe défi sera de savoir comment cartographier les centaines d'unités motrices individuelles revendiquées pour contrôler une machine,», ajoute-t-il. &ldquoJe pense qu'il serait très difficile de ne pas exiger de mouvement.&rdquo En effet, on ne savait pas s'il était possible pour le cerveau de contrôler ses unités motrices de manière indépendante, mais c'est ce que CTRL&ndashLabs dit avoir découvert.

Le neurofeedback est utilisé pour entraîner le cerveau et l'ordinateur à s'interfacer. Le processus est aussi simple que de jouer à un jeu vidéo. Duyan imagine juste essayer de pointer l'index du mannequin de l'ordinateur, par exemple, sans pointer sa propre main. Ce qui se passe à l'intérieur de son cortex moteur dépasse sa perception. Mais lorsque le mannequin pointe son doigt, son cerveau apprend à associer cette unité motrice qui tire à ce mouvement de la main. &ldquoVous entraînez aussi l'ordinateur,&rdquo Reardon dit. Finalement, l'habileté à bouger la main se développe inconsciemment et automatiquement.

L'appareil semble être à un stade précoce de développement, je n'ai donc pas été autorisé à tester le bracelet. Apprendre à utiliser l'appareil nécessite une pratique et un processus de neurofeedback dans lequel l'ordinateur et le cerveau de l'utilisateur effectuent de légers ajustements l'un par rapport à l'autre. Et avec la pratique, il se passe beaucoup de choses. Patrick Kaifosh, un co-fondateur de l'entreprise qui est un expert qualifié, s'assoit, attache l'appareil et commence à jouer à un jeu d'Astéroïdes sur son téléphone portable et fait voler son vaisseau spatial autour de l'écran, abattant les envahisseurs avec ses lasers et esquivant les missiles entrants des extraterrestres . Pendant tout ce temps, sa paume reste immobile sur la table, avec seulement le moindre tressaillement de peau ici et là alors qu'il poursuit une conversation avec moi.

&ldquoQu'est-ce que ça fait ?&rdquo je demande.

Perplexe face à la question à laquelle il répond par sa propre requête : &ldquoQu'est-ce que cela vous fait de penser à bouger vos doigts ?&rdquo

En effet, je m'interface maintenant sans effort avec mon ordinateur du bout des doigts, en appuyant automatiquement sur 26 touches de l'alphabet pendant que je vous transmets mes pensées. Et si au lieu d'une vingtaine de clés seulement, j'en avais des centaines, toutes contrôlées automatiquement par mon cerveau ?


Des connaissances dans quels domaines sont nécessaires pour développer une interface EEG cerveau-ordinateur ? - Psychologie

L'intérêt pour le développement d'une interface de communication efficace reliant le cerveau humain et un ordinateur a augmenté rapidement au cours de la dernière décennie. L'interface cerveau-ordinateur (BCI) permettrait aux humains de faire fonctionner des ordinateurs, des fauteuils roulants, des prothèses et d'autres appareils, en utilisant uniquement des signaux cérébraux. La recherche BCI pourrait un jour fournir un canal de communication pour les patients présentant de graves handicaps physiques mais des fonctions cognitives intactes, un outil de travail en neurosciences computationnelles qui contribue à une meilleure compréhension du cerveau et une nouvelle interface indépendante pour la communication homme-machine qui offre de nouvelles options pour monitorage et contrôle. Ce volume présente un aperçu opportun des dernières recherches BCI, avec des contributions de nombreux groupes de recherche importants dans le domaine. Le livre couvre un large éventail de sujets, décrivant les travaux sur les approches non invasives (c'est-à-dire sans implantation d'électrodes) et invasives. D'autres chapitres traitent des techniques pertinentes de l'apprentissage automatique et du traitement du signal, des logiciels existants pour la BCI et des applications possibles de la recherche BCI dans le monde réel.


Les références

Acqualagna, L., & Blankertz, B.

(2013). Orthographe BCI indépendante du regard utilisant une présentation visuelle en série rapide (RSVP). Neurophysiologie clinique, 124(5), 901–908.

Allison, B.Z., McFarland, D.J., Schalk, G., Zheng, S.D., Jackson, M.M., & amp Wolpaw, J.R.

(2008). Vers une interface cerveau-ordinateur indépendante utilisant des potentiels évoqués visuels en régime permanent. Neurophysiologie clinique, 119(2), 399–408.

(2013). Communication augmentée et alternative : Soutenir les enfants et les adultes ayant des besoins de communication complexes (4e éd.). Baltimore, MD : Brookes.

Birbaumer, N., Kübler, A., Ghanayim, N., Hinterberger, T., Perelmouter, J., Kaiser, J., … Flor, H.

(2000). Le dispositif de traduction de la pensée (TTD) pour les patients complètement paralysés. Transactions IEEE sur l'ingénierie de la réadaptation, 8(2), 190–193.

Blain-Moraes, S., Schaff, R., Gruis, K.L., Huggins, J.E., & Wren, P.A.

(2012). Obstacles et médiateurs de l'acceptation des utilisateurs de l'interface cerveau-ordinateur : conclusions des groupes de discussion. Ergonomie, 55(5), 516–525.

Blakely, T., Miller, K.J., Rao, R.P.N., Holmes, M.D., & Ojemann, J.G.

(2008). Localisation et classification de phonèmes à l'aide de grilles d'électrocorticographie à haute résolution spatiale (ECoG). Dans 2008 30e conférence internationale annuelle de l'IEEE Engineering in Medicine and Biology Society (pp. 4964–4967). https://doi.org/10.1109/IEMBS.2008.4650328

Blankertz, B., Dornhege, G., Krauledat, M., Müller, K.-R., Kunzmann, V., Losch, F., & Curio, G.

(2006). L'interface cerveau-ordinateur de Berlin : communication basée sur l'EEG sans formation par sujet. Transactions IEEE sur les systèmes neuronaux et l'ingénierie de la réadaptation, 14(2), 147–152.

Brumberg, J.S., Burnison, J.D., & Guenther, F.H.

(2016). Interfaces cerveau-machine pour la restauration de la parole. Dans

Van Lieshout, P., Maassen, B., & Terband, H.

(Eds.), Contrôle moteur de la parole dans la parole normale et désordonnée : développements futurs de la théorie et de la méthodologie (pp. 275-304). Rockville, Maryland : Presse ASHA .

Brumberg, J.S., Burnison, J.D., & Pitt, K.M.

(2016). Utilisation de l'imagerie motrice pour contrôler les interfaces cerveau-ordinateur pour la communication. Dans Fondements de la cognition augmentée : neuroergonomie et neurosciences opérationnelles. Cham, Suisse : Spring International Publishing .

Brumberg, J.S., & Guenther, F.H.

(2010). Développement de prothèses vocales : état des lieux et avancées récentes. Examen par des experts des dispositifs médicaux, 7(5), 667–679.

Brumberg, J.S., Wright, E.J., Andreasen, D.S., Guenther, F.H., & Kennedy, P.R.

(2011). Classification de la production de phonèmes prévue à partir d'enregistrements chroniques de microélectrodes intracorticales dans le cortex moteur de la parole. Frontières en neurosciences, 5, 65.

Brunner, P., Joshi, S., Briskin, S., Wolpaw, J.R., Bischof, H., & Schalk, G.

(2010). L'orthographe "P300" dépend-elle du regard ?, Journal d'ingénierie neuronale, 7(5), 056013.

Chakrabarti, S., Sandberg, H.M., Brumberg, J.S., & Krusienski, D.J.

(2015). Progrès du décodage de la parole à partir de l'électrocorticogramme. Lettres de génie biomédical, 5(1), 10–21.

Chen, X., Wang, Y., Gao, S., Jung, T.-P., & Gao, X.

(2015). Analyse de corrélation canonique de banque de filtres pour la mise en œuvre d'une interface cerveau-ordinateur haute vitesse basée sur SSVEP. Journal d'ingénierie neuronale, 12(4), 46008.

Cheng, M., Gao, X., Gao, S., & Xu, D.

(2002). Conception et implémentation d'une interface cerveau-ordinateur avec des taux de transfert élevés. Transactions IEEE sur le génie biomédical, 49(10), 1181–1186.

Donchin, E., Spencer, K.M., & Wijesinghe, R.

(2000). La prothèse mentale : évaluer la vitesse d'une interface cerveau-ordinateur basée sur P300. Transactions IEEE sur l'ingénierie de la réadaptation, 8(2), 174–179.

Fager, S., Beukelman, D., Fried-Oken, M., Jakobs, T., & Baker, J.

(2012). Stratégies d'interface d'accès. La technologie d'assistance, 24(1), 25–33.

(1988). Parler du haut de votre tête : vers une prothèse mentale utilisant les potentiels cérébraux liés aux événements. Électroencéphalographie et neurophysiologie clinique, 70(6), 510–523.

(1980). Taux de communication de l'expression non vocale en fonction des tâches manuelles et des contraintes linguistiques. Dans Conférence internationale sur l'ingénierie de la réadaptation (pp. 83-87).

Fried-Oken, M., Mooney, A., Peters, B., & Oken, B.

(2013). Un protocole de dépistage clinique pour l'interface cerveau-ordinateur du clavier RSVP. Handicap et réadaptation. La technologie d'assistance, 10(1), 11–18.

Friman, O., Luth, T., Volosyak, I., & Graser, A.

(2007). Orthographe avec potentiels évoqués visuels à l'état d'équilibre. Dans 2007 3e conférence internationale IEEE/EMBS sur l'ingénierie neuronale (pp. 354-357). Côte Kohala, HI : IEEE .

Geronimo, A., Simmons, Z., & Schiff, S.J.

(2016). Prédicteurs de performance des interfaces cerveau-ordinateur chez les patients atteints de sclérose latérale amyotrophique. Journal d'ingénierie neuronale, 13(2), 026002.

(2010). Performances fonctionnelles à l'aide du contrôle oculaire et du balayage à un seul commutateur par des personnes atteintes de la SLA. Perspectives sur la communication améliorée et alternative, 19(3), 64–69.

Goncharova, I.I., McFarland, D.J., Vaughan, T.M., & Wolpaw, J.R.

(2003). Contamination EMG de l'EEG : Caractéristiques spectrales et topographiques. Neurophysiologie clinique, 114(9), 1580–1593.

Halder, S., Rea, M., Andreoni, R., Nijboer, F., Hammer, E. M., Kleih, S. C., … Kübler, A.

(2010). Une interface auditive cerveau-ordinateur bizarre pour les choix binaires. Neurophysiologie clinique, 121(4), 516–523.

Herff, C., Heger, D., de Pesters, A., Telaar, D., Brunner, P., Schalk, G., & Schultz, T.

(2015). Brain-to-text : décoder des phrases parlées à partir de représentations téléphoniques dans le cerveau. Frontières en neurosciences, 9, 217.

(2002). Un indice de taux pour la communication augmentée et alternative. Journal international des technologies de la parole, 5(1), 57–64.

Hill, N.J., Ricci, E., Haider, S., McCane, L.M., Heckman, S., Wolpaw, J.R., & Vaughan, T.M.

(2014). Une interface cerveau-ordinateur pratique et intuitive pour communiquer « oui » ou « non » en écoutant. Journal d'ingénierie neuronale, 11(3), 035003.

Holz, E.M., Botrel, L., Kaufmann, T., & Kübler, A.

(2015). L'utilisation à domicile de l'interface cerveau-ordinateur indépendante à long terme améliore la qualité de vie d'un patient en état d'enfermement : une étude de cas. Archives de médecine physique et de réadaptation, 96(3), S16–S26.

Huggins, J.E., Wren, P.A., & Gruis, K.L.

(2011). Que voudraient les utilisateurs de l'interface cerveau-ordinateur ? Opinions et priorités des utilisateurs potentiels atteints de sclérose latérale amyotrophique. La sclérose latérale amyotrophique, 12(5), 318–324.

Kaethner, I., Kübler, A., & Halder, S.

(2015). Comparaison du suivi oculaire, de l'électrooculographie et d'une interface auditive cerveau-ordinateur pour la communication binaire : une étude de cas avec un participant dans l'état verrouillé. Journal de neuro-ingénierie et de réadaptation, 12(1), 76.

Kageyama, Y., Hirata, M., Yanagisawa, T., Shimokawa, T., Sawada, J., Morris, S., … Yoshimine, T.

(2014). Les patients atteints de SLA gravement atteints ont des attentes larges et élevées pour les interfaces cerveau-machine. Sclérose latérale amyotrophique et dégénérescence frontotemporale, 15(7–8), 513–519.

Käthner, I., Ruf, C. A., Pasqualotto, E., Braun, C., Birbaumer, N., & Halder, S.

(2013). Une interface cerveau-ordinateur portable P300 auditive avec des repères directionnels. Neurophysiologie clinique, 124(2), 327–338.

Kellis, S., Miller, K., Thomson, K., Brown, R., House, P., & Greger, B.

(2010). Décodage des mots prononcés à l'aide de potentiels de champ locaux enregistrés à partir de la surface corticale. Journal d'ingénierie neuronale, 7(5), 056007.

(2015). Facteurs psychologiques influençant les performances de l'interface cerveau-ordinateur (BCI). Conférence internationale IEEE 2015 sur les systèmes, l'homme et la cybernétique, 3192–3196.

Klobassa, D.S., Vaughan, T.M., Brunner, P., Schwartz, N.E., Wolpaw, J.R., Neuper, C., & Sellers, E.W.

(2009). Vers une interface cerveau-ordinateur auditive à haut débit basée sur le P300. Neurophysiologie clinique, 120(7), 1252–1261.

(1996). Effet d'une fonction de prédiction de mots sur les performances de l'utilisateur. Communication Augmentée et Alternative, 12(3), 155–168.

Kübler, A., Furdea, A., Halder, S., Hammer, E. M., Nijboer, F., & Kotchoubey, B.

(2009). Un système d'orthographe du potentiel lié aux événements auditifs (p300) contrôlé par une interface cerveau-ordinateur pour les patients enfermés. Annales de l'Académie des sciences de New York, 1157, 90–100.

Kübler, A., Holz, E. M., Sellers, E. W., & Vaughan, T. M.

(2015). Vers une utilisation domestique indépendante des interfaces cerveau-ordinateur : un algorithme de décision pour la sélection d'utilisateurs finaux potentiels. Archives de médecine physique et de réadaptation, 96(3), S27–S32.

Kübler, A., Kotchoubey, B., Hinterberger, T., Ghanayim, N., Perelmouter, J., Schauer, M., … Birbaumer, N.

(1999). Le dispositif de traduction de la pensée : une approche neurophysiologique de la communication dans la paralysie motrice totale. Recherche expérimentale sur le cerveau, 124(2), 223–232.

Leuthardt, E. C., Gaona, C., Sharma, M., Szrama, N., Roland, J., Freudenberg, Z., … Schalk, G.

(2011). Utilisation du réseau vocal électrocorticographique pour contrôler une interface cerveau-ordinateur chez l'homme. Journal d'ingénierie neuronale, 8(3), 036004.

(2013). Donner la priorité aux gens : repenser le rôle de la technologie dans les interventions de communication augmentée et alternative. Communication Augmentée et Alternative, 29(4), 299–309.

Lin, Z., Zhang, C., Wu, W., & Gao, X.

(2007). Reconnaissance de fréquence basée sur une analyse de corrélation canonique pour les BCI basés sur SSVEP. Transactions IEEE sur le génie biomédical, 54(6), 1172–1176.

Lopez, M.-A., Pomares, H., Pelayo, F., Urquiza, J., & Perez, J.

(2009). Preuves d'effets cognitifs sur les réponses auditives à l'état d'équilibre au moyen de réseaux de neurones artificiels et son utilisation dans les interfaces cerveau-ordinateur. Neuroinformatique, 72(16–18), 3617–3623.

Lotte, F., Congedo, M., Lécuyer, A., Lamarche, F., & Arnaldi, B.

(2007). Un examen des algorithmes de classification pour les interfaces cerveau-ordinateur basées sur l'EEG. Journal d'ingénierie neuronale, 4(2), R1–R13.

Lynn, J.M.D., Armstrong, E., & Martin, S.

(2016). Conception et validation centrées sur l'utilisateur lors du développement d'applications d'interface cerveau-ordinateur domestique pour les personnes atteintes de lésions cérébrales acquises et les thérapeutes : une approche multipartite. Journal des technologies d'assistance, 10(2), 67–78.

Mainsah, B. O., Collins, L. M., Colwell, K. A., Sellers, E. W., Ryan, D. B., Caves, K., & Throckmorton, C. S.

(2015). Augmentation des débits de communication BCI avec arrêt dynamique vers une utilisation plus pratique : Une étude ALS. Journal d'ingénierie neuronale, 12(1), 016013.

Martin, S., Brunner, P., Holdgraf, C., Heinze, H.-J., Crone, N. E., Rieger, J., … Pasley, B. N.

(2014). Décodage des caractéristiques spectrotemporelles de la parole ouverte et secrète du cortex humain. Frontières en neuroingénierie, 7, 14.

McCane, L. M., Sellers, E. W., McFarland, D. J., Mak, J. N., Carmack, C. S., Zeitlin, D., … Vaughan, T. M.

(2014). Évaluation de l'interface cerveau-ordinateur (BCI) chez les personnes atteintes de sclérose latérale amyotrophique. Sclérose latérale amyotrophique et dégénérescence frontotemporale, 15(3–4), 207–215.

Miner, L.A., McFarland, D.J., & Wolpaw, J.R.

(1998). Répondre aux questions avec une interface cerveau-ordinateur basée sur un électroencéphalogramme. Archives de médecine physique et de réadaptation, 79(9), 1029–1033.

Mugler, E. M., Patton, J. L., Flint, R. D., Wright, Z. A., Schuele, S. U., Rosenow, J., … Slutzky, M. W.

(2014). Classification directe de tous les phonèmes de l'anglais américain à l'aide des signaux du cortex moteur de la parole fonctionnelle. Journal d'ingénierie neuronale, 11(3), 035015.

Müller-Putz, G.R., Scherer, R., Brauneis, C., & Pfurtscheller, G.

(2005). Communication basée sur le potentiel évoqué visuel à l'état stable (SSVEP) : impact des composants de fréquence harmonique. Journal d'ingénierie neuronale, 2(4), 123–130.

Mussa-Ivaldi, F.A., & Miller, L.E.

(2003). Interfaces cerveau-machine : les demandes informatiques et les besoins cliniques répondent aux neurosciences fondamentales. Tendances en neurosciences, 26(6), 329–334.

Neuper, C., Müller, G.R., Kübler, A., Birbaumer, N., & Pfurtscheller, G.

(2003). Application clinique d'une interface cerveau-ordinateur basée sur l'EEG : une étude de cas chez un patient présentant une déficience motrice sévère. Neurophysiologie clinique, 114(3), 399–409.

Neuper, C., Scherer, R., Reiner, M., & Pfurtscheller, G.

(2005). Imagerie des actions motrices : effets différentiels des modes d'imagerie kinesthésique et visuo-moteur en EEG à essai unique. Recherche cognitive sur le cerveau, 25(3), 668–677.

Nijboer, F., Birbaumer, N., & Kübler, A.

(2010). L'influence de l'état psychologique et de la motivation sur les performances de l'interface cerveau-ordinateur chez les patients atteints de sclérose latérale amyotrophique - Une étude longitudinale. Frontières en neurosciences, 4, 1–13.

Nijboer, F., Furdea, A., Gunst, I., Mellinger, J., McFarland, D.J., Birbaumer, N., & Kübler, A.

(2008). Une interface auditive cerveau-ordinateur (BCI). Journal des méthodes de neurosciences, 167(1), 43–50.

Nijboer, F., Sellers, E. W., Mellinger, J., Jordan, M. A., Matuz, T., Furdea, A., … Kübler, A.

(2008). Une interface cerveau-ordinateur basée sur P300 pour les personnes atteintes de sclérose latérale amyotrophique. Neurophysiologie clinique, 119(8), 1909–1916.

Oken, B. S., Orhan, U., Roark, B., Erdogmus, D., Fowler, A., Mooney, A., … Fried-Oken, M. B.

(2014). Interface cerveau-ordinateur avec fusion du modèle de langage et de l'électroencéphalographie pour le syndrome d'enfermement. Neuroréadaptation et réparation neurale, 28(4), 387–394.

Oostenveld, R., & Praamstra, P.

(2001). Le système d'électrodes à cinq pour cent pour les mesures EEG et ERP haute résolution. Neurophysiologie clinique, 112(4), 713–719.

Pasqualotto, E., Matuz, T., Federici, S., Ruf, C. A., Bartl, M., Olivetti Belardinelli, M., … Halder, S.

(2015). Facilité d'utilisation et charge de travail de la technologie d'accès pour les personnes ayant une déficience motrice sévère : une comparaison de l'interfaçage cerveau-ordinateur et du suivi oculaire. Neuroréadaptation et réparation neurale, 29(10), 950–957.

(2011). Formulation de messages, organisation et schémas de navigation pour les aides à la communication basées sur des icônes. Dans Actes de la 33e conférence internationale annuelle de l'IEEE Engineering in Medicine and Biology Society (EMBC '11) (pp. 5364–5367). Boston, MA : IEEE .

Pei, X., Barbour, D.L., Leuthardt, E.C., & Schalk, G.

(2011). Décodage des voyelles et des consonnes dans les mots parlés et imaginaires à l'aide de signaux électrocorticographiques chez l'homme. Journal d'ingénierie neuronale, 8(4), 046028.

Pfurtscheller, G., & Neuper, C.

(2001). Imagerie motrice et communication directe cerveau-ordinateur. Actes de l'IEEE, 89(7), 1123–1134.

(1972). Le diagnostic de stupeur et de coma. Série Neurologie Contemporaine, 10, 1–286.

(1989). Électrophysiologie du cerveau humain : potentiels évoqués et champs magnétiques évoqués en science et en médecine. New York, NY : Elsevier .

Riccio, A., Simione, L., Schettini, F., Pizzimenti, A., Inghilleri, M., Belardinelli, M. O., … Cincotti, F.

(2013). Attention et performance BCI basée sur P300 chez les personnes atteintes de sclérose latérale amyotrophique. Frontières en neurosciences humaines, 7, 732.

Roark, B., Beckley, R., Gibbons, C., & Fried-Oken, M.

(2013). Balayage Huffman : Utilisation de modèles de langage dans l'émulation de clavier à grille fixe. Discours et langage informatique, 27(6), 1212–1234.

Roark, B., Fried-Oken, M., & Gibbons, C.

(2015). Méthodes de Huffman et de balayage linéaire avec des modèles de langage statistiques. Communication Augmentée et Alternative, 31(1), 37–50.

Scherer, R., Billinger, M., Wagner, J., Schwarz, A., Hettich, D.T., Bolinger, E., … Müller-Putz, G.

(2015). Tableau de communication à balayage ligne-colonne basé sur la pensée pour les personnes atteintes de paralysie cérébrale. Annales de médecine physique et de réadaptation, 58(1), 14–22.

Scherer, R., Müller, G.R., Neuper, C., Graimann, B., & Pfurtscheller, G.

(2004). Un clavier virtuel basé sur l'EEG contrôlé de manière asynchrone : Amélioration du taux d'orthographe. Transactions IEEE sur le génie biomédical, 51(6), 979–984.

(2006). Une interface cerveau-ordinateur basée sur le P300 : tests initiaux par des patients atteints de SLA. Neurophysiologie clinique, 117(3), 538–548.

Sellers, E.W., Vaughan, T.M., & Wolpaw, J.R.

(2010). Une interface cerveau-ordinateur pour une utilisation domestique indépendante à long terme. La sclérose latérale amyotrophique, 11(5), 449–455.

Silvoni, S., Cavinato, M., Volpato, C., Ruf, C. A., Birbaumer, N., & Piccione, F.

(2013). Progression de la sclérose latérale amyotrophique et stabilité de la communication d'interface cerveau-ordinateur. Sclérose latérale amyotrophique et dégénérescence frontotemporale, 14(5–6), 390–396.

Sprague, S.A., McBee, M.T., & Sellers, E.W.

(2015). Les effets de la mémoire de travail sur les performances de l'interface cerveau-ordinateur. Neurophysiologie clinique, 127(2), 1331–1341.

Tankus, A., Fried, I., & Shoham, S.

(2012). Encodage et décodage neuronaux structurés des caractéristiques de la parole humaine. Communication Nature, 3, 1015.

Thistle, J.J., & Wilkinson, K.M.

(2013). Les demandes de mémoire de travail de la communication augmentée et alternative assistée pour les personnes ayant une déficience intellectuelle. Communication Augmentée et Alternative, 29(3), 235–245.

Thistle, J.J., & Wilkinson, K.M.

(2015). Construire une pratique fondée sur des preuves dans la conception d'affichages de CAA pour les jeunes enfants : pratiques actuelles et orientations futures. Communication Augmentée et Alternative, 31(2), 124–136.

(2016). Pousser l'interface cerveau-ordinateur basée sur le P300 au-delà de 100 bpm : étendre les contraintes guidées par les performances dans le domaine temporel. Journal d'ingénierie neuronale, 13(2), 026024.

Trnka, K., McCaw, J., Yarrington, D., McCoy, K.F., & Pennington, C.

(2008). Prédiction de mots et taux de communication en AAC, In Actes de la conférence internationale de l'IASTED sur la télésanté/les technologies d'assistance (Telehealth/AT '08) (p. 19-24). Baltimore, MD : ACTA Press Anaheim, Californie, États-Unis .

Vansteensel, M. J., Pels, E. G. M., Bleichner, M. G., Branco, M. P., Denison, T., Freudenburg, Z. V., … Ramsey, N. F.

(2016). Interface cerveau-ordinateur entièrement implantée chez un patient enfermé atteint de SLA. Journal de médecine de la Nouvelle-Angleterre, 375(21), 2060–2066.

Vaughan, T.M., McFarland, D.J., Schalk, G., Sarnacki, W.A., Krusienski, D.J., Sellers, E.W., & Wolpaw, J.R.

(2006). Le programme de recherche et de développement de Wadsworth BCI : Chez moi avec BCI. Transactions IEEE sur les systèmes neuronaux et l'ingénierie de la réadaptation, 14(2), 229–233.

(2010). Vers un remède à l'analphabétisme BCI. Topographie du cerveau, 23(2), 194–198.

Volosyak, I., Valbuena, D., Lüth, T., Malechka, T., & Gräser, A.

(2011). Données démographiques BCI II : Combien (et quels types) de personnes peuvent utiliser un BCI SSVEP à haute fréquence ?, Transactions IEEE sur les systèmes neuronaux et l'ingénierie de la réadaptation, 19(3), 232–239.

(2013). Utilisation d'un questionnaire d'imagerie motrice pour estimer les performances d'une interface cerveau-ordinateur basée sur l'imagerie motrice orientée objet. Neurophysiologie clinique, 124(8), 1586–1595.

(2006). DASHER—Un système d'écriture efficace pour les interfaces cerveau-ordinateur ?, Transactions IEEE sur les systèmes neuronaux et l'ingénierie de la réadaptation, 14(2), 244–246.

Wolpaw, J.R., Birbaumer, N., McFarland, D.J., Pfurtscheller, G., & Vaughan, T.M.

(2002). Interfaces cerveau-ordinateur pour la communication et le contrôle. Neurophysiologie clinique, 113(6), 767–791.

Wolpaw, J.R., & McFarland, D.J.

(2004). Contrôle d'un signal de mouvement bidimensionnel par une interface cerveau-ordinateur non invasive chez l'homme. Actes de l'Académie nationale des sciences des États-Unis d'Amérique, 101(51), 17849–17854.


Qu'est-ce qu'une interface cerveau-ordinateur ? Tout ce que vous devez savoir sur les BCI, les interfaces neuronales et l'avenir des ordinateurs de lecture mentale

Les systèmes qui permettent aux humains de contrôler ou de communiquer avec la technologie en utilisant uniquement les signaux électriques dans le cerveau ou les muscles deviennent rapidement courants. Voici ce que vous devez savoir.

Par Jo Best | 13 novembre 2019 -- 11h30 GMT (03h30 PST) | Sujet : Construire le cerveau bionique

Qu'est-ce qu'une interface cerveau-ordinateur ? Ça ne peut pas être ce à quoi ça ressemble, sûrement ?
Oui, les interfaces cerveau-ordinateur (BCI) sont précisément ce à quoi elles ressemblent - des systèmes qui connectent le cerveau humain à une technologie externe.

Big Data

Tout cela sonne un peu science-fiction. Les interfaces cerveau-ordinateur ne sont pas vraiment quelque chose que les gens utilisent maintenant, n'est-ce pas ?
Les gens utilisent en effet les BCI aujourd'hui - tout autour de vous. Dans leur forme la plus simple, une interface cerveau-ordinateur peut être utilisée comme une neuroprothèse, c'est-à-dire un élément matériel qui peut remplacer ou augmenter les nerfs qui ne fonctionnent pas correctement. Les neuroprothèses les plus couramment utilisées sont les implants cochléaires, qui aident les personnes ayant des parties de l'anatomie interne de leur oreille à entendre. Les neuroprothèses pour aider à remplacer la fonction endommagée du nerf optique sont moins courantes, mais un certain nombre d'entreprises les développent, et nous assisterons probablement à une adoption généralisée de ces dispositifs dans les années à venir.

Alors pourquoi les interfaces cerveau-ordinateur sont-elles décrites comme des technologies de lecture mentale ?
C'est là que se dirige cette technologie. Il existe des systèmes, actuellement à l'essai, qui peuvent traduire votre activité cérébrale - les impulsions électriques - en signaux que les logiciels peuvent comprendre. Cela signifie que votre activité cérébrale peut être mesurée en lecture mentale dans la vie réelle. Ou vous pouvez utiliser votre activité cérébrale pour contrôler un appareil distant.

Lorsque nous pensons, les pensées sont transmises dans notre cerveau et dans notre corps sous la forme d'une série d'impulsions électriques. La détection de tels signaux n'a rien de nouveau : les médecins surveillent déjà l'activité électrique dans le cerveau à l'aide de l'EEG (électroencéphalographie) et dans les muscles à l'aide de l'EMG (électromyographie) comme moyen de détecter les problèmes nerveux. En médecine, l'EEG et l'EMG sont utilisés pour détecter des maladies et d'autres problèmes nerveux en recherchant une activité électrique trop importante, trop faible ou inattendue dans les nerfs d'un patient.

Maintenant, cependant, les chercheurs et les entreprises cherchent à savoir si ces impulsions électriques pourraient être décodées pour donner un aperçu des pensées d'une personne.

Les BCI peuvent-ils lire dans les pensées ? Seraient-ils capables de dire ce que je pense en ce moment ?
A l'heure actuelle, non. Les BCI ne peuvent pas lire vos pensées avec suffisamment de précision pour savoir quelles sont vos pensées à un moment donné. Actuellement, il s'agit davantage de capter des états émotionnels ou des mouvements que vous avez l'intention de faire. Un BCI peut détecter lorsque quelqu'un pense « oui » ou « non », mais détecter des pensées plus spécifiques, comme savoir que vous avez envie d'un sandwich au fromage en ce moment ou que votre patron vous a vraiment ennuyé, dépasse la portée de la plupart des cerveaux. interfaces informatiques.

OK, alors donnez-moi un exemple de la façon dont les BCI sont utilisés.
Un grand intérêt pour les BCI vient de la médecine. Les BCI pourraient potentiellement offrir aux personnes atteintes de lésions nerveuses un moyen de récupérer la fonction perdue. Par exemple, dans certaines blessures à la colonne vertébrale, la connexion électrique entre le cerveau et les muscles des membres a été rompue, laissant les personnes incapables de bouger leurs bras ou leurs jambes. Les BCI pourraient potentiellement aider à de telles blessures en transmettant les signaux électriques aux muscles, en contournant la connexion rompue et en permettant aux gens de bouger à nouveau, ou en aidant les patients à utiliser leurs pensées pour contrôler la robotique ou les membres prothétiques qui pourraient faire des mouvements pour eux.

Ils pourraient également aider les personnes atteintes d'affections telles que le syndrome d'enfermement, qui ne peuvent ni parler ni bouger mais qui n'ont aucun problème cognitif, à faire connaître leurs désirs et leurs besoins.

Qu'en est-il des militaires et des BCI?
Comme de nombreuses nouvelles technologies, les BCI ont suscité l'intérêt de l'armée, et l'agence américaine de technologie émergente militaire DARPA investit des dizaines de millions de dollars dans le développement d'une interface cerveau-ordinateur à l'usage des soldats.

Plus largement, il est facile de voir l'attrait des BCI pour les militaires : les soldats sur le terrain pourraient se regrouper en équipes au QG pour des renseignements supplémentaires, par exemple, et communiquer entre eux sans faire de bruit. De même, il existe des utilisations plus sombres que l'armée pourrait également utiliser pour les BCI, comme l'interrogatoire et l'espionnage.

Qu'en est-il de Facebook et des BCI ?
Facebook a défendu l'utilisation des BCI et a récemment acheté une société BCI, CTRL-labs, pour un montant annoncé de 1 milliard de dollars. Facebook examine les BCI sous deux angles différents. Il travaille avec des chercheurs pour traduire les pensées en parole, et son acquisition CTRL-labs pourrait aider à interpréter les mouvements que quelqu'un veut faire à partir de ses seuls signaux cérébraux. Le fil conducteur entre les deux est le développement de la prochaine interface matérielle.

Facebook se prépare déjà au changement de la manière dont nous nous interfaçons avec nos appareils. De la même manière que nous sommes passés du clavier à la souris, à l'écran tactile et plus récemment à la voix comme moyen de contrôler la technologie qui nous entoure, Facebook parie que la prochaine grande interface sera nos pensées. Plutôt que de taper votre prochaine mise à jour de statut, vous pourriez y penser plutôt que de toucher un écran pour basculer entre les fenêtres, vous pourriez simplement déplacer vos mains en l'air.

Je ne suis pas sûr d'être prêt à mettre une puce dans mon cerveau juste pour taper une mise à jour de statut.
Vous n'en aurez peut-être pas besoin : tous les systèmes BCI n'ont pas besoin d'une interface directe pour lire votre activité cérébrale.

Il existe actuellement deux approches des BCI : invasive et non invasive. Les systèmes invasifs ont du matériel en contact avec le cerveau. Les systèmes non invasifs captent généralement les signaux du cerveau provenant du cuir chevelu, à l'aide de capteurs portés sur la tête.

Les deux approches ont leurs propres avantages et inconvénients. Avec les systèmes BCI invasifs, parce que les réseaux d'électrodes touchent le cerveau, ils peuvent collecter des signaux beaucoup plus fins et précis. Cependant, comme vous pouvez l'imaginer, ils impliquent une chirurgie du cerveau et le cerveau n'est pas toujours très heureux d'avoir des réseaux d'électrodes attachés - le cerveau réagit avec un processus appelé cicatrisation gliale, qui à son tour peut rendre plus difficile pour le réseau de capter les signaux. En raison des risques encourus, les systèmes invasifs sont généralement réservés aux applications médicales.

Les systèmes non invasifs, cependant, sont plus conviviaux, car aucune intervention chirurgicale n'est requise. C'est probablement la nature directe (ou sur la tête) du matériel qui freine l'adoption : les premiers utilisateurs peuvent être heureux de porter des casquettes larges et évidentes, mais la plupart des consommateurs ne seront pas enclins à porter un chapeau clouté d'électrodes qui lit leurs ondes cérébrales.

Il existe cependant des efforts pour construire des systèmes non invasifs moins intrusifs : la DARPA, par exemple, finance la recherche sur les BCI non chirurgicaux et un jour, le matériel nécessaire pourrait être suffisamment petit pour être inhalé ou injecté.

Pourquoi les BCI deviennent-elles une chose maintenant?
Les chercheurs s'intéressent au potentiel des BCI depuis des décennies, mais la technologie s'est développée à un rythme beaucoup plus rapide que beaucoup ne l'avaient prédit, en grande partie grâce à une meilleure intelligence artificielle et à des logiciels d'apprentissage automatique. Au fur et à mesure que ces systèmes sont devenus plus sophistiqués, ils ont pu mieux interpréter les signaux provenant du cerveau, séparer les signaux du bruit et corréler les impulsions électriques du cerveau avec les pensées réelles.

Dois-je m'inquiéter que les gens lisent mes pensées sans ma permission ? Et le contrôle mental ?
D'un point de vue pratique, la plupart des BCI ne sont qu'unidirectionnels, c'est-à-dire qu'ils peuvent lire les pensées, mais ne peuvent mettre aucune idée dans l'esprit des utilisateurs. Cela dit, des travaux expérimentaux sont déjà en cours sur la façon dont les gens peuvent communiquer via les BCI : un projet récent de l'Université de Washington a permis à trois personnes de collaborer sur un jeu de type Tetris utilisant des BCI.

Le rythme du développement technologique étant ce qu'il est, les interfaces bidirectionnelles seront bientôt plus courantes. Surtout si la tenue BCI d'Elon Musk, Neuralink, y est pour quelque chose.

Qu'est-ce que Neuralink ?
Elon Musk a suscité l'intérêt pour les BCI lorsqu'il a lancé Neuralink. Comme on peut s'y attendre de tout ce qui est géré par Musk, il y a un niveau d'ambition et de secret époustouflant. Le site Web et le fil Twitter de la société n'ont révélé que très peu de choses sur ce qu'elle prévoyait, bien que Musk ait parfois partagé des indices, suggérant qu'elle travaillait sur des implants cérébraux sous la forme de « dentelle neuronale », un maillage d'électrodes qui reposeraient sur la surface du cerveau. . La première information sérieuse sur la technologie de Neuralink est venue avec une présentation plus tôt cette année, montrant une nouvelle matrice qui peut être implantée dans le cortex du cerveau par des robots chirurgicaux.

Comme beaucoup de BCI, Neuralink a été initialement conçu comme un moyen d'aider les personnes atteintes de troubles neurologiques, mais Musk regarde plus loin, affirmant que Neuralink pourrait être utilisé pour permettre aux humains une interface directe avec l'intelligence artificielle, afin que les humains ne soient finalement pas dépassés. par l'IA. Il se peut que le seul moyen de nous empêcher d'être surclassés par les machines soit de nous associer à elles – si nous ne pouvons pas les battre, pense Musk, nous devrons peut-être les rejoindre.


Fondamentaux de la BCI

Nous adressons cet article à la fois aux chercheurs HCI qui souhaitent utiliser les BCI dans leurs projets et aux chercheurs BCI qui souhaitent étendre davantage le travail. Pour cette raison, notre espace conceptuel repose sur les notions à la fois de HCI et de BCI. Afin de faciliter la lecture de ce document, nous présentons dans la section suivante le contexte nécessaire sur les BCI pour mieux comprendre les choix derrière notre espace de conception. Il ne s'agit pas d'un état de l'art détaillé sur les BCI (par exemple, les BCI invasifs ne sont pas du tout mentionnés dans cet article), mais cette section fournit les bases nécessaires sur les BCI afin de mieux comprendre leurs avantages et leurs inconvénients.

Définition des BCI. Vocabulaire BCI

Voici une définition large des interfaces cerveau-ordinateur : « Les BCI permettent de capturer l'activité cérébrale des utilisateurs en traitant et/ou en classant leurs signaux cérébraux dans le but de contrôler n'importe quel système ». UNE crucial Le composant des BCI est la capacité des utilisateurs à produire des modèles de signaux cérébraux stables afin de faciliter leur reconnaissance. Ici, nous définissons cette compétence comme « BCI formation/apprentissage ». Formation BCI pourrait exiger des jours de formation et de pratique répétitive.

De nos jours, les systèmes BCI sont principalement conçus pour être une « boucle fermée entre un utilisateur et le système. Généralement, l'utilisateur interagit avec le système et le système donne des informations sur son état après l'interaction » [10]. Cependant, un système BCI peut également être une boucle ouverte, où un utilisateur n'est pas conscient de la façon dont le système utilise son activité cérébrale enregistrée [11]. La notion de boucle BCI a été introduite pour la première fois par [12] et contient les principales étapes suivantes (Fig 2) : acquisition du signal (enregistrement de l'activité cérébrale) traitement du signal (pour supprimer les artefacts) classification (pour identifier le signal de contrôle) rétroaction/application ( pour fournir des informations sur le résultat de la commande et/ou de l'activité cérébrale). La recherche dans les BCI se concentre aujourd'hui sur toutes les étapes de cette boucle. Les étapes de la boucle correspondent à différents niveaux d'abstractions pour étudier les BCI que nous avons introduits sur la figure 1. Nous passons maintenant en revue ces niveaux d'abstractions.

Niveau d'abstraction 1 : Acquisition du signal

Dans cette sous-section, nous montrons qu'il existe plusieurs mécanismes différents pour mesurer l'activité cérébrale de la personne, et chacun d'eux a des avantages et des inconvénients.

L'acquisition du signal est basée sur des méthodes invasives ou non invasives. Les méthodes d'acquisition invasives impliquent d'ouvrir ou de percer le crâne afin d'insérer des capteurs qui mesurent l'activité électrique d'une zone restreinte directement sur le cerveau. L'une des techniques d'acquisition invasives les plus courantes est l'électrocorticographie (ECoG), où des électrodes sont implantées dans le cortex cérébral souhaité où l'activité se produit [13].

En revanche, les méthodes non invasives reposent sur la mesure de l'activité cérébrale en plaçant des capteurs sur le cuir chevelu ou autour de la tête sans nécessiter d'intervention chirurgicale. Les modalités non invasives sont plus sensibles au bruit et mesurent un signal atténué par rapport aux méthodes d'acquisition invasives. Nous passons brièvement en revue certaines des principales modalités d'acquisition non invasives.

Électroencéphalographie (EEG).

L'EEG est la technique la plus couramment utilisée pour mesurer cette activité : des électrodes sont placées sur le cuir chevelu et peuvent être utilisées par paires pour mesurer le différentiel électrique. La technique EEG est l'une des interfaces non invasives les plus étudiées car elle a une résolution temporelle fine. Les principaux avantages de l'EEG résident dans le prix d'installation relativement bas, la possibilité de portabilité et la relative facilité d'utilisation. L'un des principaux inconvénients de l'EEG est la qualité de la résolution spatiale qui a tendance à être médiocre. Avec l'EEG du cuir chevelu, l'activité enregistrée par un canal correspond à l'activité moyenne de millions de neurones.Seuls certains types d'activité dans les couches superficielles du cerveau peuvent être mesurés et l'amplitude de l'activité électrique est de l'ordre du microvolt. La mesure du signal pour chaque canal est reliée à un amplificateur qui amplifie les signaux de 1000 à 100 000 fois. Dans un système d'acquisition numérique, le signal analogique est numérisé et généralement échantillonné à une fréquence de 256 à 512 Hz, puis filtré pour éliminer les fréquences indésirables (les hautes fréquences correspondent au bruit du moteur, les basses fréquences contiennent des artefacts de l'activité cardiaque, les signaux 50-60 Hz correspondent à artefacts à la fréquence du courant alternatif, les artefacts seront discutés plus loin dans la section).

Imagerie par résonance magnétique fonctionnelle (IRMf).

L'imagerie par résonance magnétique fonctionnelle (IRMf) est une technique d'imagerie permettant de visualiser les structures internes du cerveau par résonance magnétique nucléaire. L'IRM fonctionnelle (IRMf) est un type d'IRM qui mesure la réponse hémodynamique (modification du rapport oxyhémoglobine et désoxyhémoglobine) liée à l'activité neuronale dans le cerveau [14]. Une limitation de cette approche est qu'elle a une faible résolution temporelle (jusqu'à 8 secondes) car l'afflux de sang n'est pas un phénomène immédiat. Le développement de l'IRMf en temps réel a permis d'utiliser l'IRMf pour construire des systèmes BCI et produire un neurofeedback, cette dernière étant l'application la plus populaire étant donné la faible résolution temporelle de l'IRMf. Nous renvoyons le lecteur à [15] pour une revue exhaustive des applications de l'IRMf aux BCI et au neurofeedback.

Spectroscopie fonctionnelle proche infrarouge (fNIRS).

La fNIRS mesure la concentration relative d'oxyhémoglobine et de désoxyhémoglobine en émettant des photos dans le proche infrarouge à partir d'un émetteur placé sur le crâne et en mesurant le décalage spectral des photons qui la traversent à quelques centimètres. Par rapport à d'autres modalités qui mesurent les niveaux d'oxygénation du sang (IRMf), la fNIRS a une résolution temporelle relativement plus élevée (10 Hz contre 0,5 Hz pour l'IRMf). Ainsi, fNIRS permet de construire des BCI avec une latence raisonnable entre le début de la stimulation et la sortie de la classification. De plus, un autre avantage est que la fNIRS n'est pas affectée par les artefacts de l'activité musculaire et permet de produire des BCI qui fonctionnent dans un cadre ambulatoire [16]. Tous ces avantages et le développement de capteurs fNIRS portables ont suscité d'importants travaux récents sur le développement de BCI fNIRS, notamment en HCI, où la capacité de se déplacer est essentielle. Cependant, le fNIRS est également limité : il a une pénétration peu profonde de pas plus de 2 cm en moyenne et il est affecté par l'épaisseur du crâne et le bruit de l'activité du système vasculaire. Ainsi, les BCI fNIRS souffrent également de problèmes de rapport signal sur bruit.

Magnétoencéphalographie (MEG).

La magnétoencéphalographie ou MEG capture l'activité cérébrale grâce à des mesures des champs magnétiques créés par les courants électriques naturels générés dans le cerveau par des magnétomètres sensibles [17]. Les types de capteurs les plus courants sont appelés dispositifs d'interférence quantique supraconducteur (SQUID) car ils sont extrêmement compacts et permettent de réduire la taille des dispositifs d'acquisition. Le cerveau génère des champs magnétiques très faibles par rapport aux champs électromagnétiques ambiants et le blindage est donc essentiel. Bien que les capteurs soient compacts, le blindage nécessite de grands boîtiers et exige que la tête des utilisateurs soit immobile (bien que le mouvement ailleurs ne soit pas un problème). Le MEG a une résolution spatiale supérieure à l'EEG et promet d'offrir des résolutions temporelles élevées (

1ms par échantillon). Le MEG est principalement utilisé pour étudier les phénomènes neurocognitifs (par exemple, l'étude du traitement des caractéristiques [18], mais des BCI réussis ont également été développés [19].

Tomographie par émission de positons (TEP).

La tomographie par émission de positons (TEP) mesure la distribution spatiale et le mouvement d'un produit chimique radioactif (« traceur ») injecté dans les tissus d'un humain. Les TEP sont chères (voir Tableau 1). Un autre inconvénient de l'utilisation du PET réside dans le fait qu'il s'agit d'une injection d'une matière radioactive dans le sang. L'autre problème est que bien que la TEP, à l'instar de l'IRMf, ait une excellente résolution spatiale, le délai entre le changement d'activité et le changement résultant du flux sanguin est compris entre 6 et 9 secondes (on peut interpréter où l'événement s'est produit mais sans être sûr de lorsqu'il s'est produit, ce qui rend problématiques les déclarations sur l'ordre relatif des activations) [20].

Synthèse de l'état de l'art sur les techniques d'acquisition des BCI

Comme nous pouvons le conclure à partir du tableau 1, qui conclut cette sous-section, 3/5 outils de neuroimagerie décrits dans cette section, imposent des restrictions à l'utilisateur, la TEP, la MEG et l'IRMF nécessitent de s'asseoir/s'allonger dans le scanner, ce qui peut ne pas être réaliste pour certains paramètres d'interaction homme-machine. La plupart de ces outils d'acquisition sont assez chers, et non portables, ce qui limite également l'interaction et peut ne pas convenir à certaines applications HCI (selon le contexte d'utilisation). Dans notre travail, nous allons principalement se concentrer sur la description des systèmes BCI basés sur l'EEG comme les plus abordables pour la plupart des laboratoires et centres de recherche de nos jours.

Niveau d'abstraction 2 : Aspects liés au traitement et à la classification du signal

Pourquoi cette sous-section est-elle intéressante pour les chercheurs de l'IHM ? Dans cette sous-section, nous expliquons que dans les BCI, les commandes ne sont pas toujours émises par la personne à sa guise, mais sont très souvent rythmées par le système, par exemple imposées par le système. Cette propriété des BCI peut nécessiter des choix de conception particuliers lors de la proposition d'une interaction basée sur les BCI.

Classification des états du cerveau.

Les signaux cérébraux sont très variables à la fois entre les personnes et au sein d'une même personne. Ceci est dû à la faible résolution spatiale de l'EEG du cuir chevelu et au fait que la mesure de l'EEG est indirecte. Cela signifie qu'une moyenne est nécessaire pour obtenir des mesures fiables, ce qui à son tour ralentit la vitesse à laquelle l'EEG peut être traité et utilisé pour détecter des phénomènes et se traduit par un faible débit binaire. Le débit représente la quantité d'informations transmises par le BCI par minute. Dans la plupart des cas, il s'agit du nombre d'actions effectuées par minute. La personne qui souhaite utiliser un système basé sur la BCI doit être entraînée à produire des schémas cérébraux stables. Cette formation peut nécessiter des heures et des jours de pratique répétitive. De nos jours, on distingue synchrone et asynchrone systèmes.

Dans synchrone (ou au rythme du système) BCI les commandes sont imposées par le système. Ces systèmes comprennent deux étapes. D'abord Le stade exige que le sujet exécute des tâches mentales (par exemple, l'imagination du mouvement de la langue), afin que le système collecte une quantité suffisante de données supervisées. A ce stade, aucun retour n'est fourni à l'utilisateur. Les données acquises sont traitées hors ligne et permettent de définir des caractéristiques, des classificateurs et leurs paramètres. Une fois que la précision de la classification est suffisante à partir de l'apprentissage hors ligne, un seconde, une étape supervisée est proposée : l'utilisateur est averti des tâches à effectuer et reçoit désormais un retour sur le résultat du classement.

En revanche, dans asynchrone (auto-rythme) BCI les commandes sont émises à tout moment chaque fois que l'utilisateur le décide. Cela aide à réaliser des systèmes en temps réel [22], bien que les exemples de formation soient également requis pour ces systèmes.

Néanmoins, le réglage synchrone reste courant, car les performances de ces BCI peuvent facilement être évaluées, ce qui rend ce réglage souhaitable pour les expériences et pour comparer le système dans un environnement de laboratoire. De plus, une classification continue (requise pour les systèmes asynchrones) augmente considérablement les exigences de calcul pour obtenir un système BCI en temps réel.

La formation aux BCI dure de 10 minutes à plusieurs heures (au maximum). Cependant, par rapport à la formation inexistante requise pour les tablettes tactiles ou les interactions au clavier, la formation d'un système BCI est un processus fastidieux.

Le tableau 2 résume les principales différences entre les approches d'apprentissage automatique présentées : synchrone et asynchrone. Bien que les systèmes BCI synchrones soient plus faciles à concevoir et à évaluer, ils offrent moins de degrés de liberté à l'utilisateur en raison de leur nature basée sur les repères.

Niveau d'abstraction 3 : mécanismes neuronaux derrière les BCI et les paradigmes basés sur l'EEG ou que sommes-nous capables de détecter ?

Il existe plusieurs types particuliers de mécanismes neuronaux qui sont largement utilisés dans les BCI et nous expliquerons leur fonctionnement de base.

Le paradigme BCI est généralement appelé moyen d'extraction d'un signal de commande. Dans cet article, nous aimerions clarifier le vocabulaire de l'utilisation du mot « paradigme » : dans la plupart des articles sur les BCI ainsi que dans les manuscrits de doctorat, les auteurs se réfèrent aux paradigmes BCI lorsqu'ils discutent des mécanismes neuronaux sous-jacents et de l'activité qui provoque les mécanismes neuronaux. Parfois, ils utilisent également l'expression « modèles du cerveau ». Nous trouvons que cela pourrait être déroutant pour quelqu'un qui vient de commencer à se renseigner sur les BCI. C'est pourquoi dans notre travail, nous utiliserons deux termes différents, l'un pour décrire directement l'activité cérébrale sous-jacente, « mécanismes neuronaux », et l'autre terme, « paradigmes BCI », pour décrire cette activité qui provoque ces mécanismes neuronaux. Les principaux mécanismes neuronaux interprétés par les BCI basés sur l'EEG qui sont utilisés de nos jours sont les suivants :

  • Dé/synchronisation liée aux événements (ERD/ERS),
  • Potentiels liés aux événements (ERP),
  • Potentiels évoqués à l'état d'équilibre (SSEP).

Nous allons maintenant présenter un bref résumé de ces mécanismes ainsi que comment pouvons-nous provoquer l'activité cérébrale qui provoque ces mécanismes neuronaux, les "paradigmes BCI".

  1. Dé/synchronisation événementielle (ERD/ERS) indique des changements dans l'activité rythmique du cerveau, souvent dans les 8 à 12 Hz. Ces changements sont observés sur les aires corticales sensorielles ou motrices primaires. La synchronisation (ERS, augmentation du rythme cérébral) se produit lors du traitement des informations sensorielles ou de la production d'une sortie motrice. La désynchronisation (ERD, diminution du rythme cérébral) se produit lors de l'exécution des mouvements, de l'imagerie du mouvement (moteur) ou de la préparation du mouvement. Imagerie motrice (MI) est l'un des paradigmes utilisé dans les applications BCI de nos jours. Pendant l'IM, l'utilisateur imagine déplacer diverses parties du corps, par ex. mains, pieds, langue [23]. L'activité motrice réelle n'est pas nécessaire, le simple fait d'imaginer ou de répéter mentalement une activité motrice génère des activations similaires à celles d'un mouvement réel. Cela rend possible des paradigmes tels que l'EM. L'emplacement des activations dépend du membre impliqué dans l'activité motrice ou de l'activité motrice imaginée, étant donné que chaque membre est mappé à un emplacement différent du cortex moteur sensoriel.
  2. Potentiels liés aux événements (ERP). La plupart des mécanismes neuronaux utilisés dans les BCI sont basés sur des potentiels liés aux événements (ERP), une activation dans une certaine zone du cerveau en réponse à un stimulus (événement). En général, les potentiels liés aux événements sont soit positifs, soit négatifs (amplitude positive ou négative du potentiel). Le nom donné aux ERP commence souvent par P ou N selon qu'ils sont positifs ou négatifs, suivi d'un nombre en millisecondes qui caractérise combien de temps le potentiel apparaît après le stimulus. Voici des exemples de systèmes basés sur ERP :
    • P300. P300 est un potentiel d'action positive généré environ 300 ms après que l'utilisateur ait fait un choix (conscient ou non). Pour susciter un potentiel P300, les systèmes BCI utilisent généralement un stimulus visuel ou auditif qui est présenté dans un paradigme « bille impaire » : une séquence aléatoire de stimuli cibles et non cibles est présentée à l'utilisateur. Le P300 associé à la présentation du stimulus cible est supérieur à celui associé aux stimuli non cibles [24].
    • Potentiels liés aux erreurs (ErrP). Ces systèmes exploitent la négativité liée aux erreurs (ERN), des ERP qui sont des activations négatives générées dans le cerveau 150 ms après le début de la stimulation lorsque l'utilisateur commet une erreur (même s'il n'en est pas conscient) ou lorsqu'un retour négatif est reçu [4]. Les ERN sont souvent utilisés pour produire des systèmes BCI adaptatifs capables de détecter le moment où l'utilisateur perçoit une erreur de classification et d'adapter le classificateur conformément [25]. Ils ont également des applications importantes dans la conception d'interactions, où ils peuvent servir à détecter les propriétés souhaitables des processus interactifs, sans retour explicite des utilisateurs [26].
    • N400: est une autre catégorie de potentiels liés aux erreurs qui se manifestent par une activation négative 400 ms après le début du stimulus. N400 fait partie de la réponse du cerveau aux mots sémantiquement déviants (« Je voudrais prendre un café avec des bottes », N400 sera produit en réaction au mot « bottes »). Certains autres types de stimuli, comme les stimuli audio, pourraient également provoquer une réponse N400. [27].
  3. Potentiels évoqués à l'état d'équilibre (SSEP). Le stimulus est présenté de manière répétitive à des taux élevés afin que le cortex cérébral impliqué ne puisse pas revenir à son état de repos. Il existe plusieurs types de SSEP selon la localisation : visuel (VEP), auditif (AEP) et somatosensoriel (SEP). Les potentiels évoqués visuellement à l'état stable (SSVEP) sont très souvent utilisés dans les BCI : l'utilisateur regarde une cible qui clignote à une certaine fréquence, par ex. 15 Hz. Cela provoque une succession rapide de potentiels d'action dans le cortex visuel, dont certains sont à la même fréquence que la stimulation [1]. Par exemple, dans un cadre synchrone standard, les systèmes SSVEP peuvent atteindre des performances d'environ 83 % en termes de précision de classification [28, 29]. Les systèmes SSVEP asynchrones dans des travaux tels que [30] peuvent atteindre entre 67 (pour les essais 1s) et 91% (pour les essais 4s). Les systèmes hybrides combinant à la fois SSVEP et une autre modalité de contrôle (Eye-tracking, Motor Imagery) peuvent améliorer les performances du SSVEP seul [31].

Le tableau 3 résume les principales différences entre les paradigmes neuronaux présentés et les compare sur la base des précisions de classification observées dans certaines publications de travail connexes. Bien que nous fournissions les précisions de classification dans le tableau 3, celles-ci doivent être prises avec précaution car nous fournissons ici des pourcentages moyens, sinon en raison des différences dans le nombre de classes, le temps de formation, la durée des essais, la précision ne peut pas être utilisée comme mesure autonome pour comparer différents mécanismes et systèmes neuronaux qui les utilisent.

Chacun des trois principaux mécanismes neuronaux est présent avec l'un des exemples. Comparaison de différents mécanismes neuronaux sur la base des précisions de classification et du temps d'entraînement.

Bien que ERP, ERD/ERS et SSEP soient les mécanismes neuronaux les plus largement utilisés dans la plupart des systèmes BCI, ils ne sont toutefois pas limités à. Pour aller plus loin, il existe un travail récent existant qui étend les BCI en utilisant l'autorégulation d'une variété de mécanismes neuronaux différents au-delà de la convention [32, 33, 34].

Niveau d'abstraction 4 : Applications. Où et comment utiliser les BCI de nos jours ?

De nombreux non-spécialistes des BCI pensent que les BCI sont principalement utilisés comme technologie d'assistance, mais il existe de nombreuses applications pour les systèmes basés sur BCI qui intègrent cette technologie.

Jusqu'à présent, nous avons discuté des outils que nous devons utiliser pour acquérir l'activité cérébrale, quelles informations pouvons-nous acquérir et comment pouvons-nous les analyser. Voyons maintenant les exemples concrets des applications que nous avons actuellement. Nous avons analysé une centaine d'articles sur les BCI de 1985 à 2016, et regroupé les candidatures dans les 8 catégories suivantes :

  1. La communication. Généralement appelée communication oui/non, l'une des premières applications où les BCI ont été utilisées. Un exemple célèbre est un système appelé « Right Justified Box », dans lequel l'imagerie motrice a été utilisée pour choisir l'une des deux cibles [35].
  2. Dactylographie. La dactylographie est la deuxième application la plus ancienne pour les BCI et l'une des applications les plus courantes développées et utilisées de nos jours dans l'industrie BCI. L'une des approches les plus étudiées est la « matrice de Farwell-Donchin » [36]. La matrice est composée de lettres de l'alphabet et d'autres symboles qui sont flashés dans un ordre aléatoire afin de mesurer la réponse évoquée P300 (Fig 3). De nos jours, les systèmes qui utilisent la « Matrice Farwell-Donchin » nécessitent très peu ou pas de formation et peuvent atteindre jusqu'à 100 % de précision de classification.
  3. Surfer sur le web. Passer de la saisie au contrôle de l'ensemble du navigateur Web a été proposé par plusieurs groupes de recherche. Par exemple, « The Brain Browser » de [37] était basé sur l'imagerie motrice pour choisir les commandes telles que « suivant » et « précédent ».
  4. Manipuler. Dans cette catégorie d'applications, nous faisons référence aux applications qui sont utilisées pour manipuler directement (changer de vitesse, envoyer une commande pour tourner à gauche) les objets virtuels et/ou physiques, par ex. faire avancer un fauteuil roulant, sélectionner un élément dans un jeu vidéo, etc. Voici deux exemples :
    1. Véritable tâche de pilotage de robot. De [38]. Un utilisateur est capable de contrôler un vrai drone robot en effectuant mentalement les tâches suivantes : le faire monter en imaginant le mouvement des deux mains descendre en imaginant le mouvement des deux pieds et ainsi de suite. Le système a atteint une précision d'environ 95% après une période de formation de 2 mois. D'autres exemples de contrôle de robot incluent [39].
    2. Contrôle d'appartement virtuel. [40] a introduit un système pour contrôler un appartement virtuel, où les commandes et actions possibles étaient présentées sous la forme étaient présentées sur un écran sous la forme de « Matrice Farwell-Donchin » et les bordures des images étaient flashées pour déclencher le P300 réponse évoquée. Le système a atteint une précision de 95% avec 4 options différentes.
    1. Demande d'engagement de lecture de [51], où un utilisateur lit un texte, et à un moment donné le texte est perçu par l'utilisateur comme ennuyeux (mesuré avec un BCI), une vidéo liée au texte actuel apparaîtra, afin d'attirer l'attention de l'utilisateur à ce qu'il lit.
    2. [3] a détecté les périodes de ennui ou surcharge dans l'ordre d'adapter la tâche à l'utilisateur d'un instant à l'autre. Dans leur expérience, les participants ont effectué une tâche de planification de trajectoire pour plusieurs véhicules aériens sans pilote (UAV) dans une simulation. En fonction de leur état mental, la difficulté de la tâche variait en ajoutant ou en supprimant des drones et les auteurs ont constaté qu'il était possible de réduire les erreurs de 35 % par rapport à une condition de base.
    3. Systèmes de notification. Le système Phylter de [52] a utilisé l'état cognitif de l'utilisateur et les informations fournies par l'utilisateur afin de décider de transmettre ou non le message de notification en fonction de la priorité spécifiée du message et de la prédiction de l'interruptibilité de l'utilisateur.
    4. Formation à la méditation. [53] ont proposé une étude avec un groupe de sujets pratiquant la méditation et un groupe témoin de sujets, qui n'effectuaient pas cette tâche. Les sujets effectuant la méditation, ont montré une présence d'un ERD de rythme bêta pendant l'état de repos. Ce DRE n'a pas été trouvé dans le groupe témoin.
    5. les BCI en tant que un outil pour accéder à l'UX. [54] ont proposé d'utiliser les BCI basés sur l'EEG comme outil d'évaluation lors des expériences HCI, en accédant à la charge de travail mentale, à l'attention et à la reconnaissance des erreurs d'interaction de l'utilisateur.

    Ces exemples illustrent la grande variété des systèmes qui utilisent BCI : les différentes applications : de la manipulation d'un drone en environnement physique aux changements d'interface pour s'adapter au niveau de charge de travail des utilisateurs les différentes manières d'obtenir le contrôle du système ( imaginer un mouvement vs ne réaliser aucune action particulière), la variété des plateformes sur lesquelles les BCI sont utilisés (robots réels vs environnement virtuel). Comment pouvons-nous prendre cette grande diversité de systèmes et les raisonner de manière significative et concevoir dans leur espace ? Pour répondre à cette question, nous présentons d'abord une revue des taxonomies du HCI et du BCI, pour voir comment les chercheurs les raisonnent jusqu'à présent.


    Voir la vidéo: Dans quelle mesure lévaluation du transfert des connaissances est-elle possible? (Novembre 2021).