Redéfinir les Interfaces Cerveau-Ordinateur pour permettre à leurs utilisateurs d’en maitriser le contrôle – REBEL

Pour redéfinir l'entrainement utilisateur en BCI, nous allons tout d’abord chercher à comprendre et modéliser l’acquisition de la compétence BCI, d’un point de vue neurophysiologique. En d’autres termes, nous allons chercher à identifier quelles sont les caractéristiques EEG qui définissent des motifs ElectroEncéphaloGraphique (EEG) correctement reconnus par la BCI, et comment elles évoluent avec l’apprentissage. Ensuite, nous proposerons de nouveaux outils de traitement des signaux EEG pour quantifier en temps réel ces caractéristiques EEG. Cela nous permettra d’identifier des objectifs à atteindre avec l’entrainement aux BCI et un moyen de quantifier et de guider les progrès de l’utilisateur. Nous combinerons ensuite ces nouvelles caractéristiques EEG et les modèles d’apprentissage BCI avec des principes d’apprentissage humain et de psychologie de l’éducation afin de proposer de nouveaux feedback et de nouvelles tâches d’apprentissage, pour améliorer radicalement l’entrainement aux BCI. Nous proposerons notamment des tâches d’entrainement adaptatives et adaptées et fournirons aux utilisateurs un feedback explicatif (indiquant ce qui est bon ou mauvais dans le motif EEG produit) exploitant nos nouvelles caractéristiques EEG. Finalement, nous évaluerons de manière intensive nos nouvelles BCI, tout d’abord sur des utilisateurs en bonne santé, puis sur quelques utilisateurs en situation de handicap moteur. Globalement, notre objectif est de concevoir une nouvelle BCI permettant l’acquisition rapide de compétences BCI robustes.

Jusqu'à présent, en ce qui concerne la compréhension de l’apprentissage humain en BCI, nous avons effectué des états de l'art pour identifier les défis, pistes et outils les plus prometteurs pour améliorer celui-ci. Nous avons également effectué une modélisation des facteurs impactant les performances de contrôles de BCI basées sur l'imagination mentale. Ce modèle identifie notamment trois grandes catégories de facteurs: les habiletés spatiales, les habiletés attentionnelles et l’acceptation de la technologie. Il identifie les liens entre ces facteurs et comment ceux-ci pourraient être manipulés. Nous avons aussi proposé un cadre pour concevoir des BCI s'adaptant à l'utilisateur, notamment afin de rendre l'entraînement plus efficace, en prenant en compte les facteurs ci-dessus. Enfin, nous avons défini de nouvelles mesures de performance pour étudier et quantifier les capacités de contrôle des BCI de l’utilisateur, et comment elles évoluent.

En ce qui concerne l’amélioration de l’entrainement humain, nous avons investigué des entraînements et feedback prenant en compte certains facteurs de notre modèle de contrôle BCI. Nous avons en particulier mis au point, testé et validé un entraînement permettant d'améliorer les habiletés spatiales. Notre modèle révèle aussi que les utilisateurs anxieux et peu autonomes ont généralement de moins bonnes performances en BCI. Pour remédier à cela, nous avons développé un compagnon d'apprentissage qui fournit un feedback social et émotionnel, sous forme d'encouragements et suggestions orales avec des expressions faciales d'émotions. Intégrer ce compagnon a un entraînement BCI, a permis d'améliorer l'expérience utilisateur. Enfin, notre modèle montre que moins l’utilisateur se sent en contrôle moins ses performances sont élevées. Nous avons donc proposé un feedback adaptatif, qui fait varier la difficulté perçue pour améliorer la sensation de contrôle.

Les prochaines étapes consistent à poursuivre les analyses débutées sur l’entrainement des habilités spatiales et à évaluer l’impact d’un feedback biaisé et/ou tactile sur les performances BCI (les expériences sont terminées, les analyses en cours). Nous explorons aussi un autre facteur du modèle afin d’améliorer les performances BCI : l’attention. Nous cherchons des marqueurs dans les signaux EEG d’attention, afin de fournir ensuite un feedback ou un entrainement attentionnel. Nous sommes enfin sur le point de lancer des études de l’utilisation de nos protocoles d’entrainement sur des patients post-AVC (Accident Vasculaire Cérébrale), avec l’hôpital de Bordeaux. Enfin nous prévoyons aussi d’explorer de nouveau contenu pour le feedback moteur en BCI, basé sur une localisation plus précise et pertinente du cortex moteur, pour un apprentissage plus efficace.

Journaux:

C. Jeunet, F. Lotte, J.-M. Batail, P. Philip, J.-A. Micoulaud-Franchi, “How to improve clinical neurofeedback using a human-factor centered standpoint? A short review of the insights provided by the literature on BCI”, Neuroscience, 2017

F. Yger, M. Bérar, F. Lotte, « Riemannian approaches in Brain-Computer Interfaces: a review », IEEE Transactions on Neural System and Rehabilitation Engineering, 2017

M. Arns et al, « Neurofeedback: one of today’s techniques in psychiatry? », L’Encéphale, 2017

Chavarriaga, M. Fried-Oken, S. Kleih, F. Lotte, R. Scherer, « Heading for new shores! Overcoming pitfalls in BCI design », Brain-Computer Interfaces, pp. 1-14, 2016

Conférences:

C. Jeunet, B. N’Kaoua & F. Lotte, “Towards a cognitive model of MI-BCI user training”, Int. BCI Conf., 2017

F. Lotte, C. Jeunet, “Online classification accuracy is a poor metric to study mental-imagery based BCI user learning: An experimental demonstration and new metrics”, Int. BCI Conf., 2017

L. Pillette, C. Jeunet, B. Mansencal, R. N’Kambou, B. N’Kaoua, F. Lotte, “PEANUT : Personalised Emotional Agent for Neurotechnology User-Training”, Int. BCI Conf., 2017

J. Mladenovic, J. Frey, M. Bonnet-Save, J. Mattout, F. Lotte, « The Impact of Flow in an EEG-based Brain Computer Interface », Int. BCI Conf., 2017

S. Teillet, F. Lotte, B. N’Kaoua, C. Jeunet, « Towards a Spatial Ability Training to Improve Motor Imagery based Brain-Computer Interfaces (MI-BCIs) Performance: a Pilot Study« , IEEE SMC, 2016

Chapitres de livre:

Lotte, CS Nam, A Nijholt, “Evolution of Brain-Computer Interfaces”, BCI Handbook, Taylor & Francis, 2018

J Mladenovic, J Mattout, and F Lotte, “A Generic Framework for Adaptive EEG-Based BCI Training and Operation”, BCI Handbook, Taylor & Francis, 2018

C Jeunet, S Debener, F Lotte, J Mattout, R Scherer, and C Zich, “Mind the Traps: Design Guidelines for Rigorous BCI Experiments”, BCI Handbook, Taylor & Francis, 2018

Les interfaces cerveau-ordinateur (BCI – de l’anglais “Brain-Computer Interfaces”) sont des systèmes de communication permettant à leurs utilisateurs d’envoyer des commandes à un ordinateur en utilisant uniquement leur activité cérébrale, celle-ci étant mesurée (typiquement par électroencéphalographie – EEG) et traitée par la BCI. Les BCI permettant de contrôler un ordinateur sans activité physique, elles pourraient révolutionner de nombreuses applications, notamment les technologies d’assistances pour les utilisateurs paralysés (ex : pour contrôler un fauteuil roulant) et l’interaction homme-machine (IHM). Malgré ce potentiel prometteur, les BCI sont encore à peine utilisées en dehors des laboratoires, à cause de leur mauvaise fiabilité. Par exemple, les BCI actuelles utilisant uniquement deux mouvements imaginés reconnaissent correctement moins de 80% des commandes mentales de l’utilisateur, en moyenne, tandis que de 10% à 30% des utilisateurs (en fonction du type de BCI) ne parviennent pas à contrôler la BCI du tout.
Concevoir une BCI fiable nécessite de la considérer comme un système co-adaptatif, avec l’utilisateur apprenant à produire des motifs d’activité cérébrale que la machine apprend à reconnaitre en utilisant du traitement du signal. En effet, contrôler une BCI est une compétence que l’utilisateur doit apprendre. La plupart des recherches actuelles se sont concentrées sur le traitement du signal. Cependant, l’entrainement de l’utilisateur est aussi essentiel mais 1) est à peine étudié et 2) les approches d’entrainement standards sont basées sur des heuristiques qui ne satisfont pas les principes d’apprentissage humain. Ainsi, la mauvaise fiabilité des BCI actuelles est très probablement due en grande partie à un entrainement utilisateur hautement sous-optimal.
Ainsi, pour obtenir des BCI avec une fiabilité bien meilleure, nous devons complètement repenser leurs aspects fondamentaux en algorithmique (traitement du signal) et en entrainement de l’utilisateur (feedback et tâches d’apprentissage). Nous proposons ainsi de créer une nouvelle génération de BCI qui appliquent des principes d’apprentissage humain pour s’assurer que les utilisateurs puissent apprendre des compétences de contrôle des BCI de haute qualité, bien meilleures que celles obtenues avec les systèmes actuels, rendant enfin les BCI fiables et robustes.
Pour ce faire, nous allons tout d’abord chercher à comprendre et modéliser l’acquisition de la compétence BCI, d’un point de vue neurophysiologique. En d’autres termes, nous allons chercher à identifier quelles sont les caractéristiques EEG qui définissent des motifs EEG correctement reconnus par la BCI, et comment elles évoluent avec l’apprentissage. Ensuite, nous proposerons de nouveaux outils de traitement des signaux EEG pour quantifier en temps réel ces caractéristiques EEG. Cela nous permettra d’identifier des objectifs à atteindre avec l’entrainement aux BCI et un moyen de quantifier et de guider les progrès de l’utilisateur. Nous combinerons ensuite ces nouvelles caractéristiques EEG et les modèles d’apprentissage BCI avec des principes d’apprentissage humain et de psychologie de l’éducation afin de proposer de nouveaux feedback et de nouvelles tâches d’apprentissage, pour améliorer radicalement l’entrainement aux BCI. Nous proposerons notamment des tâches d’entrainement adaptatives et adaptées et fournirons aux utilisateurs un feedback explicatif (indiquant ce qui est bon ou mauvais dans le motif EEG produit) exploitant nos nouvelles caractéristiques EEG. Finalement, nous évaluerons de manière intensive nos nouvelles BCI, tout d’abord sur des utilisateurs en bonne santé, puis sur quelques utilisateurs en situation de handicap moteur. Globalement, notre objectif est de concevoir une nouvelle BCI permettant l’acquisition rapide de compétences BCI robustes. Une telle BCI robuste pourrait effectivement changer positivement l’IHM, comme les BCI ont promis de le faire, mais échoué jusqu’à présent.