Bien que les interfaces cerveau-ordinateurs (BCI – Brain-Computer Interfaces en anglais) aient démontrées leur énorme potentiel dans de nombreuses applications, elles demeurent principalement des prototypes, pas encore utilisés en dehors des laboratoires. Ceci est due principalement à leurs limites suivantes :
- Performances : la faible précision de classification obtenue avec des BCI les rend difficile à utiliser voir simplement inutile par rapport à des interfaces alternatives existantes
- Stabilité et robustesse : la sensibilité des signaux ElectroencéphaloGraphiques (EEG) aux bruit et leur non-stationarité inhérente rendent les performances déjà faibles des BCI difficiles à maintenir au cours du temps
- Temps de calibration : le besoin d’adapter la BCI aux signaux EEG de chaque utilisateur rend leurs temps de calibration long.
Dans nos recherches sur les BCI exploitant l’EEG, nous cherchons notamment à corriger ces défauts en concevant des algorithmes de traitement des signaux EEG robustes et avec des temps de calibration courts, afin de créer des BCI pratiques, utilisables et utiles en dehors des laboratoires. Dans ce but, nous explorons des caractéristiques EEG alternatives (ex: complexité, connectivité, etc) et des filtres spatiaux robustes, à la fois pour de la classification et de la regression, afin de rendre les BCI plus résistants au bruit, aux non-stationarités ainsi que plus précis. Nous explorons également des techniques de génération artificielle de signaux EEG ainsi que du transfert de données d’utilisateur à utilisateur afin de réduire les temps de calibration. Plus récemment, nous nous intéressons à la géométrie Riemannienne pour rendre les BCI encore plus robustes.
Sélection de publications sur ce sujet
Conception de BCI robustes based sur la géométrie Riemannienne:
- F. Yger, M. Bérar, F. Lotte, « Riemannian approaches in Brain-Computer Interfaces: a review », IEEE Transactions on Neural System and Rehabilitation Engineering, 2017 – pdf
- F. Yger, F. Lotte, M. Sugiyama, « Averaging covariance matrices for EEG signal classification based on the CSP: an empirical study« , EUSIPCO 2015 – pdf
Reduction du temps de calibration des BCI:
- F. Lotte, « Signal processing approaches to minimize or suppress calibration time in oscillatory activity-based Brain-Computer Interfaces », Proceedings of the IEEE, vol. 103, no. 6, pp. 871-890, 2015 – pdf
- F. Lotte, « Generating Artificial EEG Signals To Reduce BCI Calibration Time« , 5th International Brain-Computer Interface Workshop, Graz, pp. 176-179, 2011 – pdf
Conception de filtres spatiaux robustes par regularisation:
- A. Meinel, F. Lotte, M. Tangermann, « Tikhonov Regularization Enhances EEG-based Spatial Filtering for Single Trial Regression », 7th international BCI conference, 2017
- F. Lotte, C.T. Guan, « Regularizing Common Spatial Patterns to Improve BCI Designs: Unified Theory and New Algorithms« , IEEE Transactions on Biomedical Engineering, vol. 58, no. 2, pp. 355-362, 2011 – pdf
Exploration de caractéristiques alternatives:
- N. Caramia, F. Lotte, S. Ramat, “Optimizing spatial filter pairs for EEG classification based on phase synchronization”, International Conference on Audio, Speech and Signal Processing (ICASSP’2014), pp. 2049-2053, 2014 – pdf
- F. Lotte, « A new feature and associated optimal spatial filter for EEG signal classification: Waveform Length », International Conference on Pattern Recognition (ICPR’2012), pp. 1302-1305, 2012 – pdf
- N. Brodu, F. Lotte, A. Lécuyer, « Exploring Two Novel Features for EEG-based Brain-Computer Interfaces: Multifractal Cumulants and Predictive Complexity« , Neurocomputing, vol. 79, no. 1, pp. 87-94, 2012, – pdf – code
