Les EEG de l’étape prémotrice aident les interfaces cerveau-ordinateur à reconnaître l’intention de mouvement

Contexte et objectifs de la recherche

L’interface cerveau-ordinateur (Brain-Computer Interface, BCI) est une technologie qui traduit directement les intentions humaines à partir de signaux nerveux pour contrôler des dispositifs, et possède un avenir prometteur dans divers domaines [1]. La BCI pourrait transformer la vie quotidienne, le divertissement, la communication, la rééducation et l’éducation. Cependant, les BCI basées sur les intentions motrices font actuellement face à plusieurs défis, notamment le fait que les caractéristiques EEG de l’étape prémotrice sont peu marquées et facilement influencées par l’attention, ce qui limite l’amélioration des performances des BCI motrices.

Dans ce contexte, Yuxin Zhang, Mengfan Li, Haili Wang, Mingyu Zhang et Guizhi Xu (auteur correspondant) de l’Institut des sciences de la santé et de l’ingénierie biomédicale de l’Université industrielle de Hebei, du Laboratoire clé national de la fiabilité et de l’électrification intelligente, et du Laboratoire clé des technologies biomédicales électromagnétiques et de la santé intelligente de Tianjin ont mené une étude sur l’intégration de l’état de préparation dans le codage prémoteur et la validation de sa faisabilité dans l’amélioration de la détection des intentions motrices. Leurs résultats ont récemment été publiés dans le Journal XX.

Méthodologie de recherche et déroulement de l’expérience

Cette étude a conçu deux tâches boutons pour induire les sujets à entrer dans un état de préparation à l’intention motrice (gauche ou droite) sous guidage visuel. L’expérience a été menée avec 14 participants (3 femmes et 11 hommes, droitiers, âgés entre 23 et 28 ans). Le déroulement de l’expérience comprenait deux sous-expériences: prémoteur spontané et prémoteur préparé.

Conception de l’expérience et collecte de données

1. Expérience prémotrice spontanée : Après 3 secondes de relaxation, les participants pouvaient appuyer sur un bouton du clavier à tout moment dans un délai de 10 secondes. Chaque pression de touche était suivie de 2 secondes de repos, avec un total de 60 pressions du doigt gauche et 60 pressions du doigt droit.
2. Expérience prémotrice préparée : Après 3 secondes de relaxation, une flèche gauche ou droite apparaissait à l’écran, indiquant la direction du mouvement suivant. La flèche était affichée pendant 1 seconde avant de se transformer en une barre de progression qui atteignait 100 % en 2 secondes, moment auquel les participants devaient appuyer sur le bouton avant de reposer pendant 2 secondes, pour un total de 120 essais (60 pour la main gauche, 60 pour la main droite).

Ces expériences ont été menées dans des environnements calmes, les signaux EEG étant enregistrés par un amplificateur EEG sans fil portable à 64 électrodes. Diverses techniques de traitement des signaux (telles que l’analyse en composantes indépendantes et la référence moyenne commune) ont été utilisées pour éliminer les artefacts et le bruit.

Extraction des caractéristiques et classification

L’étude a évalué les potentiels cortico-moteurs liés au mouvement (MRCPs) et la désynchronisation liée à l’événement (ERD) en fréquence élevée à partir des données EEG, en utilisant les algorithmes de tâche de modèle spatial (TR-CSP) et de modèle spatial commun (CSP) pour fusionner et analyser les différentes caractéristiques. L’étude a également comparé les différences en termes de domaine temporel, de domaine fréquentiel et de précision de classification sous différentes conditions prémotrices.

Principaux résultats de la recherche

Caractéristiques des MRCPs

L’étude a révélé que l’étape prémotrice préparée déclenchait une amplitude plus faible et une latence plus courte dans le cortex moteur contralatéral et ipsilatéral. Le phénomène de dominance contralatérale était évident, surtout dans les MRCPs à basse fréquence, montrant une différence significative dans les niveaux d’activation des régions cérébrales de gauche et de droite.

Caractéristiques de l’ERD

Dans le domaine fréquentiel, les valeurs ERD induites par l’étape prémotrice préparée étaient plus faibles et revenaient rapidement à la ligne de base après la pression de touche. Les courbes temps-fréquence des bandes Alpha et Bêta montraient que l’étape prémotrice préparée revenait plus rapidement à la ligne de base, reflétant des caractéristiques ERD plus marquées.

Performance de classification

L’étude a montré que la précision de classification sous la condition prémotrice préparée avait augmenté à 83,59 %, comparée à 78,92 % sous la condition prémotrice spontanée, cette augmentation étant statistiquement significative (p,05). De plus, la variance standard a baissé de 0,95 à 0,68, indiquant que cette méthode est plus largement applicable et plus stable entre différents sujets.

Conclusions et significations de la recherche

Cette étude a validé que l’intégration de l’état de préparation dans le codage prémoteur, comparé au codage prémoteur spontané traditionnel, améliore significativement les représentations neuronales prémotrices. Cette méthode améliore non seulement les performances de détection des BCI motrices, mais élargit également la gamme des intentions motrices décodables, ayant ainsi une grande valeur applicative.

Points forts de la recherche

1. Nouvelle méthode de codage : L’intégration de l’état de préparation renforce significativement les représentations neuronales prémotrices, offrant de nouvelles perspectives pour améliorer l’exactitude des BCI.
2. Stabilité inter-sujets : Cette méthode montre une stabilité et une applicabilité accrues entre différents sujets, proposant une nouvelle solution pour les problèmes d’instabilité des BCI.
3. Valeur pratique : Les résultats montrent que la nouvelle méthode est applicable non seulement dans le domaine de la rééducation, mais aussi qu’elle a le potentiel d’étendre l’application des BCI motrices.

Cette recherche montre que l’intégration de l’état de préparation dans le codage prémoteur peut améliorer non seulement la précision et la stabilité de classification, mais aussi ouvrir de nouvelles possibilités pour les applications BCI, ayant une grande signification scientifique et une valeur pratique.