Interface Cerveau-Machine (Brain-Computer Interface, BCI) : Développements et Applications en Imagerie Motrice EEG

L’interface cerveau-machine (Brain-Computer Interface, BCI) a progressé rapidement ces dernières années et est considérée comme une technologie de pointe permettant de contrôler des dispositifs externes directement par le cerveau, sans passer par les nerfs périphériques et les muscles. En particulier, dans les applications d’électroencéphalographie (Electroencephalography, EEG) en imagerie motrice (Motor Imagery, MI), la technologie BCI a montré un potentiel énorme. En analysant les signaux EEG d’imagerie motrice, il est possible d’aider les patients souffrant de troubles physiques ou de dégénérescence neuromusculaire à améliorer leur qualité de vie. Cependant, en raison des différences inter-individuelles ainsi que de la stabilité de l’activité cérébrale, du faible rapport signal-bruit (Signal-to-Noise Ratio, SNR), etc., extraire des caractéristiques efficaces des signaux EEG complexes pour améliorer la précision des systèmes de classification MI-EEG reste un défi important.

Dans la classification MI-EEG, l’extraction et la représentation des caractéristiques sont cruciales pour les performances de classification. Les méthodes d’extraction de caractéristiques couramment utilisées, telles que le modèle spatial commun (Common Spatial Pattern, CSP), le modèle spatial commun en sous-bandes (Sub-band CSP, SBCSP), le modèle spatial commun basé sur la banque de filtres (Filter Bank CSP, FBCSP), bien que efficaces, se concentrent généralement sur les caractéristiques énergétiques de l’EEG et ne parviennent pas à extraire des caractéristiques très discriminatives du signal brut. De plus, ces méthodes manquent de considération pour les informations profondes des signaux EEG dans les domaines temporel, fréquentiel et spatial, ce qui limite leurs performances de décodage.

Pour résoudre ces problèmes, les chercheurs de cette étude ont proposé un algorithme de coefficient de corrélation d’attention temporelle-spectrale basé sur la transformation en ondelettes (Wavelet-based Temporal-Spectral-Attention Correlation Coefficient, WTS-CC). En prenant en compte simultanément les caractéristiques des signaux EEG dans les domaines spatial, canalaire, temporel et spectral ainsi que leur pondération, cet algorithme améliore significativement la précision de la classification MI-EEG.

Méthodes de recherche et workflow

Workflow de recherche

Cette étude comprend les modules principaux suivants : 1. Module d’extraction des caractéristiques temporelles initiales (Initial Temporal Feature Extraction, ITFE) 2. Module d’attention profonde des canaux EEG (Deep EEG-Channel-Attention, DEC) 3. Module d’attention temporelle-spectrale basé sur les ondelettes (Wavelet-based Temporal-Spectral-Attention, WTS) 4. Module de discrimination

Module d’extraction des caractéristiques temporelles initiales (ITFE)

Dans la classification MI-EEG, extraire davantage d’informations caractéristiques des signaux EEG est crucial pour améliorer la précision de la classification. Le module ITFE extrait directement les caractéristiques préliminaires des signaux EEG bruts à l’aide de différents opérateurs de convolution de tailles variées. Pour maximiser les performances d’extraction des caractéristiques, les chercheurs ont conçu trois noyaux de convolution de tailles différentes (1×3, 1×5, 1×11) pour extraire plus de caractéristiques riches par le biais d’une convolution temporelle, permettant au modèle de capturer des caractéristiques à différentes échelles temporelles.

Module d’attention profonde des canaux EEG (DEC)

Bien que l’extraction de caractéristiques plus riches soit utile pour les tâches de classification MI, ces informations peuvent souvent inclure beaucoup d’informations non pertinentes ou redondantes. Le module DEC, basé sur le mécanisme de Squeeze-and-Excitation (SE), ajuste automatiquement les pondérations de chaque canal EEG en renforçant les canaux importants et en supprimant les moins significatifs. Grâce à ce processus, le module DEC améliore significativement la qualité de l’extraction des caractéristiques et aide à renforcer les caractéristiques plus discriminatives.

Module d’attention temporelle-spectrale basé sur les ondelettes (WTS)

Les signaux EEG présentent des caractéristiques de séries temporelles dont les composants fréquentiels varient avec le temps. Le module WTS introduit la transformation en ondelettes et la statistique t indépendante pour pondérer les caractéristiques entre les représentations temporelles et spectrales, capturant les caractéristiques discriminantes plus significatives. Dans ce processus, les signaux EEG sont d’abord convertis en représentation temporelle-spectrale par la transformation en ondelettes continues (Continuous Wavelet Transform, CWT), puis la statistique t indépendante évalue la signification des différences de caractéristiques entre différentes tâches MI. Le module WTS améliore efficacement les caractéristiques temporelles-spectrales distinctes entre différentes tâches MI.

Module de discrimination

L’étude utilise le coefficient de corrélation pour la discrimination MI-EEG. En évaluant la corrélation entre les échantillons de test et les cartes des caractéristiques temporelles-spectrales moyennes (TTSFMs) des différentes tâches MI dans l’ensemble d’entraînement, le module de discrimination peut réaliser une classification des tâches MI efficace et précise. Par rapport aux modèles d’apprentissage profond traditionnels, la méthode du coefficient de corrélation est plus simple et moins sujette à l’overfitting.

Résultats de recherche

Description des jeux de données

L’étude a utilisé trois jeux de données de compétition BCI publics pour vérifier l’efficacité de la méthode proposée : 1. Le jeu de données 2a de la BCI Competition IV, contenant les signaux EEG de 9 sujets, couvrant quatre types de tâches MI (main gauche, main droite, pieds et langue). 2. Le jeu de données 2b de la BCI Competition IV, contenant les signaux EEG de 9 sujets, couvrant deux types de tâches MI (main gauche et main droite). 3. Le jeu de données Track#1 de la compétition internationale BCI 2020, contenant les signaux EEG de 20 sujets, couvrant deux types de tâches MI (main gauche et main droite).

Indicateurs d’évaluation

L’étude a utilisé la validation croisée à dix plis pour tester chaque jeu de données et a évalué les performances de la méthode à l’aide de quatre indicateurs : précision (Accuracy), coefficient kappa de Cohen (Kappa), F1 Score et aire sous la courbe ROC (AUC). Les résultats expérimentaux indiquent que le WTS-CC surpassait toutes les méthodes de pointe actuelles sur tous les indicateurs pour les trois jeux de données.

Comparaison avec les méthodes existantes

Comparé à 12 autres méthodes de classification EEG récentes (y compris Shallow ConvNet, Deep ConvNet, CP-MixedNet, TS-SEFFNet, etc.), le WTS-CC a obtenu la meilleure précision moyenne (81,45%), le coefficient kappa (0,752), le F1 Score et l’AUC dans le jeu de données 2a de la BCI Competition IV, démontrant une supériorité significative.

Dans le jeu de données 2b de la BCI Competition IV, le WTS-CC a également montré la meilleure précision moyenne, confirmant son efficacité et utilité dans la discrimination MI-EEG.

De plus, le WTS-CC a atteint une précision moyenne de 83,31% sur le Track#1 de la compétition internationale BCI 2020, montrant d’excellentes performances même dans des situations d’apprentissage avec peu d’échantillons.

Évaluation des performances des composants et expériences d’ablation

En étudiant davantage l’impact des modules DEC et WTS sur la performance globale du système, les chercheurs ont découvert que le module DEC améliore efficacement les performances de classification par le biais du mécanisme d’attention, tandis que le module WTS augmente significativement la précision de classification grâce à la pondération des caractéristiques temporelles-spectrales. Les résultats des expériences d’ablation indiquent qu’en l’absence du module DEC, la précision moyenne de classification chute à 55,49%, soulignant l’importance de ce module.

Conclusion

Grâce à la méthode WTS-CC proposée dans cette étude, l’équipe de recherche a réalisé une amélioration significative des performances de classification MI-EEG sur plusieurs jeux de données publics diversifiés, résolvant de nombreux problèmes des méthodes traditionnelles. Le WTS-CC montre un grand potentiel pour améliorer la précision de classification MI-EEG parce qu’il combine les caractéristiques des domaines spatial, canalaire, temporel et spectral ainsi que leur pondération, permettant d’extraire et d’améliorer efficacement les caractéristiques discriminantes.

À l’avenir, l’équipe de recherche prévoit d’améliorer et d’étendre le modèle WTS-CC pour des applications en discrimination adaptative. En outre, l’application des techniques d’apprentissage par transfert (Transfer Learning) à cette méthode pourrait encore améliorer son applicabilité et sa capacité de généralisation dans les systèmes BCI réels.