Basé sur l’apprentissage profond pour la classification des EEG d’imagerie motrice en utilisant la connectivité fonctionnelle de l’imagerie des sources corticales

Contexte et motivations de la recherche

Les interfaces cerveau-ordinateur (ICO) sont des systèmes qui permettent de décoder directement et de transmettre des informations sur l’activité cérébrale sans dépendre des voies nerveuses et des muscles, facilitant ainsi la communication ou le contrôle des dispositifs externes. Parmi les signaux utilisés dans les systèmes ICO, on trouve l’électroencéphalographie (EEG), la magnétoencéphalographie (MEG) et l’imagerie par résonance magnétique fonctionnelle (IRMf). L’EEG est le signal le plus couramment utilisé en raison de ses avantages non invasifs, de sa facilité de mise en œuvre, de son faible coût et de l’absence de défis éthiques.

L’imagerie motrice (Motor Imagery, MI) est un paradigme important des ICO. En l’absence de stimulation, les tâches d’imagerie motrice génèrent spontanément des signaux EEG d’imagerie motrice (MI-EEG). Les signaux MI-EEG peuvent contenir des représentations des modèles d’activité neuronale du cortex moteur pendant l’intention de mouvement. Décoder ces signaux est donc devenu un sujet de recherche populaire pour permettre le contrôle mental des dispositifs externes via des systèmes ICO.

Les méthodes actuelles de classification des MI-EEG impliquent diverses techniques d’extraction de caractéristiques et des méthodes d’apprentissage automatique. Cependant, ces méthodes nécessitent encore des améliorations en termes de précision de classification et d’adaptation des modèles interindividuels. Cet article propose un nouvel algorithme de classification des MI-EEG basé sur le domaine source pour résoudre ces problèmes.

Sources de l’étude

Cet article intitulé “Deep-learning-based motor imagery EEG classification by exploiting the functional connectivity of cortical source imaging” a été rédigé par Bian Doudou, Ma Yue, Huang Jiayin, Xu Dongyang, Wang Zhi, Cai Shengsheng, Wang Jiajun et Hu Nan. L’article a été publié en ligne le 10 février 2024 dans le journal «Signal, Image and Video Processing». La recherche a reçu l’autorisation exclusive de Springer-Verlag London Ltd., faisant partie de Springer Nature.

Description détaillée de l’étude

Processus de recherche

Le processus de travail de cette étude comprend les étapes suivantes:

1. Imagerie des sources électrophysiologiques (ESI) débruitée à haute résolution spatiale: Utilisation de l’algorithme Champagne avec auto-apprentissage du bruit pour générer une imagerie des sources corticales à haute résolution spatiale.
2. Mesure de la connectivité fonctionnelle: Calcul de la cohérence imaginaire (ICoh) dans le cortex moteur afin de former une structure de graphe de l’espace des sources corticales pendant la période de MI.
3. Réseau de convolution de graphes (GCN): Utilisation de la structure de graphe construite à partir de l’ICoh pour construire un GCN afin d’extraire des caractéristiques spatiales.
4. Réseau de convolution temporelle (TCN): Extraction des caractéristiques temporelles multi-échelles à l’aide de TCN et du mécanisme d’attention multi-têtes, basé sur le mécanisme d’attention spatiale de GCN pour l’interaction des caractéristiques spatiales et temporelles.
5. Combinaison des caractéristiques et classification: Combinaison de toutes les caractéristiques extraites pour obtenir les résultats de classification finaux.

Sujets et échantillons de l’étude

L’étude utilise le jeu de données PhysioNet EEG Motor Movement/Imagery, qui contient 109 sujets. Chaque sujet effectue 14 sessions de tâches MI, avec plusieurs MI effectuées dans chaque session.