Fusion de données pour la classification d’action à partir du signal EEG seul

L'objectif de ce doctorat est de prouver qu'il est possible de détecter et de classifier différentes actions, réalisées par le porteur d'un dispositif de mesure des signaux cérébraux, à partir de ces signaux.De plus, il nous tient à cœur d'inscrire ce travail de recherche dans un contexte réaliste et le plus proche possible de la réalité. Pour ce faire, nous travaillerons au développement de matériels efficients, à coût efficace.Nous mettrons en place des méthodologies adaptées et adaptatives pour maximiser la reproductibilité de notre travail.Nous travaillerons à partir de signaux EEG du sujet et développerons des systèmes fournissant une vérité de terrain forte pour lier les actions qu'il entreprend aux signaux mesurés. Ce lien nous permettra d'analyser avec précision les patterns conduisant invariablement à une action spécifique.Nous utiliserons ces patterns pour développer des algorithmes de classification, utilisant la robustesse des ondelettes ou les performances des méthodes d'apprentissage machine, nous réussirons à la fois à différencier certaines actions, mais aussi dans certains cas à les caractériser.Dans cette thèse, nous commençons dans le Chapitre 2 par nous intéresser au cerveau, l'organe de contrôle de l'ensemble du corps humain et plus particulièrement responsable de toutes nos actions, et par définition nos mouvements, nous rappellerons les principes de base de la cognition et de la neurologie nous ayant permis de lier l'étude des signaux cérébraux avec les mouvements qu'ils produisent.Puis dans le Chapitre 3, nous aborderons les outils que nous avons mis en place afin de mesurer les dits signaux, ainsi que les protocoles d'acquisition que nous avons créés pour permettre la mise sur pied de bases de données conséquentes qui permettront de valider nos théories.Le Chapitre 4 se concentrera sur les clignements de yeux comme preuve de concept d'un lien identifiable entre signaux EEG et action concrètes, nous utiliserons les ondelettes pour détecter et caractériser ces événements.Enfin, le Chapitre 5 se concentrera sur la mesure des mouvements du sujet et exploitera les possibilités de l'apprentissage machine pour faire le lien entre ses mouvements et les signaux EEG qui les commandent.Ces recherches sont motivées et rendues possible par la démocratisation des technologie d'exploration fonctionnelle cérébrale, depuis plusieurs années la barrière entre sciences et la fiction rétrécie au point d'avoir permis des applications ludiques à des technologies qui étaient jusqu'alors réservées aux contextes de recherche. Cette démocratisation technique s'accompagne aussi d'une démocratisation économique et nous avons fait le choix de l'encourager en basant notre matériel sur des projets open sources existants ou en les créant au besoin.Enfin et pour appuyer cette démocratisation, nous avons eu la volonté de sortir totalement ces recherches du cadre clinique, bien que les applications possibles à nos méthodes n'y soient pas étrangères.La démocratisation des technologies d'apprentissage machine nous permet aussi d'utiliser ces méthodes pour accéder à une classification des signaux cérébraux du porteur efficace, tant du point de vue des résultats que du temps de traitement, ces méthodes nous permettent d'obtenir une décidabilité en temps pseudo-réel, c'est-à-dire un temps de calcul négligeable une fois les signaux chargés en mémoire.Notre travail portera principalement sur les méthodologies à employer pour obtenir des résultats satisfaisants, une de nos volontés principales concerne la reproductibilité de ces méthodes, c'est aussi l'un des points nous ayant poussé à sortir du domaine clinique. Pour y arriver, nous avons choisi de travailler avec des matériels à coûts efficaces de sorte à ce que tout un chacun puisse trouver ou a minima reproduire les matériels que nous avons employés.