L’IRMf à partir de l’EEG n’est éloignée que par l’apprentissage profond : l’utilisation de l’apprentissage profond interprétable pour dévoiler les relations EEG-IRMf

L’accès à l’activité des structures sous-corticales offre une opportunité unique pour concevoir des interfaces cerveau-machine dépendantes de l’intention, élargit considérablement les possibilités d’exploration de divers phénomènes cognitifs en neurosciences affectives, notamment les processus décisionnels complexes et le dilemme éternel de la liberté de volonté, tout en facilitant le diagnostic de nombreuses maladies neurologiques. Jusqu’à présent, cette possibilité n’était réalisable qu’à l’aide d’équipements lourds, coûteux et immobiles tels que les appareils d’IRMf (IRM fonctionnelle). Dans cet article, nous proposons une solution interprétable fondée sur un domaine spécifique pour reconstruire l’activité de plusieurs régions sous-corticales à partir de données EEG multicanal, et démontrons une corrélation allant jusqu’à 60 % entre le signal réel de saturation en oxygène sanguin dépendant du niveau d’activité (sBOLD) sous-cortical et son homologue dérivé de l’EEG. Ensuite, en utilisant une nouvelle méthodologie d’interprétation des poids, théoriquement justifiée, nous identifions les motifs spatiaux et temporels-fréquentiels spécifiques à chaque individu sur le scalp EEG, prédictifs du signal hémodynamique dans les noyaux sous-corticaux. Ces résultats ne seulement ouvrent la voie à des capteurs portables de l’activité sous-corticale, mais illustrent également un processus automatisé de découverte de connaissances, rendu possible par la combinaison de technologies d’apprentissage profond, d’une architecture contrainte par le domaine interprétable et d’une tâche descendante appropriée.