Décodage et interprétation des signaux corticaux à l’aide d’un réseau de neurones convolutif compact

Objectif. Les interfaces cerveau-machine (BCI) décodent des informations à partir de l’activité neuronale et les transmettent à des dispositifs externes. L’utilisation de méthodes d’apprentissage profond (Deep Learning) pour le décodage permet une ingénierie automatique des caractéristiques dans le cadre de la tâche de décodage spécifique. Une interprétation physiologiquement plausible des paramètres du réseau assure la robustesse des règles décisionnelles apprises et ouvre la voie passionnante à la découverte automatique de connaissances.Approche. Nous proposons une architecture compacte basée sur un réseau de convolution pour le décodage adaptatif des données électrocorticographiques (ECoG) en cinématique des doigts. Nous introduisons également une nouvelle approche théoriquement justifiée pour interpréter les poids spatiaux et temporels dans des architectures combinant une adaptation à la fois dans l’espace et le temps. Les motifs spatiaux et fréquentiels ainsi obtenus, caractérisant les populations neuronales essentielles à la tâche de décodage, peuvent ensuite être interprétés par ajustement de modèles spatiaux et dynamiques appropriés.Résultats principaux. Nous avons d’abord évalué notre solution à l’aide de simulations Monte-Carlo réalistes. Ensuite, appliquée aux données ECoG du jeu de données de la compétition Berlin BCI IV, notre architecture a atteint des performances comparables à celles des gagnants de la compétition, sans nécessiter d’ingénierie explicite des caractéristiques. En utilisant l’approche proposée pour l’interprétation des poids du réseau, nous avons pu révéler les motifs spatiaux et spectraux des processus neuronaux sous-jacents au décodage réussi de la cinématique des doigts à partir d’un ensemble de données ECoG. Enfin, nous avons également appliqué l’intégralité du pipeline à l’analyse d’un ensemble de données EEG à 32 canaux, associé à une tâche d’imagerie motrice, et observé des motifs physiologiquement plausibles spécifiques à la tâche.Signification. Nous avons décrit une architecture CNN compacte et interprétable, fondée sur des principes fondamentaux et intégrant les connaissances du domaine de l’électrophysiologie neuronale. Pour la première fois dans le contexte d’architectures multibranches avec traitement factorisé de l’espace et du temps, nous présentons des règles d’interprétation des poids théoriquement justifiées. Nous avons validé nos approches à l’aide de simulations et de données réelles, et démontré que la solution proposée offre un décodeur performant ainsi qu’un outil puissant pour explorer les mécanismes neuronaux du contrôle moteur.