Décodage de la trajectoire digitale à partir d’ECoG par apprentissage profond

Objectif. La chaîne classique de décodage pour les interfaces cerveau-machine (ICM) repose sur une succession de phases distinctes : extraction de caractéristiques, analyse temps-fréquence et modèles d’apprentissage statistique. Chaque étape utilise un algorithme différent, entraîné de manière séquentielle, ce qui rend difficile l’adaptation globale du système. Le but était de concevoir un système en temps réel adaptable, reposant sur une seule fonction objectif et un seul algorithme d’apprentissage, permettant ainsi une entraînement parallèle de l’ensemble du système afin d’améliorer les performances de décodage. Dans cette étude, nous avons employé des réseaux de neurones profonds combinant des réseaux de neurones convolutifs (CNN) et un type particulier de réseau de neurones récurrents (RNN), appelé mémoire à long et court terme (LSTM), pour répondre à ces exigences.Approche. Nous avons utilisé des données d’électrocorticographie (ECoG) collectées par Kubanek et al. La tâche consistait en des flexions individuelles des doigts déclenchées par un signal visuel. Notre modèle combinait un extracteur hiérarchique de caractéristiques basé sur un CNN et un RNN capable de traiter des données séquentielles et de repérer les dynamiques temporelles dans les signaux neuronaux. Le CNN servait d’extracteur de caractéristiques, tandis que le LSTM était utilisé comme algorithme de régression pour capturer les dynamiques temporelles du signal.Résultats principaux. Nous avons prédit la trajectoire du doigt à partir de signaux ECoG et comparé les performances des modèles suivants : régression par moindres angles (LARS), CNN-LSTM, forêt aléatoire, modèle LSTM (LSTM_HC, utilisant des caractéristiques prédéfinies) ainsi qu’une chaîne de décodage classique comprenant un filtrage passe-bande, une extraction d’énergie, une sélection de caractéristiques et une régression linéaire. Les résultats ont montré que les modèles d’apprentissage profond surpassaient les modèles linéaires couramment utilisés. En outre, ces modèles produisaient des trajectoires plus lisses et plus réalistes, tout en apprenant efficacement les transitions entre les états de mouvement et de repos.Signification. Cette étude démontre un réseau de décodage pour ICM intégrant un modèle combiné de réseaux de neurones convolutifs et récurrents. Elle intègre le pipeline d’extraction de caractéristiques dans les couches de convolution et de pooling, et utilise une couche LSTM pour capturer les transitions d’état. Le réseau proposé élimine la nécessité d’entraîner séparément chaque étape de la chaîne de décodage. L’ensemble du système peut être optimisé conjointement par descente de gradient stochastique et est capable d’apprentissage en ligne.