Décodage rapide et précis des mouvements des doigts à partir d’ECoG grâce aux caractéristiques riemanniennes et aux techniques modernes d’apprentissage automatique

Objectif. Une décodage précis des mouvements individuels des doigts est essentiel pour un contrôle avancé des prothèses. Dans ce travail, nous introduisons l’utilisation de caractéristiques dans l’espace de Riemann ainsi que des dynamiques temporelles des signaux d’électrocorticographie (ECoG), combinées à des outils modernes d’apprentissage automatique (ML), afin d’améliorer la précision du décodage moteur au niveau des doigts individuels.Approche. Nous avons sélectionné un ensemble de biomarqueurs informatifs corrélés aux mouvements des doigts, et évalué les performances d’algorithmes d’apprentissage automatique de pointe sur le jeu de données de la compétition BCI IV (ECoG, trois sujets) ainsi que sur un deuxième jeu de données ECoG, selon un protocole d’enregistrement similaire (Stanford, neuf sujets). Nous avons également exploré la concaténation temporelle des caractéristiques afin de capturer efficacement l’historique du signal ECoG, ce qui a permis une amélioration significative par rapport au décodage par époque unique, tant pour les tâches de classification (p < 0,01) que pour celles de régression (p < 0,01).Résultats principaux. Grâce à la concaténation des caractéristiques et à l’utilisation d’arbres boostés par gradient (modèle performant parmi tous les tests), nous avons atteint une précision de classification de 77,0 % dans la détection des mouvements individuels des doigts (tâche à six classes, incluant l’état de repos), soit une amélioration de 11,7 % par rapport aux champs aléatoires conditionnels, l’état de l’art sur les trois sujets de la compétition BCI. Dans le décodage continu de la trajectoire du mouvement, notre approche a permis un coefficient de corrélation de Pearson (r) moyen de 0,537 sur l’ensemble des sujets et des doigts, dépassant à la fois le gagnant de la compétition BCI et l’approche de pointe rapportée sur le même jeu de données (CNN + LSTM). En outre, la méthode proposée présente une faible complexité temporelle : moins de 17,2 secondes pour l’entraînement et moins de 50 ms pour l’inférence. Cela permet une accélération d’environ 250 fois du processus d’entraînement par rapport aux méthodes profondes précédemment rapportées, offrant une performance optimale.Signification. Les techniques proposées permettent un contrôle rapide, fiable et de haute performance des prothèses, basé sur des signaux corticaux peu invasifs.