Description
Date depot: 13 mars 2025
Titre: Non-Euclidean representations of brain connectivity for Brain-Computer Interfaces.
Directeur de thèse:
Mario CHAVEZ (ICM)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Sciences de l’information et sciences du vivant
Resumé: Les interfaces cerveau-machine (ICM) permettent une communication directe entre le cerveau et des dispositifs externes, avec des applications allant des technologies d’assistance à la rééducation neurologique. Cependant, la maîtrise du contrôle des ICM reste un défi majeur, près de 30 % des utilisateurs éprouvant des difficultés à atteindre des performances fiables. Des recherches récentes montrent que le fonctionnement cérébral repose sur des réseaux complexes et distribués, plutôt que sur des régions spécialisées mais isolées, soulignant ainsi la nécessité d’approches fondées sur la connectivité. Ce projet de thèse explore l’utilisation des représentations non euclidiennes de la connectivité cérébrale afin d’optimiser l’efficacité des ICM. Plus précisément, il vise à développer des méthodes de plongement des graphes dans des espaces hyperboliques et d’autres espaces non euclidiens à faible dimension, permettant ainsi de mieux saisir la structure des réseaux cérébraux impliqués dans l’apprentissage et l’exécution d’une tâche ICM. Ces représentations seront exploitées pour optimiser les modèles d’apprentissage automatique dédiés à la classification des états mentaux, à la prédiction des performances des ICM et à l’identification de biomarqueurs neuronaux spécifiques aux sujets. Les méthodes proposées seront validées sur des données EEG et MEG, y compris des expériences ICM en temps réel, et comparées aux approches existantes dans la littérature. En offrant une caractérisation plus précise et interprétable de la dynamique cérébrale, cette recherche vise à faire progresser la technologie des ICM et à contribuer à leur application clinique.
Résumé dans une autre langue: Brain-Computer Interfaces (BCIs) enable direct communication between the brain and external devices, with applications ranging from assistive technologies to neurorehabilitation. However, mastering BCI control remains a significant challenge, as up to 30% of users struggle to achieve reliable performance. Recent research suggests that brain function relies on complex, distributed networks rather than isolated brain regions, highlighting the need for more advanced connectivity-based approaches. This PhD project explores the use of non-Euclidean representations of brain connectivity to improve BCI efficiency. Specifically, it aims to develop graph embedding techniques in hyperbolic and other non-Euclidean spaces to better capture the patterns of functional brain networks involved in BCI learning. These representations will be used to enhance machine learning models for mental state classification, predict BCI performance, and identify subject-specific neural markers. The proposed methods will be validated on EEG and MEG datasets, including real-time BCI experiments, and benchmarked against existing approaches. By providing a more accurate and interpretable characterization of brain dynamics, this research aims to advance BCI technologies and contribute to their clinical applications.