Interface cerveau-ordinateur et classification EEG basée sur l’apprentissage automatique

Abstract

This thesis provides an in-depth analysis of brain-computer interfaces (BCIs) based on electroencephalography (EEG), from theoretical foundations to the experimental evaluation of signal processing and classification methods. After introducing the principles and applications of BCIs, the study details the various stages of EEG signal processing: acquisition, preprocessing (filtering, segmentation), feature extraction (notably using the CSP method), and classification. The analysis focuses on the BCI Competition IV–2b dataset, which is centered on motor imagery. The influence of several parameters, such as frequency band and segmentation duration, is assessed in terms of classification performance. The results show that implementing a rigorous methodological pipeline is essential to maximize accuracy, with particular benefit from using targeted frequency bands and session concatenation. Among the tested classifiers, the Support Vector Machine (SVM) and the Multilayer Perceptron (MLP) stand out for their robustness and ability to handle intra- and inter-subject variability, while ensemble methods (Random Forest, XGBoost) show some instability. Finally, this study opens up promising perspectives for the integration of advanced techniques such as data augmentation, domain adaptation, and deep learning, aiming to improve the reliability, personalization, and practical applicability of EEG-based BCIs in various clinical and technological contexts. ------------------------------------------------------------------------ تقترح هذه الأطروحة تحليلا متعمقا لواجهات الدماغ والحاسوب (BCIs) بناء على تخطيط كهربية الدماغ (EEG) ، من الأسس النظرية إلى التقييم التجريبي لطرق معالجة الإشارات وتصنيفها. بعد مقدمة لمبادئ وتطبيقات BCIs ، توضح الدراسة بالتفصيل المراحل المختلفة لمعالجة إشارات EEG: الاستحواذ ، والمعالجة المسبقة (الترشيح ، التجزئة) ، واستخراج الميزات (خاصة عبر طريقة CSP) والتصنيف. يركز التحليل على مجموعة بيانات BCI Competition IV-2b ، والتي تركز على الصور الحركية. ويقيم تأثير عدة معلمات، مثل نطاق التردد ومدة التجزئة، من حيث أداء التصنيف. وتبين النتائج أن تنفيذ خط أنابيب منهجي صارم أمر ضروري لتحقيق أقصى قدر من الدقة، مع إيلاء اهتمام خاص باستخدام نطاقات التردد المستهدفة وتركيز الجلسات. من بين المصنفات التي تم اختبارها ، تتميز آلة ناقل الدعم (SVM) و Multilayer Perceptron (MLP) بقوتها وقدرتها على إدارة التباين داخل الموضوع وداخله ، بينما تظهر طرق المجموعة (Random Forest و XG Boost) بعض عدم الاستقرار. أخيرا ، تفتح هذه الدراسة آفاقا واعدة لدمج التقنيات المتقدمة مثل زيادة البيانات ، وتكييف المجال ، والتعلم العميق ، بهدف تحسين الموثوقية والتخصيص والتطبيق العملي لمحققات مخطط كهربية الدماغ في مختلف البيئات السريرية والتكنولوجية. ---------------------------------------------------------------------- Ce mémoire propose une analyse approfondie des interfaces cerveau-ordinateur (BCI) fondées sur l’électroencéphalographie (EEG), depuis les bases théoriques jusqu’à l’évaluation expérimentale des méthodes de traitement et de classification des signaux. Après une introduction aux principes et applications des BCI, l’étude détaille les différentes étapes du traitement des signaux EEG : acquisition, prétraitement (filtrage, segmentation), extraction de caractéristiques (notamment via la méthode CSP) et classification. L’analyse porte sur le dataset BCI Competition IV–2b, centré sur l’imagerie motrice. L’influence de plusieurs paramètres, tels que la bande de fréquence et la durée de segmentation, est évaluée en termes de performance de classification. Les résultats démontrent que la mise en place d’un pipeline méthodologique rigoureux est essentielle pour maximiser la précision, avec un intérêt particulier pour l’utilisation de bandes de fréquences ciblées et la concentration de sessions. Parmi les classificateurs testés, le Support Vector Machine (SVM) et le perceptron multicouche (MLP) se distinguent par leur robustesse et leur capacité à gérer la variabilité intra- et inter sujet, tandis que les méthodes d’ensemble (Random Forest, XG Boost) montrent une certaine instabilité. Enfin, cette étude ouvre des perspectives prometteuses pour l’intégration de techniques avancées telles que l’augmentation de données, l’adaptation de domaine et l’apprentissage profond, avec pour objectif d’améliorer la fiabilité, la personnalisation et l’applicabilité pratique des BCI EEG dans divers contextes cliniques et technologiques.