Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging
Cet article propose et évalue trois modèles de régression pour le décodage de multiples paramètres de mouvement cinétiques et cinématiques à partir de signaux EEG, démontrant qu'un régresseur basé sur l'attention atteint une performance de décodage multiparamétrique simultanée supérieure (=0,8) par rapport aux modèles de moindres carrés partiels et de perceptron multicouche, faisant ainsi progresser le développement d'interfaces cerveau-machine intuitives et en temps réel.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez un monde où vos pensées pourraient contrôler directement un bras robotique, un fauteuil roulant ou un curseur d'ordinateur, sans que vous n'ayez jamais besoin de bouger un muscle. Ce n'est pas de la science-fiction ; c'est l'objectif des interfaces cerveau-machine (ICM). Considérez une ICM comme un traducteur qui écoute les chuchotements électriques du cerveau et les transforme en commandes pour les machines. Pour les personnes ayant perdu la capacité de bouger à la suite d'un AVC ou d'une amputation, cette technologie pourrait être la clé pour retrouver leur indépendance. Cependant, il y a un bémol : la plupart des traducteurs actuels sont comme de vieilles télécommandes n'ayant que quelques boutons. Ils peuvent dire à une machine de « bouger à gauche » ou de « bouger à droite », mais ils peinent à gérer la nuance de la vie réelle, comme la force nécessaire pour presser un raisin ou la vitesse pour lever une tasse. Pour rendre ces dispositifs réellement utiles, les scientifiques doivent décoder non seulement où un membre se déplace, mais aussi à quelle vitesse il va et quelle force est appliquée, tout cela simultanément.
C'est exactement le défi relevé par Parth G. Dangi et Yogesh Kumar Meena dans leur étude récente. Ils se sont posé une question cruciale : pouvons-nous construire un système de lecture cérébrale capable de comprendre une symphonie complexe de signaux de mouvement à la fois, plutôt que de n'écouter qu'un seul instrument à la fois ? Pour le découvrir, ils ont mis en place une expérience numérique utilisant des données d'ondes cérébrales de personnes effectuant une tâche simple de « saisie et de levée » — ramasser un objet et le déplacer. Ils ont testé trois « décodeurs » différents (modèles mathématiques) pour voir lequel parviendrait le mieux à traduire ces ondes cérébrales en une image complète du mouvement, incluant la force de la prise et la position des doigts et du poignet dans l'espace 3D.
Les chercheurs ont comparé trois approches distinctes. D'abord, ils ont essayé un régresseur de moindres carrés partiels (PLS), un modèle mathématique traditionnel et plus ancien. Ensuite, ils ont utilisé un perceptron multicouche (MLP), qui est un type de modèle d'apprentissage profond agissant comme un réseau de neurones simple, tentant de trouver des motifs dans les données. Enfin, ils ont introduit un nouveau prétendant : un régresseur basé sur l'attention (plus précisément un modèle basé sur les Transformers), une architecture d'IA sophistiquée connue pour sa capacité à prêter attention aux relations entre différentes parties d'informations au fil du temps, tout comme un auditeur humain se concentre sur la façon dont une phrase se connecte à la suivante dans une histoire.
Les résultats ont révélé une histoire de deux forces très différentes. Le modèle PLS traditionnel a énormément peiné, agissant comme un traducteur qui se perd quand trop de personnes parlent en même temps ; il a échoué à décoder plusieurs paramètres simultanément avec une précision réelle. Le modèle MLP était plus constant, tel un étudiant fiable mais moyen qui fait le travail sans pour autant exceller dans les parties complexes. Cependant, le régresseur basé sur l'attention (TBR) a été la véritable star de la démonstration lorsqu'il s'agissait de décodage simultané.
Lorsque le TBR a été chargé de décoder les 24 paramètres de mouvement à la fois (comme la force, la position et la rotation des doigts, des pouces et des poignets), il a atteint un score de précision remarquable (un R² de 0,8) et l'a fait incroyablement vite, avec une latence de seulement 29,2 millisecondes. Cela suggère que ce modèle est hautement capable de gérer l'« orchestre » des signaux cérébraux, comprenant comment les différentes parties d'un mouvement sont connectées. En fait, l'étude a révélé que les paramètres de mouvement sont naturellement corrélés dans le cerveau ; le signal de « la force avec laquelle je presse » est étroitement lié à « l'endroit où ma main se déplace ». Le TBR a excellé car il pouvait repérer ces connexions cachées.
Cependant, il y a eu un rebondissement. Lorsque les chercheurs ont demandé au TBR de décoder un seul paramètre de manière isolée (en ignorant les autres), ses performances ont chuté de manière spectaculaire. Il s'est avéré que le modèle était si doué pour utiliser les relations entre les paramètres qu'il trébuchait lorsque ces relations étaient supprimées. En revanche, le modèle MLP était plus stable dans les deux scénarios, bien qu'il n'ait jamais atteint la haute précision du TBR lors du décodage de l'ensemble.
L'étude conclut que, si le MLP offre une option stable, bien que moins précise, le modèle basé sur l'attention est celui qui est le plus prometteur pour la construction de dispositifs contrôlés par le cerveau intuitifs et en temps réel, capables de gérer des tâches complexes à commandes multiples. Les auteurs suggèrent que cette approche pourrait mener à des prothèses ou des outils de rééducation qui semblent beaucoup plus naturels à utiliser. Toutefois, ils notent également que ces conclusions sont basées sur des ensembles de données et des simulations spécifiques, et que des tests en conditions réelles avec des données plus diversifiées sont nécessaires avant que ces systèmes ne puissent être déployés dans les hôpitaux ou les foyers. Pour l'instant, la recherche suggère que si nous voulons que nos interfaces cerveau-ordinateur soient aussi fluides et expressives que le mouvement humain, nous avons besoin de modèles qui peuvent écouter toute la conversation, et non pas seulement les mots individuels.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.