EEG-Conformer for EEG Decoding: A Participant-Wise Evaluation and Ablation Study Across Three Datasets

Le cerveau humain est un moteur de l'activité électrique, un bourdonnement constant, émettant de minuscules signaux à travers un vaste réseau de neurones. Pour écouter cette conversation sans ouvrir le crâne, les scientifiques utilisent une méthode appelée électroencéphalographie, ou EEG. Ils placent une casquette de capteurs sur le cuir chevelu pour capturer ces faibles ondulations électriques. L'objectif est de décoder ce que le cerveau pense ou fait en lisant simplement ces motifs, un domaine connu sous le nom d'interface cerveau-ordinateur. Pendant des années, les chercheurs se sont appuyés sur des programmes informatiques standards, souvent basés sur des réseaux de neurones convolutifs, pour traduire ces signaux désordonnés en commandes. Ces programmes sont doués pour repérer des motifs locaux, comme un rythme spécifique apparaissant en un point précis de la tête. Cependant, le cerveau est aussi un lieu de connexions à longue distance, où l'activité dans une zone peut influencer une autre zone située loin de là. Pour capturer cela, un nouveau type de modèle informatique appelé Transformer a été introduit. Il est conçu pour regarder l'ensemble de l'image à la fois, reliant des signaux distants pour comprendre le contexte global. La grande question pour les scientifiques est de savoir si l'ajout de cette pensée complexe à longue portée à l'appariement de motifs locaux plus simple aide réellement, ou si cela ajoute simplement un poids inutile au système.

Une équipe de chercheurs de l'Université de Konyang s'est donné pour mission de répondre à cette question par une enquête minutieuse et de terrain. Ils n'ont pas inventé une nouvelle machine ; au lieu de cela, ils ont pris un modèle existant appelé EEG-Conformer, qui combine l'appariement de motifs locaux avec la pensée à longue portée, et l'ont soumis à un test de résistance rigoureux. Ils voulaient voir si la complexité supplémentaire améliorait réellement la capacité à lire le cerveau, ou si les méthodes plus simples et plus anciennes étaient tout aussi bonnes. Ils ont également testé si l'ajout de données provenant d'un petit capteur de mouvement, un accéléromètre, aidait l'ordinateur à mieux comprendre le cerveau, ou si cette information supplémentaire n'était que du bruit. Pour ce faire, ils ont recueilli un nouvel ensemble d'enregistrements auprès de 48 volontaires sains. Chaque personne portait un casque doté de dix-neuf capteurs sur le cuir chevelu et de trois capteurs de mouvement sur le corps. Les volontaires ont effectué trois tâches simples : rester assis les yeux ouverts, rester assis les yeux fermés, et maintenir les bras levés dans les airs pendant une période prolongée. Les chercheurs ont enregistré ces ondes cérébrales à une vitesse très élevée, capturant 500 instantanés de l'activité électrique chaque seconde.

Les chercheurs ont ensuite injecté ces données dans les modèles informatiques pour voir s'ils pouvaient deviner quelle tâche la personne était en train d'accomplir. Lors d'un test unique et ponctuel, le modèle complexe doté de la pensée à longue portée a légèrement mieux performé que les modèles plus anciens et plus simples, atteignant une précision d'environ 67 pour cent. Cela ressemblait à une petite victoire pour la nouvelle technologie. Cependant, les chercheurs savaient qu'un test unique peut être trompeur, tout comme juger la compétence d'un joueur sur la base d'un seul match. Pour obtenir la véritable histoire, ils ont répété l'expérience de nombreuses fois, mélangeant les participants dans différents groupes et lançant le processus d'apprentissage de l'ordinateur avec différents réglages aléatoires. Lorsqu'ils ont fait cela, le tableau a changé. Le petit avantage que le modèle complexe montrait lors du premier test a disparu ou est devenu infime. En fait, lorsqu'ils ont examiné les données à travers de nombreux groupements différents, le modèle complexe n'était qu'environ 0,7 pour cent plus précis que le modèle plus simple, une différence si minuscule qu'elle était à peine perceptible face à la variation naturelle entre les cerveaux des différentes personnes.

L'étude a également examiné le rôle des capteurs de mouvement. Lors du premier test unique, le retrait des capteurs de mouvement a étonnamment amélioré les performances de l'ordinateur, suggérant que les données de mouvement confondaient le système. Mais lorsque les chercheurs ont effectué les tests répétés, le résultat s'est inversé. Retirer les capteurs de mouvement a en fait rendu l'ordinateur légèrement moins performant, faisant chuter la précision d'environ 1,2 pour cent. Ce renversement a montré que le premier résultat était un coup de chance causé par la façon dont les données avaient été réparties cette fois-là. Les capteurs de mouvement contenaient effectivement des informations utiles sur le mouvement, mais le bénéfice était faible et n'apparaissait que lorsque le test était effectué de nombreuses fois pour moyenner la chance. Les chercheurs ont également testé si la haute vitesse de leur enregistrement, 500 instantanés par seconde, était nécessaire. Ils ont ralenti les données à 125 instantanés par seconde et ont constaté que la capacité de l'ordinateur à lire le cerveau ne chutait pas de manière significative. Cela suggère que les signaux électriques du cerveau pour ces tâches n'ont pas besoin d'être capturés à une vitesse aussi élevée pour être compris, et que les détails fins de l'enregistrement rapide n'étaient pas la clé du succès.

La partie peut-être la plus révélatrice de l'étude fut la manière dont l'ordinateur gérait les différentes tâches. Le modèle était excellent pour distinguer les yeux ouverts des yeux fermés, identifiant correctement l'état environ 91 pour cent du temps. C'est parce que fermer les yeux crée un rythme fort et bien connu à l'arrière du cerveau, facile à repérer. Cependant, le modèle avait du mal à distinguer l'état les yeux ouverts de la tâche consistant à lever les bras. Il confondait ces deux états environ 40 pour cent du temps. Les chercheurs ont réalisé que lever les bras implique des mouvements musculaires, ce qui crée un bruit électrique qui ressemble beaucoup à l'activité cérébrale de la position assise les yeux ouverts. Comme l'étude n'a pas enregistré les signaux musculaires séparément ou utilisé de méthodes spéciales pour éliminer le bruit musculaire, l'ordinateur était probablement en train de capter le mouvement des muscles des bras et des épaules plutôt que les signaux cérébraux spécifiques à la tâche. Cela signifie que l'ordinateur ne lisait pas vraiment "l'esprit" du mouvement du bras, mais réagissait plutôt au mouvement physique.

L'étude a conclu que l'enthousiasme autour de l'ajout d'une pensée complexe à longue portée aux ordinateurs capables de lire le cerveau pourrait être exagéré pour ces tâches spécifiques. Les modèles plus simples et plus anciens étaient presque aussi performants que les modèles complexes, et les composants supplémentaires n'offraient qu'un gain infime et incohérent qui dépendait fortement de la façon dont les données étaient testées. Les chercheurs ont souligné que la manière dont vous divisez les données compte énormément. Si vous testez l'ordinateur en lui donnant certains essais d'une personne pour apprendre et d'autres essais de la même personne pour deviner, l'ordinateur semble beaucoup plus intelligent car il a déjà vu les motifs cérébraux de cette personne. Mais quand vous le testez sur des personnes entièrement nouvelles qu'il n'a jamais vues, la performance chute, et les différences entre les modèles rétrécissent. Cette étude sert de rappel que, dans la quête du décodage du cerveau humain, les outils les plus avancés ne sont pas toujours les meilleurs, et qu'un test rigoureux et répété est le seul moyen de déterminer si une nouvelle idée est une véritable percée ou simplement un coup de chance.