Les interfaces cerveau-ordinateur (ou BCI – Brain-Computer Interface) sont des neurotechnologies utilisant l'activité cérébrale (avec des machines d'acquisition de type électroencéphalogramme) pour contrôler des systèmes. L'individu effectue des tâches sans passer par l'action des muscles. Cette technologie est très prometteuse pour de nombreuses applications (contrôle de prothèse, rééducation post AVC...), mais elles sont encore insuffisamment fiables. Les rendre fiables et utilisables hors des laboratoires nécessite non seulement des améliorations côté machine (ex. : algorithmes d’analyse de signaux cérébraux), mais aussi côté utilisateur. En effet, contrôler une BCI est une compétence qui s’apprend et qui demande de l'entraînement. Malheureusement, la communauté scientifique comprend encore très mal comment entraîner les utilisateurs efficacement et comment les aider à acquérir les compétences nécessaires. Pour pouvoir optimiser l'entraînement en BCI, il faut d'abord bien le comprendre et le modéliser, pour ainsi en déduire les facteurs sur lesquels on peut jouer dans le but d'améliorer les performances et l'apprentissage de l'utilisateur. L'objectif de mes recherches est d'étudier et modéliser statistiquement comment les utilisateurs apprennent à produire des commandes BCI. Pour ce faire, je crée des modèles computationnels interprétables capables de prédire les performances moyennes et la progression des utilisateurs de BCI. Ces modèles sont créés à partir de facteurs provenant des utilisateurs eux-mêmes comme leurs traits de personnalité, ou les caractéristiques de leur activité EEG. Ils prennent également en compte les caractéristiques liées à l’apprentissage de la machine qui apprend à décoder les signaux EEG des utilisateurs pour les transformer en commande, mais aussi du feedback. En combinant ces différents modèles, nous espérons pouvoir prédire à tout moment les performances des utilisateurs de BCI et ainsi identifier les facteurs ayant une influence sur ces dernières afin d’optimiser l’entraînement des utilisateurs.

URL salle virtuelle :
https://u-bordeaux-fr.zoom.us/j/82577055914?pwd=OFVTSGc1dkUya0MvQnlydVZKNmV0dz09