Interface cerveau-machine hybride pour pallier le handicap causé par la myopathie de Duchenne

La palliation du handicap moteur est la principale application actuelle des interfaces cerveau-machine (ICM). Cette thèse décrit une interface cerveau-machine hybride, conçue spécifiquement pour des patients souffrant de myopathie de Duchenne. Notre ICM hybride exploite les signaux issus de capteurs électroencéphalographiques (EEG), électromyographiques (EMG), et de joysticks. Leur traitement nous permet de détecter un mouvement ou une intention de mouvement à différents niveaux de la commande motrice. Les signaux joysticks sont utilisés tant que le patient est capable de les activer, puis à mesure que la motricité se dégrade avec l’évolution de la maladie, l’ICM hybride prend en compte les signaux EMG et enfin les signaux EEG. Nous avons développé une méthode originale de traitement des signaux EEG, qui permet à un expert humain de sélectionner les valeurs caractéristiques qui lui semblent les plus discriminantes. Les performances de cette méthode ont été évaluées sur une base de données qui sert de référence dans la communauté ICM, ainsi que sur des données que nous avons enregistrées sur des sujets sains. Notre ICM hybride permet le contrôle de trajectoire d’un mobile à partir de trois actions, correspondant à un mouvement ou une intention de mouvement de la main droite, de la main gauche, et des deux mains simultanément. Un degré de liberté supplémentaire peut être envisagé en intégrant la détection d’une intention de mouvement des pieds. Brain-machine interfaces (BMI) have been considered since many years as the most promising approach to the palliation of severe motor handicap. This thesis describes a hybrid brain-machine interface, designed specifically for patients suffering from Duchenne muscular dystrophy. Our hybrid BMI uses signals recorded by electroencephalography (EEG), electromyography (EMG), and joystick sensors. Signal processing enables the hybrid BMI to detect a movement or movement intent at different levels of the motor command chain. Joysticks are used as long as the patient is able to activate them, then when motricity deteriorates with the disease evolution, the hybrid BMI takes EMG signals into account and finally EEG signals. We have developed an original method for processing EEG signals, allowing the system to select features that a human expert considers as the most discriminant. Performance has been assessed on a data set used as a reference in the BMI community, as well as on data that we have recorded from healthy subjects