WO2019101807A1 - Systeme de mesure en temps reel de l'activite d'une fonction cognitive et procede de calibration d'un tel systeme - Google Patents
Systeme de mesure en temps reel de l'activite d'une fonction cognitive et procede de calibration d'un tel systeme Download PDFInfo
- Publication number
- WO2019101807A1 WO2019101807A1 PCT/EP2018/082109 EP2018082109W WO2019101807A1 WO 2019101807 A1 WO2019101807 A1 WO 2019101807A1 EP 2018082109 W EP2018082109 W EP 2018082109W WO 2019101807 A1 WO2019101807 A1 WO 2019101807A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- subject
- activity
- cognitive function
- representative
- task
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
L'invention concerne un procédé de calibration d'un système de mesure en temps réel de l'activité d'une fonction cognitive d'un sujet à tester, le procédé comprenant les étapes successives d'acquisition des signaux électriques représentatifs d'une activité neuronale d'un sujet à tester, de calcul des valeurs de marqueurs de l'activité de la fonction cognitive, de génération d'une pluralité de copies de valeurs de marqueurs calculées et d'ajouter du bruit aux copies générées et de construction d'un classifieur par apprentissage automatique à partir des valeurs de marqueurs calculées et de copies bruitées, le classifieur étant adapté pour mesurer l'activité de la fonction cognitive du sujet à tester en calculant une probabilité qu'un signal électrique représentatif de l'activité neuronale du sujet à tester résulte d'un état d'activité prédéterminé de la fonction cognitive du sujet à tester.
Description
SYSTEME DE MESURE EN TEMPS REEL DE L'ACTIVITE D'UNE FONCTION COGNITIVE ET PROCEDE DE CALIBRATION D'UN TEL SYSTEME
DOMAINE DE L’INVENTION
L’invention concerne un système d’interface cerveau-machine et plus particulièrement un système de mesure en temps réel de l’activité d’une fonction cognitive, ainsi qu’un procédé de calibration d’un tel système.
ETAT DE LA TECHNIQUE
Les systèmes d’interface cerveau-machine (ICM) permettent une communication entre le cerveau et son environnement. Ces systèmes sont utilisés de manières connues pour permettre à un individu d’interagir avec son environnement à partir d’une lecture et d’une interprétation des ondes cérébrales d’un sujet. Des systèmes d’interface cerveau-machine ont été plus récemment utilisés pour lire ou mesurer des caractéristiques de fonctions cognitives.
Mora Sànchez et al. (Mora Sànchez, A. M. , Gaume, A., Dreyfus, G., & Vialatte, F. B., 2015, Septembre, A cognitive brain-computer interface prototype for the continuous monitoring of Visual working memory load, 2015 IEEE 25th International Workshop on Machine Learning for Signal Processing (MLSP), pp. 1 -5, IEEE) décrivent un système d’évaluation de l’activité de la mémoire de travail à partir de signaux électrophysiologiques enregistrés dans une base de données. La calibration d’un tel système comprend les étapes :
- d’acquisition de signaux électrophysiologiques de type électroencéphalographiques (EEG) ;
- de suppression des informations des signaux électrophysiologiques introduisant des biais de lecture, comme par exemple le clignement des yeux, manuellement ou de manière automatique par une analyse en composantes indépendantes ;
- d’extraction de valeurs de marqueurs dépendant d’un état d’activité élevée ou basse de la mémoire de travail, comme par exemple la puissance mesurée dans une gamme de fréquence donnée, sur un canal d’acquisition donné, à partir des signaux électrophysiologiques ;
- de classement par ordre de pertinence décroissante de marqueurs correspondant à un état d’activité basse ou élevée de la mémoire de travail et d’une sélection de marqueurs parmi les marqueurs classés ;
- de construction d’un classifieur à partir des valeurs des marqueurs sélectionnés.
Le système est testé et l’activité de la mémoire de travail est évaluée à partir de signaux électrophysiologiques préenregistrés, traités par le classifieur. Ces signaux sont acquis au préalable lors d’une tâche connue exécutée par un sujet, entraînant des états d’activité basse et/ou élevée de la mémoire de travail : il est alors possible de tester la sensibilité ou la spécificité du classifieur ainsi construit.
Toutefois, le système décrit ne permet pas de mesurer en temps réel l’activité d’une fonction cognitive d’un sujet, en particulier la mémoire de travail.
Par ailleurs, le signal mesuré en sortie du classifieur ne permet pas une évaluation précise de l’activité de la mémoire de travail. En particulier, le signal mesuré en sortie du classifieur peut dépendre de l’activité d’autres fonctions cognitives du sujet lors de l’exécution d’une tâche, telle que l’attention ou l’excitation par exemple.
Enfin, l’activité de la mémoire de travail ainsi évaluée peut varier et/ou présenter des valeurs contradictoires en fonction des signaux électrophysiologiques testés.
RESUME DE L’INVENTION
Un but de l’invention est de proposer une solution pour augmenter la précision de la mesure de l’activité d’une fonction
cognitive d’un sujet un tester. Un autre but de l’invention est de mesurer l’activité d’une fonction cognitive, comme la mémoire de travail, en temps réel.
Ces buts sont atteints dans le cadre de la présente invention grâce à un procédé de calibration d’un système de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester, le procédé comprenant les étapes successives de :
a) acquisition de signaux électriques représentatifs d’une activité neuronale d’un sujet à tester pendant l’exécution d’une première tâche par le sujet à tester, la première tâche étant configurée pour que son exécution par le sujet entraîne différents états de l’activité de la fonction cognitive du sujet ;
b) calcul de valeurs de marqueurs de l’activité de la fonction cognitive à partir :
- des signaux acquis lors de l’étape a) ;
- de signaux électriques de référence, chaque signal électrique de référence étant représentatif de l’activité neuronale d’un sujet de référence d’une première population de référence pendant l’exécution de la première tâche par le sujet de référence ; les valeurs des marqueurs étant représentatives d’un état d’activité de la fonction cognitive du sujet à tester ;
c) génération d’une pluralité de copies de valeurs de marqueurs calculées lors de l’étape b) et ajout de bruit aux copies générées ; d) construction d’un classifieur par apprentissage automatique à partir des valeurs de marqueurs calculées à l’étape b) et de copies bruitées calculées à l’étape c), le classifieur étant adapté pour mesurer l’activité de la fonction cognitive du sujet à tester en calculant une valeur représentative d’une probabilité qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité prédéterminé de la fonction cognitive du sujet à tester.
Comme des copies bruitées des valeurs de marqueurs calculées à l’étape b) sont générées lors de l’étape c), il est possible de contrôler la proportion de signaux représentatifs de l’activité neuronale du sujet à tester dans l’ensemble des signaux de manière à réduire l’erreur de mesure liée au classifieur.
De plus, comme les copies générées lors de l’étape c) sont bruitées, la distribution de variation des signaux peut être paramétrée pour améliorer l’apprentissage statistique du classifieur.
L'invention est avantageusement complétée par les caractéristiques suivantes, prises individuellement ou en l’une quelconque de leurs combinaisons techniquement possibles :
- la fonction cognitive est la mémoire de travail ;
- les valeurs des marqueurs sont représentatives d’un état d’activité basse ou d’un état d’activité élevée de la fonction cognitive d’un sujet de référence ;
- après la mise en œuvre de l’étape c) et avant la mise en œuvre de l’étape d), on ordonne les marqueurs en fonction de leur corrélation avec les états de l’activité de la fonction cognitive, déterminée à partir des valeurs des marqueurs et des copies bruitées des valeurs des marqueurs, puis on sélectionne certains marqueurs parmi les marqueurs ordonnés en fonction de leur rang, l’étape d) étant mise en œuvre à partir des valeurs des marqueurs sélectionnés ;
- l’étape d) est mise en œuvre uniquement à partir des valeurs des marqueurs sélectionnés ou uniquement à partir des valeurs des marqueurs sélectionnés et des copies bruitées des valeurs des marqueurs sélectionnés ;
- la première tâche est configurée pour que son exécution par un sujet entraîne en alternance au moins deux états d’activités différentes de la fonction cognitive du sujet ;
- la première tâche est configurée pour que son exécution par un sujet entraîne en alternance un état d’activité basse et un état d’activité élevée de la fonction cognitive du sujet ;
- une deuxième tâche est configurée pour que son exécution par le sujet entraîne des états simultanés d’activité basse de la fonction cognitive et d’activité élevée d’une fonction de confusion, le procédé comprenant des étapes de :
e) calcul par le classifieur d’une valeur représentative d’une probabilité qu’un signal électrique représentatif de l’activité neuronale d’un sujet d’une seconde population de référence exécutant la deuxième tâche, résulte de l’état d’activité prédéterminé de la fonction cognitive du sujet à tester, le signal électrique représentatif de l’activité neuronale du sujet de la seconde population de référence ayant été acquis pendant l’exécution de la deuxième tâche par le sujet de la seconde population de référence ; et
f) comparaison de la valeur représentative de la probabilité calculée lors de l’étape e) et d’une valeur seuil fixée ;
- la deuxième tâche est configurée pour que son exécution par un sujet entraîne en alternance au moins deux états d’activités différentes de la fonction cognitive du sujet ;
- la deuxième tâche est configurée pour que son exécution par un sujet entraîne en alternance un état d’activité basse et un état d’activité élevée de la fonction cognitive du sujet ;
- la valeur de l’un des marqueurs est une valeur représentative d’une puissance spectrale d’un signal électrique, calculée sur au moins une partie du spectre de fréquence du signal ;
- la partie du spectre de fréquence du signal est choisie parmi la gamme a, la gamme 6, la gamme g et la gamme Q ;
- les signaux électriques représentatifs de l’activité neuronale du sujet à tester sont acquis au moyen d’électrodes agencées aux positions
Fp1 et/ou Cz et/ou Oz et/ou CP5 du système 10-20 de la norme internationale pour le placement des électrodes.
Un autre objet de l’invention est un procédé de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester comprenant une étape d’acquisition de signaux électriques représentatifs de l’activité neuronale du sujet à tester et une étape de mesure en temps réel de l’activité de la fonction cognitive du sujet à tester en calculant une valeur représentative de la probabilité qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité prédéterminé de la fonction cognitive, à l’aide d’un système de mesure en temps réel de l’activité de la fonction cognitive du sujet à tester, le système ayant été au préalable calibré selon un procédé de calibration tel que défini précédemment.
Un autre objet de l’invention est système de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester comprenant :
un sous-système d’acquisition de signaux électriques ;
une unité de traitement ;
caractérisé en ce que l’unité de traitement est configurée pour :
a) acquérir des signaux électriques représentatifs d’une activité neuronale d’un sujet à tester pendant l’exécution d’une première tâche par le sujet à tester, la première tâche étant configurée pour que son exécution par le sujet entraîne différents états de l’activité de la fonction cognitive du sujet ;
b) calculer les valeurs de marqueurs de l’activité de la fonction cognitive à partir des signaux acquis lors de l’étape a) et de signaux électriques de référence, chaque signal électrique de référence étant représentatif de l’activité neuronale d’un sujet de référence d’une première population de référence pendant l’exécution de la première tâche par le sujet de référence et les valeurs des marqueurs étant
représentatives d’un état d’activité de la fonction cognitive du sujet à tester ;
c) générer une pluralité de copies de valeurs de marqueurs calculées lors de l’étape b) et ajouter du bruit aux copies générées ; d) construire un classifieur par apprentissage automatique à partir des valeurs de marqueurs calculées à l’étape b) et de copies bruitées calculées lors de l’étape c), le classifieur étant adapté pour mesurer l’activité de la fonction cognitive du sujet à tester en calculant une valeur représentative d’une probabilité qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité prédéterminé de la fonction cognitive du sujet à tester.
Avantageusement, la fonction cognitive mesurée par le système est la mémoire de travail.
PRESENTATION DES DESSINS
D’autres caractéristiques et avantages ressortiront encore de la description qui suit, laquelle est purement illustrative et non limitative, et doit être lue en regard des figures annexées, parmi lesquelles :
- la figure 1 illustre l’exécution d’une tâche spécifique à la mémoire de travail ;
- la figure 2 illustre un système de mesure en temps réel de l’activité d’une fonction cognitive ;
- la figure 3 illustre un procédé de calibration d’un système de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester selon un mode de réalisation de l’invention ;
- la figure 4 illustre schématiquement des domaines de l’activité de la mémoire de travail, de l’activité des fonctions cognitives entraînée par différentes tâches et de l’activité de fonctions cognitives entraînée par des facteurs de confusion ;
- la figure 5 illustre un procédé de mesure en temps réel de l’activité de la fonction cognitive ;
- la figure 6 illustre la caractéristique de performance du classifieur correspondant à l’exécution de la tâche spécifique à la mémoire de travail en temps réel ;
- la figure 7 illustre les caractéristiques de performance du classifieur lors de l’exécution d’une tâche par un sujet en présence d’un état d’activité élevé de facteur de confusion ;
- la figure 8 illustre l’évolution de la probabilité qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité élevée de la fonction cognitive du sujet à tester dans le temps ;
- la figure 9 illustre la différence entre la valeur de marqueurs entre un état d’activité basse et un état d’activité élevée pour différents canaux.
DEFINITION
On désigne par le terme mémoire de travail une fonction cognitive responsable de l’information temporaire disponible pour le traitement d’information. Elle est décrite par Baddeley et al. (Baddeley, A. D., & Hitch, G. , 1974, Working memory, Psychology of learning and motivation, 8, 47-89) comme un modèle cognitif, dont l’activité peut être par exemple confirmée par des mesures d’imagerie par résonnance magnétique (d'Esposito, M. , Aguirre, G. K. , Zarahn, E. , Ballard, D., Shin, R. K. , & Lease, J. , 1998, Functional MRI studies of spatial and nonspatial working memory, Cognitive Brain Research, 7(1 ), 1 -13). La mémoire de travail est dépendante de la capacité à retenir des informations à court terme, quelques secondes ou quelques minutes, pour réaliser des opérations cognitives sur ces informations. Un sujet peut présenter différents niveaux ou états d’activité (ou charges) de la mémoire de travail selon la nature des tâches qu’il exécute.
DESCRIPTION DETAILLEE D’UN MODE DE REALISATION
Exécution de tâches par un sujet
La figure 1 illustre l’exécution d’une première tâche, spécifique à une fonction cognitive particulière, en l’occurrence la mémoire de travail. Une tâche spécifique à la mémoire de travail est exécutée d’une part par des sujets d’une première population de référence, et d’autre part par le sujet à tester lors de la calibration du système 1 et/ou lors d’une mesure de l’activité de la fonction cognitive. Les différents sujets sont placés devant un écran d’ordinateur, sur lequel une collection de figures est affichée, les figures étant utilisées pendant la tâche à exécuter. On demande aux sujets d’attribuer un nom court à chacune des figures de manière à se familiariser avec l’ensemble des figures. Différents ensembles de figures sont présentés, et chacun des ensembles correspond à des champs sémantiques différents, comme par exemple des animaux ou des formes géométriques.
Deux conditions ou états sont testés lors de l’exécution d’une tâche : dans un état de basse activité de la mémoire de travail, une cible consiste en deux figures affichées et dans un état d’activité élevée de la mémoire de travail, une cible consiste en cinq ou six figures affichées.
Une cible correspondant à l’un des états (ou à l’une des conditions) est présentée au sujet. Il est demandé au sujet de mémoriser la cible. La cible disparaît ensuite, et une séquence de figures du même ensemble glisse de la droite de l’écran vers la gauche de l’écran. La vitesse de défilement est de 222 pixels par seconde. Il est demandé au sujet d’appuyer sur un bouton lorsque qu’il trouve la cible dans la séquence de figures, ce qui est considéré comme un essai. Si le sujet appuie sur le bouton avant que la cible ne s’affiche, ou s’il manque la cible, l’essai prend fin et n’est pas analysé. Un essai dure en moyenne 25 secondes. La figure 1 illustre un exemple d’essai dans un état de basse activité de la mémoire de travail. Le panneau A de la
figure 1 illustre une cible, consistant en deux figures : un triangle et un losange. Le panneau B de la figure 1 illustre le défilement d’une séquence de figures pendant un essai.
Une cible correspondant à l’autre état de la mémoire de travail est ensuite présentée au sujet, et un essai est réalisé. Les deux conditions sont alternées. La verbalisation des figures permet d’utiliser une méthode simple de stockage/récupération de l’information : une répétition interne du nom des éléments de la cible, en utilisant une boucle phonologique, permet au sujet de comparer la cible aux éléments glissants. Il est demandé aux différents sujets de réaliser cette répétition interne pour que l’encodage de l’information soit homogène entre les sujets. Chaque sujet réalise 10 essais de quatre champs sémantiques différents.
La conception de la première tâche permet de faire varier l’activité de sous-fonctions de la mémoire de travail, telles que le stockage, le maintien et/ou le traitement d’éléments. Lors du défilement, la séquence de figures comporte des distracteurs, c’est-à- dire des ensembles de figures dont la composition est proche d’une cible. Par exemple, un distracteur peut être formé par la séquence des figures de la cible dans laquelle on change une figure, à partir de la troisième figure dans l’ordre d’apparition à l’écran. Les distracteurs empêchent un sujet de mémoriser seulement une partie de la cible pour la reconnaître. Le défilement des figures est programmé de sorte qu’un distracteur apparaisse avec la même probabilité qu’une cible. Cette programmation permet d’éviter au sujet d’apprendre et de s’attendre à l’apparition d’une cible à la suite d’un distracteur. La durée de chaque essai est programmée aléatoirement entre 15 et 30 secondes de manière à éviter au sujet d’apprendre la durée d’un essai. La taille de la partie de l’écran dans laquelle les figures défilent est de 100 pixels sur 300 pixels et la taille de chaque figure est de 100 pixels sur 100 pixels. Cette taille restreinte permet d’éviter des mouvements des yeux
des sujets, entraînant des signaux électrophysiologiques parasites sans rapport avec l’activité cognitive. La partie de l’écran utilisée, la taille des figures et la vitesse de défilement sont adaptés pour que le sujet ne puisse voire qu’une seule figure en même temps. La distance entre le sujet et l’écran est de 60 cm.
Avantageusement, la première tâche est configurée pour que son exécution par un sujet entraîne alternativement un état de basse activité et un état d’activité élevée de la fonction cognitive du sujet : ainsi, une dérive d’un signal électrique, indépendante de la fonction cognitive étudiée, peut être réduite ou évitée.
Une tâche transversale, différente de la première tâche, peut également être exécutée par un sujet. La tâche transversale est utilisée pour entraîner une activité de la fonction cognitive sur le sujet à tester et conçue pour être plus représentative des tâches réalisées par des sujets dans leur environnement quotidien. La tâche transversale correspond par exemple à une série de calculs mentaux. Il est par exemple présenté au sujet à tester une série de chiffres allant de di à dn. La tâche transversale consiste par exemple à multiplier di à d2, mémoriser le résultat, puis à utiliser le résultat en le multipliant à d3, et ainsi de suite jusqu’à dn.
Une deuxième tâche est également conçue, configurée pour entraîner un état de basse activité de la fonction cognitive et un état d’activité élevée d’une fonction de confusion, entraînée par des facteurs de confusion. La deuxième tâche peut par exemple consister dans l’exécution de la première tâche adaptée à entraîner un état de basse activité de la fonction cognitive chez un sujet, dans lequel on ajoute un point rouge, ou une mouche, suivant une trajectoire aléatoire pendant une durée de 1 à 2 secondes. Cette modification par rapport à la première tâche permet d’entraîner un état d’activité élevée d’un facteur de confusion de la mémoire de travail, comme par exemple l’attention.
Acquisition des signaux électrophysiologiques
Les signaux électriques représentatifs d’une activité neuronale d’un sujet à tester ou d’un sujet d’une population de référence peuvent être des signaux électrophysiologiques. En variante, les signaux électriques représentatifs d’une activité neuronale d’un sujet à tester ou d’un sujet d’une population de référence peuvent être des signaux électriques issus d’imagerie neuronale optique, ultrasonore ou magnétique, comme par exemple l’imagerie par résonance magnétique fonctionnelle (IRMf), par échographie fonctionnelle du cerveau, par imagerie par émission de positons, et/ou par spectroscopie en proche infra-rouge. Les signaux électrophysiologiques sont enregistrés sur le sujet à tester ou sur les sujets d’une ou plusieurs populations de référence, en utilisant un appareil EEG (Brain Products V-Amp, marque déposée) à une fréquence d’échantillonnage de 500 Hz. En variante, les signaux électriques représentatifs d’une activité neuronale d’un sujet à tester peuvent être des signaux électrophysiologiques mesurés par électrocardiographie (ECG), par électromyographie (EMG, mesure représentative de l’activité des muscles), par électro-oculographie (EOG, mesure représentative d’une différence de potentiel électrique dans l’œil), par magnétoencéphalographie (MEG) et/ou par un capteur de pression artérielle, et/ou par un capteur de respiration. Les signaux électriques représentatifs d’une activité neuronale d’un sujet à tester peuvent être issus de combinaison(s) des signaux électriques représentatifs d’une activité neuronale d’un sujet à tester décrits précédemment.
La figure 2 illustre un système 1 de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester comprenant un sous-système d’acquisition 2 de signaux électrophysiologiques, et une unité de traitement 3. Le sous-système d’acquisition 2 comprend par exemple un casque EEG, des électrodes EEG et des connectiques
permettant de relier les électrodes EEG à l’unité de traitement 3. La figure 2 illustre également l’agencement des électrodes EEG autour de la boîte crânienne du sujet à tester, selon la norme internationale du système 10-20.
Les signaux électriques d’une population de référence sont acquis à partir de 20 sujets sains, âgés entre 21 et 31 ans, dont 10 hommes et 10 femmes. Les signaux électriques pour la mesure en temps réel de l’activité d’une fonction cognitive sont également acquis sur cette population. Les signaux électriques ont également été acquis sur 6 sujets exécutant une tâche transversale. A la suite de chaque tâche, la fatigue mentale de chaque sujet est recueillie et les tests sont arrêtés si la réponse est positive.
Les séquences de signaux EEG analysées ont une durée de 2,5 secondes. 1744 séquences distinctes sont utilisées comme signaux électriques de référence lors de la calibration du système 1 de mesure en temps réel et 90 séquences distinctes sont utilisées comme signaux électriques représentatifs d’un sujet à tester lors de la calibration du système 1 de mesure en temps réel, pour chacun des sujets. Lors de la mesure en temps réel de l’activité d’une fonction cognitive, les signaux électriques représentatifs de l’activité neuronale du sujet à tester consiste dans un flux continu de signaux EEG acquis en temps réel.
Conception et calibration de l’interface cerveau-machine
Un ensemble de paramètres Pi , P2, P3, P4 et P5 peut par exemple caractériser la conception de l’interface cerveau-machine. Par exemple, on choisit la durée Pi des séquences de signaux électriques de référence égale à 2, 5 secondes. On choisit le nombre P2 de séquences de signaux électriques représentatifs d’un sujet à tester, lors de la calibration, égal à 90 (45 séquences représentatives d’un état d’activité élevée et 45 séquences représentative d’un état d’activité basse). La
proportion P3 des signaux électriques de calibration issus du sujet à tester est égale à 65%. L’écart type d’un bruit gaussien, de moyenne nulle, est égal à P4 multiplié par l’écart type du marqueur considéré, où P4 est par exemple égal à 1 , 5. Le nombre de marqueurs P5 est égal à 8. L’écart type d’un marqueur considéré est par exemple calculé à partir des valeurs d’un marqueur, elles-mêmes calculées à partir de signaux électriques correspondant à différentes séquences de mesure dans le temps, lors de l’exécution d’une tâche.
La figure 3 illustre un procédé de calibration d’un système 1 de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester selon un mode de réalisation de l’invention. La fonction cognitive dont l’activité est mesurée est avantageusement la mémoire de travail.
Lors d’une étape 101 du procédé, on met en œuvre l’acquisition de signaux électriques représentatifs de l’activité cognitive d’un sujet à tester pendant l’exécution de la première tâche par le sujet à tester. La première tâche est une tâche spécifique à la fonction cognitive mesurée par le système 1 : elle peut être par exemple une tâche spécifique à la mémoire de travail.
Préalablement à la calibration, des signaux électriques de référence ont été acquis et transmis au système 1 de mesure. Chaque signal électrique de référence est représentatif de l’activité neuronale d’un sujet de référence d’une première population de référence pendant l’exécution de la première tâche par le sujet de référence. Par exemple, la tâche spécifique à la mémoire de travail décrite précédemment entraîne, lors de son exécution par un sujet, selon les essais, un état d’activité basse de la mémoire de travail ou un état d’activité élevée de la mémoire de travail du sujet. Les fréquences des signaux acquis inférieures à 1 Hz et supérieures à 45 Hz sont effacées des signaux EEG en utilisant un filtre de Butterworth du 3ème ordre. Les signaux EEG acquis sont ensuite segmentés en plusieurs séquences d’une
durée égale à Pi secondes. Chaque séquence est inspectée visuellement et toutes les séquences comprenant trop de bruit ou dans lesquels des biais musculaires sont visibles ne sont pas prises en compte. En particulier, les séquences comprenant des caractéristiques des clignement d’yeux ne sont pas prises en compte.
Lors d’une étape 102 du procédé, on calcule les valeurs de marqueurs de l’activité de la fonction cognitive à partir des signaux représentatifs d’une activité neuronale du sujet à tester, et de signaux électriques de référence. Chaque signal est segmenté en séquences. La valeur d’un marqueur spectral est calculée pour chaque séquence en utilisant la méthode de Welsh, avec un fenêtrage d’une durée de 0,5 secondes. Les valeurs des marqueurs spectraux sont calculées en puissance absolue et en puissance relative dans chacune des gammes de fréquences suivantes : ô (de 1 à 4 Hz), Q (de 4 à 8 Hz), a (de 8 à 12 Hz), b basse (de 12 à 20 Hz) et b haute (de 20 à 30 Hz). La puissance relative dans une gamme de fréquences correspond au rapport de la puissance dans une gamme de fréquences sur la puissance pour l’ensemble des fréquences. L’utilisation de la puissance relative comme marqueur permet de comparer les marqueurs entre différents sujets de manière plus pertinente que ne le permettrait l’utilisation de la puissance absolue. Pour chaque séquence, un total de 192 marqueurs est obtenu à partir de 16 canaux d’acquisition, deux marqueurs par gamme de fréquences et 6 gammes de fréquences.
Il est possible de présenter l’ensemble des valeurs des marqueurs calculées sous la forme d’une matrice de 192 lignes et de M colonnes, dans laquelle M est le nombre de séquences. Cette matrice peut être associée à un vecteur dont les composantes sont binaires, et décrivent un état d’activité élevée ou de basse activité de la fonction cognitive testée spécifiquement par la tâche.
Lors d’une étape 103 du procédé, on génère une pluralité de copies des valeurs de marqueurs calculées lors de l’étape 102 du
procédé. On ajoute du bruit aux copies générées. De manière générale, lors de la calibration d’un système 1 de mesure en temps réel, au moins deux types de signaux électriques peuvent être utilisés pour calculer les valeurs de marqueurs, comme mis en œuvre lors d’une l’étape 102 du procédé : des signaux représentatifs de l’activité neuronale d’un sujet à tester et des signaux électriques de référence représentatifs de l’activité neuronale d’un sujet de référence d’une première population de référence. Par la suite, un classifieur est entraîné avec les valeurs de marqueurs et de copies bruitées potentiellement issus des deux types de signaux. Néanmoins, plus le nombre de signaux issus d’une première population de référence est grand, moins l’influence des signaux de calibration issus du sujet à tester est grande : la précision de la classification des signaux électriques du sujet à tester par le classifieur peut alors être insuffisante. Ainsi, en générant des copies bruitées des valeurs des marqueurs, et préférentiellement des valeurs des marqueurs des signaux électriques représentatifs d’une activité neuronale d’un sujet à tester, il est possible de contrôler la proportion des valeurs de marqueurs issus de signaux représentatifs d’une première population de référence au regard de l’ensemble des valeurs des marqueurs : il est par exemple possible de limiter sa proportion.
De plus, l’ajout de bruit aux valeurs de marqueurs issus de signaux représentatifs du sujet à tester permet de simuler une distribution de variation des marqueurs, compatible avec l’apprentissage statistique du classifieur. Le bruit ajouté à chacune des copies est, par exemple, un bruit gaussien, de moyenne nulle, et dont l’écart type est égal à P4 fois l’écart type d’un marqueur considéré. Ainsi, il est possible de minimiser l’erreur en sortie d’un classifieur en ajustant la proportion de valeurs de marqueurs issus des signaux représentatifs de l’activité neuronale d’un sujet à tester au regard de l’ensemble des signaux utilisés (contrôlé par le paramètre P3), et en
ajustant le bruit ajouté aux différentes copies (par exemple contrôlé par le paramètre P4).
Lors d’une étape 104 du procédé, on ordonne les marqueurs utilisés lors de l’étape 102 en fonction de leur corrélation avec le ou les états de l’activité de la fonction cognitive prédéfinis par la première tâche, déterminée à partir des valeurs des marqueurs et des copies bruitées des valeurs des marqueurs. On peut par exemple utiliser une orthogonalisation de Gram-Schmidt (ou O. F. R. pour orthogonal forward régression en anglais) ou de manière générale des procédés de sélection de variables supervisés pour ordonner les marqueurs. Le premier marqueur, après classement, est le marqueur dont la ou les valeurs présentent la plus forte corrélation avec l’état de l’activité de la fonction cognitive. Le second marqueur, après classement, est le marqueur dont la ou les valeurs présentent la plus forte corrélation avec l’état de l’activité de la fonction cognitive, après avoir écarté des données la partie associée au premier marqueur, et ainsi de suite. On sélectionne ensuite un nombre de marqueurs parmi les plus pertinents selon l’ordre défini précédemment. Il est possible de tester l’erreur d’un classifieur construit avec un ensemble de marqueurs donné comme décrit dans l’étape 105 : on peut sélectionner un nombre défini au préalable de marqueurs et optimiser le nombre d’éléments à sélectionner parmi les plus pertinents en testant l’erreur du classifieur de manière à réduire son erreur.
Lors d’une étape 105 du procédé, on construit un classifieur par apprentissage automatique à partir des valeurs des marqueurs calculées et des copies bruitées générées. Préférentiellement, le classifieur est construit à partir d’au moins les valeurs des marqueurs sélectionnés lors de l’étape 104, et préférentiellement uniquement à partir des valeurs des marqueurs sélectionnés lors de l’étape 104 et des copies bruitées des valeurs des marqueurs sélectionnés lors de l’étape 104 du procédé. Un tel classifieur peut par exemple être un classifieur à analyse linéaire
discriminante. L’apprentissage du classifieur est également réalisé avec l’état d’activité de la fonction cognitive qui est associé à chacun des motifs sélectionnés (état d’activité basse ou élevée par exemple).
Le classifieur peut, après apprentissage, présenter un signal de sortie permettant de mesurer l’activité de la fonction cognitive du sujet à tester en calculant une probabilité PA qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité élevée de la fonction cognitive du sujet à tester, ou d’une manière plus générale, une valeur représentative de la probabilité PA, telle qu’un résultat binaire calculé à partir de la probabilité PA. Il est également possible de construire un classifieur à n classes, n étant un nombre entier naturel, permettant de caractériser n états. Dans ce cas, des motifs et des valeurs de motifs correspondant à chacun des n états d’activité de la fonction cognitive auront été calculés au préalable, et la première tâche est configurée pour que son exécution par le sujet entraîne un état d’activité de la fonction cognitive du sujet d’une première population de référence parmi les n états possibles. Les marqueurs sont ainsi utilisés pour prédire le ou les d’états d’une fonction cognitive d’un sujet à tester au moyen d’un algorithme utilisant les valeurs de ces marqueurs.
La figure 4 illustre schématiquement des ensembles de marqueurs, en nombre fini, permettant de mesurer des états d’activité de fonctions cognitives lors de l’exécution d’une tâche prédéterminée. La tâche spécifique à la fonction cognitive mesurée est conçue de manière à entraîner chez un sujet deux états distincts d’activité de la fonction cognitive, en l’occurrence un état de basse activité et un état d’activité élevée. En pratique, la fonction cognitive mesurée, telle que la mémoire de travail, peut être une construction multimodale complexe. Les différents signaux acquis peuvent avoir été entraînés par des facteurs de confusion. Ces facteurs de confusion peuvent être
cognitifs : l’attention, l’excitation et/ou la frustration peuvent être des facteurs de confusion au regard de la mémoire de travail. Ces facteurs de confusion peuvent également être issus d’événements moteurs, comme le clignement des yeux, les sous-vocalisations et les contractions musculaires.
L’aire délimitée par l’ellipse (a) illustre schématiquement l’ensemble des marqueurs représentatifs de l’exécution d’une première tâche, spécifique à la fonction cognitive. L’aire délimitée par l’ellipse (b) représente schématiquement l’ensemble des marqueurs représentatifs de l’exécution de la tâche transversale. L’aire délimitée par l’ellipse (c) représente schématiquement l’ensemble des marqueurs qui permettent de mesurer l’état d’activité de la fonction cognitive, en l’occurrence la mémoire de travail. L’aire délimitée par l’ellipse (d) représente schématiquement l’ensemble des marqueurs qui permettent de mesurer l’état d’activité entraînée par des facteurs de confusion moteurs, et l’aire délimitée par l’ellipse (e) représente schématiquement l’ensemble des marqueurs qui permettent de mesurer l’état d’activité entraînée par des facteurs de confusion cognitifs.
L’aire de recouvrement des ellipses (a) et (b) illustre schématiquement un ensemble non vide de marqueurs représentatifs de l’exécution de la première tâche et de la tâche transversale. L’aire de recouvrement des ellipses (a), (b) et (c) (aire notée (f) sur la figure) illustre schématiquement un ensemble non vide de marqueurs représentatifs de l’exécution de la première tâche, de la tâche transversale et de la mémoire de travail. Le fait que cet ensemble ne soit pas vide résulte du fait que la première tâche et la tâche transversale ont été conçues de manière à faire intervenir la mémoire de travail. L’aire de recouvrement des ellipses (a), (b) et (e) (aire notée (g) sur la figure) représente schématiquement un ensemble non vide de marqueurs représentatifs de l’exécution de la première tâche, de la tâche transversale, et de marqueurs qui permettent de mesurer l’état
d’activité entraînée par des facteurs de confusion cognitifs. Préférentiellement, les marqueurs appartenant à ce dernier ensemble ne sont pas pris en compte lors de la construction d’un classifieur adapté à mesurer l’état d’activité cognitive entraîné par l’exécution de la première tâche ou de la tache transversale.
Ainsi, il est possible de tester la dépendance de la mesure de l’activité de la fonction cognitive à un ou plusieurs facteurs de confusion. A cet effet, lors de l’étape 107 du procédé, on calcule avec le classifieur, par exemple construit lors de l’étape 105 du procédé, la probabilité PA qu’un signal électrique représentatif de l’activité neuronale d’un sujet d’une seconde population de référence, exécutant la deuxième tâche, résulte d’un état d’activité élevée de la fonction cognitive du sujet à tester (le signal électrique représentatif d’une activité neuronale d’un sujet d’une seconde population de référence ayant été acquis pendant l’exécution de la deuxième tâche par le sujet de la seconde population de référence). Les signaux électriques d’une deuxième population de référence exécutant la deuxième tâche peuvent par exemple être acquis au préalable lors d’une étape 106.
Lors d’une étape 108 du procédé, on peut ensuite comparer la probabilité PA obtenue à une valeur seuil Vs enregistrée au préalable, ou déterminée par un utilisateur. Ainsi, si la probabilité PA est supérieure à 0,5, préférentiellement supérieure à 0,6, et préférentiellement supérieure à 0,7, alors, le classifieur renseigne un état d’activité élevée de la fonction cognitive alors que la tâche est spécifiquement conçue pour entraîner un état d’activité basse de la fonction cognitive. Ce test permet de constater une construction du classifieur ne permettant pas de discriminer un état d’activité élevée de la fonction cognitive et du facteur de confusion. Ce test peut être suivi par exemple d’une nouvelle étape d’acquisition de signaux électriques du sujet, de manière à aboutir à la construction d’un nouveau classifieur adapté à discriminer la fonction cognitive de
facteurs de confusion, comme illustré par la figure 3 pour la condition PA > Vs. Ce test peut également être suivi de l’arrêt de la mesure.
Mesure en temps réel de activité de la fonction cognitive
La figure 5 illustre un procédé de mesure en temps réel de l’activité de la fonction cognitive. Un procédé de mesure en temps réel de l’activité de la fonction cognitive est précédé d’une calibration du système 1 de mesure, par exemple selon un procédé comprenant les étapes 101 à 106 du procédé de calibration : un classifieur est construit de manière à être adapté à mesurer l’activité de la fonction cognitive du sujet à tester en calculant une probabilité PA qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité élevée de la fonction cognitive du sujet à tester.
Lors d’une étape 201 du procédé de mesure en temps réel, on acquiert des signaux électriques représentatifs de l’activité neuronale du sujet à tester. Un flux continu de signal électrique est transmis du sous-système d’acquisition 2 à l’unité de traitement 3 et analysé par l’unité de traitement 3. On utilise par exemple les signaux compris dans une fenêtre glissante d’une durée de 2,5 secondes.
Lors d’une étape 202 du procédé, on calcule la probabilité PA, ou de manière plus générale, une valeur représentative de la probabilité PA, à l’aide d’un système 1 de mesure en temps réel de l’activité d’une fonction cognitive du sujet à tester. On désigne par temps réel une mesure de l’activité de la fonction cognitive mettant en œuvre le calcul de la probabilité PA en mois de 10 secondes, et préférentiellement en moins de 5 secondes. La valeur représentative de la probabilité PA peut par exemple être une prédiction binaire calculée à partir de la probabilité PA. Résultats
La figure 6 illustre la caractéristique de performance du classifieur, ou courbe ROC (pour caractéristique de fonctionnement du récepteur en anglais) correspondant à l’exécution de la première tâche, spécifique à la mémoire de travail en temps réel. La valeur de la probabilité PA est mesurée en continu, pendant la durée de chaque essai de la première tâche. Deux paramètres peuvent être calculés à partir de la courbe ROC : le seuil de classification et le temps d’activité soutenue requis. Le temps d’activité soutenue requis correspond au temps pendant lequel l’activité de la fonction cognitive est supérieure à une valeur seuil pour classer un essai comme présentant un état d’activité élevée de la fonction cognitive. Ainsi, pour chaque seuil de classification et pour chaque temps d’activité soutenue requis, il est possible de calculer un couple correspondant à la spécificité et à la sensibilité, dont les valeurs sont illustrées par les points de la figure 6. Pour une valeur requise de spécificité, il est alors possible de trouver un seuil de classification et un temps requis optimaux pour que la sensibilité soit maximisée. Les valeurs du temps d’activité soutenue requis sont différentes selon les essais, mais en moyenne, une valeur optimum de ce temps est comprise entre 2 secondes et 10 secondes, préférentiellement entre 4 secondes et 6 secondes et préférentiellement sensiblement égale à 5 secondes. L’aire moyenne sous la courbe du classifieur (ou AUC pour Area Under Curve en anglais) en temps réel est de 0,78, supérieure, avec p < 0,0001 , à la valeur de 0,5 correspondant à un classifieur aléatoire, illustré par la droite noire sur la figure 6.
Un total de 92 essais ont été analysés, dans lesquels les signaux électriques permettaient de conclure à une réponse en accord avec la tâche exécutée (bonne réponse) dans 82 % des cas. Les données individuelles sont résumées dans le tableau 1 suivant :
Tableau 1
La figure 7 illustre les caractéristiques de performance du classifieur lors de l’exécution d’une tâche par un sujet en présence d’un état d’activité élevée d’un facteur de confusion (en l’occurrence de l’excitation). La courbe (a) correspond à la caractéristique de performance du classifieur lors de l’exécution d’une tâche par un sujet en présence d’un état d’activité élevé de facteur de confusion et la courbe (b) correspond à la même caractéristique corrigée, après avoir décorrélé les informations comprises dans les marqueurs de l’excitation. L’aire de la courbe (b)) est inférieure de 7% à l’aire de la courbe (a), ce qui ne représente pas une différence significative. La figure 8 illustre l’évolution de la probabilité PA dans le temps correspondant à l’activité de la mémoire de travail. La moyenne de la probabilité PA mesurée sur 20 essais lors de l’exécution d’une tâche transversale est illustrée en fonction du temps. La probabilité PA présente généralement une décroissance après 10 secondes. Cette variation est cohérente compte tenu de la commutation de l’état de l’activité de la mémoire de travail, d’élevée à basse, à 8, 5 secondes et du retard introduit par le système 1 de sensiblement 2, 5 secondes. Autrement dit, la mesure de la probabilité PA est une mesure globale de l’activité de la mémoire de travail pendant les 2,5 secondes qui
précédent le temps auquel la probabilité PA est mesurée. De manière générale, après avoir atteint une valeur minimale, la probabilité PA est de nouveau croissante, sans atteindre des valeurs aussi élevées que pendant la période correspondant à un état d’activité élevée de la mémoire de travail.
La figure 9 illustre la différence des valeurs de marqueurs entre un état d’activité élevée et un état d’activité basse pour différentes gammes de fréquences. Le panneau A de la figure 9 illustre la différence entre, d’une part, une moyenne de la puissance spectrale dans la gamme de fréquences a, pour l’ensemble des canaux, lors de l’exécution d’une tâche correspondant à un état d’activité élevée de la mémoire de travail, et, d’autre part, la moyenne correspondante dans un état d’activité basse. Le panneau B de la figure 9 illustre la différence entre, d’une part, une moyenne de la puissance spectrale dans la gamme de fréquences y basse, pour l’ensemble des canaux, lors de l’exécution d’une tâche correspondant à un état d’activité élevée de la mémoire de travail, et, d’autre part, la moyenne correspondante dans un état d’activité basse. Le panneau C de la figure 9 illustre la différence entre, d’une part, une moyenne de la puissance spectrale dans la gamme de fréquences B basse, pour l’ensemble des canaux, lors de l’exécution d’une tâche correspondant à un état d’activité élevée de la mémoire de travail, et, d’autre part, la moyenne correspondante dans un état d’activité basse. Le panneau D de la figure 9 illustre la différence entre, d’une part, une moyenne de la puissance spectrale dans la gamme de fréquences B haute, pour l’ensemble des canaux, lors de l’exécution d’une tâche correspondant à un état d’activité élevée de la mémoire de travail, et, d’autre part, la moyenne correspondante dans un état d’activité basse. La moyenne des puissances spectrales mesurées est calculée en intégrant les puissances pendant 10 secondes. Les gammes de fréquences illustrées correspondent aux gammes de
fréquences des marqueurs sélectionnés, par exemple par un procédé décrit par l’étape 105 du procédé de calibration illustré en figure 3. Les marqueurs sélectionnés peuvent être préférentiellement choisis parmi la puissance relative de la gamme 6 basse acquise par une électrode agencée à la position Fp1 , telle que décrite par la norme du système 10-20, la puissance relative de la gamme 6 basse acquise par une électrode agencée à la position Cz, la puissance relative de la gamme g basse acquise par une électrode agencée à la position Fp1 , la puissance relative de la gamme 6 haute acquise par une électrode agencée à la position Cz, la puissance relative de la gamme a acquise par une électrode agencée à la position Oz et la puissance relative de la gamme a acquise par une électrode agencée à la position CP5.
Le système 1 proposé, ainsi que les procédés de calibration du système 1 et de mesure en temps réel de la fonction cognitive trouvent avantageusement leur application dans :
le contrôle et la surveillance de l’activité de la mémoire de travail lors du pilotage de véhicules (automobile, aviation, navigation, transports ferroviaires, transports militaires incluant les sous-marins) ;
l’entraînement des fonctions cognitives dépendantes de la mémoire de travail, telles que l’apprentissage scolaire ;
le contrôle et/ou l’entrainement de l’activité de la charge de travail pour la prévention de troubles médicaux ;
de manière plus générale le contrôle personnel de l’activité de la mémoire de travail pendant toute sorte d’activité (ou neurofeedback en anglais).
Claims
1. Procédé de calibration d’un système (1 ) de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester, le procédé comprenant les étapes successives de :
a) acquisition de signaux électriques représentatifs d’une activité neuronale d’un sujet à tester pendant l’exécution d’une première tâche par le sujet à tester, la première tâche étant configurée pour que son exécution par le sujet entraîne différents états de l’activité de la fonction cognitive du sujet ;
b) calcul de valeurs de marqueurs de l’activité de la fonction cognitive à partir :
- des signaux acquis lors de l’étape a) ;
- de signaux électriques de référence, chaque signal électrique de référence étant représentatif de l’activité neuronale d’un sujet de référence d’une première population de référence pendant l’exécution de la première tâche par le sujet de référence ; les valeurs des marqueurs étant représentatives d’un état d’activité de la fonction cognitive du sujet à tester ;
c) génération d’une pluralité de copies de valeurs de marqueurs calculées lors de l’étape b) et ajout de bruit aux copies générées ; d) construction d’un classifieur par apprentissage automatique à partir des valeurs de marqueurs calculées à l’étape b) et de copies bruitées calculées à l’étape c), le classifieur étant adapté pour mesurer l’activité de la fonction cognitive du sujet à tester en calculant une valeur représentative d’une probabilité (PA) qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité prédéterminé de la fonction cognitive du sujet à tester.
2. Procédé selon la revendication 1 , dans lequel la fonction cognitive est la mémoire de travail.
3. Procédé selon la revendication 1 ou 2, dans lequel les valeurs des marqueurs sont représentatives d’un état de basse activité ou d’un état d’activité élevée de la fonction cognitive d’un sujet de référence.
4. Procédé selon l’une des revendications 1 à 3, dans lequel, après la mise en œuvre de l’étape c) et avant la mise en œuvre de l’étape d), on ordonne les marqueurs en fonction de leur corrélation avec les états de l’activité de la fonction cognitive, déterminée à partir des valeurs des marqueurs et des copies bruitées des valeurs des marqueurs, puis on sélectionne certains marqueurs parmi les marqueurs ordonnées en fonction de leur rang, l’étape d) étant mise en œuvre à partir des valeurs des marqueurs sélectionnés.
5. Procédé selon la revendication 4, dans lequel l’étape d) est mise en œuvre uniquement à partir des valeurs des marqueurs sélectionnés ou uniquement à partir des valeurs des marqueurs sélectionnés et des copies bruitées des valeurs des marqueurs sélectionnés.
6. Procédé selon l’une des revendications 1 à 5, dans lequel la première tâche est configurée pour que son exécution par un sujet entraîne en alternance au moins deux états d’activités différentes de la fonction cognitive du sujet.
7. Procédé selon l’une des revendications 1 à 6, dans lequel la première tâche est configurée pour que son exécution par un sujet entraîne en alternance un état de basse activité et un état d’activité élevée de la fonction cognitive du sujet.
8. Procédé selon l’une des revendications 1 à 7, dans lequel une deuxième tâche est configurée pour que son exécution par le sujet
entraîne des états simultanés d’activité basse de la fonction cognitive et d’activité élevée d’une fonction de confusion, le procédé comprenant des étapes de :
e) calcul par le classifieur d’une valeur représentative d’une probabilité (PA) qu’un signal électrique représentatif de l’activité neuronale d’un sujet d’une seconde population de référence exécutant la deuxième tâche, résulte de l’état d’activité prédéterminé de la fonction cognitive du sujet à tester, le signal électrique représentatif de l’activité neuronale du sujet de la seconde population de référence ayant été acquis pendant l’exécution de la deuxième tâche par le sujet de la seconde population de référence ; et
f) comparaison de la valeur représentative de la probabilité (PA) calculée lors de l’étape e) et d’une valeur seuil fixée (Vs).
9. Procédé selon la revendication 8 dans lequel la deuxième tâche est configurée pour que son exécution par un sujet entraîne en alternance au moins deux états d’activités différentes de la fonction cognitive du sujet.
10. Procédé selon l’une des revendications 8 à 9 dans lequel la deuxième tâche est configurée pour que son exécution par un sujet entraîne en alternance un état d’activité basse et un état d’activité élevée de la fonction cognitive du sujet.
1 1. Procédé selon l’une des revendications 1 à 10, dans lequel la valeur d’un des marqueurs est une valeur représentative d’une puissance spectrale d’un signal électrique, calculée sur au moins une partie du spectre de fréquence du signal.
12. Procédé selon la revendication 1 1 , dans lequel la partie du spectre de fréquence du signal est choisie parmi la gamme a, la gamme 6, la gamme g et la gamme Q.
13. Procédé selon l’une des revendications 1 à 12, dans lequel les signaux électriques représentatifs de l’activité neuronale du sujet à tester sont acquis au moyen d’électrodes agencées aux positions Fp1 et/ou Cz et/ou Oz et/ou CP5 du système 10-20 de la norme internationale pour le placement des électrodes.
14. Procédé de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester comprenant :
une étape de calibration selon un procédé conforme à l’une des revendications 1 à 13,
une étape d’acquisition de signaux électriques représentatifs de l’activité neuronale du sujet à tester et une étape de mesure en temps réel de l’activité de la fonction cognitive du sujet à tester en calculant une valeur représentative de la probabilité (PA) qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité prédéterminé de la fonction cognitive, à l’aide d’un système (1 ) de mesure en temps réel de l’activité de la fonction cognitive du sujet à tester.
15. Système (1 ) de mesure en temps réel de l’activité d’une fonction cognitive d’un sujet à tester comprenant :
- un sous-système d’acquisition (2) de signaux électriques ;
- une unité de traitement (3) ;
caractérisé en ce que l’unité de traitement (3) est configurée pour : a) acquérir des signaux électriques représentatifs d’une activité neuronale d’un sujet à tester pendant l’exécution d’une première tâche par le sujet à tester, la première tâche étant configurée pour que son
exécution par le sujet entraîne différents états de l’activité de la fonction cognitive du sujet ;
b) calculer les valeurs de marqueurs de l’activité de la fonction cognitive à partir des signaux acquis lors de l’étape a) et de signaux électriques de référence, chaque signal électrique de référence étant représentatif de l’activité neuronale d’un sujet de référence d’une première population de référence pendant l’exécution de la première tâche par le sujet de référence et les valeurs des marqueurs étant représentatives d’un état d’activité de la fonction cognitive du sujet à tester ;
c) générer une pluralité de copies de valeurs de marqueurs calculées lors de l’étape b) et ajouter du bruit aux copies générées ;
d) construire un classifieur par apprentissage automatique à partir des valeurs de marqueurs calculées à l’étape b) et de copies bruitées calculées lors de l’étape c), le classifieur étant adapté pour mesurer l’activité de la fonction cognitive du sujet à tester en calculant une valeur représentative d’une probabilité (PA) qu’un signal électrique représentatif de l’activité neuronale du sujet à tester résulte d’un état d’activité prédéterminé de la fonction cognitive du sujet à tester.
16. Système (1 ) selon la revendication 15 dans lequel la fonction cognitive est la mémoire de travail.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/766,087 US11950919B2 (en) | 2017-11-21 | 2018-11-21 | System for real-time measurement of the activity of a cognitive function and method for calibrating such a system |
| JP2020544978A JP7206287B2 (ja) | 2017-11-21 | 2018-11-21 | 認知機能の活動のリアルタイム測定のためのシステムおよびかかるシステムを較正する方法 |
| EP18811176.9A EP3713475A1 (fr) | 2017-11-21 | 2018-11-21 | Systeme de mesure en temps reel de l'activite d'une fonction cognitive et procede de calibration d'un tel systeme |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1760970 | 2017-11-21 | ||
| FR1760970A FR3073727B1 (fr) | 2017-11-21 | 2017-11-21 | Systeme de mesure en temps reel de l'activite d'une fonction cognitive et procede de calibration d'un tel systeme |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2019101807A1 true WO2019101807A1 (fr) | 2019-05-31 |
Family
ID=61258373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/EP2018/082109 WO2019101807A1 (fr) | 2017-11-21 | 2018-11-21 | Systeme de mesure en temps reel de l'activite d'une fonction cognitive et procede de calibration d'un tel systeme |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11950919B2 (fr) |
| EP (1) | EP3713475A1 (fr) |
| JP (1) | JP7206287B2 (fr) |
| FR (1) | FR3073727B1 (fr) |
| WO (1) | WO2019101807A1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114428555A (zh) * | 2022-03-04 | 2022-05-03 | 重庆邮电大学 | 一种基于皮层源信号的脑电运动意图识别方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5476137B2 (ja) * | 2010-01-19 | 2014-04-23 | 株式会社日立製作所 | 生体および脳機能計測に基づくヒューマンインターフェイス |
| EP3241489A1 (fr) * | 2016-05-04 | 2017-11-08 | Mensia Technologies | Neuromarqueurs prédictifs de la maladie d'alzheimer |
-
2017
- 2017-11-21 FR FR1760970A patent/FR3073727B1/fr active Active
-
2018
- 2018-11-21 US US16/766,087 patent/US11950919B2/en active Active
- 2018-11-21 WO PCT/EP2018/082109 patent/WO2019101807A1/fr unknown
- 2018-11-21 JP JP2020544978A patent/JP7206287B2/ja active Active
- 2018-11-21 EP EP18811176.9A patent/EP3713475A1/fr active Pending
Non-Patent Citations (5)
| Title |
|---|
| BADDELEY, A. D.; HITCH, G.: "Working memory", PSYCHOLOGY OF LEARNING AND MOTIVATION, vol. 8, 1974, pages 47 - 89 |
| CECOTTI HUBERT ET AL: "Optimization of Single-Trial Detection of Event-Related Potentials Through Artificial Trials", IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, IEEE SERVICE CENTER, PISCATAWAY, NJ, USA, vol. 62, no. 9, 1 September 2015 (2015-09-01), pages 2170 - 2176, XP011666602, ISSN: 0018-9294, [retrieved on 20150818], DOI: 10.1109/TBME.2015.2417054 * |
| D'ESPOSITO, M.; AGUIRRE, G. K.; ZARAHN, E.; BALLARD, D.; SHIN, R. K.; LEASE, J.: "Functional MRI studies of spatial and nonspatial working memory", COGNITIVE BRAIN RESEARCH, vol. 7, no. 1, 1998, pages 1 - 13 |
| MORA SÂNCHEZ, A. M.; GAUME, A.; DREYFUS, G.; VIALATTE, F. B.: "2015 IEEE 25th International Workshop on Machine Learning for Signal Processing (MLSP", 2015, IEEE, article "Septembre, A cognitive brain-computer interface prototype for the continuous monitoring of visual working memory load", pages: 1 - 5 |
| SANCHEZ ALDO MORA ET AL: "A cognitive brain-computer interface prototype for the continuous monitoring of visual working memory load", 2015 IEEE 25TH INTERNATIONAL WORKSHOP ON MACHINE LEARNING FOR SIGNAL PROCESSING (MLSP), IEEE, 17 September 2015 (2015-09-17), pages 1 - 5, XP032808434, DOI: 10.1109/MLSP.2015.7324370 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114428555A (zh) * | 2022-03-04 | 2022-05-03 | 重庆邮电大学 | 一种基于皮层源信号的脑电运动意图识别方法及系统 |
| CN114428555B (zh) * | 2022-03-04 | 2024-03-22 | 广州大鱼创福科技有限公司 | 一种基于皮层源信号的脑电运动意图识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7206287B2 (ja) | 2023-01-17 |
| US20210290142A1 (en) | 2021-09-23 |
| FR3073727B1 (fr) | 2019-10-25 |
| FR3073727A1 (fr) | 2019-05-24 |
| JP2021504068A (ja) | 2021-02-15 |
| EP3713475A1 (fr) | 2020-09-30 |
| US11950919B2 (en) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2124736B1 (fr) | Systeme d'analyse electrophysiologique | |
| CN101932988B (zh) | 调整脑波信号识别方法的装置、方法以及程序 | |
| JP2593625B2 (ja) | 生体情報自動識別装置 | |
| EP2679151B1 (fr) | Procédé de localisation d'une activité cérébrale | |
| JP7373555B2 (ja) | Ｅｅｇ信号を使用した運動機能の定量化 | |
| FR2887425A1 (fr) | Systeme d'analyse electrophysiologique | |
| EP3586339A1 (fr) | Procédé, dispositif et programme pour déterminer au moins un réseau cérébral impliqué dans une réalisation d'un processus donné | |
| US11610073B2 (en) | Device and method for analyzing the state of a system in a noisy context | |
| FR3073727B1 (fr) | Systeme de mesure en temps reel de l'activite d'une fonction cognitive et procede de calibration d'un tel systeme | |
| FR3063425A1 (fr) | Systeme de determination d'une emotion d'un utilisateur | |
| CA3092784A1 (fr) | Dispositif informatique de detection de troubles du rythme cardiaque | |
| EP4031005B1 (fr) | Système de détermination d'une émotion d'un utilisateur | |
| CN113143275A (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
| EP3599988B1 (fr) | Biomarqueur de la perception des couleurs chez un sujet mammifere base sur le marquage frequentiel de la pupille | |
| KR102575596B1 (ko) | 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 | |
| WO2022064425A1 (fr) | Équipement électrodermal | |
| US20210290145A1 (en) | Information analysis apparatus and information analysis method | |
| EP3841964A1 (fr) | Procédé de détermination d'une fonction d'appartenance, destinée à être appliquée pour estimer un état de stress d'une personne | |
| EP3017754B1 (fr) | Methode de determination automatisee d'un indice representatif de l'activite sympatho-vagale d'un etre humain ou d'un animal de competition | |
| WO2021009470A1 (fr) | Procédé et système de test de la cognition par traitement de la réaction d'un sujet a des stimuli | |
| EP3017757B1 (fr) | Methode d'elaboration automatisee d'une courbe d'evolution d'un indicateur representatif de la variabilite de la frequence cardiaque d'un etre humain ou d'un animal de competition | |
| FR3133691A1 (fr) | Procédé de labellisation de données pour construire une base de données pour configurer, valider et/ou tester une application de surveillance du niveau de fatigue d’un individu | |
| CN115399789A (zh) | 视觉眩晕脑电信号分类方法、装置、设备和介质 | |
| JP2023136285A (ja) | 情報処理装置、情報処理方法およびプログラム | |
| JPH0889488A (ja) | 生体情報自動識別装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18811176 Country of ref document: EP Kind code of ref document: A1 |
|
| ENP | Entry into the national phase |
Ref document number: 2020544978 Country of ref document: JP Kind code of ref document: A |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| ENP | Entry into the national phase |
Ref document number: 2018811176 Country of ref document: EP Effective date: 20200622 |