Description du poste

Les interfaces cerveau-ordinateur basées sur l'imagerie motrice (MI-BCI) offrent des possibilités prometteuses pour interagir avec des dispositifs numériques uniquement via l'analyse de l'activité cérébrale, souvent acquise par électroencéphalographie (EEG) (Clerc et al. 2016). Grâce à l'utilisation d'une MI-BCI, une personne peut contrôler la direction d'un fauteuil roulant en imaginant des mouvements de la main gauche ou droite. Ces interfaces sont particulièrement prometteuses en raison de leurs nombreux domaines d'application. Elles ont par exemple été développées pour des personnes ayant perdu tout ou partie de leurs capacités motrices tout en ayant conservé des capacités mentales intactes. Au-delà de l'usage clinique, les MI-BCI sont également utilisées pour les jeux vidéo, la réalité virtuelle ou le contrôle domotique.

Les premières études dans le domaine des BCI remontent au début du siècle et sont donc assez récentes. Leur efficacité doit encore être améliorée pour que cette technologie connaisse un essor hors des laboratoires de recherche. Notamment, 15 à 30% des utilisateurs ne parviennent pas à contrôler une BCI basée sur l'imagerie sensorimotrice (Lotte et al. 2013). Il existe plusieurs pistes pour améliorer les technologies BCI. Un axe de recherche clé consiste à optimiser les protocoles d'entraînement suivis par les utilisateurs pour moduler leur activité cérébrale, spécifiquement en améliorant le feedback fourni. Dans des recherches précédentes, nous avons par exemple montré qu'un feedback multimodal composé de stimuli vibrotactiles et visuels réalistes est plus efficace qu'un feedback unimodal composé uniquement de stimuli visuels réalistes (Pillette et al. 2021). Une autre approche prometteuse est l'utilisation de feedbacks enrichis fournissant aux participants des informations supplémentaires, telles que la stabilité du signal EEG (Sollfrank et al. 2016) ou l'état de relaxation musculaire (Schumacher et al. 2015), en plus de la confiance du système dans le mouvement reconnu. Bien que les résultats concernant les gains de performance restent mitigés, il a été démontré que le feedback enrichi améliore la motivation de l'utilisateur et réduit la frustration.

Dans ce contexte, nous proposons un stage visant à étudier des feedbacks innovants fournis aux utilisateurs concernant leur performance à imaginer des mouvements lors de l'entraînement aux MI-BCI. Le logiciel open source OpenViBE sera utilisé pour concevoir la MI-BCI. Pour acquérir les données relatives à l'activité cérébrale, l'étudiant⸱e utilisera l'électroencéphalographie, une méthode non invasive et sûre mesurant l'activité électrique à la surface de la tête.

Selon la durée du stage, l'étudiant⸱e sera impliqué⸱e dans tout ou partie des phases suivantes du projet. Durant une première phase, l'étudiant⸱e devra se familiariser avec la littérature sur les BCI (y compris les MI-BCI), les feedbacks enrichis existants, et la contamination musculaire dans l'EEG. Sur la base de ces analyses bibliographiques, l'étudiant⸱e participera à la conception d'un protocole expérimental qu'elle/il implémentera (en utilisant OpenViBE et potentiellement Unity). L'étudiant⸱e pré-testera ensuite le protocole, réalisera les expériences et effectuera des analyses statistiques et neurophysiologiques des résultats. L'objectif final est de rapporter tous ces résultats dans un article rédigé avec le reste de l'équipe du projet.

=============
Références :
Clerc, Maureen, Laurent Bougrain, and Fabien Lotte. 2016. Brain–Computer Interfaces 1: Foundations and Methods. Wiley-ISTE. Vol. 1.
Lotte, Fabien, Florian Larrue, and Christian Mühl. 2013. ‘Flaws in Current Human Training Protocols for Spontaneous Brain-Computer Interfaces: Lessons Learned from Instructional Design’. Frontiers in Human Neuroscience 7 (September). https://doi.org/10.3389/fnhum.2013.00568.
Pillette, Léa, Bernard N’Kaoua, Romain Sabau, Bertrand Glize, and Fabien Lotte. 2021. ‘Multi-Session Influence of Two Modalities of Feedback and Their Order of Presentation on MI-BCI User Training’. Multimodal Technologies and Interaction 5 (3): 12. https://doi.org/10.3390/mti5030012.
Schumacher, Julia, Camille Jeunet, and Fabien Lotte. 2015. ‘Towards Explanatory Feedback for User Training in Brain-Computer Interfaces’. 2015 IEEE International Conference on Systems, Man, and Cybernetics, October, 3169–74. https://doi.org/10.1109/SMC.2015.550.
Sollfrank, T., A. Ramsay, S. Perdikis, et al. 2016. ‘The Effect of Multimodal and Enriched Feedback on SMR-BCI Performance’. Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology 127 (1): 490–98. https://doi.org/10.1016/j.clinph.2015.06.004.

Description de l'employeur

www.irisa.fr
L'IRISA est aujourd'hui l'un des plus grands laboratoires de recherche français (plus de 850 personnes) dans le domaine de l'informatique et des technologies de l'information. Structuré en sept départements scientifiques, l'IRISA est un laboratoire d'excellence dont les priorités scientifiques sont la bioinformatique, la sécurité des systèmes, les nouvelles architectures logicielles, la réalité virtuelle, l'analyse des big data et l'intelligence artificielle. Tourné vers l'avenir de l'informatique et nécessairement tourné vers l'international, l'IRISA est au cœur même de la transition numérique de la société et de l'innovation au service de la cybersécurité, de la santé, de l'environnement et de l'écologie, des transports, de la robotique, de l'énergie, de la culture et de l'intelligence artificielle.

Présentation du CNRS en tant qu'employeur : https://www.cnrs.fr/fr/le-cnrs
Présentation de l'IRISA comme laboratoire d'affectation : https://www.irisa.fr/umr-6074

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

Descriptif du profil recherché

Nous recherchons un⸱e candidat⸱e motivé⸱e ayant un bon niveau d'anglais et correspondant à l'un des profils suivants :
• Profil 1 : Solide formation en sciences cognitives, sciences expérimentales et neurophysiologie, idéalement avec des connaissances en informatique et en traitement du signal.
• Profil 2 : Solide formation en informatique et en traitement du signal, idéalement avec des connaissances en sciences cognitives, sciences expérimentales et neurophysiologie.

Conditions particulières d'exercice

NA

Langues

Bon niveau d'anglais requis.