Cours d'interface neuronale directe

Leçon 1 • Aperçu de l'architecture système des ICO

Présente les composantes d'acquisition, de traitement et de sortie des signaux d'un pipeline d'ICO. Établit la vue d'ensemble du système que les étudiants construiront tout au long du cours.

Leçon 2 • Notions essentielles en neurosciences pour les ICO

Couvre la communication neuronale, les régions du cerveau et l'électrophysiologie pertinentes pour la conception d'ICO. Établit le lien entre les sources de signaux biologiques et l'activité électrique mesurable.

Leçon 3 • Domaines d'application des ICO

Passe en revue les utilisations des ICO pour la restauration motrice, la communication, la neuroréadaptation et les applications grand public. Motive l'apprentissage technique en reliant les concepts à leur impact concret.

Leçon 1 • Fondements de l'électroencéphalographie

Explique le placement des électrodes d'EEG, les systèmes de bonnet et la génération de signaux. Établit l'EEG comme la principale modalité non invasive utilisée tout au long du cours.

Leçon 2 • Configuration et calibrage du matériel

Guide la configuration pratique des systèmes d'acquisition pour une collecte de données fiable. Établit le lien entre les connaissances matérielles et les protocoles expérimentaux reproductibles.

Leçon 3 • Techniques d'enregistrement invasif

Couvre l'électrocorticographie et les réseaux de microélectrodes intracorticaux pour un enregistrement haute résolution. Compare la qualité des signaux invasifs à l'accessibilité non invasive.

Leçon 4 • Neuroimagerie fonctionnelle pour les ICO

Présente l'IRMf, la fNIRS et la MEG comme modalités d'acquisition complémentaires. Met en évidence les avantages de la résolution spatiale et les contraintes de déploiement pratique.

Leçon 1 • Techniques de filtrage numérique

Couvre les filtres passe-bande, coupe-bande et passe-haut pour isoler les bandes de fréquences neurales. Traite directement des artéfacts de ligne électrique et de dérive introduits dans le chapitre 2.

Leçon 2 • Segmentation et rejet des époques

Segmente les enregistrements continus en époques alignées sur la tâche et rejette les mauvais essais. Garantit que l'extraction de caractéristiques en aval s'effectue sur des segments de données valides.

Leçon 3 • Stratégies de re-référencement

Explique la référence moyenne commune, les mastoïdes liés et les filtres spatiaux Laplaciens. Montre comment le choix de la référence affecte la topographie du signal et la performance de l'ICO.

Leçon 4 • Correction de la ligne de base et normalisation

Applique la soustraction de la ligne de base pré-stimulus et la normalisation z-score sur les époques. Normalise l'amplitude du signal pour une extraction de caractéristiques cohérente.

Leçon 1 • Filtrage spatial pour l'amélioration des caractéristiques

Utilise les motifs spatiaux communs et la formation de faisceaux pour maximiser la discriminabilité des classes. Étend les concepts de re-référencement à l'optimisation spatiale supervisée.

Leçon 2 • Extraction de caractéristiques dans le domaine temporel

Dérive les caractéristiques d'amplitude, de pente et de potentiel évoqué à partir des époques d'EEG. Établit l'ensemble de caractéristiques le plus simple avant d'introduire les méthodes spectrales.

Leçon 3 • Analyse spectrale et temps-fréquence

Calcule la densité spectrale de puissance et les représentations temps-fréquence des signaux neuraux. Capture la dynamique oscillatoire pertinente pour l'imagerie motrice et les ICO attentionnelles.

Leçon 4 • Sélection de caractéristiques et réduction de dimensionnalité

Applique des méthodes de filtrage, d'encapsulation et d'incorporation pour sélectionner les caractéristiques les plus informatives. Empêche le surapprentissage en réduisant les vecteurs de caractéristiques de grande dimension.

Leçon 1 • Mesures d'évaluation de la performance

Mesure la précision, le TIT, le kappa et l'ASC-ROC pour une évaluation rigoureuse du système d'ICO. Établit le lien entre la sortie du classifieur et le débit de communication réel.

Leçon 2 • Classifieurs d'apprentissage automatique classiques

Applique l'ADL, les SVM et les k-NN aux vecteurs de caractéristiques d'ICO avec validation croisée. Fournit une performance de décodage de base avant d'introduire des modèles avancés.

Leçon 3 • Apprentissage profond pour le décodage d'ICO

Implémente les architectures CNN, RNN et EEGNet pour le décodage d'ICO de bout en bout. Exploite les signaux bruts ou minimalement traités pour apprendre les motifs spatiotemporels.

Leçon 4 • Classification adaptative et en ligne

Met à jour les classifieurs en temps réel pour gérer la non-stationnarité et la dérive au fil des sessions. Prépare les étudiants au déploiement dans des systèmes d'ICO en direct.

Leçon 1 • Paradigme d'ICO par imagerie motrice

Conçoit des protocoles d'imagerie motrice basés sur des signaux et intègre des pipelines de décodage CSP-ADL. Applique les compétences d'extraction de caractéristiques et de classification dans un paradigme complet.

Leçon 2 • Paradigme de l'épelateur P300

Implémente la matrice de stimulation excentrique ligne-colonne et le décodage xDAWN-ADL pour la saisie de texte. Démontre la conception d'un paradigme de potentiel évoqué et les techniques de moyennage.

Leçon 3 • Paradigmes d'ICO hybrides et passifs

Combine plusieurs paradigmes ou utilise la surveillance passive pour améliorer la robustesse. Étend les connaissances sur les paradigmes uniques aux conceptions d'ICO multimodales et implicites.

Leçon 4 • Cadres applicatifs logiciels d'ICO en temps réel

Configure les plateformes d'ICO open source pour la diffusion des stimuli, l'acquisition et le décodage. Intègre toutes les composantes du pipeline dans un système en temps réel déployable.

Leçon 1 • Entraînement des potentiels corticaux lents

Entraîne le contrôle volontaire des variations de potentiel cortical lent pour la communication et l'autorégulation. Démontre les exigences d'amplification à couplage CC et la rétroaction à longue latence.

Leçon 2 • Évaluation des résultats du neurofeedback

Évalue les résultats comportementaux, neurophysiologiques et cliniques des interventions de neurofeedback. Applique des méthodes d'évaluation rigoureuses pour distinguer l'apprentissage réel des artéfacts.

Leçon 3 • Neurostimulation en boucle fermée

Intègre la stimulation transcrânienne déclenchée par les états cérébraux décodés pour une modulation bidirectionnelle. Étend les concepts de boucle fermée au-delà des affichages de rétroaction à une intervention active.

Leçon 4 • Principes du neurofeedback

Explique le conditionnement opérant des oscillations neurales et le mécanisme de la boucle de rétroaction. Ancre la conception du neurofeedback dans la théorie de l'apprentissage et la neuroplasticité.

Leçon 1 • Voies réglementaires pour les dispositifs d'ICO

Navigue dans la classification des dispositifs médicaux, les tests de sécurité et les processus d'approbation pour les ICO implantables et non invasives. Établit le lien entre la conception technique et les exigences de conformité.

Leçon 2 • Éthique, confidentialité et consentement éclairé

Examine les principes de neuroéthique, les obligations de confidentialité des données et les cadres de consentement pour la recherche et les produits d'ICO. Garantit que les diplômés appliquent un raisonnement éthique à la conception du système.

Leçon 3 • Fiabilité et maintenance à long terme des ICO

Aborde la dérive du signal, la dégradation des électrodes et le recalibrage du modèle lors d'une utilisation prolongée. Prépare les étudiants à maintenir la performance des ICO au-delà du déploiement initial.

Leçon 4 • Gestion de la variabilité des utilisateurs et des non-répondeurs

Analyse les sources de variabilité inter-sujets et les stratégies pour améliorer la performance des ICO pour tous les utilisateurs. S'appuie sur la classification adaptative pour aborder le problème de l'illettrisme en matière d'ICO.