Neural prosthetic for functional repair

Abstract

Les interfaces cerveau-machine captent les signaux cérébraux afin de restaurer la communication et le mouvement des personnes handicapées souffrant de troubles moteurs ou même de paralysie cérébrale. Les troubles proviennent de l'absence de transmission de signal cérébral ou de communication totale avec le monde externe du cerveau. Dans les régions du cerveau, le déclenchement d'ensemble de population de neurones représente des modèles spatio-temporels qui sont transformés en modèles spatio-temporels sortants qui codent une tâche cognitive complexe. Cette transformation est dynamique, non stationnaire (variable dans le temps) et fortement non linéaire. Par conséquent, la modélisation de ces modèles biologiques complexes nécessite des structures de modèle spécifiques pour découvrir les mécanismes physiologiques sous-jacents et leurs influences sur le comportement du système. Dans cette étude, nous avons étudié les réponses du cortex moteur enregistrées pendant le mouvement des rats en mouvement libre pour fournir des preuves de la relation entre ces modèles et une tâche comportementale particulière. Une technologie multi-électrodes récente permet l'enregistrement des activités neuronales simultanées chez les animaux qui se comportent. Les données intra-corticales sont traitées par étapes successives: détection des pics (spikes), tri des pics et extraction d'intention du signal de cadence de déclenchement. Nous nous concentrons sur les questions importantes suivantes: est-il réaliste de relier les événements temporels du cortex moteur primaire à un outil de plan des délais? Certaines entrées sont-elles plus adaptées que d'autres pour ce mappage? Devons-nous considérer des canaux séparés ou une représentation spéciale basée sur des statistiques multidimensionnelles? Dans cette thèse, nous nous concentrons principalement sur l'analyse des trains de pointes parallèle lorsque certaines hypothèses critiques pour que la méthode fonctionne sont violées par les données. Nous nous sommes efforcés de définir explicitement si les hypothèses sous-jacentes sont effectivement remplies. Nous proposons différents algorithmes pour le processus de décodage de la trajectoire de la main en utilisant deux étapes principales où la première est le détecteur en ligne de formes basé sur la correspondance de forme pour le tri des V pointes et la préparation des données. Le deuxième étage est le décodeur utilisant la sortie de l'étage précédent. Dans le décodeur, nous utilisons un système linéaire, basé sur un modèle de régression linéaire et le filtre de Kalman, et des modèles non linéaires utilisant le filtre de Kalman étendu, le réseau de neurones à retard temporel et le réseau de neurones dans l’aide du filtre de Kalman. Nous montrons également que ces algorithmes peuvent démontrer des performances améliorées sur les tâches d'inférence.