Résumé:
Les interfaces cerveau-machine (ICM) sont des systèmes de communication et de contrôle directs. Elle s'appuie uniquement sur l'activité cérébrale d'une personne et un système électrique ou mécanique sans aucune intervention musculaire. Dans notre thèse, nous avons contribué à l'optimisation de certaines étapes et particulièrement l'extraction de caractéristiques de l'électroencéphalogramme (EEG) et la classification des tâches mentales dans une ICM. Cette dernière se base sur la mesure et l'analyse des signaux EEG récoltés sur le scalp d'un individu à l'aide d'électrodes sur son crâne, qui sont stockés dans une base de données qu'on a utilisées.
En fait, cette activité que nous avons dans cette dernière, change durant l'activité motrice, lors de la réalisation du mouvement ou lorsque le sujet imagine un mouvement. Du point de vue méthodologique, nous avons utilisé une technique d'extraction de caractéristiques destinée aux signaux EEG. Et maintenant, nous sommes en train d'explorer deux méthodes de la classification sur la base des vecteurs caractéristiques déjà construits. Le but principal de ce travail est d'extraire les caractéristiques des signaux EEG et le but secondaire est de classifier ces signaux, comme on a pris quelque mesure permettant de quantifier la performance des classificateurs afin de valider et déterminer le taux de classification de chacun proposés. En utilisant une base de données (BCI de troisième compétition), on a décrit cette dernière dans le quatrième chapitre. Enfin, nous avons implémenté sous MATLAB une interface qui permet de facilité les échanges des données entre l'utilisateur du notre système et notre système ICM.
Mots clé: Activité cérébrale, Apprentissage de la machine, apprentissage supervise, Autocorrélation, Imagerie motrice, Interface Cerveau-Machine, Rythmes sensorimoteurs, Syndrome d'enfermement, Système d'acquisition de données, Taxonomie des classifieurs.
