secret des implants mondera pfyzer johnson  covid 19 connexion p300
                                   

pour commence une vidéo

la suite vous aller me dire ok

Des implants de graphène dans le cerveau pour lutter contre Parkinson?
Grégory Rozières, Le HuffPost
02/02/2016 06:50 CET | Actualisé octobre 5, 2016
ACSNano

SANTÉ - Le graphène fait encore parler de lui. Ce matériau miracle pourrait cette fois servir à lutter contre la maladie de Parkinson et contre certaines paralysies. Dans une étude publiée dans ACSNano, des chercheurs de l'université italienne de Trieste et du centre de recherche de Cambridge ont réussi à installer du graphène sur des neurones.

Ce matériau miracle, composé de carbone, découvert il y a une dizaine d'années, est une simple feuille d'atomes très résistant et conducteur d'électricité. Les scientifiques ont donc eu l'idée d'utiliser des feuilles de ce type pour servir d'électrodes minuscules. Le graphène peut ainsi transmettre aux scientifiques les signaux électriques émis par les neurones et qui représentent l'activité du cerveau, précise Phys.

Des précédents pas aussi parfaits
Coadaptation cerveau machine pour une interaction
optimale : application au P300-Speller
Articles universitaires correspondant aux termes p300 signal implant
… speech sounds after cochlear implant: a case report - ‎Kaga - Cité 51 fois
… passive hearing conditions in adult cochlear implant … - ‎Obuchi - Cité 14 fois

application au P300-Speller - TEL archives ouvertes
https://tel.archives-ouvertes.fr

Cette prouesse est une première, surtout qu'elle n'a entraîné aucune dégradation des neurones testés (en l’occurrence, des cellules du cerveau de rats). Car si d'autres techniques permettent déjà d'interagir avec le cerveau de la sorte, elles possèdent de gros défauts. En utilisant d'autres matériaux, comme le silicium, le signal n'est pas parfait. Le graphène est lui un excellent conducteur extrêmement stable.

De même, du graphène a déjà été connecté à des neurones, mais il n'était pas pur: il avait été traité, par exemple en l'enrobant de peptides, des molécules présentes dans le corps et favorisant la connexion avec les neurones, précise Motherboard. Mais dans ce cas également, des interférences brouillaient le signal.

Effleurer la partie émergée de l'iceberg

Mais quel est le lien entre l'exploit de ces chercheurs et la lutte contre la maladie de Parkinson? Voilà déjà quelques années que nous arrivons à analyser ces impulsions électriques du cerveau. Ainsi, il est possible pour des personnes handicapées de contrôler un bras robotique ou de "parler" via un ordinateur. Arriver à créer des électrodes "parfaites" permettrait de faciliter ces recherches. Egalement, comme le rappelle Phys, interférer avec ces impulsions pourrait permettre de "contrôler des désordres moteurs", tels ceux causés par la maladie de Parkinson.

Pour autant, la route est encore très longue. Les chercheurs doivent, avant même d'envisager travailler sur ce sujet, continuer de travailler sur le graphène (par exemple, faut-il une seule couche conductrice, ou plusieurs). "Ces premiers résultats nous montrent à quel point nous ne faisons qu'effleurer le sommet de l'iceberg que représente le potentiel du graphène", a déclaré Andrea Ferrari, directeur du centre de recherche sur le graphène de Cambridge.

sourcehttps://www.huffingtonpost.fr/2016/02/02/implants-graphene-cerveau-parkinson_n_9132198.html

nterface neuronale directe
Page d’aide sur l’homonymie
Pour les articles homonymes, voir IND et BCI.
Schéma d'une interface neuronale directe.

Une interface neuronale directe - abrégée IND ou BCI1 ou encore ICM (interface cerveau-machine, ou encore interface cerveau-ordinateur) est une interface de communication directe entre un cerveau et un dispositif externe (un ordinateur, un système électronique…). Ces systèmes peuvent être conçus dans le but d'étudier le cerveau, d'assister, améliorer ou réparer des fonctions humaines de cognition ou d'action défaillantes.

L'IND peut être unidirectionnelle ou bidirectionnelle.

Ce type de périphérique est fondamentalement différent de toute autre interface homme-machine : une telle liaison ne requiert en effet aucune transformation préalable du signal électrique émis par l’activité cérébrale en activité musculaire (psychomotrice), cette dernière étant usuellement traduite en signal d’entrée pour la machine.

En s’affranchissant de la chaîne de réaction « cerveau, nerfs, muscles, interface conventionnelle homme-machine », les temps de réponse peuvent être écourtés de plusieurs dixièmes de seconde dans le cas d’interaction urgente. De plus, ils laissent les organes moteurs et sensoriels (mains, pieds, yeux, etc.) libres et disponibles pour d’autres types de commandes simultanée


Amélioration des performances de l'orthographe P300 à l'aide de l'électrocorticographie, des caractéristiques spectrales et du traitement du langage naturel
William Speier , 1, 5 Itzhak Fried , 2, 3, 4 et Nader Pouratian 1, 2, 3, 4
Informations sur l' auteur Informations sur les droits d'auteur et la licence Avis de non-responsabilité
La version finale éditée par l'éditeur de cet article est disponible sur Clin Neurophysiol
Voir d'autres articles dans PMC qui citent l'article publié.
Aller à:
Résumé
Objectif
L'orthographe P300 est un système conçu pour rétablir la communication avec les patients atteints de troubles neuromusculaires avancés. Cette étude a été conçue pour explorer l'amélioration potentielle de l'utilisation de l'électrocorticographie (ECoG) par rapport à l'utilisation plus traditionnelle de l'électroencéphalographie (EEG).

Méthodes
Nous avons testé l'orthographe P300 sur deux patients épileptiques avec des réseaux d'électrodes sous-durales temporaires sur les lobes occipital et temporal respectivement. Nous avons ensuite effectué une analyse hors ligne pour déterminer la précision et le débit binaire du système et des caractéristiques spectrales intégrées dans le classificateur et utilisé un algorithme de traitement du langage naturel (NLP) pour améliorer encore les résultats.

Résultats
Le sujet avec la grille occipitale a atteint une précision de 82,77 % et un débit binaire de 41,02, qui s'est amélioré à 96,31 % et 49,47 respectivement en utilisant un modèle de langage et des caractéristiques spectrales. Le patient de la grille temporelle a atteint une précision de 59,03 % et un débit binaire de 18,26 avec une amélioration à 75,81 % et 27,05 respectivement en utilisant un modèle de langage et des caractéristiques spectrales. L'analyse spatiale des électrodes individuelles a montré les meilleures performances en utilisant des signaux générés et enregistrés près du pôle occipital.

Conclusion
L'utilisation d'ECoG et l'intégration d'informations linguistiques et de caractéristiques spectrales peuvent améliorer le débit binaire d'un système d'orthographe P300. Cette amélioration est sensible au placement des électrodes et dépend probablement des potentiels évoqués visuellement.

Importance
Cette étude montre qu'il peut y avoir une amélioration des performances du BCI lors de l'utilisation de l'ECoG, mais qu'il est sensible à l'emplacement des électrodes.

Mots - clés : interface cerveau-ordinateur, électrocorticographie, potentiel événementiel, P300, orthographe, traitement du langage naturel
Aller à:
1. Introduction
Les interfaces cerveau-ordinateur (BCI) sont des systèmes conçus pour restaurer la fonctionnalité des victimes de lésions cérébrales graves ou de maladies neuromusculaires graves telles que la sclérose latérale amyotrophique (SLA). Un système BCI lit les signaux électriques dans le cerveau et les traduit en commandes informatiques ( Wolpaw et al. 2002 ). Un ordinateur peut ensuite convertir ces commandes en actions telles que taper du texte ( Farwell et Donchin, 1988 ), déplacer un curseur ( Wolpaw et al., 1991 ) ou contrôler des prothèses robotiques ( Lauer et al., 2000 ; Pfurtscheller et al., 2000 ). Bien que la restauration de la communication chez les patients complètement enfermés n'ait pas encore été démontrée, elle s'est avérée possible dans tous les autres stades de la paralysie (Kübler et al. 2008 ).

L'orthographe P300 est un exemple de système BCI conçu pour restaurer la communication en traduisant les signaux corticaux en une entrée de clavier simulée ( Farwell et Donchin, 1988). Le système contient une interface graphique constituée d'une grille de caractères alphanumériques qui sont périodiquement éclairés de manière pseudo-aléatoire. La tâche de l'utilisateur est de se concentrer sur un personnage cible qu'il souhaite sélectionner. Lorsque le caractère assisté est intensifié, un signal de réponse est évoqué dans l'électroencéphalogramme (EEG) de l'utilisateur. Le système détecte ces réponses évoquées et sélectionne le caractère qui a été flashé dans les stimuli associés. Afin de compenser le faible rapport signal sur bruit, plusieurs essais sont combinés avant de prendre une décision sur un personnage. La nécessité de mesures répétées entraîne d'importantes inefficacités de performance. Diverses améliorations ont été mises en œuvre qui ont abouti à des résultats en temps réel allant de 79 à 91 % de précision à 13 à 42 secondes par sélection ( Serby et al., 2005; Sellers et al., 2006 , 2010 ; Lenhardt et al., 2008 ; Nijboer et al., 2008 ; Guger et al., 2009 ).

Étant donné que l'utilisation principale de l'orthographe P300 a été pour la langue de communication, il y a eu des études récentes qui ont exploité les connaissances sur le domaine de la langue afin d'améliorer les performances du système. Ryan et al. utilisé des recherches dans le dictionnaire pour les chaînes de caractères sélectionnés afin d'ajouter des suggestions de complétion de mots à la matrice de caractères ( Ryan et al. 2011 ). Speier et al. utilise un algorithme de traitement du langage naturel (NLP) qui utilise un modèle de la structure du langage réel pour donner des probabilités antérieures plus élevées aux caractères qui sont plus susceptibles de se produire en fonction du contexte ( Speier et al. 2012 ).

Des études récentes ont suggéré que les signaux d'électrocorticographie (ECoG) pourraient être utilisés dans la communication BCI en raison de son rapport signal sur bruit accru, de sa haute résolution spatiale et de son contenu spectral supérieur ( Leuthardt et al., 2004 , Wilson et al., 2006 , Brunner et al., 2009 , Miller et al., 2010 ). L'inconvénient évident de l'utilisation d'électrodes implantées est qu'elle nécessite une chirurgie invasive. Pourtant, une enquête récente suggère que cette chirurgie pourrait être acceptable pour certains patients atteints de SLA si elle donne des performances suffisamment meilleures ( Huggins 2011). 61 personnes souffrant de SLA ont été interrogées sur la BCI et 72% ont déclaré qu'elles envisageraient une chirurgie ambulatoire et 41% accepteraient un court séjour à l'hôpital afin d'avoir une BCI implantée, mais que les systèmes actuels de BCI n'atteignent pas encore les niveaux de performance souhaités.

Deux groupes ont déjà montré des résultats prometteurs en utilisant l'ECoG dans les études d'orthographe P300. Brunner et al. ont mené une étude consistant en un seul patient avec une grille temporale et une bande de six électrodes dans la région occipitale ( Brunner et al., 2011 ). Leur analyse s'est concentrée sur la bande occipitale et ils ont rapporté des précisions approchant les 100 % après seulement 3 séries de flashs. Krusienski et Shih ont rapporté les résultats de 6 sujets avec différents emplacements des électrodes, principalement dans les cortex temporal et pariétal ( Krusienski et Shih, 2011a). Les résultats de leurs sujets variaient, mais ils montraient généralement une amélioration marginale par rapport aux performances basées sur l'EEG. Peut-être plus intéressant encore, Krusienski et Shih ont également signalé une corrélation significative entre le stimulus et les composantes spectrales du signal de réponse dans l'ECoG ( Krusienski et Shih, 2011b ). Ils ne sont cependant pas allés jusqu'à utiliser des caractéristiques spectrales dans la classification pour déterminer si elles peuvent compléter les caractéristiques temporelles et améliorer la précision. Étant donné que la détection et la classification des signaux d'orthographe P300 se sont traditionnellement concentrées sur les signaux corticaux dans le domaine temporel, des travaux supplémentaires caractérisant les caractéristiques du domaine spectral sont essentiels pour comprendre leur valeur potentielle dans la classification des cibles.

L'objectif de cette étude est d'étudier les facteurs qui peuvent moduler les performances du système dans un système BCI basé sur l'ECoG, y compris les facteurs spatiaux, temporels et spectraux. Deux sujets avec des électrodes implantées sous-durales ont été testés à l'aide de l'orthographe P300. Aucun de ces patients n'avait d'électrodes implantées dans le cortex pariétal, de sorte que le signal P300 réel n'a pas pu être détecté. Au lieu de cela, des potentiels liés aux événements (ERP) plus généraux, y compris des potentiels évoqués visuellement (PEV), ont été observés. Une analyse hors ligne a été effectuée pour déterminer la précision et le débit binaire que ces sujets peuvent atteindre en utilisant ce système pour épeler des mots courants de 5 lettres avec et sans intégration de caractéristiques spectrales et d'algorithmes PNL qui pourraient potentiellement augmenter davantage les performances observées ( Speier et al., 2012). Leurs résultats ont été comparés à un ensemble de données de 6 sujets EEG utilisé dans une publication précédente ( Speier et al., 2012 ). Une analyse spatiale a également été effectuée pour déterminer les emplacements corticaux avec la meilleure capacité de classification pour cette tâche, montrant le placement optimal possible des électrodes pour un système d'orthographe invasif "P300".

Aller à:
2. Méthodes
2.1 Sujets
Les sujets de cette étude avaient des réseaux d'électrodes sous-durales temporaires implantés pour localiser les foyers de crise avant la résection chirurgicale. Tous deux avaient retrouvé une vision normale et avaient consenti par le biais d'un protocole approuvé par le comité d'examen institutionnel de l'UCLA.

Le premier sujet était un homme gaucher de 18 ans avec des crises localisées dans la région occipitale gauche. Le patient avait une grille de 20 électrodes implantée dans la région occipitale latérale gauche ainsi que des bandes d'électrodes sous-durales implantées dans la temporale (8 électrodes), l'occipital basal antérieur (4 électrodes), l'occipital basal moyen (4 électrodes), l'occipital basal postérieur ( 6 électrodes), et des régions interhémisphériques occipitales (6 électrodes) pour un total de 48 électrodes (Figure 1a–b).


Figure 1
Images d'électrodes implantées. (a) Photographie de la craniotomie et des électrodes implantées pour le sujet 1. (b) Radiographie antéropostérieure à intensité inversée du sujet 1 avec des électrodes implantées. (c) Photographie de la craniotomie et des électrodes implantées pour le sujet 2. (d) Radiographie latérale à intensité inversée du sujet 2 avec des électrodes implantées.

Le deuxième sujet était une femme droitière de 45 ans avec des crises non localisables, mais prédominantes dans la région temporale droite. Le patient avait une grille occipitale pariétale temporale à 32 électrodes. Il y avait aussi des bandes d'électrodes implantées dans le suprasylvien (7 électrodes), le temporal antérieur (7 électrodes), le temporal basal moyen (4 électrodes), le temporal basal moyen postérieur (7 électrodes), le temporal basal postérieur (7 électrodes) et le basal occipital ( 8 électrodes) régions de l'hémisphère droit pour un total de 72 électrodes. Les bandes basales temporales antérieures et temporales moyennes ont été omises car notre amplificateur était limité à 64 canaux, ce qui donne un total de 61 électrodes utilisées dans notre analyse (Figure 1c–d).

2.2 Collecte de données
Les signaux ECoG ont été enregistrés à l'aide de quatre systèmes d'amplification g.USBamp à 16 canaux (g.tec, Graz, Autriche). Les données ont été collectées simultanément avec la surveillance clinique en connectant les câbles ECoG à un répartiteur au moment de l'implantation. Nous pourrions ensuite connecter notre système au répartiteur pour acquérir des signaux ECoG sans interrompre le système de surveillance clinique. Les données ont été collectées à 2400 Hz pour le premier sujet et à 512 Hz pour le second et les deux ont été sous-échantillonnées à 40 Hz pour une analyse dans le domaine temporel. Un filtre coupe-bande à 60 Hz a été utilisé pour les deux sujets. BCI2000 a été utilisé pour l'acquisition de données et la conception expérimentale ( Schalk et al., 2004 ).

2.3 Paradigme expérimental
Le système utilisait une grille de 6 × 6 caractères avec des clignotements de ligne et de colonne, une durée de clignotement de 50 ms et des pauses de 3,5 s entre les sélections. Le premier sujet avait un intervalle inter-stimulus (ISI) de 150 ms tandis que le second avait un ISI de 140 ms (comme contraint par BCI2000 sur la base des taux d'échantillonnage). Chaque sujet a subi trois essais consistant à épeler un mot de cinq lettres (sujet 1 : « MAISON », « LOT » et « ALOHA » ; sujet 2 : « ÉVITEZ », « ÊTRE » et « MIXTE ») avec 10 séries de 12 clignote (six lignes et six colonnes) pour chaque lettre. Le choix des mots cibles pour cette expérience était indépendant du modèle de langage de l'algorithme PNL.

Les deux sujets étaient assis droit dans leur lit dans l'unité de surveillance de l'épilepsie de l'UCLA pendant l'expérience. Les stimuli étaient présentés sur un moniteur qui se trouvait sur un chariot à côté du lit. Le chariot était positionné de manière à ce que les sujets puissent regarder directement le moniteur avec un mouvement de tête minimal à une distance d'environ un mètre.

Ce paradigme a été conçu pour correspondre aux conditions utilisées dans l'expérience de Speier et al. (2012) Etude EEG d'aussi près que possible. Cette étude a utilisé BCI2000 pour enregistrer les signaux EEG de six sujets sains à l'aide de l'orthographe P300 pour taper des mots de cinq lettres à l'aide des amplificateurs identiques utilisés dans la présente étude. Comme dans cette étude, Speier et al. (2012) ont utilisé des flashs de ligne et de colonne sur une grille 6 × 6 positionnée à un mètre du sujet. Les principales différences dans le paradigme de cette étude sont l'ISI utilisé (Speier et al. ont utilisé un intervalle de 125 ms) et le placement des électrodes (Speier et al. ont utilisé 32 électrodes EEG disposées selon le système 10-20). Plus de données ont été recueillies par le précédent Speier et al. étude, en raison de la plus grande facilité de collecte de données basées sur l'EEG.

2.4 Classement
L'analyse a été effectuée hors ligne à l'aide de MATLAB (version 7.10.0, MathWorks, Inc, Natick, MA). Une analyse discriminante linéaire par étapes (SWLDA) a été utilisée pour déterminer les caractéristiques de la classification. Une validation croisée a été utilisée pour l'apprentissage, ce qui a permis d'utiliser l'un des mots d'essai comme ensemble de test avec les deux autres comme ensemble d'apprentissage. Les signaux de l'ensemble d'apprentissage ont ensuite reçu des étiquettes selon que le stimulus associé contenait le caractère cible.

Pour chaque stimulus, les données ECoG enregistrées par chaque électrode au cours des 500 ms suivantes ont été ajoutées pour créer le vecteur caractéristique, zjetpour le stimulus i pour la lettre tdans la séquence. La dimensionnalité du vecteur caractéristique était alors 20 fois le nombre d'électrodes enregistrées pour ce sujet. SWLDA a utilisé une méthode par étapes pour séparer les caractéristiques disponibles en deux groupes selon que la caractéristique était significative dans la classification. À chaque étape, la caractéristique la plus significative au-dessus d'un seuil dans le groupe non significatif a été ajoutée au groupe significatif. De même, la caractéristique la moins significative en dessous d'un seuil dans le groupe significatif a été retirée de la classification. Les probabilités d'ajout et de suppression d'entités étaient respectivement de 0,1 et 0,15. Ces étapes ont été répétées jusqu'à ce que le nombre de caractéristiques significatives atteigne un seuil de 60 caractéristiques ou jusqu'à ce que les groupes de caractéristiques atteignent l'équilibre. Ces caractéristiques significatives ont ensuite été stockées dans un vecteur de poids, w. (Krusienski et al. 2006)

Pendant les tests, le produit scalaire entre le vecteur caractéristique de chaque stimulus et le vecteur de poids caractéristique a été utilisé pour déterminer un score pour ce stimulus :

ouijet= W ⋅zjet
La méthode de classification statique a ensuite été effectuée en trouvant le personnage qui avait le score total le plus élevé pour tous les stimuli auxquels il était associé :

La méthode de classification statique a ensuite été effectuée en trouvant le personnage qui avait le score total le plus élevé pour tous les stimuli auxquels il était associé :

arg maxXt??je :Xt??UNEjetouijet
où UNEjetest l'ensemble de caractères illuminé pour le i ième caractère flash pour t dans la séquence.

Le nombre de stimuli est prédéterminé par sujet afin qu'une décision soit prise après un nombre défini de flashs. Nous avons simulé cela en faisant varier le nombre de jeux de flashs de 1 à 10. Une fois le nombre de flashs requis atteint, nous avons pris la décision et rejeté les données restantes.

Le rejet des données de cette manière met trop l'accent sur les essais antérieurs et sous-utilise nos données dans les décisions antérieures. Nous avons surmonté cela en profitant du fait que chaque jeu de flashs était indépendant, donc l'ordre n'avait pas d'importance. Pour chaque lettre, nous avons créé 1 000 permutations aléatoires des ensembles de stimuli et analysé chacun indépendamment, en amorçant efficacement les données. Cela nous a donné des exemples supplémentaires des décisions antérieures et utilisé chaque stimulus de manière égale.

2.5 Caractéristiques spectrales
Nous avons calculé les caractéristiques spectrales du signal ECoG après le début du stimulus et les avons ajoutées au vecteur de caractéristiques. Le spectrogramme a été calculé à l'aide de la boîte à outils Chronux ( Bokil et al. 2010 ) avec une fenêtre mobile de 100 ms et un pas de 50 ms. Pour chaque stimulus, la puissance logarithmique des valeurs du spectrogramme sur les 500 ms suivantes a été utilisée comme caractéristiques pour la classification. Pour réduire le nombre total de caractéristiques, les valeurs du gamma faible (30-70 Hz) et du gamma élevé (70-200 Hz) ont été moyennées.

Les caractéristiques résultantes pour chaque canal ont ensuite été ajoutées aux caractéristiques temporelles pour créer un nouveau vecteur de caractéristiques, z??jet. SWLDA a ensuite été recyclé sur ces nouvelles caractéristiques pour obtenir un nouveau vecteur de poids qui contient des poids pour chacune des caractéristiques temporelles et spectrales significatives.

Cette dimensionnalité des vecteurs de caractéristiques et de poids est la somme des nombres de caractéristiques temporelles et spectrales. Comme précédemment, la classification a été effectuée en prenant le produit scalaire de ce vecteur de poids avec les nouveaux vecteurs de caractéristiques obtenus pour chaque stimulus afin d'obtenir une valeur scalaire pour le score.

oui??jet=w????z??jet
2.6 Traitement du langage naturel
Comme étape finale, la connaissance du domaine linguistique a été intégrée dans le système pour tester l'accélération supplémentaire de l'utilisation d'un algorithme PNL comme décrit dans ( Speier et al. 2012 ). Comme dans l'analyse précédente, une validation croisée a été utilisée pour obtenir un ensemble d'apprentissage pour SWLDA. Les moyennes et les écarts types ont ensuite été trouvés pour les scores des stimuli cibles et non cibles. En supposant une distribution normale, la fonction de densité de probabilité (PDF) pour la probabilité de vraisemblance a été calculée,

F(ouijet??Xt) =??????????????????12 π??2une??e−12??2une(ouijet−??une)212 π??2m??e−12??2m(ouijet−??m)2je fXt??UNEjetje fXt??UNEjet
où μ a , ??2une, Μ n , et ??2m sont les moyennes et les variances des distributions pour les scores des participants et des non-participants, respectivement.

Un classificateur Naive Bayes a ensuite été utilisé pour déterminer la probabilité conditionnelle d'un personnage cible étant donné un ensemble de scores flash et l'historique des décisions précédentes.

P(Xt??ouit,Xt − 1, … ,X0) =1ZP(Xt??Xt − 1)??jeF(ouijet??Xt)
où P ( x t | x t −1 ) est la probabilité au bigramme de caractères calculée à partir du corpus de Brown ( Francis et Kucera, 1979 ), F(ouijet??Xt)sont les PDF pour les probabilités de vraisemblance et Z est une constante de normalisation. Une fois que la probabilité d'un caractère atteint un seuil, ce caractère est choisi et le système passe au caractère suivant de la séquence. La probabilité seuil variait entre 0 et 1 par incréments de 0,01 et la valeur qui maximisait le débit binaire a été choisie pour chaque sujet.

2.7 Évaluation
Lors de l'évaluation d'un système BCI, il existe un compromis entre la précision du système et la vitesse à laquelle il prend des décisions. Lorsque plus de temps est alloué pour choisir un personnage, plus de données peuvent être acquises et plus cette décision sera précise. Cependant, l'augmentation du temps entre les décisions diminue la vitesse du système. Ces deux valeurs doivent être prises en compte lors de l'évaluation du système.

Le débit binaire est une métrique qui intègre à la fois la vitesse et la précision pour décrire le débit d'informations transmises par le système. Il est basé sur les principes de la théorie de l'information décrits dans Pierce (1980) et mis en œuvre pour la première fois dans l'application BCI par McFarland et al. (2003) . Le nombre de bits d'information par sélection est trouvé en considérant le nombre de sélections possibles et en pénalisant en fonction de la probabilité d'une erreur.

B = log ( N) + P l o g ( P) + ( 1 − P) journal(1 − PN− 1)
Ici, N est le nombre de sélections possibles (36 dans cette étude) et P est la précision. Le taux d'information est ensuite trouvé en divisant celui-ci par le temps moyen nécessaire pour effectuer une sélection, en tenant compte de la pause de 3,5 secondes entre les caractères.

Aller à:
3. Résultats
3.1 Réponse évoquée
En général, une réponse évoquée a été observée dans les électrodes à partir de 100 ms après la présentation du stimulus (Figure 2). Cette réponse était généralement caractérisée par une réponse négative initiale à 100 ms suivie d'une inflexion positive à environ 200 ms. Cette réponse est plus prononcée dans les électrodes près du pôle occipital dans la grille d'électrodes dans le sujet 1 (Figure 2a–b). Il peut également être vu dans les électrodes de la bande basale occipitale chez le sujet 2 (Figure 2d). Les électrodes de la bande basale temporale du sujet 2 ont montré une petite inflexion négative en réponse aux stimuli (Figure 2e).

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3679217/



Figure 2
Amplitude moyenne du signal (en v) au fil du temps (en ms) pour la réponse au stimulus assisté (solide) et non assisté (en pointillés) pour les électrodes sélectionnées. Pour le sujet 1 (a), les signaux pour les électrodes dans la grille occipitale sont tracés (b). Pour le sujet 2 (c), les signaux des électrodes dans les bandes basales temporales postérieures (d) et occipitales basales (e) sont tracés. Notez que la différenciation se produit entre les signaux assistés et non assistés dans les électrodes proches du pôle occipital.

3.2 Analyse spectrale
Les deux sujets ont montré des réponses en fréquence similaires aux stimuli. Les électrodes proches du pôle occipital présentaient généralement une augmentation de la puissance environ 100 ms après le début du stimulus suivie d'une diminution de la puissance après environ 200 ms (figure 3). Le premier sujet a d'abord vu une augmentation de la puissance de la bande bêta suivie d'une augmentation de la puissance gamma faible et élevée avec un pic autour de 130 Hz (Figure 3a). Le sujet 2 a vu un pic dans la bande alpha après environ 150 ms avec une augmentation générale de la puissance gamma faible et élevée. En général, le premier sujet avait une réponse en fréquence plus importante car son spectrogramme contenait un maximum de 8,6 dB contre 5,8 dB pour le sujet 2.


Ouvrir dans une fenêtre séparée
figure 3
Rapport logarithmique de la réponse spectrale entre les stimuli cibles et non cibles après le début ainsi que la réponse temporelle moyenne pour une seule électrode de chaque sujet. L'électrode du pôle occipital a été utilisée pour le sujet 1 (a) et l'électrode médiane dans la bande basale occipitale pour le sujet 2 (b) avec la réponse temporelle moyenne pour les stimuli assistés (solides) et non assistés (en pointillés).

3.3 Performance de la BCI
Dans notre analyse hors ligne, nous avons constaté que le premier sujet était capable d'atteindre une précision de près de 95 % après deux séries de flashs et de plus de 98 % après trois séries en utilisant la méthode de classification standard (Figure 4a). Son débit binaire maximal de 41,02 a été atteint après une série de flashs alors qu'il avait un taux de sélection de 11,32 et une précision de 82,77 % (Figure 5a). La précision du deuxième sujet était plus faible, atteignant 73,33 % après les 10 séries de flashs (Figure 4b). Après deux séries de flashs, le sujet a atteint une précision de 59,03 % et un taux de sélection de 8,72 caractères par minute pour un débit binaire maximal de 18,26 (Figure 5b). (Tableau 1)


Figure 4
Précisions du sujet. Les précisions moyennes pour chaque sujet sont tracées à l'aide des méthodes standard (courbe brisée) et PNL (courbe complète) par rapport au nombre moyen de séries de flashs nécessaires pour prendre une décision.

Figure 5
Débits binaires du sujet. Les débits binaires moyens pour chaque sujet sont tracés en utilisant les méthodes standard (courbe brisée) et NLP (courbe complète) par rapport au nombre moyen de séries de flashs nécessaires pour prendre une décision.

Tableau 1
Résultats pour la classification standard ainsi que la méthode NLP avec des caractéristiques spectrales optimisées pour le débit binaire.
SR (sélections/min) Précision (%) Débit binaire (bits/min)
Sujet Standard PNL + Spéc Standard PNL + Spéc Standard PNL + Spéc
1 11.32 10.41 82,77 96.31 41.02 49,47
2 8.73 8.64 59.03 75,81 18.26 27.05
MOYENNE 10.02 9.52 70,9 86.06 29,64 38.26
En utilisant uniquement les caractéristiques spectrales pour la classification, les deux sujets ont atteint des débits binaires maximum de 33,55 et 6,04 respectivement, qui étaient tous deux inférieurs aux valeurs calculées à partir des seules caractéristiques temporelles. Lorsque les caractéristiques spectrales ont été combinées avec les caractéristiques temporelles pour la classification, la précision du premier sujet a commencé légèrement plus bas mais a augmenté plus rapidement, atteignant 95,41% après deux séries de flashs. Le débit binaire maximal résultant était de 41,97, ce qui était inférieur car il se produisait après une série de flashs. Le débit binaire maximal du deuxième sujet a légèrement augmenté car elle a atteint un taux de sélection de 8,73 et une précision de 60,84 pour un débit binaire de 19,16. Dans l'ensemble, le débit binaire maximal moyen a légèrement augmenté de 29,64 à 29,75.

Après avoir intégré les informations linguistiques dans le classificateur temporel, le premier sujet a atteint un débit binaire maximal de 48,81 avec un taux de sélection de 10,53 et une précision de 95,09 %. Lorsque les caractéristiques spectrales ont été ajoutées à cette classification, le taux de sélection est devenu 10,41 et la précision est passée à 96,31 pour un débit binaire maximal de 49,47 (Tableau 1). Le débit binaire maximum du deuxième sujet est passé à 24,24 avec un taux de sélection de 11,17 et une précision de 75,81 %. L'ajout de caractéristiques spectrales a augmenté le débit binaire à 27,05 avec un taux de sélection de 8,64 et une précision de 64,87 (Tableau 1).

Dans l'ensemble, le débit binaire a augmenté de manière significative avec l'inclusion d'informations linguistiques et de caractéristiques spectrales, la moyenne passant de 28,56 à 38,26 (p = 0,006 en utilisant un test t apparié avec 1 degré de liberté). La précision moyenne a également augmenté de manière significative (p = 0,03) tandis que le taux de sélection a connu une diminution non significative (p = 0,22).

3.4 Analyse spatiale
Afin de trouver les emplacements corticaux les plus utiles dans la classification, une analyse spatiale a été réalisée sur les électrodes ECoG. Pour chaque patient, chaque électrode a été utilisée individuellement pour classer chacun des 150 ensembles de flashs, de sorte que chaque électrode ait un score associé basé sur sa précision de classification de flash unique. Les électrodes ont ensuite été tracées sur la surface corticale et convoluées avec un noyau gaussien pour obtenir une carte de précision de classification spatiale.

Les précisions de classification des électrodes individuelles ont été testées pour la signification à l'aide d'un test du chi carré de Pearson avec un degré de liberté, un niveau alpha de 0,05, la correction de Yates pour la continuité et la correction de Šidák pour les comparaisons multiples (Figure 6). La distribution du poids total attribué par SWLDA entre les électrodes a également été évaluée.

Localisation potentielle liée à l'événement. Les points blancs indiquent les emplacements des électrodes et la surface corticale est codée par couleur en fonction de la précision du flash unique des électrodes à proximité. Les électrodes statistiquement significatives sont surlignées en bleu.

Les canaux pour le premier sujet ont donné des précisions allant de 0 à 59 %, 16 présentant des précisions de classification significatives (Figure 6a). Deux des électrodes sur la bande occipitale basale postérieure, quatre des six électrodes médianes et dix des électrodes de la grille occipitale se sont avérées significatives, concentrées principalement autour du pôle occipital.

Les canaux pour le deuxième sujet ont donné des précisions allant de 0 à 27 %, cinq présentant des précisions de classification significatives (Figure 6b). En général, la grille temporale et les bandes basales temporales postérieures suprasylvienne et médiane n'étaient pas utiles car aucune des électrodes n'avait une précision significative. La bande basale temporale postérieure avait une électrode significative avec une précision maximale de 15 %. La bande basale occipitale avait la meilleure précision de classification car elle contenait quatre électrodes significatives, y compris l'électrode la plus performante avec une précision de 27%.

3.5 Comparaison EEG
Pour rendre la comparaison équitable, nous avons réanalysé l'ensemble de données EEG utilisé par Speier et al. (2012) pour trouver les résultats de l'analyse standard ainsi que l'algorithme PNL avec des caractéristiques spectrales (Tableau 2) en utilisant la méthode d'amorçage décrite dans la section 2.4. Dans l'ensemble, les sujets de cette étude ont obtenu de meilleurs résultats que ceux de l'étude EEG. En moyenne, les sujets de cette étude ont atteint un taux de sélection de 10,02 sélections/minute avec une précision de 70,90 % avant d'intégrer les informations linguistiques, ce qui donne un débit binaire de 29,64. C'était plus élevé que le débit binaire moyen de l'EEG de 21,69. En utilisant l'algorithme PNL, la sélection moyenne était de 9,52 sélections/minute et la précision est passée à 86,06 %, ce qui a donné un débit binaire moyen de 38,26, ce qui était supérieur à celui de l'étude EEG (32,06).

Tableau 2
Résultats pour la classification standard ainsi que la méthode PNL avec des caractéristiques spectrales optimisées pour le débit binaire pour l'ensemble de données EEG inclus pour la comparaison.

SR (sélections/min) Précision (%) Débit binaire (bits/min)
Sujet Standard PNL + Spéc Standard PNL + Spéc Standard PNL + Spéc
1 9.23 10.51 86.22 94,4 35,86 48.05
2 7.5 8.78 73,54 87,46 22.34 34,95
3 9.23 9,68 79,17 93,84 31.05 43,76
4 5.45 7.54 74,76 81.56 16,69 26,67
5 5.45 6,79 54,83 66.05 10.14 16,99
6 4.29 6,86 72,58 76,84 12,5 21,95
MOYENNE 6,86 8.36 73,52 83.36 21.43 32.06
L'amélioration moyenne observée dans cette étude est principalement due à la performance du premier sujet. En utilisant l'analyse standard, le premier sujet avait un débit binaire significativement plus élevé (p = 0,004 en utilisant le test de somme des rangs de Wilcoxon) car le taux de sélection et la précision étaient tous deux meilleurs que les moyennes de l'ensemble de données EEG. En utilisant l'algorithme NLP, le débit binaire du premier sujet était toujours supérieur à la moyenne de l'ensemble de données, mais la différence n'était que marginalement significative (p = 0,017). Dans les deux cas, le premier sujet avait un débit binaire plus élevé que n'importe lequel des sujets de l'ensemble de données EEG, bien que l'un était proche lors de l'utilisation de l'algorithme PNL.

Le débit binaire du deuxième sujet était inférieur à la moyenne de l'ensemble de données EEG, mais la différence n'était pas statistiquement significative (p = 0,38) et elle a obtenu de meilleurs résultats que trois des sujets de l'étude EEG. Son débit binaire était toujours inférieur à la moyenne de l'EEG en utilisant l'algorithme PNL, mais était toujours supérieur à celui des trois sujets de l'ensemble de données. Les sources potentielles de variabilité et de performances inférieures ont été explorées plus avant (voir l'analyse spatiale ci-dessous).

Aller à:
4. Discussion
4.1 Performances du système
Les correcteurs P300 basés sur ECoG peuvent améliorer les performances du système par rapport aux systèmes basés sur l'EEG, à la fois en termes de précision et de débit binaire. Cette performance améliorée est cependant sensible à la localisation des électrodes, comme cela est évident en comparant les performances des deux sujets qui avaient des électrodes dans des zones différentes. Même sans aucune modification de l'algorithme de classification, le premier sujet a atteint une précision plus élevée avec moins de stimuli que n'importe lequel des sujets de l'ensemble de données EEG ou noté autrement dans la littérature. L'amélioration des performances (débit binaire) était malgré l'utilisation d'un ISI plus élevé (150 ms) que l'étude EEG (125 ms), ce qui signifiait que les taux de sélection et les débits binaires dans cette étude seraient autrement inférieurs à ceux d'un sujet similaire dans l'EEG étudier. Il est bien connu dans la littérature que les paramètres de synchronisation du stimulus, en particulier l'ISI,Vendeurs et al., 2006 ; Lu et al., 2012 ). L'optimisation des paramètres du système pour ce système pourrait conduire à de meilleures améliorations (voir les limites et les orientations futures).

La sensibilité à la localisation des électrodes est évidente dans les résultats de la deuxième patiente, car elle a obtenu des résultats inférieurs à la moyenne de l'ensemble de données EEG. Les analyses spatiales pour ces deux patients montrent une explication possible de la différence entre les deux patients. Les précisions de flash unique des électrodes augmentaient généralement à mesure que les électrodes étaient proches du pôle occipital. Alors que le premier patient a des électrodes à travers la région occipitale, le deuxième patient n'a qu'une couverture clairsemée, constituée principalement de bandes dans la région basale. Les difficultés montrées par le deuxième patient suggèrent que la performance dans un BCI basé sur l'ECoG est sensible au placement des électrodes. Alors que ce sujet disposait de plus d'électrodes et d'une couverture plus large que le premier sujet, ses performances étaient significativement pires en termes de précision et de taux de sélection. Bien que nous ne puissions pas tester les emplacements en dehors de la couverture ECoG pour ce sujet, les électrodes dans les régions qui se chevauchent pour les deux patients avaient des précisions similaires. Cela suggère qu'il pourrait y avoir eu une forte ERP dans la région occipitale du deuxième sujet qui n'a pas été détectée en raison du placement des électrodes, ce qui explique une partie de la différence de performance. Ceci est cohérent avec les travaux antérieurs qui ont montré une baisse drastique des performances lorsque les électrodes occipitales n'étaient pas utilisées dans l'analyse ( expliquant une partie de la différence de performance. Ceci est cohérent avec les travaux antérieurs qui ont montré une baisse drastique des performances lorsque les électrodes occipitales n'étaient pas utilisées dans l'analyse ( expliquant une partie de la différence de performance. Ceci est cohérent avec les travaux antérieurs qui ont montré une baisse drastique des performances lorsque les électrodes occipitales n'étaient pas utilisées dans l'analyse (Brunner et al., 2011 ).

Le timing et la localisation des signaux détectés dans nos analyses suggèrent que ce système est basé sur des potentiels évoqués visuellement (PEV). Ceci est important car la VEP dépend fortement du regard, que les patients sévèrement enfermés peuvent ne pas être en mesure de contrôler. Il a été démontré que les performances chutent considérablement dans les systèmes basés sur l'EEG lorsque le regard est contraint ( Brunner et al., 2010 ). L'effet du regard dans un système basé sur l'ECoG reste à étudier (voir Travaux futurs).

4.2 Caractéristiques spectrales
En utilisant uniquement les caractéristiques spectrales, les débits binaires du classificateur étaient inférieurs à ceux utilisés lors de l'utilisation des caractéristiques temporelles, mais ils étaient proches en moyenne du débit binaire EEG. L'inclusion de caractéristiques spectrales avec des caractéristiques temporelles dans l'analyse a augmenté les débits binaires pour les deux sujets lors de l'utilisation de la méthode d'analyse PNL. Une analyse plus approfondie utilisant une plus grande taille d'échantillon est nécessaire pour évaluer définitivement la valeur de l'incorporation de caractéristiques spectrales dans l'analyse ECoG P300, mais une taille d'échantillon suffisante n'était pas disponible à ce moment-là en raison des opportunités uniques et rares disponibles pour étudier de tels sujets.

Le débit binaire de l'ensemble de données EEG est resté relativement constant (31,97 à 32,06, p = 0,30) avec l'inclusion de caractéristiques spectrales. Cela pourrait être dû au rapport signal sur bruit inférieur de l'EEG ou au fait que le taux d'échantillonnage inférieur utilisé dans cet ensemble de données était trop faible pour détecter les composants à haute fréquence.

4.3 Traitement du langage naturel
L'intégration des informations linguistiques dans la classification a entraîné des augmentations significatives du débit binaire et donc des performances globales du système. L'ampleur de l'amélioration (22 % dans le premier sujet) était cependant inférieure aux 40 à 60 % d'amélioration rapportées dans ( Speier et al., 2012 ). Nous postulons que cela est dû à un effet plafond. Étant donné que les performances du sujet étaient déjà à un niveau aussi élevé, les informations linguistiques n'étaient pas toujours nécessaires. Puisque le sujet atteignait déjà une précision parfaite, la seule amélioration possible serait de réduire le temps requis. Cela contraste avec le deuxième sujet qui a en fait connu une amélioration de 41% avec l'utilisation de l'algorithme NLP alors que le débit binaire s'est amélioré de 19,16 à 27,05, conformément à ceux montrés dans l'étude précédente.

4.4 Travaux similaires
Brunner et ses collègues ont également testé l'orthographe P300 à l'aide de signaux ECoG ( Brunner et al., 2011 ). Leur étude se composait d'un patient et leur analyse s'est concentrée sur une bande de 6 électrodes sur le cortex occipital. Leur étude a rapporté un débit binaire sensiblement plus élevé que l'un ou l'autre des patients de cette étude. Notre premier sujet a atteint une précision similaire au leur après le même nombre de stimuli, mais notre taux de présentation des stimuli était plus lent, ce qui a entraîné un débit binaire inférieur. Cela suggérerait que notre taux de présentation aurait pu être augmenté sans trop de perte de précision, bien que cela n'ait pas été testé. Nous laissons la recherche de la relation entre le taux de présentation et la précision ainsi que l'optimisation des paramètres du système dans un système ECoG comme travail futur.

Krusienski et Shih ont réalisé une étude Speller P300 sur six patients épileptiques avec des électrodes ECoG implantées dans les régions frontale, temporale et pariétale ( Krusienski et Shih, 2011a ). Alors que cinq des six patients ont été en mesure de performer raisonnablement bien, la précision moyenne s'est avérée proche de celle obtenue par leur étude EEG et aucun des sujets n'a aussi bien performé que le sujet 1 de cette étude ou le sujet de l'étude Brunner. Cela est probablement dû au placement des électrodes car aucun des sujets de leur étude n'avait de couverture du cortex occipital.

Notre expérience sert à vérifier les résultats des études précédentes montrant la viabilité de l'utilisation de l'ECoG pour l'orthographe P300 ainsi qu'à étendre l'analyse spatiale en montrant les résultats dans une large zone corticale. Nous montrons également des améliorations supplémentaires qui peuvent être apportées à ces résultats en utilisant des informations de langue et des caractéristiques potentiellement spectrales pour obtenir des performances encore meilleures de l'orthographe P300.

4.5 Limites et orientations futures
Alors que les performances du premier sujet suggèrent qu'un système BCI basé sur l'ECoG pourrait donner de meilleures performances que les systèmes actuels, davantage de sujets doivent être testés. Ceci est en fait difficile car le placement de grilles et de bandes occipitales pour la surveillance de l'épilepsie (qui est le seul modèle disponible pour enquêter sur ce phénomène) est relativement rare. La plupart de ces bandes et grilles sont placées sur les cortex frontal et temporal. En outre, montrer la différence de performance au sein des sujets serait un meilleur indicateur de l'amélioration résultant de l'utilisation de cette modalité. Dans une situation idéale, nous serions en mesure de tester le système EEG sur un sujet avant la chirurgie de placement des électrodes ECoG. Malheureusement, cela n'a pas été possible dans l'ensemble actuel de sujets étudiés.

Étant donné que les grilles ECoG de nos sujets ont été placées en fonction de la localisation de leurs crises, les emplacements que nous pouvions utiliser pour nos tests étaient limités. En particulier, nous n'avons pas pu tester le lobe pariétal, où se produit le signal P300. Nous n'avons pas non plus été en mesure de tester le système en utilisant les données du pôle occipital du deuxième patient. Les contraintes de temps imposées par les paramètres cliniques ont également empêché une optimisation supplémentaire des paramètres du système, tels que la longueur du stimulus et l'ISI. Des études futures testeront des patients avec différents emplacements d'électrodes pour explorer plus complètement l'espace de configuration des électrodes.

L'un des inconvénients majeurs de l'approche décrite dans cet article est la chirurgie invasive nécessaire pour implanter les électrodes. Même si les nombreux patients atteints de SLA peuvent être disposés à subir une chirurgie invasive afin d'obtenir un meilleur BCI ( Huggins et al., 2011 ), il serait toujours préférable de limiter les risques liés à la chirurgie. Bien que la vitesse et la précision accrues de ce système puissent rendre la procédure intéressante pour les patients, nous voulons toujours minimiser l'étendue de la chirurgie requise. Pour cette raison, une direction future pour ce travail est d'explorer l'utilisation des implants périduraux comme compromis entre le risque et le bénéfice.

Enfin, les sujets utilisés dans cette étude n'étaient pas issus de la population cible des patients « confinés ». Comme nos sujets ne souffrent pas des mêmes déficiences, ces résultats pourraient ne pas se traduire par une amélioration identique dans la population cible. Par exemple, l'analyse spatiale dans cette étude a montré que la région occipitale a donné les meilleurs résultats. Cependant, certains patients sévères « enfermés » ne sont pas capables de bouger les yeux, de sorte qu'un système dépendant des signaux occipitaux peut ne pas être approprié. Il reste à voir si ce système conduit à des améliorations réelles au sein de notre population cible.

4.6 Conclusion
Cette étude démontre que l'ECoG pourrait potentiellement augmenter la précision et le débit binaire d'un système BCI, mais que le système est sensible au placement des électrodes. L'intégration des informations linguistiques a considérablement amélioré le système et l'intégration des caractéristiques spectrales a montré une augmentation du débit binaire qui suggère qu'elles pourraient être utiles en complément des caractéristiques temporelles traditionnelles. Tester des sujets supplémentaires, y compris ceux de notre population de patients cible, pourrait aider à vérifier que cette amélioration est suffisante pour justifier la chirurgie requise et finalement offrir une meilleure option pour les patients atteints de SLA.

​
Points forts
Les orthographes P300 basés sur l'électrocorticographie peuvent considérablement surpasser les systèmes traditionnels basés sur l'EEG, avec des débits binaires pouvant atteindre 40.

Des améliorations supplémentaires des performances du système d'orthographe électrocorticographique P300 peuvent être réalisées avec l'intégration du traitement du langage naturel dans le modèle de classificateur avec des débits binaires approchant 50.

Les performances du correcteur électrocorticographique P300 dépendent de manière significative de la localisation des électrodes, avec des performances bien supérieures observées lors de l'utilisation d'électrodes sur le pôle occipital.

Aller à:

Remerciements
Nous remercions Kirk Shattuck pour son aide pour faciliter la division du signal aux fins de ces expériences.

Ce travail a été soutenu par le NLM Training Grand T15- LM007356 (WS), le National Institute of Biomedical Imaging and Bioengineering Award Number K23EB014326 (NP), le UCLA Scholars in Translational Medicine Program (NP) et le UCLA Department of Neurosurgery Visionary Ball Fonds.

Aller à:
Les références
Bokil H, Andrews P, Kulkarni JE, Mehta S, Mitra P. Chronux : une plate-forme pour l'analyse des signaux neuronaux. Méthodes J Neurosci. 2010 ; 192 :146-151. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Brunner P, Ritaccio AL, Lynch TM, Emrich JF, Wilson JA, Williams JC, et al. Une procédure pratique pour la cartographie fonctionnelle en temps réel du cortex éloquent à l'aide de signaux électrocorticographiques chez l'homme. Comportement de l'épilepsie. 2009 ; 15 :278-286. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Brunner P, Joshi S, Briskin S, Wolpaw J, Bischof H, Schalk G. L'orthographe 'P300' dépend-elle du regard ? J Neural Eng. 2010 ; 7 :056013. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Brunner P, Ritaccio AL, Emrich JF, Bischof H, Schalk G. Communication rapide avec un orthographe matriciel « P300 » utilisant des signaux électrocorticographiques (ECoG) Front Neur. 2011 ; 5 :5. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Duda R, Hart P, Stork D. Classification des modèles. 2. New York : Wiley ; 2001. [ Google Scholar ]
Farwell L, Donchin E. Parler du haut de votre tête : vers une prothèse mentale utilisant des potentiels cérébraux liés aux événements. Electroencéphalogramme Clin Neurophysiol. 1988 ; 70 :510-523. [ PubMed ] [ Google Scholar ]
Francis W, Manuel de corpus de Kucera H. Brown. 1979. [ Google Scholar ]
Guger C, Daban S, Sellers E, Holzner C, Krausz G, Carabalona R, et al. Combien de personnes sont capables de contrôler une interface cerveau-ordinateur (BCI) basée sur P300 ? Neurosci Lett. 2009 ; 462 :94-98. [ PubMed ] [ Google Scholar ]
Huggins JE, Wren PA, Gruis KL. Que voudraient les utilisateurs de l'interface cerveau-ordinateur ? Opinions et priorités des utilisateurs potentiels atteints de sclérose latérale amyotrophique. Scler latéral amyotrophe. 2011 ; 12 :319-324. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Krusienski D, Shih J. Contrôle d'un clavier visuel à l'aide d'une interface électrocorticographique cerveau-ordinateur. Neurorehabil Réparation Neurale. 2011 ; 25 :323-331. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Krusienski D, Shih J. Composants spectraux de la réponse P300 Speller en électrocorticographie. Conférence IEEE EMBS sur l'ingénierie neuronale ; 2011. p. FrA1.4. [ Google Scholar ]
Kübler A, Birbaumer N. Interfaces cerveau-ordinateur et communication dans la paralysie : extinction de la pensée dirigée vers un but chez les patients complètement paralysés ? Clin Neurophysiol. 2008 ; 119 : 2658-2666. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Lauer R, Peckham P, Kilgore K, Heetderks W. Applications des signaux corticaux au contrôle neuroprothétique. IEEE Trans Rehabil Eng. 2000 ; 8 :205-208. [ PubMed ] [ Google Scholar ]
Lenhardt A, Kaper M, Ritter HJ. Une interface cerveau-ordinateur en ligne adaptative basée sur P300. IEEE Trans Neural Syst Rehabil Eng. 2008 ; 16 :121-130. [ PubMed ] [ Google Scholar ]
Leuthardt EC, Schalk G, Wolpaw JR, Ojemann JG, Moran DW. Une interface cerveau-ordinateur utilisant des signaux électrocorticographiques chez l'homme. J Neural Eng. 2004 ; 1 :63-71. [ PubMed ] [ Google Scholar ]
Lu J, Speier W, Hu X, Pouratian N. Les effets des fonctions de synchronisation de stimulus sur les performances de l'orthographe P300. Clin Neurophysiol. 2012 (sous presse) [ Article gratuit PMC ] [ PubMed ] [ Google Scholar ]
McFarland D, Samacki W, Wolpaw J. Fonctionnement de l'interface cerveau-ordinateur (BCI) : optimisation des taux de transfert d'informations. Biol Psychol. 2003 ; 63 :237-251. [ PubMed ] [ Google Scholar ]
Miller KJ, Schalk G, Fetz EE, den Nijs M, Ojemann JG, Rao RG. activité corticale pendant l'exécution motrice, imagerie motrice et rétroaction en ligne basée sur l'imagerie. Proc Natl Acad Sci US A. 2010; 107 : 4430–4435. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Nijboer F, Sellers EW, Mellinger J, Jordan MA, Matuz T, Furdea A, et al. Une interface cerveau-ordinateur basée sur P300 pour les personnes atteintes de sclérose latérale amyotrophique. Clin Neurophysiol. 2008 ; 119 : 1909–1916. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Pfurtscheller G, Guger C, Müller G, Krausz G, Neuper C. Les oscillations cérébrales contrôlent l'orthèse de la main chez un tétraplégique. Neurosci Lett. 2000 ; 292 : 211-214. [ PubMed ] [ Google Scholar ]
Pierce J. Une introduction à la théorie de l'information. New York : Douvres ; 1980. [ Google Scholar ]
Ryan D, Frye G, Townsend G, Berry D, Mesa-G S, Gates N, et al. Orthographe prédictive avec une interface cerveau-ordinateur basée sur P300 : augmenter le taux de communication. Int J Hum-Comput Interact. 2011 ; 27 :69-84. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Schalk G, McFarland DJ, Hinterberger T, Birbaumer N, Wolpaw JR. BCI2000 : un système d'interface cerveau-ordinateur (BCI) à usage général. IEEE Trans Biomed Ing. 2004 ; 51 :1034-1043. [ PubMed ] [ Google Scholar ]
Vendeurs EW, Krusienski D, McFarland D, Vaughan T, Wolpaw JR. Une interface cerveau-ordinateur (BCI) potentielle liée à un événement P300 : les effets de la taille de la matrice et de l'intervalle entre les stimuli sur les performances. Biol Psychol. 2006 ; 73 :242-252. [ PubMed ] [ Google Scholar ]
Vendeurs EW, Vaughan TM, Wolpaw JR. Une interface cerveau-ordinateur pour une utilisation domestique indépendante à long terme. Scler latéral amyotrophe. 2010 ; 11 :449-455. [ PubMed ] [ Google Scholar ]
Serby H, Yom-Tov E, Inbar G. Une interface cerveau-ordinateur améliorée basée sur P300. IEEE Trans Neural Syst Rehabil Eng. 2005 ; 13 :89-98. [ PubMed ] [ Google Scholar ]
Speier W, Arnold C, Lu J, Taira RK, Pouratian N. Le traitement du langage naturel avec classification dynamique améliore la précision et le débit binaire de l'orthographe P300. J Neural Eng. 2012 ; 9 :016004. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Townsend G, LaPallo B, Boulay C, Krusienski D, Frye G, Hauser C, et al. Un nouveau paradigme de présentation de stimulus d'interface cerveau-ordinateur basé sur P300 : aller au-delà des lignes et des colonnes. Clin Neurophysiol. 2010 ; 121 : 1109–1120. [ Article PMC gratuit ] [ PubMed ] [ Google Scholar ]
Wilson JA, Felton EA, Garell PC, Schalk G, Williams JC. Facteurs ECoG sous-jacents au contrôle multimodal d'une interface cerveau-ordinateur. IEEE Trans Neural Syst Rehabil Eng. 2006 ; 14 :246-250. [ PubMed ] [ Google Scholar ]
Wolpaw J, McFarland KJ, Neat G, Forneris C. Interface cerveau-ordinateur basée sur EEG pour le contrôle du curseur. Electroencéphalogramme Clin Neurophysiol. 1991 ; 78 :252-259. [ PubMed ] [ Google Scholar ]
Wolpaw J, Birbaumer N, McFarland D, Pfurtscheller G, Vaughan T. Interfaces cerveau-ordinateur pour la communication et le contrôle. Clin Neurophysiol. 2002 ; 133 :767–791. [ PubMed ] [ Google Scholar ]
Formats :
Article | PubReader | PDF (1.7M) | Citer
Partager
Partager sur Facebook FacebookPartager sur Twitter TwitterPartager sur Google Plus Google+
Enregistrer des éléments
Voir plus d'options
Articles similaires dans PubMed
Le traitement du langage naturel avec classification dynamique améliore la précision et le débit binaire de l'orthographe P300.
[J Neural Eng. 2012]
Un paradigme d'orthographe BCI hybride combinant le potentiel P300 et la fonction de blocage SSVEP.
[J Neural Eng. 2013]
Intégration de modèles de langage avancés dans l'orthographe P300 à l'aide du filtrage particulaire.
[J Neural Eng. 2015]
Méthode d'optimisation du nombre et de la configuration des électrodes EEG pour l'acquisition de signaux dans les systèmes d'orthographe P300.
[Clin Neurophysiol. 2015]
Oscillations gamma à haute fréquence et cartographie du cerveau humain avec électrocorticographie.
[Prog Brain Res. 2006]
Voir les avis...
Voir tout...
Cité par d'autres articles dans PMC
État actuel, défis et solutions possibles de l'interface cerveau-ordinateur basée sur l'EEG : un examen complet
[Frontières en neurorobotique. 2020]
Biomarqueurs et techniques de neuromodulation dans les troubles liés à l'usage de substances
[Médecine bioélectronique. 2020]
Interfaces cerveau-ordinateur basées sur l'EEG utilisant l'imagerie motrice : techniques et défis
[Capteurs (Bâle, Suisse). ...]
Décodage des potentiels évoqués visuels à l'état d'équilibre à partir de l'électrocorticographie
[Frontières en neuroinformatique....]
Intégration des modèles de langage dans les classificateurs pour la communication BCI : un examen
[Journal d'ingénierie neuronale....]
Voir tout...
Liens
MedGen
PubMed
Taxonomie
Activité récente
DégagerÉteindre
Amélioration des performances de l'orthographe P300 à l'aide de l'électrocorticographie, des caractéristiques spectrales,...
Amélioration des performances de l'orthographe P300 à l'aide de l'électrocorticographie, des caractéristiques spectrales et du traitement du langage naturel
NIHPA Auteur Manuscrits. 2013 juillet ; 124(7)1321
Voir plus...
Passez en revue les interfaces cerveau-ordinateur pour la communication et le contrôle.
[Clin Neurophysiol. 2002]
Parler du haut de votre tête : vers une prothèse mentale utilisant des potentiels cérébraux liés aux événements.
[Electroencéphalogramme Clin Neurophysiol. 1988]
Une interface cerveau-ordinateur basée sur l'EEG pour le contrôle du curseur.
[Electroencéphalogramme Clin Neurophysiol. 1991]
Revue Applications des signaux corticaux au contrôle neuroprothétique : une revue critique.
[IEEE Trans Rehabil Eng. 2000]
Voir plus...
Parler du haut de votre tête : vers une prothèse mentale utilisant des potentiels cérébraux liés aux événements.
[Electroencéphalogramme Clin Neurophysiol. 1988]
Une interface cerveau-ordinateur améliorée basée sur P300.
[IEEE Trans Neural Syst Rehabil Eng. 2005]
Une interface cerveau-ordinateur (BCI) potentielle liée à un événement P300 : les effets de la taille de la matrice et de l'intervalle entre les stimuli sur les performances.
[Biol Psychol. 2006]
Une interface cerveau-ordinateur pour une utilisation domestique indépendante à long terme.
[Scler Latéral Amyotrophe. 2010]
Une interface cerveau-ordinateur en ligne adaptative basée sur P300.
[IEEE Trans Neural Syst Rehabil Eng. 2008]
Une interface cerveau-ordinateur basée sur P300 pour les personnes atteintes de sclérose latérale amyotrophique.
[Clin Neurophysiol. 2008]
Combien de personnes sont capables de contrôler une interface cerveau-ordinateur (BCI) basée sur P300 ?
[Neurosci Lett. 2009]
Orthographe prédictive avec une interface cerveau-ordinateur basée sur P300 : Augmenter le taux de communication.
[Int J Hum Comput Interagir. 2011]
Le traitement du langage naturel avec classification dynamique améliore la précision et le débit binaire de l'orthographe P300.
[J Neural Eng. 2012]
Une interface cerveau-ordinateur utilisant des signaux électrocorticographiques chez l'homme.
[J Neural Eng. 2004]
Facteurs ECoG sous-jacents au contrôle multimodal d'une interface cerveau-ordinateur.
[IEEE Trans Neural Syst Rehabil Eng. 2006]
Une procédure pratique pour la cartographie fonctionnelle en temps réel du cortex éloquent à l'aide de signaux électrocorticographiques chez l'homme.
[Comportement d'épilepsie. 2009]
Activité corticale pendant l'exécution motrice, imagerie motrice et rétroaction en ligne basée sur l'imagerie.
[Proc Natl Acad Sci US A. 2010]
Que voudraient les utilisateurs de l'interface cerveau-ordinateur ? Opinions et priorités des utilisateurs potentiels atteints de sclérose latérale amyotrophique.
[Scler Latéral Amyotrophe. 2011]
Communication rapide avec un orthographe matriciel "P300" utilisant des signaux électrocorticographiques (ECoG).
[Avant Neurosci. 2011]
Contrôle d'un clavier visuel à l'aide d'une interface électrocorticographique cerveau-ordinateur.
[Neurorehabil Neural Repair. 2011]
Le traitement du langage naturel avec classification dynamique améliore la précision et le débit binaire de l'orthographe P300.
[J Neural Eng. 2012]
BCI2000 : un système d'interface cerveau-ordinateur (BCI) à usage général.
[IEEE Trans Biomed Eng. 2004]
Le traitement du langage naturel avec classification dynamique améliore la précision et le débit binaire de l'orthographe P300.
[J Neural Eng. 2012]
Chronux : une plateforme d'analyse de signaux neuronaux.
[J Méthodes Neurosci. 2010]
Le traitement du langage naturel avec classification dynamique améliore la précision et le débit binaire de l'orthographe P300.
[J Neural Eng. 2012]
Fonctionnement de l'interface cerveau-ordinateur (BCI) : optimisation des taux de transfert d'informations.
[Biol Psychol. 2003]
Le traitement du langage naturel avec classification dynamique améliore la précision et le débit binaire de l'orthographe P300.
[J Neural Eng. 2012]
Une interface cerveau-ordinateur (BCI) potentielle liée à un événement P300 : les effets de la taille de la matrice et de l'intervalle entre les stimuli sur les performances.
[Biol Psychol. 2006]
Les effets des fonctions de synchronisation de stimulus sur les performances de l'orthographe P300.
[Clin Neurophysiol. 2013]
Communication rapide avec un orthographe matriciel "P300" utilisant des signaux électrocorticographiques (ECoG).
[Avant Neurosci. 2011]
L'orthographe 'P300' dépend-elle du regard ?
[J Neural Eng. 2010]
Le traitement du langage naturel avec classification dynamique améliore la précision et le débit binaire de l'orthographe P300.
[J Neural Eng. 2012]
Communication rapide avec un orthographe matriciel "P300" utilisant des signaux électrocorticographiques (ECoG).
[Avant Neurosci. 2011]
Contrôle d'un clavier visuel à l'aide d'une interface électrocorticographique cerveau-ordinateur.
[Neurorehabil Neural Repair. 2011]
Que voudraient les utilisateurs de l'interface cerveau-ordinateur ? Opinions et priorités des utilisateurs potentiels atteints de sclérose latérale amyotrophique.
[Scler Latéral Amyotrophe. 2011]
Centre de soutienCentre de soutien