Sujet : Décodeur de l’activité neuronale pour une neuroprothèse visant la restauration des mouvements du membre supérieur pour sujets atteints de handicap moteur

Au sein d’une équipe pluridisciplinaire, le doctorant (H/F) développera des algorithmes de machine learning / intelligence artificielle pour le décodage de l’activité cérébrale pour des tâches réalisées (contrôle des bras) en essai clinique à l’EPFL / CHUV (Lausanne), et à CEA/CLINATEC / CHUGA (Grenoble). Les algorithmes seront adaptés aux tâches de la vie quotidienne, avec une latence adaptée, une performance de décodage et une efficacité de contrôle requise pour un usage médical. Enfin, les décodeurs adaptatifs seront testés dans les deux essais cliniques.

Pour atteindre ces objectifs :

·       Des approches adaptives d’entrainement semi-supervisées seront à explorer : étude des méthodes d’extraction de caractéristiques adaptées (ex. [4]), développement d’algorithmes robustes à des données faiblement labélisées, re-labélisation des données grâce à la détection à partir des signaux neuronaux de la cohérence entre intentions du patient et mouvements effectués par BCI [5].

·       Ces approches seront tout d’abord testées hors-ligne pour analyser la faisabilité sur les données accumulées sur plusieurs années avec les patients des différents essais cliniques.

·       Les méthodes devront être adaptées pour les tâches de contrôle des membres supérieurs par stimulation.

·       Finalement, les approches les plus prometteuses seront intégrées dans la chaîne logicielle pour être testées en temps réel avec les patients inclus dans les essais cliniques.

Le/la doctorant(e) intégrera l’équipe Traitement du signal de CLINATEC®. Il/elle sera impliqué(e) dans un projet très multidisciplinaire et collaborera avec des ingénieurs logiciel et électronique, des biologistes ainsi que des médecins de CLINATEC® et de l’EPFL, et contribuera aux essais cliniques.

Références :

[1] Benabid, A. L., Costecalde, T., Eliseyev, A., Charvet, G., Verney, A., Karakas, S., ... & Chabardes, S. (2019). An exoskeleton controlled by an epidural wireless brain–machine interface in a tetraplegic patient: a proof-of-concept demonstration. The Lancet Neurology, 18(12), 1112-1122.

[2] Moly, A. et al. (2022). An adaptive closed-loop ECoG decoder for long-term and stable bimanual control of an exoskeleton by a tetraplegic. Journal of neural engineering.

[3] Lorach, H., Galvez, A., Spagnolo, V., … & Courtine, G. (2023). Walking naturally after spinal cord injury using a brain–spine interface. Nature 618, 126–133.

[4] Barachant, A., Bonnet, S., Congedo, M., Jutten, C. (2012) Multiclass brain-computer interface classification by Riemannian geometry. IEEE Trans. on Biomedical Engineering, 59(4), pp. 920-928.

[5] Rouanne V., Costecalde T., Benabid A.L., Aksenova T. (2022). Unsupervised adaptation of an ECoG based brain-computer interface using neural correlates of task performance. Scientific Reports.12(1), 21316.

EC8DE5194141440BAB6E3723F2F7B6C9@ts.com