Au sein du CEA LETI, vous rejoindrez CLINATEC®, Centre de Recherches Biomédicales à Grenoble ayant pour mission de développer des innovations médicales. Dans le cadre de cette mission, les projets interface cerveau machine (BCI « Brain Computer Interface ») sont en cours. L'objectif de ces interfaces est d'apporter des solutions de réhabilitation ou compensation fonctionnelle à des patients atteints de handicap moteur sévère, à l'aide de neuroprothèses.
Les neuroprothèses enregistrent et décodent les signaux neuronaux pour activer un effecteur externe. Dans le projet développé par CLINATEC®, l'activité neuronale est enregistrée au niveau du cortex moteur (ElectroCorticoGrammes, ECoG) par l'implant WIMAGINE à usage chronique. Un ensemble d'algorithmes de décodage ont été développés à CLINATEC® et utilisés dans des protocoles de recherche cliniques, pour la tétraplégie à Grenoble (projet BCI, en collaboration avec le CHUGA), et pour la paraplégie à Lausanne en Suisse (projet BSI, pour « Brain Spine Interface », en collaboration avec l'EPFL et le CHUV). Le projet BCI explore les solutions de compensation fonctionnelle par le contrôle d'un exosquelette [1] [2]. Dans le projet BSI, un stimulateur implanté au niveau de la moelle épinière est utilisé comme effecteur.
Le projet BSI explore les solutions de compensation fonctionnelle et/ou de réhabilitation pour restaurer la marche des patients paraplégiques atteints d'une section complète ou partielle de la moelle épinière [3]. Les avancées technologiques récentes laissent entrevoir le contrôle des membres supérieurs également par une stimulation de la moelle épinière. Le prochain défi majeur est le transfert de la technologie BCI pour un usage médical réel, offrant des performances élevées de décodage de l'activité neuronale dans un environnement naturel, une adaptabilité à la non-stationnarité des données, une utilisation facile sans assistance, etc.
Thèse en machine learning pour une interface cerveau-machine motrice H/F #MedicalDisplay
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