Propagation Des Incertitudes

**Propagation des incertitudes : des mesures EEG jusqu'à la classification BCI // Propagation of uncertainties: from EEG measurements to BCI classification**:

- Réf **ABG-130995**
**ADUM-65182**
- Sujet de Thèse
- 14/04/2025
- Université Côte d'Azur
- Lieu de travail- Sophia Antipolis Cedex - France
- Intitulé du sujet- Propagation des incertitudes : des mesures EEG jusqu'à la classification BCI // Propagation of uncertainties: from EEG measurements to BCI classification
- Champs scientifiques- Informatique
- Mots clés- Propagation d'incertitude, Électroencéphalographie, Interface cerveau-ordinateur (BCI), Classification
Uncertainties, Electroencephalography, Brain Computer Interfaces (BCI), Classification

**Description du sujet**:

- L'electroencéphalohraphie (EEG) est une modalité de mesure de l'activité électrique cérébrale largement répandue et peu onéreuse. Ainsi, elle sert de support non seulement à des expériences qui visent à comprendre le fonctionnement du cerveau lorsqu'il effectue certaines tâches, mais aussi à la caractérisation de certaines pathologies (comme par exemple l'épilepsie [4]) ou au développement d'interfaces cerveau-ordinateur. Cependant, les signaux EEG sont complexes et difficiles à caractériser, notamment du fait de leur variabilité que ce soit chez un même sujet à travers la répétition de la même expérience ou a fortiori lorsque l'on veut faire des analyses multi-sujets. Ils requièrent donc l'usage de méthodes de traitement du signal spécifiques et adaptées. Un signal EEG est un signal spatio-temporel qui permet plusieurs types d'analyses qui se font soit au niveau des capteurs, soit au niveau des sources.
On s'intéresse ici à la classification des signaux EEG qui est une composante cruciale des interfaces cerveau-ordinateur (Brain Computer Interfaces - BCI). Cette classification vise à retrouver une tâche mentale effectuée par un sujet (dans une liste de tâches possibles) à partir des mesures de l'activité cérébrale de ce sujet mesurée par l'EEG. Depuis une dizaine d'année, la plupart des méthodes les plus efficaces pour mener cette tâche de classification se basent sur une métrique Riemannienne adaptée aux matrices symétriques définies positives [1] que constituent les matrices de covariances spatiales sur lesquelles se basent les méthodes de classification.

Comme toute mesure, les signaux EEG sont entachés d'erreurs. A bien des égards, les algorithmes actuels ne prennent pas en compte - ou du moins pas suffisament - ces erreurs qui doivent être estimées et idéalement propagées jusqu'aux résultats finaux de classification.

Le sujet de thèse vise donc à définir des méthodes pour estimer l'incertitude sur les mesures et propager cette incertitude jusqu'à l'étape de classification [4]. Cela devrait permettre de mieux prendre en compte la qualité des données mesurées et de potentiellement rendre les classifications plus fiables. On s'attachera notament aux méthodes de classification à base de métriques Riemanniennes qui ont démontré une grande efficacité ces dernières années [1,2,3].

The thesis therefore aims to define methods for estimating measurement uncertainty and propagating this uncertainty to the classification stage [4]. This should allow for better consideration of the quality of the measured data and potentially make classifications more reliable. We will focus in particular on classification methods based on Riemannian metrics which have demonstrated great effectiveness in recent years [1,2,3].

Début de la thèse : 01/10/2025

**Nature du financement**:
**Précisions sur le financement**:

- Contrat doctoral EDSTIC-UCA ou EUR-DS4H

**Présentation établissement et labo d'accueil**:

- Université Côte d'Azur

**Etablissement délivrant le doctorat**:

- Université Côte d'Azur

**Ecole doctorale**:

- 84 STIC - Sciences et Technologies de l'Information et de la Communication- 05/05/2025