Thèse Année : 2024

Machine learning for bi-modal EEG-fMRI neurofeedback : EEG electrodes localization and fMRI NF scores prediction

Apprentissage automatique pour le neurofeedback bi-modal EEG-IRMf : localisation des électrodes EEG et prédiction des scores NF IRMf

Résumé

This thesis explores the impact of machine learning methods in the context of bi- modal EEG-fMRI, with the goal of automatically and accurately localizing EEG electrodes in an MRI volume and predicting fMRI neurofeedback scores from EEG signals. The first part presents the context and tools used, covering EEG and fMRI modalities as well as their combination, neurofeedback, artificial neural networks, image segmentation and time series regression. The second part contains three main contributions. The first one describes the development of a method for automatically detecting the position and labeling of EEG electrodes in an MRI volume using a specific MRI sequence. The second contribution proposes a method for finding model architecture hyperparameters based on a genetic algorithm. These models are then trained on several subjects to predict fMRI neurofeedback scores from EEG signals. This study compares different architectures from two categories of neural networks: LSTMs and CNNs. Finally, the third contribution consists in investigating an area of improvement for these models. This work evaluates the impact on model performance of reducing inter-subject variability, by applying an alignment in Euclidean space to EEG data.
Cette thèse explore l'apport des méthodes d'apprentissage automatique dans le contexte de la bi-modalité EEG-IRMf, avec pour objectif de localiser automatiquement et précisément les électrodes EEG dans un volume IRM et de prédire des scores neurofeedback IRMf à partir de signaux EEG. La première partie présente le contexte et les outils utilisés, en abordant les modalités EEG et IRMf ainsi que leur combinaison, le neurofeedback, les réseaux de neurones artificiels, la segmentation d'images et la régression de séries temporelles. La deuxième partie comprend trois contributions principales. La première décrit le développement d'une méthode permettant détecter automatiquement la position et l'étiquetage des électrodes EEG dans un volume IRM à l'aide d'une séquence IRM spécifique. La deuxième contribution propose une méthode de recherche d'hyperparamètres d'architecture de modèles basée sur un algorithme génétique. Ces modèles sont ensuite entraînés sur plusieurs sujets afin de prédire des scores neurofeedback IRMf à partir de signaux EEG. Cette étude compare différentes architectures issues de deux catégories de réseaux neuronaux : les LSTMs et les CNNs. Enfin, la troisième contribution consiste à étudier une piste d'amélioration de ces modèles. Ce travail évalue l'impact de la réduction de la variabilité inter-sujet sur les performances, en appliquant un alignement dans l'espace euclidien aux données EEG.
Fichier principal
Vignette du fichier
PINTE_Caroline.pdf (6.56 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04902082 , version 1 (20-01-2025)

Identifiants

  • HAL Id : tel-04902082 , version 1

Citer

Caroline Pinte. Machine learning for bi-modal EEG-fMRI neurofeedback : EEG electrodes localization and fMRI NF scores prediction. Medical Imaging. Université de Rennes, 2024. English. ⟨NNT : 2024URENS053⟩. ⟨tel-04902082⟩
0 Consultations
0 Téléchargements

Partager

More