Thesis Defence

You are cordially invited to my thesis defence, entitled  “CLBCI: Co-learning for Brain Computer Interfaces”, that will take place on the 23rd of October 2015 at 10am at  Maison Jean Kuntzmann (110, rue de la Chimie, 38400 Saint-Martin-d’Hères;  MJK access map).

I also invite you to a small reception afterwards.

The jury will be composed of:

  • Robert Jacob, Professor, Tufts University, MA, USA, Rapporteur
  • José Rouillard, Dr,  Université des Sciences et Technologies de Lille, France, Rapporteur
  • Bertrand Rivet, Associate Professor, Grenoble INP, France, Examiner
  • Bertrand David, Professor, l’Ecole Centrale de Lyon, France, Examiner
  • Jérémie Mattout, Research Scientist, INSERM, Paris, France, Examiner
  • Franck Tarpin-Bernard, Professor, Laboratoire d’Informatique de Grenoble, France, Thesis Advisor

Vous will find the abstract below in English and in French.

Best,

Nataliya Kosmyna

=======================Abstract=========================

Active Brain Computer Interfaces (BCIs) allow people to exert direct voluntary control over a computer system: their brain signals are captured and the system recognizes specific imagined actions (movements, images, concepts). Active BCIs and their users must undergo training. This makes the signals easier to recognize by the system. BCIs can thus be applied to many control and interaction scenarios of our everyday lives, especially in relation to entertainment.

 

BCIs are mostly used by disabled people in a medical setting and seldom leave the lab. First of all, high-grade equipment is expensive and non-portable. Although there are commercial ventures proposing BCI acquisition equipment to the general public, the quality is still insufficient to build accurate and robust BCIs.

BCIs also suffer from numerous limitations:

·       Variability of the signals: signals different across people or within the same individual at different times.

·       Long and repetitive training sessions: between 10 minutes up to several months, disengage and bore users.

·       Limited feedback: simple unimodal feedback ill adapted for many users. Feedback is unidirectional and the user just has to follow instructions.

All these issues limit the adoption of BCI, the lack of widespread commercial success and the use of BCI from human computer interaction applications.

The objective of the thesis is to propose solutions to the above problems so as to obtain a consistent architecture that will allow BCIs to be better suitable to Human-Computer Interaction (HCI) applications. The idea is to implement co-learning in the BCI loop and to explore how users and system can give feedback to each other in order to improve BCI usability.

 

Keywords: BCI, Co-learning, Visualization, Training Protocol, Feedback.

 

=======================Résumé=========================

 

Les Interfaces Cerveau Ordinateur Actives (ICOs) permettent à une personne d’exercer un contrôle direct et volontaire sur un système informatique par interprétation de son activité cérébrale : certains signaux du cerveau sont capturés afin que le système reconnaisse des actions imaginées spécifiques (mouvements, images, concepts). Les ICOs actives et leurs utilisateurs doivent être entrainés. Cet entraînement rend les signaux plus aisés à reconnaître par le système. L’acquisition des signaux pour l’entraînement peut nécessiter de 10 minutes jusqu’à deux mois.

Cependant, à l’heure actuelle les ICO servent principalement dans un contexte médical pour aider les personnes en situation de handicap (moteur, ou empêchant complètement la communication avec le monde extérieur) et se trouvent rarement en dehors de laboratoires spécialisés.

L’une des raisons pour cette relative sédentarité laborantine des ICO est la nécessité d’un équipement d’acquisition haut-de-gamme, qui est à la fois cher et peu portable. Même s’il existe des solutions commerciales grand public, leur qualité reste encore insuffisante pour concevoir des ICO robustes et précises.

Les ICO ont encore de nombreuses limitations :

·       La variabilité dans les signaux: les signaux sont différents d’une personne à l’autre voire même chez un même individu à des moments différents.

·       Des sessions d’entraînement longues et répétitives: entre dix minutes et deux mois, sont ennuyantes et désengagent les utilisateurs du processus d’apprentissage.

·       Un feedback limité: les systèmes actuels proposent un feedback unimodal élémentaire qui est inadapté pour les nombreux utilisateurs. la communication est unidirectionnelle dans le sens où le système donne des instructions que l’utilisateur doit exécuter.

Toutes ces limitations entravent sévèrement l’adoption des ICO, réduisent le succès commercial conséquent et les applications à l’interaction homme machine (IHM).

L’objectif de cette thèse est de proposer des solutions aux problèmes sus décrits afin d’obtenir une architecture consistante qui rendra les ICO plus compatibles avec les applications d’IHM. L’idée principale est l’implantation du co-apprentissage dans la boucle ICO et l’exploration de la manière dont les utilisateurs et le système peuvent mutuellement se donner du feedback dans le but de l’amélioration de l’utilisabilité des ICO.

 

Mots clef: ICO, Co-apprentissage, Visualisation, Protocole d’entraînement, Feedback.

© Copyright 2017 Nataliya Kosmyna/BRAINI/Your Mind is Mine. All Rights Reserved.