Enhancing electrophysiology imaging through artificial intelligence

Abstract

Ces dernières années, l’intelligence artificielle (IA) a révolutionné divers domaines scientifiques, offrant des outils transformateurs pour relever des défis complexes. Les neurosciences, en particulier, ont connu des avancées significatives grâce à l’application de l’IA, avec des innovations dans l’imagerie cérébrale, le décodage neuronal et la médecine personnalisée. Cependant, l’utilisation de l’apprentissage automatique (ML) et de l’apprentissage profond (DL) dans l’analyse des données neurophysiologiques, en particulier les signaux de magnétoencéphalographie (MEG) et d’électroencéphalographie (EEG), présente des obstacles uniques. Cette thèse explore et fait progresser l’utilisation de méthodes d’apprentissage automatique pour l’analyse des données neurophysiologiques, en se concentrant à la fois sur les techniques traditionnelles d’apprentissage automatique et sur les approches d’apprentissage profond. Plus précisément, elle aborde deux défis cruciaux : optimiser l’apprentissage profond pour l’analyse des données MEG et EEG et améliorer l’interprétabilité de ces approches. L’absence de normes de référence établies pour les architectures spécifiques à la MEG, ainsi que les défis persistants en matière d’interprétabilité, ont limité l’adoption de ces méthodes dans la recherche en neurosciences. Pour relever ces défis, cette thèse adopte un approche en trois phases. Tout d’abord, nous étudions la classification en géométrie riemannienne pour les données EEG, en exploitant les techniques classiques de ML pour extraire des motifs significatifs et établir une base pour les recherches ultérieures. Ensuite, nous effectuons une revue complète des applications d’apprentissage profond dans la recherche en MEG, en identifiant les meilleures pratiques actuelles, les limites et les voies d’amélioration. Enfin, nous présentons MEEGNet, logiciel libre en Python adapté à l’analyse des données M/EEG, mettant l’accent sur la facilité d’utilisation, la visualisation et l’interprétabilité. En abordant les défis de l’optimisation et de l’interprétabilité des méthodes d’apprentissage profond des données MEG et EEG, cette thèse contribue à l’intégration croissante de l’IA dans la recherche en neurosciences. Les méthodes et outils proposés ouvrent la voie au développement d’architectures d’apprentissage standardisées qui améliorent la compréhension du fonctionnement et du comportement du cerveau, faisant progresser à la fois l’innovation méthodologique et la découverte scientifique en neuro-IA. In recent years, Artificial Intelligence (AI) has revolutionized various scientific fields, offering transformative tools for tackling complex challenges. Neuroscience, in particular, has seen significant advancements through the application of AI, with innovations in brain imaging, neural decoding, and personalized medicine. However, the use of machine learning (ML) and deep learning (DL) in the analysis of neurophysiological data, especially Magnetoencephalography (MEG) and Electroencephalography (EEG) signals, presents unique hurdles. This thesis explores and advances the use of machine learning methods for analyzing neurophysiological data, focusing on both traditional ML techniques and deep learning approaches. Specifically, it addresses two critical challenges: optimizing deep learning for MEG and EEG data analysis and enhancing the interpretability of these approaches. The lack of established gold standards for MEG-specific architectures, alongside the persistent challenges of interpretability, has limited the widespread adoption of these methods in neuroscience research. To address these challenges, this thesis adopts a three-phase approach. First, we investigate Riemannian geometry classification for EEG data, leveraging classical ML techniques to extract meaningful patterns and build a foundation for subsequent research. Second, we conduct a comprehensive review of deep learning applications in MEG research, identifying current best practices, limitations, and opportunities for innovation. Finally, we present MEEGNet, an open-source Python toolbox suite tailored for M/EEG data analysis, emphasizing ease of use, robust visualization, and interpretability. By addressing the challenges of optimization and interpretability of DL methods for MEG and EEG data, this thesis contributes to the growing integration of AI into neuroscience research. The proposed methods and tools pave the way for developing standardized learning architectures that enhance the understanding of brain function and behavior, advancing both methodological innovation and scientific discovery in neuro-AI.