Sylvain Chevallier (UVSQ – LISV – Interactive Robotic team)
L’apprentissage par transfert pour les interfaces cerveau-machine : les enjeux de la spécificité individuelle et de sa caractérisation
(De 17h00 à 19h30 à l’Université Paris 8, salle C224)
Programme du Cycle de conférences
Résumé :
Un type d’approche ancrée dans la géométrie a permis une avancée importante pour améliorer la robustesse des interfaces cérébrales et la précision de la discrimination des états cérébraux. Ces résultats permettent d’envisager des solutions pour l’une des principales barrières à l’adoption plus large des interfaces cerveau-machine : la réduction ou la suppression de la phase de calibration. Alors qu’il est théoriquement possible d’apprendre des représentations invariantes, la réalité est bien plus complexe. Le principal obstacle est le manque de données annotées pour apprendre des modèles réellement généralisable à toutes les personnes. Des efforts importants sont fait dans la communauté scientifique pour mettre en place des standards pour l’accès aux données et pour les traitements algorithmiques, pourtant les données sont difficiles à obtenir et les algorithmes difficilement comparables. Lors de mon exposé, je présenterai comment des outils issus de la géométrie différentielle et du machine learning permettent d’obtenir des résultats prometteurs pour construire des espaces de représentation robuste et indépendante des sujets.
