Optimizing cortical feedback strategies for a closed-loop brain machine interface - CNRS - Centre national de la recherche scientifique Accéder directement au contenu
Thèse Année : 2023

Optimizing cortical feedback strategies for a closed-loop brain machine interface

Optimisation du retour sensoriel cortical dans le cadre d'une interface cerveau machine en boucle fermée

Henri Lassagne

Résumé

Pioneering studies aim to improve the everyday life of motor-impaired patients by providing motor rehabilitation devices controlled directly by brain activity. In order to use these neuroprostheses efficiently, patients need online sensory feedback to guide and correct ongoing movements. It is known that precise somatosensory information from the body parts, and not only visual information, is vital for dexterous control. Thus, brain-machine interfaces (BMIs) should both read neural activity from the brain and feed back sensory information about the prostheses current state. Recent efforts in closed-loop BMI systems are addressing this challenge promisingly. However, an understanding of the neuronal mechanisms of sensorimotor integration will be necessary to optimize sensory feedback delivery. In this thesis, we are using a low-latency, closed loop brain-machine interface for head-fixed mice, which combines electrophysiological recordings in M1 and optogenetic stimulation in the primary somatosensory cortex (S1). We aim to reveal general rules about how the brain uses spatio-temporal patterns of cortical activity in order to generate feedback-corrected motor commands, and further understand the mechanisms behind the computational rules for sensory-guided behavior. Firstly we showed that taking into account the topographical organization of the whisker barrel cortex, which highly reflects the organization of the whisker pad, favors the learning of a sensory guided task. Secondly, we implemented an ultra-fast incremental control algorithm to study the impact of latency in BMI learning. We expect that mimicking the physiological intrinsic latency of the sensorimotor system should promote learning.
De récentes études prometteuses visent à améliorer la vie quotidienne des patients paraplégiques en leur fournissant des dispositifs de rééducation motrice contrôlés directement par l'activité cérébrale. Afin d'utiliser efficacement ces neuroprothèses, les patients ont besoin d'un retour sensoriel en ligne pour guider et corriger les mouvements en continu. On sait que les informations somatosensorielles provenant des parties du corps, au delà des informations visuelles, sont vitales pour le contrôle de la dextérité. Ainsi, les interfaces cerveau-machine (ICM) doivent à la fois lire l'activité neuronale du cerveau et renvoyer des informations sensorielles sur l'état actuel de la prothèse. Les efforts récents en matière de systèmes d'interface cerveau-machine en boucle fermée relèvent ce défi de manière prometteuse. Cependant, une compréhension des mécanismes neuronaux de l'intégration sensorimotrice sera nécessaire pour optimiser la transmission des informations sensorielles. Dans le cadre de cette thèse, nous utilisons une interface cerveau-machine à faible latence et en boucle fermée pour des souris têtes fixées, qui combine des enregistrements électrophysiologiques dans M1 et une stimulation optogénétique dans le cortex somatosensoriel primaire (S1). Notre objectif est de révéler des règles générales sur la façon dont le cerveau utilise les schémas spatio-temporels de l'activité corticale afin de générer des commandes motrices corrigées, et de mieux comprendre les mécanismes qui sous-tendent les règles de calcul du comportement guidé par les sens. Dans un premier temps, nous avons montré que l'organisation topographique du cortex à tonneaux, qui reflète fortement l'organisation des vibrisses chez la souris, favorise l'apprentissage d'une tâche sensorielle. Ensuite, nous avons implémenté un algorithme de contrôle incrémental à faible latence pour étudier l'impact de la latence dans l'apprentissage de l'ICM.
Fichier principal
Vignette du fichier
LASSAGNE_Henri_these_2023.pdf (43.68 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04076095 , version 1 (20-04-2023)

Identifiants

  • HAL Id : tel-04076095 , version 1

Citer

Henri Lassagne. Optimizing cortical feedback strategies for a closed-loop brain machine interface. Neurobiology. Sorbonne Université, 2023. English. ⟨NNT : 2023SORUS042⟩. ⟨tel-04076095⟩
99 Consultations
7 Téléchargements

Partager

Gmail Facebook X LinkedIn More