Genetic algorithm applied to hyperparameter selection for fMRI neurofeedback scores prediction from EEG signals - Inria - Institut national de recherche en sciences et technologies du numérique
Poster Année : 2024

Genetic algorithm applied to hyperparameter selection for fMRI neurofeedback scores prediction from EEG signals

Algorithme génétique appliqué à la sélection d'hyperparamètres pour la prédiction des scores neurofeedback IRMf à partir des signaux EEG

Caroline Pinte
  • Fonction : Auteur
  • PersonId : 1170974
Claire Cury
Pierre Maurel

Résumé

Le neurofeedback (NF) est une méthode permettant à un individu d'apprendre à réguler son activité cérébrale. Les acquisitions simultanées par électroencéphalographie (EEG) et imagerie par résonance magnétique fonctionnelle (IRMf) permettent d'améliorer l'efficacité des entraînements NF dans un contexte d'imagerie motrice (Perronnet et al., 2017, https://doi.org/10.3389/fnhum.2017.00193). Cependant, l'utilisation de l'IRM étant contraignante et coûteuse, nous souhaitons minimiser son utilisation. Ainsi, nous étudions des modèles d'apprentissage automatique tels que les réseaux “long short-term memory” (LSTM) et les réseaux neuronaux convolutionnels (CNN) pour prédire les scores NF-IRMf à partir des signaux EEG. Nous avons acquis des données EEG-IRMf simultanées sur 15 sujets sains au cours d'une tâche d'imagerie motrice, en suivant le protocole XP2 décrit dans (Lioi et al., 2020, https://doi.org/10.1038/s41597-020-0498-3). Ce jeu comprend trois séries de cinq minutes par sujet, avec leurs scores respectifs d'activation cérébrale, appelés scores NF. Notre méthode consiste premièrement à utiliser un algorithme génétique pour obtenir un ensemble d'hyperparamètres pour un modèle LSTM et un modèle CNN. Nous entraînons ensuite les deux types de modèles. Puis, nous prédisons les scores NF-IRMf, auxquels nous ajoutons les véritables scores NF-EEG pour les comparer à la vérité terrain combinée NF-EEG-IRMf. Enfin, un aspect important du problème consistera à interpréter ces modèles, afin de mieux comprendre les liens entre ces deux modalités.

Mots clés

Fichier principal
Vignette du fichier
pinte-caroline-empenn.pdf (614.71 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04529036 , version 1 (02-04-2024)

Licence

Identifiants

  • HAL Id : hal-04529036 , version 1

Citer

Caroline Pinte, Claire Cury, Pierre Maurel. Genetic algorithm applied to hyperparameter selection for fMRI neurofeedback scores prediction from EEG signals. IABM 2024 - Colloque Français d'Intelligence Artificielle en Imagerie Biomédicale, Mar 2024, Grenoble, France. pp.1-1, 2024. ⟨hal-04529036⟩
92 Consultations
49 Téléchargements

Partager

More