Description

L’électroencéphalographie (EEG) constitue une modalité non invasive largement utilisée pour étudier l’activité cérébrale dans des contextes variés, tels que les interfaces cerveau-machine, la détection d’états cognitifs, la reconnaissance d’émotions, le diagnostic neurologique ou encore le suivi clinique. Malgré son intérêt, l’analyse automatique des signaux EEG demeure un défi important en raison de plusieurs contraintes, notamment le faible rapport signal/bruit, la forte variabilité inter-sujets et intra-sujets, ainsi que l’hétérogénéité des protocoles d’acquisition.
Les approches d’apprentissage profond ont permis d’améliorer significativement les performances des systèmes d’analyse EEG [Craik et al. 2019]. Toutefois, ces méthodes nécessitent généralement de grands volumes de données annotées pour obtenir des résultats robustes. Or, dans de nombreuses applications EEG, l’acquisition des données est coûteuse en temps, l’annotation nécessite souvent une expertise spécifique, et les données collectées peuvent être sensibles. De plus, les modèles entraînés sur un groupe de sujets généralisent difficilement à de nouveaux individus, en particulier lorsque les conditions expérimentales, les sessions ou les distributions de signaux varient. Cette difficulté est particulièrement critique pour les systèmes personnalisés, tels que les interfaces cerveau-machine, où il est nécessaire de réduire le temps de calibration tout en maintenant un haut niveau de performance et de robustesse. Dans ce contexte, le few-shot learning vise à apprendre efficacement à partir d’un très petit nombre d’exemples annotés [Wang et al. 2020]. Cette thèse propose d’explorer le potentiel de cette approche pour l’analyse des signaux EEG dans des situations où les données annotées sont limitées.

Compétences requises

M2 informatique

Bibliographie

[1] Craik, A., He, Y., & Contreras-Vidal, J. L. (2019). Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering, 16(3), 031001.
[2] Wang, Y., Yao, Q., Kwok, J. T., & Ni, L. M. (2020). Generalizing from a few examples: A survey on few-shot learning. ACM computing surveys (csur), 53(3), 1-34.
[3] Finn, C., Abbeel, P., & Levine, S. (2017, July). Model-agnostic meta-learning for fast adaptation of deep networks. In International conference on machine learning (pp. 1126-1135). PMLR.
[4] Chen, C., Fang, H., Yang, Y., & Zhou, Y. (2025). Model-agnostic meta-learning for EEG-based inter-subject emotion recognition. Journal of Neural Engineering, 22(1), 016008.
[5] Han, J. W., Bak, S., Kim, J. M., Choi, W., Shin, D. H., Son, Y. H., & Kam, T. E. (2024). META-EEG: Meta-learning-based class-relevant EEG representation learning for zero-calibration brain–computer interfaces. Expert Systems with Applications, 238, 121986.
[6] Ng, H. W., & Guan, C. (2024). Subject-independent meta-learning framework towards optimal training of EEG-based classifiers. Neural Networks, 172, 106108.
[7] Liu, J., Tang, P., Wang, W., Ren, Y., Hou, X., Heng, P. A., ... & Li, C. (2026). A survey on inference optimization techniques for mixture of experts models. ACM Computing Surveys, 58(10), 1-37.
[8] Patacchiola, M., Turner, J., Crowley, E. J., O'Boyle, M., & Storkey, A. J. (2020). Bayesian meta-learning for the few-shot setting via deep kernels. Advances in Neural Information Processing Systems, 33, 16108-16118.
[9] Belmonte, R., Aissaoui, A., Mihoubi, S., Allaert, B., Mennesson, J., Bilasco, I. M., & Goncalves, L. (2021, June). BAREM: A multimodal dataset of individuals interacting with an e-service platform. In 2021 International Conference on Content-Based Multimedia Indexing (CBMI) (pp. 1-6). IEEE.
[10] Chaabene, S., Bouaziz, B., Boudaya, A., Hökelmann, A., Ammar, A., & Chaari, L. (2021). Convolutional neural network for drowsiness detection using EEG signals. Sensors, 21(5), 1734.

Mots clés

Apprentissage automatique, méta-apprentissage, Few-Shot learning, EEG