Modèle de Fondation pour l'Analyse des Signaux EEG : Vers une Intelligence Artificielle Généralisable en Neurophysiologie // EEG Foundation Model

L'électroencéphalographie (EEG) est une technique non invasive permettant d'étudier la dynamique cérébrale en temps réel. Son utilisation couvre un large spectre d'applications, allant du diagnostic clinique (épilepsies, troubles neurologiques) aux neurosciences cognitives et aux interfaces cerveau-ordinateur. Cependant, l'analyse des signaux EEG reste un défi majeur en raison de leur complexité, de leur faible rapport signal/bruit et de la variabilité inter-individuelle et intra-individuelle des enregistrements.

Avec l'émergence des modèles d'intelligence artificielle et, plus récemment, des modèles de fondation, une opportunité se présente pour transformer l'analyse de l'EEG en développant des représentations générales et réutilisables à travers divers contextes et pathologies. Cette thèse vise à concevoir un modèle de fondation adapté aux signaux EEG, capable d'apprendre des représentations robustes et transférables, tout en répondant aux contraintes spécifiques de cette modalité : nature non stationnaire des signaux, contamination par des artefacts, et limitation des bases de données disponibles.

Objectifs de la thèse :

Construction d'un modèle de fondation pour l'EEG

Exploitation de l'apprentissage auto-supervisé et contrastif pour apprendre des représentations générales des signaux EEG.

Adaptation des architectures existantes (ex : Transformers, modèles génératifs) aux contraintes spécifiques des signaux EEG.

Généralisation et adaptation du modèle

Mise en place de stratégies d'apprentissage adaptatif pour permettre au modèle de s'ajuster à différentes pathologies, tâches cognitives ou applications BCI.

Exploration des techniques de fine-tuning et d'adaptation rapide à de nouveaux ensembles de données EEG.

Validation sur des cas d'usage en neurologie et neurosciences cognitives

Détection et classification de marqueurs pathologiques (ex : crises épileptiques, anomalies cérébrales).

Étude de la dynamique des états de conscience et des phases du sommeil à partir des représentations apprises.

Évaluation des performances du modèle sur des bases de données hétérogènes (cliniques et expérimentales).

Apports attendus :

Développement d'un modèle de fondation EEG offrant une meilleure robustesse et généralisabilité par rapport aux approches traditionnelles.

Amélioration des performances des systèmes de diagnostic assisté par IA en neurologie.

Accélération de la recherche sur les biomarqueurs EEG en facilitant la réutilisation des représentations apprises.

Cette thèse s'inscrit dans un cadre interdisciplinaire, à la croisée des neurosciences, de l'apprentissage automatique et de la neuro-ingénierie, avec des implications directes pour la recherche clinique et les technologies d'assistance cognitive.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Electroencephalography (EEG) is a non-invasive technique that allows real-time study of brain dynamics. Its applications span a wide range, from clinical diagnosis (epilepsy, neurological disorders) to cognitive neuroscience and brain-computer interfaces. However, EEG signal analysis remains a major challenge due to its complexity, low signal-to-noise ratio, and intra- and inter-individual variability.

With the emergence of artificial intelligence models and, more recently, foundation models, a new opportunity arises to transform EEG analysis by developing general and reusable representations across different contexts and pathologies. This thesis aims to design a foundation model adapted to EEG signals, capable of learning robust and transferable representations while addressing the specific challenges of this modality: the non-stationary nature of signals, contamination by artifacts, and the limitation of available datasets.

Thesis Objectives:

Development of a Foundation Model for EEG

Leveraging self-supervised and contrastive learning to learn general EEG signal representations.

Adapting existing architectures (e.g., Transformers, generative models) to the specific constraints of EEG signals.

Generalization and Adaptation of the Model

Implementing adaptive learning strategies to allow the model to adjust to different pathologies, cognitive tasks, or BCI applications.

Exploring fine-tuning techniques and rapid adaptation to new EEG datasets.

Validation on Neurology and Cognitive Neuroscience Use Cases

Detection and classification of pathological markers (e.g., epileptic seizures, brain anomalies).

Studying the dynamics of consciousness states and sleep phases using learned representations.

Evaluating the model's performance on heterogeneous datasets (clinical and experimental).

Expected Contributions:

Development of an EEG foundation model offering better robustness and generalizability compared to traditional approaches.

Improvement of AI-assisted diagnostic systems in neurology.

Acceleration of research on EEG biomarkers by facilitating the reuse of learned representations.

This thesis is positioned at the intersection of neuroscience, machine learning, and neuroengineering, with direct implications for clinical research and cognitive assistance technologies.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Contrat doctoral

Concours IPP ou école membre*Concours pour un contrat doctoral*Contrat Doctoral E4H*Contrat doctoral Hi!Paris*

Télécom Paris

626 Ecole Doctorale de l'Institut Polytechnique de Paris

Compétences en intelligence artificielle et apprentissage automatique : Maîtrise des méthodes d'apprentissage supervisé et non supervisé, y compris les réseaux de neurones profonds et les techniques de réduction de dimensionnalité. Compétences en IA généralisable : Capacité à développer des modèles d'IA robustes et généralisables, capables de traiter une grande variété de signaux EEG provenant de différentes populations ou contextes. Modélisation et prédiction des signaux EEG : Compréhension souhaitable des modèles de traitement des signaux EEG, y compris la transformation de Fourier, la transformée en ondelettes, et l'analyse en composantes indépendantes (ICA).
Skills in Artificial Intelligence and Machine Learning: Proficiency in supervised and unsupervised learning methods, including deep neural networks and dimensionality reduction techniques. Skills in Generative AI: Ability to develop robust and generalizable AI models capable of processing a wide variety of EEG signals from different populations or contexts. EEG Signal Modeling and Prediction: Desirable understanding of EEG signal processing models, including Fourier transform, wavelet transform, and Independent Component Analysis (ICA).