Des chercheurs de l’Université HSE et de l’Institut de recherche sur l’intelligence artificielle (AIRI) ont réussi à réduire d’un facteur 50 le temps de latence entre un changement d’activité cérébrale et la présentation du signal de neurofeedback correspondant. -filtrage de latence des signaux d’activité cérébrale provenant de divers individus. Cette approche ouvre de nouvelles perspectives pour le traitement du trouble déficitaire de l’attention et de l’épilepsie. Un article contenant les résultats de l’étude a été publié dans Journal of Neural Engineering.
Le neurofeedback, une forme de biofeedback, est utilisé depuis les années 1960. Son concept de base implique que les individus reçoivent des informations objectives sur les paramètres de leur propre activité cérébrale, tels qu’enregistrés à l’aide d’un électroencéphalogramme (EEG), et apprennent ensuite à réguler leurs ondes cérébrales sur la base de ces informations. Par exemple, une personne peut améliorer ses capacités de relaxation en recevant des informations sur les rythmes alpha de son lobe pariétal, puisqu’une augmentation de son intensité coïncide généralement avec l’état de relaxation. La technologie du neurofeedback a un large éventail d’applications, allant du traitement de maladies telles que le trouble déficitaire de l’attention avec hyperactivité (TDAH), l’épilepsie et la dépression à l’amélioration de la résilience au stress et à l’entraînement des athlètes.
Cependant, dans la pratique, toutes les personnes qui suivent un entraînement au neurofeedback ne connaissent pas d’améliorations substantielles : environ 40 % d’entre elles ne montrent que des progrès minimes, voire inexistants. Selon les chercheurs du HSE, l’une des principales raisons en est le délai important qui se produit entre l’altération de l’activité cérébrale et la présentation d’un signal de rétroaction reflétant ce changement.
Auparavant, nous avons découvert que lors de l’entraînement du rythme alpha occipital, la fréquence des sursauts d’activité cérébrale par unité de temps change, tandis que leur durée et leur amplitude restent constantes. Le concept derrière cette formation est que les individus peuvent apprendre à induire un état qui conduit à une fréquence accrue de ces sursauts, pour lequel un renforcement positif opportun de ces transitions devient crucial. Cependant, dans la majorité des systèmes utilisés aujourd’hui, le signal de retour est délivré avec un retard supérieur à 500 ms. Dans de telles circonstances, établir une corrélation entre le feedback et l’événement correspondant devient difficile. »
Alexei Ossadtchi, chef d’équipe de recherche, directeur du Centre des interfaces bioélectriques à l’Institut universitaire HSE pour les neurosciences cognitives, chef du groupe Neurointerfaces à l’AIRI
La diminution du délai de présentation du signal de rétroaction augmente la probabilité d’activer les mécanismes de neuroplasticité nécessaires pour obtenir un effet durable de l’entraînement. Dans une étude précédente, tous les participants des groupes connaissant un délai minimal, fixé à 250 ms, ont réussi à augmenter la fréquence des salves de rythme alpha par unité de temps. Cependant, dans les groupes connaissant un retard d’environ 500 ms et plus, seulement 60 % environ des participants ont pu accomplir la tâche.
Selon les chercheurs, une réduction supplémentaire du retard devrait conduire à une accélération encore plus prononcée du processus d’apprentissage et à l’obtention d’effets d’entraînement à long terme. Cependant, la composante la plus importante du retard dans la présentation du signal de rétroaction est liée à des contraintes fondamentales.
Le problème réside dans le principe d’incertitude de Gabor. Pour isoler le rythme, il est nécessaire d’utiliser les valeurs du signal enregistrées et d’observer le signal sur un intervalle de temps d’environ 200 à 300 ms. Cela signifie que le processus de filtrage – sélection des rythmes cérébraux pertinents – prend du temps et retarde ainsi le signal. Les chercheurs ont suggéré d’utiliser un modèle de réseau neuronal du signal cible pour accélérer sa détection au milieu du reste de l’activité cérébrale.
Les scientifiques ont formé plusieurs réseaux neuronaux à l’aide de nombreux ensembles de données sur l’activité cérébrale des individus, puis ont évalué leur stabilité en introduisant du bruit, puis les ont appliqués aux données de 25 sujets suivant un entraînement au rythme alpha. Diverses architectures ont été testées et le réseau convolutionnel temporel (TCN) a démontré les meilleures performances.
« Sur la base du TCN, un filtre a été construit pour isoler l’activité rythmique, conduisant à une réduction du délai de présentation d’un signal de rétroaction reflétant l’intensité instantanée du rythme alpha à seulement 10 ms. Par conséquent, nous avons réduit le délai d’environ cinquante fois par rapport à la majorité des systèmes de neuroefeedback. Dans le même temps, nous avons surveillé les transitions des populations neuronales de la phase d’excitation à la phase d’inhibition pratiquement sans délai », explique Alexei Ossadtchi.
Selon les auteurs de l’étude, leurs résultats peuvent justifier une réévaluation de l’efficacité du neurofeedback dans le traitement de divers troubles neurologiques. L’utilisation de la méthode avec un délai réduit peut augmenter considérablement la proportion de patients qui répondent positivement à cette thérapie pour un dysfonctionnement du système nerveux. En outre, cela ouvre des perspectives passionnantes pour le développement de paradigmes de stimulation cérébrale en boucle fermée pour le traitement de troubles neurologiques graves en établissant des boucles de rétroaction artificielles que le cerveau ne peut pas distinguer de ses mécanismes de rétroaction naturels, induisant ainsi des changements plastiques ciblés au sein des réseaux neuronaux du cerveau.
