Thèse Few-Shot et Méta-Apprentissage pour l'Analyse Robuste et Personnalisée des Signaux Eeg en Contexte de Données Limitées H/F - Doctorat.Gouv.Fr

Établissement : Institut National Polytechnique de Toulouse École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Laboratoire de recherche : IRIT : Institut de Recherche en Informatique de Toulouse Direction de la thèse : Lotfi CHAARI ORCID 0000000235900370 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-30T23:59:59 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.
Besoin de méthode d'apprentissage capables de bien performer dans un contexte de données limitées (annotations) Développer un nouveau framework de méta-apprentissage spécifiquement adapté aux signaux EEG

M2 informatique