Les neuroprothèses modernes peuvent désormais restaurer la communication chez les patients ayant perdu la capacité de parler ou de se mouvoir. Cependant, l’implantation de ces dispositifs invasifs comporte des risques inhérents à la neurochirurgie. Nous présentons ici une méthode non invasive pour décoder la production de phrases à partir de l’activité cérébrale et démontrons son efficacité sur une cohorte de 35 volontaires sains.
Pour ce faire, nous présentons Brain2Qwerty, une nouvelle architecture d’apprentissage profond (deep learning) entraînée pour décoder des phrases à partir d’électroencéphalographie ou de magnétoencéphalographie, pendant que les participants tapaient des phrases brièvement mémorisées sur un clavier QWERTY.
Avec la magnétoencéphalographie, Brain2Qwerty atteint, en moyenne, un taux d’erreur de caractère de 29 % et surpasse considérablement l’électroencéphalographie (taux d’erreur de caractère : 65 %). Chez les participants obtenant les meilleurs résultats, le modèle atteint un taux d’erreur de caractère de 18 % et parvient à décoder parfaitement une variété de phrases hors du jeu de données d’entraînement.
Dans l’ensemble, ces résultats réduisent l’écart entre les méthodes invasives et non invasives, et ouvrent ainsi la voie au développement d’interfaces cerveau-machine sûres pour les patients non communicants.
Article: https://www.nature.com/articles/s41593-026-02303-2#Abs1
