A Portable and Personalized Closed-Loop Brain Stimulation System

Sleep spindles, transient bursts of brain activity, are associated with memory consolidation and cognitive function. Accurately detecting these events during sleep is crucial for researchers investigating sleep and its related processes. However, traditional sleep studies often require expensive and complex equipment and require participants to visit specialized sleep labs, which can be inconvenient, expensive, and limit the participation of a large portion of the population. This thesis addresses this challenge by presenting the design, development, and evaluation of the Portiloop, a portable and user-friendly electroencephalography (EEG) recording system, as well as improvements to its underlying deep-learning based model for sleep spindle detection. A key innovation of this work is the incorporation of a continual learning approach within the Portiloop’s deep learning model for sleep spindle detection. Traditional machine learning models typically require large datasets for training, and their performance can suffer when encountering new or unseen data. Continual learning algorithms address this limitation by enabling the model to learn and improve continuously based on new information. In the context of the Portiloop, this allows the model to adapt to individual user sleep patterns and enhance its accuracy in detecting sleep spindles over time. This is particularly advantageous in real-world settings where participant-specific variations in sleep patterns are inevitable. The efficacy of our continual learning approach was validated using MASS data and realworld Portiloop recordings. This validation demonstrated significant improvements in spindle detection performance, both within a single night and cumulatively across multiple nights. The Portiloop’s design holds promise for various EEG-based brain research applications, potentially leading to significant discoveries in our understanding of sleep and brain function.

Résumé

Les fuseaux de sommeil, brefs pics d’activité cérébrale, jouent un rôle important dans la consolidation de la mémoire et les fonctions cognitives. Leur détection précise pendant le sommeil est essentielle pour les chercheurs qui étudient le sommeil et les processus associés. Cependant, les études traditionnelles sur le sommeil nécessitent souvent un équipement coûteux et complexe, et obligent les participants à se rendre dans des laboratoires spécialisés, ce qui peut être contraignant, onéreux et limiter la participation d’une grande partie de la population. Ce mémoire propose une solution à ce défi en présentant la conception, le développement et l’évaluation du Portiloop, un système d’enregistrement d’électroencéphalogramme (EEG) portable et pratique, ainsi que des améliorations de son modèle sous-jacent d’apprentissage profond pour la détection des fuseaux de sommeil. Une innovation clé de ce travail est l’intégration d’une approche d’apprentissage continu dans le modèle d’apprentissage profond du Portiloop. Les modèles d’apprentissage automatique traditionnels nécessitent généralement de vastes ensembles de données pour l’entraînement, et leurs performances peuvent être affectées lorsqu’ils rencontrent des données nouvelles ou inconnues. Les algorithmes d’apprentissage continu répondent à cette limitation en permettant au modèle d’apprendre et de s’améliorer en permanence en fonction des nouvelles informations. Dans le contexte du Portiloop, cela permet au modèle de s’adapter aux habitudes de sommeil individuelles des utilisateurs et d’améliorer sa précision dans la détection des fuseaux de sommeil au fil du temps. Ceci est particulièrement avantageux dans des environnements réels où les variations des habitudes de sommeil propres à chaque participant sont inévitables. L’efficacité de notre approche d’apprentissage continu a été validée en utilisant des données MASS et des enregistrements Portiloop en situation réelle. Cette validation a démontré des améliorations significatives de la performance de détection des fuseaux, à la fois au cours d’une seule nuit et de manière cumulative sur plusieurs nuits. La conception du Portiloop est prometteuse pour diverses applications de recherche sur le cerveau basées sur l’EEG, pouvant conduire à des découvertes importantes dans notre compréhension du sommeil et du fonctionnement du cerveau.