Cybersécurité des interfaces cerveau-machine - Une approche basée sur les jumeaux numériques cognitifs

Contexte 

Les signaux d’électroencéphalographie (EEG) sont de plus en plus utilisés comme canal d’interaction entre l’humain et les systèmes numériques. Avec le développement des interfaces cerveau-machine BCI (Brain Computer Interface), l’activité cérébrale n’est plus limitée à une observation passive, mais est activement transformée en commandes, décisions ou signaux de contrôle pour des systèmes logiciels ou cyber-physiques [1], [2]. Cette évolution place les données EEG au cœur du fonctionnement de systèmes de plus en plus autonomes et interconnectés. Par exemple, ces systèmes incluent des dispositifs d’assistance, des prothèses intelligentes, des systèmes robotiques ou plus largement des systèmes cyber-physiques dans lesquels les signaux EEG sont directement utilisés pour piloter des actions sur le monde réel.

Parallèlement, la généralisation de dispositifs EEG connectés, mobiles et sans fil expose les signaux cérébraux à de nouvelles menaces de sécurité. Les données EEG sont souvent transmises, traitées et stockées à travers plusieurs composants, incluant les dispositifs d’acquisition, les liens de communication et les unités de traitement. En l’absence de mécanismes de sécurité spécifiquement adaptés, cette chaîne devient vulnérable à des attaques telles que l’interception de signaux, le rejeu, l’injection ou la réutilisation non autorisée de données cérébrales enregistrées [3], [4].

Contrairement aux données numériques classiques, les signaux EEG ne peuvent pas être protégés simplement à la source. Ils sont générés en continu, difficiles à authentifier de manière déterministe, et fortement dépendants de conditions biologiques et cognitives. Un attaquant capable de capter des signaux EEG  ou d’en reproduire des motifs caractéristiques peut les rejouer ultérieurement, les injecter dans un autre système ou les manipuler afin de provoquer des comportements non souhaités. Ces attaques n’impliquent pas nécessairement la compromission de mécanismes cryptographiques traditionnels, mais exploitent l’absence de modèles de confiance spécifiquement conçus pour les signaux cérébraux [5], [6].

Dans le domaine plus large de la sécurité biométrique, des travaux antérieurs ont déjà démontré que certains signaux physiologiques, tels que l’électrocardiogramme (ECG) [7] ou la photopléthysmographie (PPG) [8], [9], peuvent être exploités avec succès pour l’authentification, l’identification biométrique ou la génération de clés cryptographiques. Ces résultats ont établi les signaux biologiques comme des ressources pertinentes pour la sécurité des systèmes numériques. Toutefois, les signaux EEG se distinguent fondamentalement par leur complexité, leur variabilité temporelle et leur implication directe dans la commande et la prise de décision des systèmes. Ces spécificités rendent inadaptée une transposition directe des approches biométriques classiques et soulignent la nécessité de concevoir des mécanismes de sécurité dédiés aux interfaces cerveau-machine (BCI).

Enfin, à mesure que les interfaces EEG sont utilisées pour piloter des systèmes automatisés ou cyber-physiques, les conséquences de telles attaques dépassent largement la seule confidentialité des données. La manipulation ou la réutilisation malveillante de signaux EEG peut conduire à des décisions incorrectes, à des comportements dangereux ou à une perte de contrôle du système. Le rôle croissant des données EEG comme canal de commande impose ainsi le développement d’approches de sécurité capables de prendre explicitement en compte les propriétés dynamiques, la variabilité et les vulnérabilités spécifiques des signaux cérébraux [12].

État de l’art 

Les travaux existants sur les interfaces cerveau machine se concentrent majoritairement sur l’amélioration des performances de décodage des signaux EEG et sur la précision du contrôle de machines [10]. Ces recherches portent notamment sur le traitement du signal, la réduction des artefacts, l’extraction de caractéristiques pertinentes et l’utilisation de modèles d’apprentissage automatique pour interpréter l’activité cérébrale [11].

Du point de vue de la sécurité, plusieurs axes ont été explorés, mais de manière isolée. Une première catégorie de travaux vise la sécurisation des communications entre les dispositifs EEG et les systèmes machines, en s’appuyant sur des mécanismes classiques tels que le chiffrement et le contrôle d’accès. Ces approches permettent de protéger la confidentialité des données, mais elles ne garantissent pas que les signaux EEG utilisés pour piloter les machines sont légitimes ou cohérents du point de vue comportemental [12].

D’autres travaux s’intéressent à la sécurité des dispositifs d’acquisition et des plateformes d’exécution, par exemple via des mécanismes de démarrage sécurisé, de protection du firmware ou d’isolation logicielle [13]. Bien que ces solutions réduisent le risque de compromission matérielle ou logicielle, elles ne permettent pas de détecter des attaques telles que le rejeu de signaux EEG enregistrés ou l’injection de motifs EEG synthétiques.

Par ailleurs, l’introduction de modèles d’apprentissage automatique dans les pipelines EEG-machine a permis d’étudier les vulnérabilités liées aux attaques adverses et à l’empoisonnement des données. Ces travaux [14] mettent en évidence la sensibilité des classifieurs EEG à des perturbations ciblées, mais ils se limitent généralement à l’évaluation de la robustesse des modèles, sans proposer de mécanismes globaux de détection et de réponse aux menaces à l’échelle du système cerveau-machine.

Enfin, certaines approches exploitent l’EEG à des fins biométriques, notamment pour l’identification ou l’authentification de l’utilisateur [15]. Toutefois, la forte variabilité des signaux EEG selon le contexte et l’état cognitif limite la fiabilité de ces méthodes dans des scénarios opérationnels. De plus, l’authentification de l’utilisateur ne permet pas, à elle seule, de garantir la légitimité des commandes cérébrales émises dans le temps.

Dans l’ensemble, l’état de l’art montre l’absence d’une approche intégrée de sécurité pour les systèmes cerveau machine. Les solutions existantes traitent des aspects isolés (communication, matériel, robustesse des modèles), mais ne proposent pas de mécanisme autonome capable de surveiller en continu les flux EEG, de détecter des comportements anormaux ou malveillants, et de déclencher automatiquement des contre-mesures adaptées dans les systèmes cerveau-machine.

Objectifs et principales contributions

L’objectif principal de cette thèse est de proposer un système de cybersécurité autonome, intelligent et fiable pour les interfaces cerveau-machine (BCI), visant à protéger les systèmes machines et cyber-physiques pilotés par des signaux EEG contre des attaques intentionnelles, des usages malveillants et des comportements anormaux. Le système proposé s’inscrit dans une logique de cyber-défense proactive, intégrant la détection, l’analyse et la réaction automatique face aux menaces ciblant les flux EEG utilisés comme canal de commande.

Cette problématique soulève plusieurs défis majeurs en cybersécurité. D’une part, il s’agit de définir un modèle de menace spécifique aux interfaces cerveau-machine, prenant en compte des attaques telles que l’interception de signaux EEG, le rejeu, l’injection de motifs synthétiques, la manipulation malveillante des modèles d’apprentissage et l’exploitation des états cognitifs de l’utilisateur. D’autre part, la nature non déterministe et variable des signaux EEG rend inapplicables les mécanismes classiques d’authentification et de validation des données, nécessitant l’introduction de nouveaux mécanismes de confiance adaptés aux signaux cérébraux.

Pour répondre à ces défis, cette thèse vise à proposer une architecture de cybersécurité complète dédiée aux systèmes cerveau-machines, combinant des mécanismes de surveillance continue, de détection d’attaques et de réponse automatisée. L’un des apports scientifiques majeurs consistera à introduire le concept de jumeau numérique cognitif (Cognitive Digital Twin) comme composant central du système de sécurité. Ce jumeau numérique nous permettra de modéliser le comportement cérébral attendu d’un utilisateur légitime lors de l’interaction avec une machine, et servira de référence pour détecter des écarts comportementaux révélateurs d’attaques ou d’anomalies de sécurité.

Le jumeau numérique cognitif désigne une représentation numérique du comportement cérébral de l’utilisateur telle qu’elle est observée à travers les signaux EEG lors de l’interaction avec une machine. Il vise à capturer et structurer les caractéristiques du comportement cognitif associé à l’émission de commandes cérébrales, en tenant compte de leur évolution dans le temps et du contexte d’interaction. Ce jumeau numérique constitue ainsi un composant de référence au sein de l’architecture proposée, permettant de formaliser le comportement cérébral attendu dans un cadre d’utilisation donné.

Contrairement aux travaux existants, souvent limités à la robustesse des classifieurs EEG ou à la sécurisation des communications, l’approche proposée adoptera une vision globale de la cybersécurité.  Elle intégrera :

• la détection des attaques ciblant les flux EEG, à partir de l’analyse continue des comportements cérébraux et de leur cohérence avec le contexte d’interaction ;
   
• la corrélation des événements de sécurité à l’échelle du système cerveau-machine, afin de relier les anomalies EEG aux états du système et à son environnement ;
   
• la mise en œuvre automatique de contre-mesures adaptées, telles que la limitation ou la suspension de certaines commandes, l’activation de modes sûrs, ou l’adaptation dynamique du niveau de confiance accordé aux signaux EEG.

Les travaux de cette thèse permettront de démontrer l’intérêt d’une approche de cybersécurité dédiée aux interfaces cerveau-machine, en comparaison avec les solutions de l’état de l’art fondées sur la sécurisation des communications, la protection matérielle ou l’authentification biométrique classique, qui ne couvrent pas les menaces spécifiques liées à l’utilisation de l’EEG comme canal de commande dans des systèmes cyber-physiques.

Approche méthodologique 

La méthodologie de cette thèse reposera sur une démarche progressive allant de la modélisation des comportements cérébraux et des mécanismes de cybersécurité associés à leur validation expérimentale. Elle visera à concevoir et à évaluer une plateforme intégrée capable de surveiller en continu les flux EEG, d’identifier des comportements anormaux ou malveillants, et de déclencher des réactions adaptées au contexte.

La détection des anomalies reposera principalement sur des techniques d’intelligence artificielle, permettant de modéliser le comportement cérébral attendu et de détecter des écarts significatifs en temps réel. En complément, la phase de réaction s’appuiera sur des mécanismes décisionnels définis au niveau du système, permettant d’adapter dynamiquement le comportement de la machine, par exemple en limitant certaines commandes, en déclenchant des modes sûrs ou en ajustant le niveau de confiance accordé aux signaux EEG. L’ensemble s’appuiera sur l’utilisation de jumeaux numériques cognitifs et s’inscrira dans une logique de sécurité autonome pour les interfaces cerveau-machine.

Les échéances de travail seront organisées comme suit :

• T0 - T0+6 mois :
  État de l’art approfondi sur la sécurité des interfaces cerveau–machine, les attaques ciblant les signaux EEG, les approches de sécurité biométrique, ainsi que les jumeaux numériques et leur usage en cybersécurité et en machines
• T0+6 - T0+18 mois : Conception de l’architecture globale de cybersécurité pour les interfaces EEG-machine, incluant la définition du modèle de menace et des scénarios d’attaque ciblant les signaux EEG. Cette phase portera sur le développement de mécanismes de surveillance continue et de détection d’anomalies, s’appuyant sur des techniques d’intelligence artificielle pour modéliser le comportement cérébral attendu et identifier des écarts significatifs révélateurs d’attaques ou de comportements anormaux.
• T0+18 - T0+26 mois : Définition, implémentation et validation du jumeau numérique cognitif, ainsi que son intégration avec les modules de détection basés sur l’IA. Cette phase inclura la conception de mécanismes décisionnels et de réaction automatique, permettant d’adapter dynamiquement le comportement de la machine (par exemple limitation de commandes, activation de modes sûrs ou ajustement du niveau de confiance) en fonction des alertes de sécurité détectées dans les flux EEG.
• T0+26 - T0+30 mois : Validation expérimentale de la solution proposée et évaluation de ses performances en termes de capacité de détection, de temps de réaction, de robustesse face aux attaques et d’impact sur le comportement du système, en comparaison avec des approches de l’état de l’art.
• T0+30 - T0+36 mois : Analyse globale des résultats, rédaction du manuscrit de thèse.