Année Universitaire 2018/2019
République Tunisienne Ministère de
l'enseignement supérieur et de la recherche scientifique
Université de Gabès
Institut Supérieur d'Informatique et
de Multimédia de Gabès
|
|
Département
Informatique Industrielle Année
Universitaire 2018-2019
Code mémoire :
|
MEMOIRE DE MASTERE
Présenté en vue de l'obtention du
DIPLOME DE MASTERE DE RECHERCHE EN ELECTRONIQUE ET
TELECOMMUNICATION - LMD
Sujet
Détection automatique des oscillations corticales
épileptiques à haute fréquence
Réalisé par
Thouraya GUESMI
Sous la direction de
Mme.Nawel JMAIL
Mme.Abir HADRICHE
Soutenu publiquement le 10 Mars 2020 devant le jury
Président : Mr. Mohamed BEN SLIMA Maitre de
conférences à l'ENET'com.
Rapporteur : Mme. Ines NJEH Maitre assistante à
l'ISIMG.
Membre : Mme. Nawel JMAIL Maitre assistante à
l'ESCS.
Membre : Mme. Abir HADRICHE Maitre assistante à
l'ISIMG.
Dédicace
A ma très chère
mère
Quoi que je fasse ou que je dise, je ne saurai
point te remercier comme il se doit. Ton affection me couvre, ta
bienveillance me guide et ta présence à mes côtés
a toujours été ma source de force pour affronter les
différents obstacles.
A mon très cher père
Tu as toujours été à mes
côtés pour me soutenir et m'encourager. Que ce travail traduit
ma gratitude et mon affection.
Al `âme de mon grand
frère
Je dédie cet événement
marquant de ma vie à la mémoire de mon frère disparu
trop tôt. J'espère que, du monde qui est sien maintenant, il
apprécie cet humble geste comme preuve de reconnaissance de la part
d'une soeur qui a toujours prié pour le salut de son âme.
Puisse Dieu, le tout puissant, l'avoir en sa sainte miséricorde
!
A mes très chers frères et mes belles
soeurs. A mon fiancé. A mes petites nièces. A tous mes
amis.
G.Thouraya
Remerciements
C'est avec un réel plaisir que je tiens à
remercier tous ceux, qui d'une façon ou d'une autre, ont
contribué à la réalisation de ce mémoire.
Le travail, est réalisé dans le cadre du
mémoire de mastère pour l'obtention du diplôme en
mastère de recherche en Électroniques et
Télécommunications.
Au terme de ce travail, j'adresse mes plus sincères
remerciements à mes encadreurs, Mme. Hadriche Abir et
Mme.Jmail Nawel, qui m'ont honoré tout au long de
projet par leurs encadrements de qualité ainsi que leurs soutiens, pour
être à la hauteur d'un tel projet.
Je remercie les membres du jury M.Ben Slima
Mohamed et Mme.Njeh Ines d'avoir accepté
d'évaluer ce travail.
Enfin, je tiens à remercier tous ceux qui, de
près ou de loin, ont contribué à la réalisation de
ce travail.
Chapitre 3. Evaluation de la transformée
d'ondelette stationnaire en reconstruction
des pures oscillations à hautes fréquences
(HFO) 33
Table des matières
Liste des Figures iii
Liste des Tableaux v
Abréviations vi
Introduction générale 1
Chapitre 1. Etat de l'art 3
1.1. Introduction 4
1.2. Système nerveux et activités
cérébrales 4
1.2.1. Système Nerveux 4
1.2.2. Encéphale 4
1.2.3. Neurone 5
1.2.4. Potentiel de repos 6
1.2.5. Potentiel d'action : 7
1.3. Techniques d'acquisitions 8
1.3.1. Méthodes non invasives 8
1.3.1.1. Electroencéphalographie EEG 8
1.3.1.2. MagnétoEncéphaloGraphie MEG 9
1.3.2. Méthodes invasives 10
1.3.2.1. Stéréo-Electro-Encéphalo-Graphie
SEEG (L'EEG intracérébral): 10
1.3.2.2. ElectroCorticoGraphie (ECoG) 11
1.3.3. Classification des ondes cérébrales humaines
12
1.3.4. Oscillations à hautes fréquences 13
1.4. Maladies neurologiques 13
1.4.1. Maladie de Parkinson 13
1.4.2. Maladie d'Alzheimer 14
1.4.3. Epilepsie 15
1.5. Conclusion 16
Chapitre 2. Les techniques de filtrages
18
2.1. Introduction 20
2.2. Etat de l'art : 20
2.3. Transformée de Fourier(TF) : 20
2.4. La Transformée en ondelette : 23
2.4.1. La transformée en ondelette continue (CWT) 24
2.4.2. La transformée en ondelette discrète (DWT) :
25
2.4.3. Transformée en ondelette stationnaire (SWT) : 26
2.5. Le Matching Pursuit (MP) : 28
2.6. Qualité de l'ajustement: Goodness of fit (GOF) 30
2.7. Analyse temps-fréquence des activités
cérébrales épileptiques. 31
2.8. Conclusion 32
3.1. Introduction 34
3.2. Bases des données 35
3.3. Evaluation de la transformée d'ondelette stationnaire
(SWT) en reconstruction des HFOs : 36
3.3.1 Principe de la technique du SWT: 36
3.3.2 Evaluation de la SWT en reconstruction des HFOs pour les
données simulées 38
3.3.3 Evaluation de la SWT en reconstruction des HFO pour les
données réelles 46
3.4. Conclusion 51
Conclusion générale Erreur ! Signet non
défini.
Références Erreur ! Signet non
défini.
Liste des Figures
Figure 1.1. Les grandes divisions du
système nerveux. 4
Figure 1.2. Le cerveau humain 5
Figure 1.3. Organisation d'un neurone. 6
Figure 1.4. Synapse. 6
Figure 1.5. Différentes phases du
potentiel d'action (Scappaticci, 2007). 8
Figure 1.6. Placement des électrodes
selon le système international '10-20', [Jasper,
1958]. 9
Figure 1.7. Système MEG au centre de
Marseille [Jmail N., 2012]. 10
Figure 1.8. Tracés de SEEG [Jmail N.,
2012]. 11
Figure 1.9. Différentes ondes
cérébrales d'un signal EEG [Picot et al.,2009]. 13
Figure 1.10. Destruction massive des neurones
(maladie de parkinson) [ICM, 2014]. 14
Figure 2.1. La Transformée de Fourier
21
Figure 2.2. La Transformée de Fourier par
fenêtre glissante. 22
Figure 2.3. La transformée en ondelette.
23
Figure 2.4. Exemple des niveaux de composition
de SWT (4 niveaux) 28
Figure 3.1. Etapes de la transformée
d'ondelette stationnaire (SWT). 37
Figure 3.2. Signal original et sa
décomposition :(a)signal original bruité
(pointe+oscillation), (b) les coefficients d'approximations et de
détails. 38
Figure 3.3. Etape de seuillage. 38
Figure 3.4. Etape de reconstruction 38
Figure 3.5. Plan temps-fréquence de pic
simulé et oscillations HFOs. Représentation temporelle d'une
(a) seule oscillation, (b) d'une seule pointe, (c) d'une pointe suivie d'une
oscillation et d'un spectre d'une (d) seule oscillation, (e) d'une pointe, (f)
d'une pointe suivie
d'une oscillation. 39
Figure 3.6. Deux ensembles de reconstruction des
HFO par SWT (80 Hz et 200 Hz). 40
Figure 3.7. Deux ensembles de reconstruction de
HFO par SWT pour différents rapport
d'amplitudes entre la pointe et l'oscillation. 41
Figure 3.8. Valeurs de GOF pour
différents rapport d'amplitude entre la pointe et les
événements HFO. 42
Figure 3.9. Reconstruction des HFOs par SWT
pour différents taux de chevauchement. 43
Figure 3.10. Valeurs du GOF pour
différents taux de chevauchement temporel entre
HFO et pointes. 44 Nous étudions ici l'effet de bruit
(variation de SNR) sur la reconstruction des pures
oscillations HFO par la SWT (Voir tableau 3.3). 44
Figure 3.11. Reconstruction des HFO par SWT pour
différents SNR (-5db et 20 db). 45
Figure 3.12. GOF de la reconstruction du HFO
pour différents taux du SNR. 46
Figure 3.13. Données réelles :(a)
signal brut (canal 26), (b) représentation temps-
fréquence. 47
Figure 3.14. Reconstruction d'oscillation :
(a)représentation temporelle, (b) plan temps-
fréquence. 48
Figure 3.15. Signal réel filtré
: (a) représentation temporelle, (b) plan temps-fréquence. 49
Figure 3.16. Reconstruction des pures HFO :
(a) représentation temporelle (b) plan
temps-fréquence 50
Liste des Tableaux
Tableau 1 Variation d'amplitude de la pointe
par rapport à l'oscillation. 40
Tableau 2 Taux du chevauchement entre pointe
et oscillation(%). 42
Tableau 3 Variation du SNR. 44
Abréviations
SNC Système Nerveux Centrale.
SNP Système Nerveux Périphérique.
EEG Electroencéphalographie.
IEEG Electroencéphalographie
Intracérébral.
MEG Magnétoencepahlographie.
SEEG
Stéréoélectroencéphalographie.
ECoG Electrocorticograpgie.
HFO Oscillation à Haute Fréquence.
R Ripple.
FR Fast Ripple.
TF Transformée de Fourier.
STFT Transformée de Fourier Fenêtrée.
WT Transformée d'ondelette.
CWT Transformée d'ondelette Continue.
DWT Transformée d'ondelette Discrète.
SWT Transformée d'ondelette Stationnaire.
MP Matching Pursuit.
GOF Goodness of Fit.
SNR Rapport signal / bruit.
1
Introduction générale
Introduction générale
Le cerveau est considéré comme l'organe le plus
complexe pour l'être humain et les animaux. Il représente le
centre du système nerveux sous forme d'une unité
centralisée chargée de contrôler tous les autres organes du
corps [1], il était et sera toujours très intéressant de
comprendre et surveiller l'activité du cerveau humain pour des raisons
médicales et comportementales.
Avec l'évolution des techniques de traitement des
données, les neurologues disposent aujourd'hui d'une grande
quantité d'outils puissants qui leur permettent de saisir
l'activité cérébrale et de diagnostiquer ces fonctions.
Pour acquérir ces activités
cérébrales différentes techniques d'enregistrement ont
été utilisées telles que
l'électroencéphalographie EEG,
l'électroencéphalographie Intracérébrale (IEEG) qui
assure l'enregistrement de l'EEG par des électrodes implantés
à l'intérieur du cerveau. Le traitement de ces signaux
enregistrés permet de diagnostiquer diverses maladies neurologiques
comme l'épilepsie.
Cette maladie s'impose principalement sur l'analyse de ces
signaux .Leur pré traitement justifie la présence de oscillations
(onde : alpha, beta, delta, gamma et haute fréquence(HFO)) et des
activités transitoires.
L'objectif de cette étude est d'évaluer la
méthode de transformée d'ondelette stationnaire pour la
reconstruction des pures HFO.
Nous établissons cette voie en acquérant les
enregistrements de signaux IEEG et en les traitant dans le but d'obtenir une
meilleure analyse corticale. Par conséquent, nous présentons
notre projet en trois étapes :
Nous commençons dans le premier chapitre par une
introduction au cerveau, la classification des ondes cérébrales,
les principales maladies neurologiques spécialement l'épilepsie
et les différentes techniques d'enregistrement des activités
cérébrales.
Dans le deuxième chapitre, nous comparons
différentes techniques de filtrage et leurs avantages dans le traitement
des signaux IEEG, nous définissons la méthode
2
Introduction générale
d'évaluation(GOF) et enfin nous mettons l'accent sur
l'analyse en temps-fréquences pour les activités
cérébrales d'épilepsie.
La troisième et la dernière étape
décrit les paramètres choisis pour la technique de filtrage SWT
et les résultats obtenus pour la reconstruction des pures
HFOs.
3
Chapitre 1 : Etat de l'art
Chapitre 1.
Etat de l'art
4
Chapitre 1 : Etat de l'art
Chapitre 1. Etat de l'art
1.1. Introduction
Le domaine médical en collaboration avec les chercheurs
en neurologies ont connu un grand développement technologique au cours
du temps. Néanmoins l'étude du cerveau humain persiste un sujet
de grande importance en raison de la compréhension incomplète de
ses fonctions, malgré la disponibilité croissante des
systèmes informatiques avec l'évaluation des techniques
d'enregistrement des activités cérébrales. Dans ce
contexte les chercheurs s'investiguent pour mieux comprendre les
mécanismes de ce dispositif suite à la compréhension des
mécanismes neuronaux et différentes interactions entre neurones
qui entraînent des courants électriques et des impulsions
nerveuses.
Au cours de ce chapitre, nous allons introduire
premièrement l'organisation du système nerveux puis
détailler les principales techniques d'acquisitions des activités
cérébrales et nous présentons par la suite les ondes
cérébrales, leurs bandes fréquentielles et leurs
tâches cognitives correspondantes.
En deuxième lieu, nous allons indiquer les principales
maladies neurologiques les plus fréquentes tout en se focalisant sur
l'épilepsie qui va être le sujet de ce mémoire.
1.2. Système nerveux et activités
cérébrales
Dans cette section nous allons décrire la composition
du système nerveux et révéler l'origine des interactions
des signaux électriques cérébraux.
1.2.1. Système Nerveux
Le système nerveux chez l'être humain assure
l'échange (l'envoi et la réception) des influx nerveux et leurs
traitements, il est donc l'unité fonctionnelle du corps humain afin
d'assurer la supervision de ses réactions.
De point de vue anatomie, le système nerveux se
décompose en deux sous-systèmes :
? Le système nerveux central (SNC) comprenant
l'encéphale en sa partie supérieure et la moelle
épinière formant sa partie inférieure. Son rôle est
de
4
Chapitre 1 : Etat de l'art
· recevoir, enregistrer, interpréter les signaux
qui parviennent de la périphérie, et organiser la réponse
à envoyer.
· Le système nerveux périphérique
(SNP) qui comprend les voies nerveuses situées en dehors du SNC et qui
fait véhiculer l'information émise et reçue au SNC. Il est
composé des nerfs rachidiens qui sont les récepteurs des messages
sensoriels, et les nerfs crâniens qui forment les unités
sensorielle et motrice.
Figure 1.1. Les grandes divisions du
système nerveux.
1.2.2. Encéphale
L'encéphale est le responsable de la commande du corps
puisqu'il accueille et analyse
constamment les signaux nerveux du corps et envoie de
nouveaux signaux montrant ces informations. Il est regroupé en trois
parties placées dans la cavité de la boîte crânienne
qui sont le cerveau, le cervelet et le tronc cérébral.
Le cerveau humain est l'unité centrale responsable des
actions humaines, des réactions et du lien entre la perception interne
et externe.
Dans sa définition atomique il se comporte comme la
surface des deux hémisphères qui se divisent en quatre lobes
montrés par la figure 1.2.
· le lobe frontal : commande la motricité
volontaire, involontaire et la concentration.
· Le lobe temporal : assure la reconnaissance faciale et
des fonctions auditives.
· Le lobe pariétal : est responsable de la
conscience corporelle et le traitement des informations sensorielles.
· Le lobe occipital : est responsable au
mécanisme de la vision.
5
Chapitre 1 : Etat de l'art
Le cervelet est responsable de la coordination et des
fonctions motrices, il assure la régulation des activités
musculaires puisqu'il traite les informations émises par le
système nerveux central.
Sous le cerveau et en avant du cervelet se trouve le tronc
cérébral composé de la substance blanche, et la substance
grise, il est responsable au transfert des informations sensitives et
motrices.
Figure 1.2. Le cerveau humain
Le cerveau comporte plus que huit milliards de neurones, qui
sont organisés en deux catégories : un réseau de
communication global afin d'unir les diverses régions corticales entre
elles et un réseau local pour traiter les informations qui se trouvent
dans la même masse neuronale.
1.2.3. Neurone
Le neurone est l'une des principales cellules du
système nerveux central. Il permet de recevoir, propager, et transmettre
les signaux électriques constituant l'influx nerveux
[2].
Le neurone possède une structure de base qui est le
corps cellulaire (Soma) et les prolongements (tels que l'axone et les
dendrites) qui vont assurer la connexion entre les neurones eux-mêmes ou
entre un neurone et une autre cellule.
6
Chapitre 1 : Etat de l'art
Figure 1.3. Organisation d'un
neurone.
La conduction de l'influx nerveux se fait comme suit : le
signal est reçu au niveau de dendrite qu'il achemine vers le soma ; ce
signal est ensuite propagé à travers l'axone vers le neurone
suivant grâce à la synapse qui est le point de communication entre
les neurones. En effet, au niveau de synapse, des molécules chimiques
appelées neurotransmetteurs sont libérées pour se fixer
sur la cellule afin de transmettre le message nerveux. Lorsque les neurones
sont connectés, le neurone qui transfère le signal est
appelé un neurone pré-synaptique (situé avant la synapse)
et le neurone qui le reçoit est appelé un neurone post-synaptique
(situé après la synapse) (voir figure 1.4)
[3].
L'influx nerveux se propage électriquement le long du
neurone et chimiquement au niveau de la synapse.
Figure 1.4. Synapse.
1.2.4. Potentiel de repos
Le potentiel de repos est caractérisé par la
polarisation électrique de la membrane plasmique d'un neurone.
7
Chapitre 1 : Etat de l'art
A l'état du repos, le neurone est à
l'état de polarisation électrique où la polarisation
membranaire est au delà de -70 millivolts et qui reste la même au
cours du temps, tant que le neurone n'est pas sollicité sur ses
entrées dendritiques par des neurones situés en amont dans le
réseau.
La répartition des ions d'un coté à
l'autre de la membrane plasmique est différent : on trouve de moins les
ions Na+, Ca++ et Cl- dans la cellule qu'en dehors, par contre les ions K+ sont
plus présents à l'extérieur. Ces gradients de
concentration qui existent pour chaque espèce ionique entraînent
des transports passifs par diffusion [4] .
1.2.5. Potentiel d'action :
Le potentiel d'action est un courant électrique qui se
déplace au niveau de l'axone du neurone pour diffuser un signal à
un ou plusieurs neurones, ou autres cellules excitables.
Lorsque la dépolarisation du neurone atteint un seuil
suffisant, le neurone produit le potentiel d'action qui est une
dépolarisation transitoire de la membrane plasmique des neurones
répondant à la loi du « tout ou rien » [5]
.
L'état d'action comporte trois phases successives :
? La première phase est une dépolarisation
transitoire et locale de l'état précédent définie
par une variation de la membrane interne de -70 mV à environ +30 mV.
Cette transition est due à l'ouverture progressive des canaux sodiques
dépendants de la tension, permettant à un nombre croissant d'ions
Na + dans le milieu intracellulaire d'entrer selon le gradient
électrochimique.
? La deuxième phase de repolarisation consiste
à restaurer l'état de la membrane interne à -70 mV. Cette
phase est due à la perméabilité de la membrane au
potassium, laissant les ions K + en dehors pour rééquilibrer le
milieu.
? La troisième phase d'hyperpolarisation
représente une diminution du potentiel de la membrane interne, qui
lui-même diminue plus que l'état d'immobilité où
elle revient à -70mV.
Pour les neurones humains, le potentiel d'action se propage
entre 50 et 100 m/s[6]. Lorsque le potentiel d'action atteint
une synapse, il libère des neurotransmetteurs lors de la phase de
dépolarisation post-synaptique et atteindre une hyperpolarisation.
Chapitre 1 : Etat de l'art
8
Figure 1.5. Différentes phases du
potentiel d'action (Scappaticci, 2007).
1.3. Techniques d'acquisitions
L'activité cérébrale à
l'état de repos ou à différents états cognitifs ou
suite à une stimulation extérieure est enregistrée par
différents dispositifs sophistiqués, dont nous pouvons les
classer en techniques invasives et non invasives.
Les techniques non invasives sont principalement:
? L'Électroencéphalographie: EEG.
? La Magnéto-encéphalographie: MEG.
Et les techniques invasives sont:
? La Stéréoélectroencéphalographie
(SEEG). ? L'Électrocorticographie (ECoG).
Que ce soit la méthode d'acquisition, ces techniques
permettent d'étudier à la fois les processus cognitifs et aussi
des activités pathologiques.
1.3.1. Méthodes non invasives
Les méthodes non invasives garanties une
résolution spatiale intensifiée du signal acquis et un bon
rapport signal sur bruit, ces techniques sont simples à exécuter
et possèdent une excellente précision à l'échelle
temporelle. Mais elles sont sensibles au bruit causé par divers
artefacts.
1.3.1.1. Electroencéphalographie EEG
En 1929, l'EEG numérisé est décrit par
le chercheur Hans Berger, ce travail a était corroboré par Adrian
et Matthews à Cambridge et Jasper aux États-Unis
[7].
9
Chapitre 1 : Etat de l'art
L'électroencéphalographie est une technique non
invasive illustrée comme un tracé : c'est
l'électroencéphalogramme (EEG) qui permet d'évaluer les
activités électriques corticales.
Les signaux de l'EEG sont captés par des
électrodes placées sur le scalp utilisées pour collecter
les informations du signal du cuir chevelu en question et qui ne sont pas
polarisées.
Le système international de l'emplacement des
électrodes est `10-20' (à base de 19 électrodes) ou
`10-10' (à base de 64 électrodes). les points de
référence sont le nasion (haut du nez) et l'inion (point saillant
à la base arrière du crâne) [8]. Ces
points permettent d'avoir un bon emplacement des électrodes qui est
déterminé par des intervalles de 10% et 20% de
périmètre du crâne.
Une électrode est identifiée par une lettre et
un chiffre. La lettre précise la région (F : frontale ; T :
temporale ; C : centrale ; P : pariétale ; O : occipitale), les chiffres
pairs représentent la partie droite de l'hémisphère droit
et les chiffres impairs représentent sa partie gauche. Le z fait
référence aux électrodes placées sur la ligne
centrale.
Figure 1.6. Placement des électrodes
selon le système international '10-20',
[Jasper, 1958].
1.3.1.2. MagnétoEncéphaloGraphie MEG
La magnétoencéphalogramme (MEG) est une
technique de neuroimagerie basée sur la réflexion du champ
magnétique sur le courant électrique [9]. La
différence entre cette méthode et l'EEG réside dans le
fait que l'os du crâne et les couches successives de peau et de tissu
n'influencent pas beaucoup au champ magnétique de la MEG par rapport
à la mesure du courant électrique comme principe de l'EEG. Cette
technique garantit une précision spatiale élevée par
rapport aux autres techniques tout en conservant la même précision
temporelle.
10
Chapitre 1 : Etat de l'art
L'autre utilité de la MEG est quelle est plus
perceptible aux oscillations corticales et aux activités de plus petit
calibre. Cependant, l'EEG est moins coûteux que la MEG c'est pour quoi
cette dernière est réservée aux cas difficiles du
dépistage médical. L'amplitude du champ magnétique
mesurée est extrêmement faible, ce qui nécessite des
étapes de traitement supplémentaires à exploiter.
Figure 1.7. Système MEG au centre de
Marseille [Jmail N., 2012].
1.3.2. Méthodes invasives
Les techniques invasives sont réalisées par
l'implémentation des électrodes en profondeur dans le cerveau
contrairement aux techniques non invasives qui remplacent les électrodes
sur la superficie du scalp.
1.3.2.1.
Stéréo-Electro-Encéphalo-Graphie SEEG (L'EEG
intracérébral):
L'EEG intracérébral (IEEG ou SEEG) est une
technique invasive développée en France par Bancaud et Talairach
à la fin des années 50 [10]. Elle a
été utilisée en neurologie par l'implantation des
électrodes sous le crâne et à proximité des neurones
du cortex cérébral afin d'enregistrer l'activité
électrique en profondeur.
Le SEEG a un avantage par rapport aux enregistrements de
surface puisqu'il permet d'avoir les activités neuronales directement
depuis le générateur même situé en profondeur. Il
permet également d'enregistrer des signaux de faible intensité de
façon très focale et donne
11
Chapitre 1 : Etat de l'art
des renseignements très spécifiques lors du
diagnostic pathologique. Par exemple et pour l'épilepsie, le SEEG peut
nous informer sur la profondeur de la zone épileptogène
[11] et le réseau impliqué dans les
décharges épileptiques [12].
Cette technique est traumatisante puisqu'elle exige une
exploration chirurgicale pour l'implémentation des électrodes. En
revanches, elle demeure toujours dépendante aux méthodes non
invasives qui fournissent une vue globale de l'activité
cérébrale afin de déterminer la planification de la
région à implanter et à explorer [13].
Figure 1.8. Tracés de SEEG [Jmail
N., 2012].
1.3.2.2. ElectroCorticoGraphie (ECoG)
L'ElectroCorticoGraphie (ECoG) est une méthode
invasive et une technique d'enregistrement intracrânienne qui utilise une
grille d'électrode placée directement sur le cortex après
ouverture de plusieurs cm2 dans le crâne pour obtenir des
signaux cérébraux électriques.
La grille ECoG est placée dans le cortex mais
au-dessus du cerveau contrairement au SEEG [14].
12
Chapitre 1 : Etat de l'art
Cette technique peut considérer comme un péril
sur la santé du patient puisqu'elle nécessite une
opération chirurgicale dans le but d'ouvrir le crâne. En outre,
elle ne permet pas l'enregistrement des activités creux des neurones.
Afin de collecter les données essentielles, il faut
retenir le patient dans un milieu confiné qui peut durer quelques
jours.
Le majeur bénéfice de l'ECoG par rapport aux
autres méthodes non invasives, se trouve au niveau de
l'élimination du facteur d'atténuation du signal à travers
le crâne. En effet, c'est une activité de la structure interne
contrairement à la technique de l'IEEG.
1.3.3. Classification des ondes cérébrales
humaines
Chaque onde cérébrale est
disséminée sur une bande fréquentielle bien précise
et enregistrée suite à une tâche cognitive
particulière :
? Onde Delta [0.5-4] Hz: spécifie le sommeil profond,
elle possède une grande amplitude.
? Onde Thêta [4-8] Hz. : caractérise l'envie
à dormir chez les enfants et l'état du repos chez les adultes,
cette onde est moins fréquente chez les adultes que chez les enfants.
? Onde Alpha [8-13] Hz : correspond à la situation de
relaxation (cas des yeux fermés), elle caractérise l'état
du repos.
? Onde Beta [14-26] Hz: correspond à l'état de
l'éveil, de la réflexion active ainsi de la concentration.
? Onde Gamma [30-45] Hz: apparait lors des tâches
cognitives et des fonctions motrices. Elle est aussi présente en
épilepsie avec des oscillations dans le lobe temporale
[15].
13
Chapitre 1 : Etat de l'art
Figure 1.9. Différentes ondes
cérébrales d'un signal EEG [Picot et al.,2009].
1.3.4. Oscillations à hautes fréquences
Les oscillations à haute fréquence (HFO) sont
des activités cérébrales classées en deux
catégories : les oscillations Ripples (R) qui se caractérisent
par une bande fréquentielle entre 80 est 250 Hz ; et les oscillations
Fast Ripples (FR) qui sont entre 250 et 500 HZ. En fait les FR ont
été plus étroitement liées à
l'activité pathologique et à la localisation de la zone
responsable à la crise épileptique (SOZ :seizure onest zone)
[16]. Les recherches sur les enregistrements
intracrâniens humains indiquent que les R et les FR apparaissent dans les
régions épileptogènes lors d'une acquisition des
activités cérébrales épileptiques
[17].
Au cours de la dernière décennie, les HFO
pathologiques (80 - 500 Hz) [18] se sont
émergées comme biomarqueurs d'une survenue d'une crise
épileptique pour l'identification du tissu épileptogène et
l'amélioration du diagnostic pré chirurgical et des
résultats chirurgicaux des patients épileptiques
[19].
1.4. Maladies neurologiques
1.4.1. Maladie de Parkinson
La maladie de Parkinson est décrite avec
précision en 1817 par Parkinson, elle est la deuxième maladie
neurodégénérative la plus représentée
(après l'Alzheimer).
14
Chapitre 1 : Etat de l'art
Cette maladie se manifeste par la
dégénérescence des neurones dopaminergiques responsables
à la fabrication d'une espèce du neurotransmetteur appelée
dopamine. Ce dernier est un produit chimique qui émet des signaux afin
de contrôler les mouvements automatiques.
Figure 1.10. Destruction massive des
neurones (maladie de parkinson) [ICM, 2014].
Les traitements de cette maladie ne permettant pas de le
guérir corriger juste elles Contribuent à une amélioration
de l'état du patient : elle est une affection chronique.
Dans certains cas la maladie de Parkinson peut être
causée par des gènes héréditaires, le
vieillissement ou facteur alimentaire, de même aucun facteur de risque
n'est connu avec certitude.
Les symptômes essentiels de cette maladie sont :
? Le tremblement qui affecte les lèvres, visage, les
mains.
? Raideur des organes moteurs.
? Absence dynamique du mouvement.
? Difficulté de la marche.
? Mal équilibration de conscience.
1.4.2. Maladie d'Alzheimer
La maladie d'Alzheimer est décrite en 1906 par
Alzheimer, c'est une dégénérescence des neurones de
l'hippocampe qui forment la zone de surveillance du mémoire. Cette
maladie se manifeste sous forme des lésions qui touchent le cerveau ce
qui provoquent la mort des neurones par l'accumulation de protéines
bêta-amyloïdes dans certaines régions du cerveau.
[20] .Généralement, il n'y a pas des traitements
qui permettent de guérir l'Alzheimer .En
15
Chapitre 1 : Etat de l'art
outre, il ne se trouve pas des causes certaines pour son
déclenchement, probablement elle apparaître en cas de
vieillissement.
Les principaux symptômes de la maladie d'Alzheimer sont
:
· Perturbation de cognition.
· Perdre du mémoire provisoirement (pendant quelques
jours).
· Difficulté de concertation.
· Déséquilibre d'humeur.
· Troubles des gestes.
· Problème au langage.
1.4.3. Epilepsie
L'épilepsie, qui est définie comme étant
une maladie neurologique traduisant un fonctionnement anormal, aigu et
transitoire de l'activité électrique du cerveau, se manifeste par
des phénomènes paroxystiques [21].
Cette maladie peut être une maladie
héréditaire ou causé par les tumeurs, les malformations
corticales ou les traumatismes.
Le phénomène d'épilepsie se manifeste en
des crises de courte durée qui traduisent des activités anormales
des neurones.
Des traitements médicamenteux peuvent être
prescrits pour éviter et stopper ces crises, efficaces dans 70% des
situations. Dans les autres cas, ils n'arrivent pas à la remédier
et on parle alors d'épilepsie pharmaco résistante [22]
qui exige une opération chirurgicale.
La localisation de la zone épileptogène
responsable aux crises suite à des décharges neuronaux
successifs, se base sur un ensemble de modalités très diverses,
telles que l'observation du comportement du patient pendant une crise
EEG_video, l'étude de son IRM et de ces signaux électro
physiologiques (MEG/EEG, SEEG) [23].
En 1981 la ligue internationale contre l'épilepsie a
classé la saisie d'épilepsie en trois types qui sont :
16
Chapitre 1 : Etat de l'art
? Les crises généralisées :
correspondent au décharge corticale complet, elles peuvent être
elles-mêmes classer en deux sous types : tonique clonique (crise
convulsive) et crise non convulsive.
? Les crises partielles ou focales : affectent une zone
corticale limitée avec des épisodes simples (ne pas affecter la
conscience) ou des épisodes complexes (avoir une légère
influence sur la conscience du patient).
? Les crises inclassables : qu'elles ne possèdent pas
beaucoup d'informations cliniques.
Les différentes études se concentrent sur la
connaissance des outils derrière le développement de cette
maladie (causes, manifestations, ses effets sur le fonctionnement du
cerveau).
La recherche clinique porte principalement sur l'application
des techniques modernes de diagnostic et de traitement. En effet, ces
techniques permettent aux scientifiques de mieux diagnostiquer ce type de
maladie telles que l'électroencéphalographie (EEG),
l'électroencéphalographie Intracérébral (IEEG) et
la magnétoencéphalographie (MEG).
Le principal objectif de la technique d'enregistrement est de
déterminer la zone épileptogène.
Les pointes épileptiques sont connues comme des
indicateurs classiques de l'épilepsie . Cependant, les oscillations
pathologiques épileptiques peuvent se produire dans différentes
bandes de fréquences (alpha, bêta et gamma, les HFO) et peuvent
être une preuve significative de la zone épileptogène.
Alors la détection des Oscillations à haute fréquence
(HFO) peut être considérée comme un nouveau biomarqueur de
la zone épileptogéne dont nous allons se focaliser au cours de ce
mémoire.
1.5. Conclusion
Dans ce chapitre, nous avons étudié la
composition du cerveau humain et du système nerveux, la
fonctionnalité de chaque organe de ce système et la tâche
de chaque région cérébrale.
Nous avons détaillé le rôle des neurones
pour la génération du potentiel d'action, les transmissions
post-synaptiques et la création du courant ionique. Ces courants sont
causés par des transferts ioniques pouvant être mesurés par
différentes techniques d'acquisition.
17
Chapitre 1 : Etat de l'art
A ce stade nous avons présenté les principales
techniques d'enregistrement des activités électriques tout en
mettant l'accent sur leurs avantages et leurs inconvénients.
Nous avons également classifié les ondes
cérébrales humaines générées et nous avons
aussi montré l'existence des oscillations à haute
fréquence HFO pour des activités cérébrales
épileptiques.
Au cours de ce mémoire, nous allons détecter ces
oscillations comme étant des biomarqueurs de la survenue d'une crise
épileptique.
18
Chapitre 2.
Les techniques de filtrages
pour la détection des
biomarqueurs épileptiques
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
Chapitre 2 : Les techniques de filtrages
2.1. Introduction
Dés l'apparition des diverses techniques
d'enregistrement des activités cérébrales, les chercheurs
ont continuellement investi du temps et de l'effort pour améliorer la
qualité des signaux enregistrés. Grâce à ces
recherches différents problèmes d'acquisition de détection
et de traitement des données neurologiques sont en cours de
résolution. En effet, améliorer le diagnostic des patients
souffrant une pathologie neurologique est le premier défis des
ingénieurs et des traiteurs des signaux (et/ou images). Ces derniers
sont entrain de mettre en place des approches de traitement et de filtrages des
signaux enregistrés et ne cessent pas de les améliorer pour
récupérer le maximum des informations médicales
apportées par les enregistrements. Reste la performance de ces approches
pour une meilleure récupération et aussi une bonne
compréhension des informations retenues dans les signaux
enregistrés est un dilemme à confronter et à le
résoudre correctement.
Dans ce chapitre, nous allons détailler les
différentes techniques de filtrages temps fréquence basées
sur la transformation d'ondelette. Par la suite nous allons montrer
l'importance de ces techniques pour la détection et la reconnaissance
des biomarqueurs pathologiques lors du traitement des activités
cérébrales maladives tout en se focalisant sur l'épilepsie
et leurs oscillations à hautes fréquences(HFO).
2.2. Etat de l'art :
L'analyse de Fourier était énoncée en
1807 par le physicien français Joseph Fourier qui a montré que
n'importe quel signal peut être représenté par la somme des
sinusoïdes.
La déclaration de Fourier a contribué dans le
développement des idées existantes sur les fonctions. Il a ouvert
la porte à un nouvel univers fonctionnel.
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
Malgré la progression du domaine d'ondelette entre
1930 et 1970, l'essentielle progression dérive des études de Jean
Morlet, vers 1975, où il a été le premier chercheur qui a
décrit ses fonctions par les ondelettes. Plus précisément,
elles ont été appelées "les ondelettes de pente
constante."
Avant l'année 1975, le physicien Denis Gabor a offert
l'idée à ajouter une fenêtre glissante à l'analyse
de Fourier [24]. Cette technique permet d'éditer la
représentation en temps et en fréquence.
La transformée en ondelettes (TW) a mis des
paramétres en considération comme le choix d'ondelette
mère, le choix du type de famille de TW et la sélection du
facteur de niveau de décomposition. N. Al-Qazzaz et ses collaborateurs
[25] donnent une ligne directrice au niveau de la
sélection de l'ondelette mère.
Q. Tieng et ses collaborateurs [26] ont
employé la transformée d'ondelette continue (CWT) pour la
détection des pointes EEG de souris, pendant que, Amin et ses
collaborateurs [27] ont opté la transformée
d'ondelette discrète (DWT) pour l'extraction et la classification des
caractéristiques des signaux EEG. Ces études ont offert des bons
résultats malgré le chevauchement entre les bandes de
fréquences au niveau du CWT et le problème de la
décimation binaire (invariance de translation) dans le cas du DWT.
N. Jmail et ses collaborateurs [28] dans ses
travaux ont utilisé la transformée d'ondelette stationnaire (SWT)
pour séparer les transitions et les oscillations des signaux de l'EEG
épileptiques. Il y avait un paradigme de recherche majeur qui nous a
inspiré dans le processus d'évaluation de cette technique sur les
oscillations HFO.
2.3. Transformée de Fourier(TF) :
Cette méthode permet d'exprimer une fonction
périodique en une somme d'une séquence de sinus et de cosinus
à différentes phases et amplitudes
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
Figure 2.1. La Transformée de
Fourier
Cette méthode est un moyen qui assure le passage du
domaine temporel vers le domaine fréquentiel selon la formule:
?? (??) = ?~??(??).
??-2???????????? (2.1)
Néanmoins, la transformée de Fourier n'est pas
capable de déterminer les phases du signal reconstruit à
l'inverse malgré qu'elle peut extraire les informations sur le temps par
la transformée de Fourier inverse :
??(??) = ? ??(??).
??2????????????
8 (2.2) -8
La transformée de Fourier est appliquée pour
retirer les informations fréquentielles d'un signal, mais le grand
inconvénient de cette transformation est son absence de
résolution temporelle. Cela désigne la capacité du TR de
révéler les fréquences dans le signal par contre elle est
inapte d'identifier à quel instant elles se produisent dans le
signal.
Il existe une transformée de Fourier plus «
locale » donnant des informations mieux localisées, il s'agit de la
transformée de Fourier Fenêtrée [29]
La transformée de Fourier Fenêtrée (STFT)
est introduite afin de corriger les limites de la TF. Elle emploi une «
Fenêtre glissante ».
Le principe général de la technique de la STFT
pour l'analyse d'un signal est le suivant : il s'agit d'utiliser un masque sous
forme d'une fenêtre glissante où le signal est stationnaire au
niveau local puis il se décale le long du signal.
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
Figure 2.2. La Transformée de
Fourier par fenêtre glissante.
La figure 2.2 indique que les sinus de la transformée
de Fourier (TF) sont remplacés par des sinus multipliés dans une
fenêtre temporellement glissante.
La STFT est définie par:
????????(??,??) = ?[x(t).??*(t -
s)].??-??2????????t (2.3)
Avec :
· x (t) : signal d'origine.
· ??* : le conjugué de la fonction
fenêtrée (t) .
· ?? : la fréquence.
· s : l'échelle temporelle.
Comme l'équation suggère, cette méthode
est la multiplication de la TF avec une fonction fenêtrée. Cette
technique garantit une résolution invariable pendant toute la
durée du signal aussi la fenêtre g est invariante qui ne
dépend pas de l'échelle s c'est-à-dire
l'enveloppe de la fenêtre glissante est stable.
En outre, la taille de l'enveloppe définit la
précision d'interprétation du signal avec la STFT :
· En cas de petite fenêtre : les harmoniques basses
fréquences n'y seront pas contenues.
· En cas de grande fenêtre : les renseignements
sur les harmoniques à haute fréquence sont inclus dans les
informations sur la période complète de la fenêtre.
Alors le majeur désavantage de cette méthode
est l'invariance de la taille de la fenêtre, ce qui entraine la
nécessité d'une méthode où la fenêtre
s'adapte avec le changement de fréquence dans le signal à
analyser, cette technique est appelée analyse en ondelette.
Chapitre 2 : Les techniques de filtrages
2.4. La Transformée en ondelette :
L'importance dans le traitement d'un signal donné est
d'obtenir le plus d'informations possibles dans son domaine temporel et/ou son
domaine fréquentiel. Il est donc nécessaire que le signal se
décompose en des fonctions bien localisées en temps et en
fréquence.
Alex Grosmann et Jean Morlet [30] ont
proposé la transformation en ondelette en tant qu'outil d'analyse
temps-fréquence, les signaux sont alors représentés en
mettant en évidence des informations temporelles et
fréquentielles (temps-fréquence).
GUESMI Thouraya
Figure 2.3. La transformée en
ondelette.
L'échelle est un paramètre servit en analyse
par ondelette. Par analogie avec la fréquence, les basses
fréquences, similaires à la grande échelle, donnent une
information générale sur le signal et les hautes
fréquences, semblables à la faible échelle, fournissent
des informations profondes sur un motif masqué dans le signal.
L'analyse en ondelette dépend d'une fonction de
paradigme d'ondelettes qui s'appelle une « ondelette mère ».
La fonction mère se caractérise par sa limitation dans le domaine
temporel, elle est normalisée, ayant une moyenne nulle. Cette
spécificité se traduit mathématiquement par les
équations (2.4) et (2.5).
???(t)??2 = f ?(t)?*(t)dt = 1
8 (2.4) -8
f ?(t)
8 -8 dt=0 (2.5) Selon les propriétés de
translation et dilatation, l'ondelette mère capable de déterminer
un ensemble de noyau indiqué selon l'équation (2.6).
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
(P??,u (t) = v?1?(P(t-u
?? ) (2.6)
Avec :
· ?? : Opérateur de translation.
· ?? : Opérateur de dilatation.
· v?1? : Opérateur de normalisation de
l'énergie (l'énergie du signal résultant de la
transformée est constante sur toutes les échelles).
Si ??> 1 : La plage de temps accroît : c'est une
dilatation.
Si ??< 1 : La plage de temps décline : c'est une
compression. La translation est démontrée par la localisation de
l'ondelette dans le domaine temporelle.
2.4.1. La transformée en ondelette continue
(CWT)
La transformée en ondelette continue est utilisée
en cas d'appliquer une fonction continue afin d'obtenir les coefficients
détaillés d'un signal continu. Conceptuellement, Elle est le
coefficient de la base(P??,u (t).
En outre, soit W la transformée en ondelette continue
(CWT) d'un signal x(t), W est calculé selon l'équation (2.7).
Wx(??, ??) =< x(t), (P??,u > (2.7)
= ?_78 x(t)(P??,u* (t)dt = ?
mx(t)
V??(P*(t??u)dt
Avec :
· (P??,u est l'ondelette mère et * représente
le complexe conjugué.
Grâce à cette transformation, nous pouvons
affecter un signal unidimensionnel x(t) à un coefficient bidimensionnel
Wx(??, ??). Les deux variables (??, ??) peuvent effectuer l'analyse de la
fréquence temporelle.
La transformation en ondelette inverse est calculée
afin de récupérer la fonction x(t), selon l'équation
(2.8).
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
x(t)= ??p 1 ? ? ????(??, ??)
8 8 v?1 ? p (t-??
?? ) ???? ???? (2.8)
0 -8 ??2
Avec ??p est déterminé par
l'équation (2.9).
??p = ? |p(??)|2
8 ???? < 8 (2.9)
0 ??
Où p(??) : est la TF de l'ondelette mére p(t).
Cette équation est nommée condition
d'admissibilité et ??p désigne la constante
d'admissibilité.
L'inconvénient majeur de la CWT est la redondance,
cela est expliqué par la translation de l'ondelette de façon
continue, la transformée en ondelette discrète est la solution
à utiliser pour diminuer cette redondance.
2.4.2. La transformée en ondelette discrète
(DWT) :
La transformée en ondelette discrète (DWT) est
assurer afin de surmonter la redondance chez la transformée en ondelette
continue (CWT), tant que cette redondance augmente le temps et les ressources
matérielles du calcul. En effet, la DWT donne les informations
nécessaires et suffisantes afin d'analyser et rétablir le signal
d'origine. Cela traduise la simplicité et la facilité
d'implémentation du DWT par rapport à la CWT.
Le principe du DWT est la translation et la dilatation de
l'ondelette en fonction des calibres discrets. En effet les paramètres
d'échelle et de dilatation sont alors discrétisés par
l'équation suivante :
?? = ?? 0 ?? , ??0 > 1
(2.10)
?? = ????0?? 0
?? ,??0 > 0
??, ?? ? ??
Avec :
· ?? 0 ?? : est l'opérateur d'échelle.
· ??0 : est l'opérateur de translation.
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
Les ondelettes mères sont également
définies par l'équation (2.11):
??
???0,??0(??) =
é ?
(t-k ooeo) (2.11)
,
Soit ?? la Transformée en ondelette discrète du
signal ??(??), S est calculé selon l'équation (2.12) suivante.
1 +8 0??ô
??(??0, ??0) = ???? J8??(??) ? (t-?? ??ô
) dt (2.12)
0
Pour assurer l'analyse discrète, Meyer et al. ont
montré que les valeurs ??0 et ??0 doivent
être fixées par les grandeurs ??0 = 2
??????0 = 1[????]. [31]. Donc l'ondelette mère est obtenue
selon :
1
???0,??0(??) = ??(2jt-k) (2.13)
2.4.3. Transformée en ondelette stationnaire (SWT)
:
La technique de SWT est considérée comme une
diversité de la DWT avec l'avantage de surmonter la décimation du
DWT, cela nous aide à concevoir les caractéristiques
réelles du signal. Elle est encore plus performante que la CWT en
dépassant le chevauchement des bandes de fréquences.
La transformée en ondelette stationnaire (SWT) est une
fonction inversible qui ne varie pas en temps-fréquence, avec
l'autorisation d'usage des masques dans ce plan (temps-fréquence). Sa
caractéristique stationnaire assure la stabilité dans le domaine
temporel c'est à dire la translation d'un signal provoque une
translation de sa transformation.
Le principe de cette méthode est de décrire le
signal dans le domaine temps-échelle ainsi la reconstruction des signaux
par des coefficients sélectionnés [32].
Nous pouvons utiliser cette technique dans divers domaines
d'application comme le filtrage et la détection [33].
Elle est avéré très utile dans l'analyse du signal de
l'EEG [28].
Des coefficients de détails et d'approximations sont
obtenus par la convolution du signal x(t) avec un filtre passe-bas
puis passe-haut. En fait la SWT décompose le signal par ces
coefficients, puis elle passe au seuillage qui se fait par l'application des
masques afin de détecter les régions du signal souhaitées
par la transformée en ondelette inverse « iswt»
[34].
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
Soit ??(??) un signal décomposé par SWT
à la ??ième itération et à chaque échelle j,
x(t) est calculé selon l'équation (2.14).
+8 +8 +8 +8
??(??) = ? ? ??????(??)????,?? (??)???? ???? + ? ?
??????(??)????,?? (??)???? ???? (2.14)
??=0 ??=0 ??=0 ??=0
Avec :
· ?? ???? : sont les coefficients de détails.
· ?????? : sont les coefficients
d'approximation.
Les coefficients de détails et d'approximation sont
acquis par la formule suivante :
??????(??) = ? ??(??)????,??(??)????
+8
??=0
??(??, ??) { (2.15)
+8
??????(??) = ? ??(??)????,??(??)????
??=0
Où :
· ????,??(??) = 2-???? (2-??(?? -
??)) : sont les fonctions de décalage.
· ????,??(??) = 2-???? (2-??(?? -
??)) : sont les fonctions d'échelle.
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
Figure 2.4. Exemple des niveaux de
composition de SWT (4 niveaux)
2.5. Le Matching Pursuit (MP) :
La technique de Matching Pursuit est utilisée en
traitement du signal, elle était proposée par Mallat et Zhang en
1993: Il s'agit de la description du signal par un groupe d'ondes
élémentaires, nommé atomes [35]. Ces
atomes forment un dictionnaire.
L'un des principaux avantages du MP, est la prédispose
en filtrage temps-fréquence, et l'approximation parcimonieuse,
c'est-à-dire la possibilité de décrire le signal par un
petit nombre d'atomes. Ces atomes ont certains paramètres dans les
domaines temps fréquence [36].
Le MP est une technique optimale pour réduire le
nombre des atomes ????(??) utilisés depuis le dictionnaire pour
reconstruire correctement le signal s(t).
??(??) = ? ???? * ????(??)
?? (2.16) 0
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
Avec :
· an : est l'amplitude de l'atome
9n(t) .
· 9n(t) : est l'atome
modélisé par la fonction de Gabor. Cette fonction est une
oscillation modulée par une fonction Gaussienne translatée dans
le temps [37] selon l'équation (2.17).
(t k) 2
9y(t) = L(y) * e-Ðl sc )
sin(2rcf (t - k) + (p) (2.17)
II9yII = 1
Avec :
· sc : est l'enveloppe temporelle Gaussienne de
l'atome qui détermine le nombre d'oscillation de la fonction de
Gabor.
· k : est la position dans le temps.
· f : est la fréquence de la fonction
sinus.
· (p : est la phase.
L'autre manière de déterminer l'étalement
dans le temps de l'oscillation est par l'emploi de la grandeur d'oscillation
:
æ= /%2rcf . sc (2.18)
Le dictionnaire D comprend une quantité importante de
fonctions de Gabor (atomes), qui sont changées via la variation de ces
grandeurs (sc, k, f, (p).
La méthode de MP fait une projection des atomes de Gabor
sur le signal d'origine sur, il faut alors choisir à chaque
itération l'atome qui offre l'excellence ressemblance avec le signal de
départ s(t) en maximisant le produit scalaire<s,
9y0)9y0.
5 = (s, 9y0)9y0 + Rs (2.19)
Avec Rs est le reste du signal s(t)
non encore reconstruit. A chaque itération, l'atome 9y,
qui a le meilleur accord avec le signal est retenu, et le résidu
Rns qui est le résultat de soustraction du signal reconstruit
est calculé selon l'équation (2.20).
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
R???? = <R????,????0>?????? + R(??+1)?? (2.20)
Certains critères sont introduits pour délimiter
le nombre des itérations parmi les quels nous pouvons introduire une
métrique pour calculer le taux de reconstruction du signal. Ce taux de
reconstruction est à gérer par l'utilisateur selon les exigences
des processus.
2.6. Qualité de l'ajustement: Goodness of fit
(GOF)
La qualité de l'ajustement (GOF) est employée
dans différents domaines afin de l'utiliser comme une moyenne
d'évaluation. En traitement du signal, cette méthode est
dédiée à l'évaluation des performances du processus
de filtrage de nombreux signaux physiologiques [38].
Le test de GOF utilisé dans notre étude est le
test du chi-carré de Pearson [39]. En effet il s'agit
d'un test statique qui compare entre la distribution de fréquence et la
distribution théorique.
Ce test statique est la puissance du signal par rapport
à la puissance théorique, définit par l'équation
(2.21).
(2.21)
Avec
? ??(??) : est le signal d'origine.
? ????(??) : est le signal
reconstruit.
Dans ce travail, nous avons calculé le GOF pour la
méthode de filtrage SWT selon différentes valeurs de SNR et
différentes amplitudes pour les oscillations à haute
fréquence (entre 80 et 250 Hz) reconstruites à partir des
enregistrements des activités cérébrales
épileptiques.
GUESMI Thouraya
Chapitre 2 : Les techniques de filtrages
2.7. Analyse temps-fréquence des
activités cérébrales épileptiques.
Pour diagnostiquer des différentes maladies
neurologiques comme l'épilepsie nous pouvons exploiter
différentes techniques d'acquisition des signaux
électrophysiologiques (EEG, IEEG, MEG) .Afin de désigner ces
troubles neurologiques, il est nécessaire d'examiner ces signaux
à cause du comportement non-stationnaire. A ce propos, l'analyse en
temps-fréquence des activités cérébrales
épileptiques était considérée comme la
vérité du terrain, comme cela a été fait dans
plusieurs études.
C. Tallon-Baudry est ses collaborateurs [40],
ont montré que les ondelettes de Morlet sont généralement
recommandées car elles offrent un compromis idéal entre la
résolution temporelle et fréquentielle.
P. Aguera et ses collaborateurs [41], ont
adopté l'analyse en ondelettes sur des enregistrement MEG pour
étudier les activités cérébrales oscillatoires. En
effet ils utilisent la transformation de Gabor pour la détection des
activités oscillatoires évoquées et induites comme
réponses aux stimuli auditifs.
K. Gadhoumi et ses collaborateurs [42], ont
utilisées l'analyse en ondelette (l'analyse de l'activité haute
fréquence) pour identifier les caractéristiques distinctives
cohérentes entre les périodes préictale et interictale
dans l'EEG. Ils ont confirmées que cette méthode était
utile soit pour distinguer ces deux états soit pour la prédiction
des crises.
S.Burnos et ses collaborateurs [43], arrivent
à déterminer que l'analyse des données IEEG dans le
domaine temps-fréquence élimine les détections parasites
causées par des artefacts ou par une forte activité
épileptique et améliore la détection des HFOs.
P. Puranik et ses collaborateurs [44], ont
recommandé que l'analyse temps-fréquence des signaux EEG permette
de visualiser correctement ces signaux pour extraire les différents
rythmes de fréquences comme les ondes alpha, bêta et gamma et les
ondes à haute fréquence. Ici la transformée d'ondelette
est exploitée afin d'assurer l'analyse des enregistrements EEG.
N.Jmail et all ont été utilisé à
l'analyse temps-fréquence des signaux EEG, IEEG, MEG épileptique
dans des plusieurs travaux. Ils ont Séparé entre les pointes et
les oscillations par la transformée d'ondelette stationnaire(SWT)
implémentée sur une architecture embarquée
Chapitre 2 : Les techniques de filtrages
[45].Ils ont également
intégré la SWT sur une architecture embarqué pour
détecter le temps précis et la localisation de l'accumulation de
crises [46].
A.hadriche et ses collaborateurs ont employé l'analyse
temps-fréquence par l'application de la méthode du Mtaching
Pursuit (MP) pour détecter le potentiel évoqué
[47].
Les approches d'analyse en temps-fréquence peuvent
être regroupées selon différentes représentations :
la représentation linière (TF, STFT, WT et la
décomposition de Gabor), et la représentation quadratique comme
le spectrogramme, la fonction d'ambigüité et la distribution de
Winger-ville.
Sachant que la transformée en ondelettes s'appui sur
une couverture par des translations en domaine temporel et par des dilatations
en domaine fréquentiel, par conséquent cela mène à
un pavage du plan temps-fréquence qui se change en fréquence et
qui éventuellement représente significativement les
propriétés d'un signal en temps et fréquence.
2.8. Conclusion
Au niveau de ce chapitre, nous avons montré les
différentes techniques de filtrage référés à
la transformation d'ondelette. Ainsi, nous avons montré les performances
de la transformée d'ondelette stationnaire (SWT) vis-à-vis les
autres techniques d'ondelettes. La SWT va être appliquée sur notre
base de données des signaux de l'IEEG épileptiques
(simulées et réelles). Nous avons aussi établit le
critère d'évaluation (GOF) qui sera aussi utilisé afin
d'évaluer cette technique de transformée d'ondelette stationnaire
(SWT) pour la détection et la reconnaissance des oscillations
épileptiques à haute fréquence (HFO).
GUESMI Thouraya
GUESMI Thouraya
Chapitre 3.
Evaluation de la transformée
d'ondelette stationnaire en
reconstruction des pures
oscillations à hautes
fréquences (HFO)
34
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
Chapitre 3 : Evaluation de la
transformée
d'ondelette stationnaire (SWT) en
reconstruction des pures oscillations à
hautes
fréquences (HFO).
3.1. Introduction
L'analyse des données de l'IEEG est une tâche
délicate, qui exige l'exactitude dans chaque détail et à
chaque étape du processus.
L'utilisation des techniques de filtrages peut être une
épée à double tranchant; elle peut tirer le meilleur du
signal en le nettoyant et en le purifiant des interférences
indésirables, comme elle peut rendre les données inexactes et
erronées en supprimant suite au filtrage certaines
propriétés du signal électrophysiologique réel, et
cela peut risquer un diagnostic erroné des maladies neurologiques ou
même une mauvaise compréhension des tâches cognitives.
Par conséquent, le choix de ces techniques de filtrage
et l'évaluation de leur robustesse vis-à-vis des données
neurologiques est une opération sensible. À ce propos, N.Jmail
est ses collaborateurs [28], ont prouvé l'efficacité de la
transformation stationnaire en ondelettes dans la détection et la
séparation entre les pointes et les oscillations gamma. Par
conséquent, nous proposons d'étudier au niveau de ce chapitre les
performances de cette transformation en ondelettes dans la reconstruction des
HFOs purs pour des données de l'IEEG simulées et
réelles.
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
3.2. Bases des données
Toutes les simulations réalisées dans ce projets
ont été exécutées à l'aide du logiciel
Matlab (Mathworks, Natick, MA) avec la boite à outils EEGlab. C'est un
environnement de programmation structuré qui permette d'accéder,
de stocker, de manipuler, de mesurer, et de visualiser les données de
l'EEG, de l'IEEG et de la MEG [46].
Au cours de notre étude, nous avons appliqué des
bases de données épileptiques pharmaco résistantes. En
effet, nous avons utilisé deux bases de données qui sont
simulées et réelles.
3.2.1 Données simulées
Les signaux simulés sont modélisés suite
à une combinaison d'une pointe et des oscillations à haute
fréquence (HFO) comme notre véritable signal IEEG,
échantillonnés à 1000 Hz.
Entre les simulations nous avons changé le
paramétrage de nos signaux : l'amplitude relative de la pointe par
rapport l'oscillation, la fréquence d'oscillation, le rapport signal sur
bruit (SNR) et le chevauchement entre les oscillations et la pointe.
Nous avons augmenté l'amplitude de la pointe de 2, 4,
6,8 et 10 fois par rapport à l'amplitude oscillante. Nous avons
également fait varier la fréquence des oscillations dans cette
plage [80 150 100 200 250] Hz (Ripples et Fast Ripples). Le chevauchement entre
les oscillations HFO et la pointe a été modifié à
pas égaux via la taille de la fenêtre d'oscillations: aucun
chevauchement (pointe et oscillation sont complètement
séparées) jusqu'à ce que nous atteignions un chevauchement
de 100% lorsque les événements de la pointe et les oscillatoires
sont superposés. Le pas de chevauchement est égal à 25%.
Enfin, nous avons modifié le rapport signal/bruit (SNR de -5 dB à
20 dB).
( énergiedusignal ?
SNR = 10x log10 ?
? énergiedubruit ?
L'équation (3.1) définit le rapport signal/bruit
(SNR) :
(3.1)
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
3.2.2 Données réelles :
Notre signal réel adopté dans ce projet est
l'enregistrement d'un sujet pharmaco-résistant.
Ces données sont des enregistrements
d'électroencéphalogramme de profondeur (IEEG) où les
étapes d'acquisition et de prétraitement ont été
affectées au service de neurophysiologie clinique de l'hôpital de
La Timone à Marseille [48] et validées par un
neurologue expert. En outre ces données ont été
enregistrées sur un système Deltamed, et
échantillonnées à 1000 Hz avec un filtre passe-bas. Cet
enregistrement de l'IEEG particulier a été
sélectionné grâce à sa présentation qui
comprend des motifs HFO avec des oscillations épileptiques visibles et
des pointes régulières.
Notre ensemble de données de 117 canaux est
constitué d'un seul événement et une seule époque
[51].
3.3. Evaluation de la transformée d'ondelette
stationnaire (SWT) en reconstruction des HFOs :
3.3.1 Principe de la technique du SWT:
Pour faire une étude sur les oscillations à
haute fréquence(HFO), nous avons utilisé dans cette partie la
technique de transformée d'ondelette stationnaire (SWT) qui s'appuie sur
une analyse en temps-fréquence. Elle est accessible de
sélectionner des masques afin de reconstruire uniquement des parties
particulières du plan temps-fréquence.
Cette méthode sert à exprimer le signal dans le
plan temps-échelle par des coefficients d'approximation et de
détails ensuite reconstruire la partie oscillatoire pure à
travers les coefficients choisis [49].
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
La phase de reconstruction se fait par l'application de la
fonction MATLAB nommé `iswt', mais avant tout
nous devrons assurer l'étape de seuillage dont nous avons projeté
sur les coefficients un masque rectangulaire ou triangulaire.
Pour la technique de SWT dans Matlab nous avons employé
la fonction Matlab `swt' et nous avons sélectionné 6 niveaux de
la décomposition. Ce choix est justifié pour les oscillations
à haute fréquence dont ses coefficients se propagent au point de
6 niveaux de décomposition [28]. Pour la famille
d'ondelettes, nous avons choisi l'ondelette symlets, le fait qu`elles sont
presque symétriques avec l'oscillation, cette famille d'ondelette se
caractérise encore par son orthogonalité ce qui rend
l'étape de reconstruction plus simple.
La figure suivante décrit les étapes à
suivre afin d'appliquer la technique de transformée d'ondelette
stationnaire (SWT).
Ces différentes étapes de la technique SWT vont
être appliquées sur nos données simulées puis
réelles afin de les évaluer pour la reconstruction des pures
HFO.
Signal
d'approximations
Décomposition
cAj
cDj
Seuillage
Reconstruction
SWT
cAj: coefficients
Masque (rectangulaire ou
Figure 3.1. Etapes de la transformée
d'ondelette stationnaire (SWT).
Dans les figures 3.2 et 3.3et 3.4 nous représentons les
résultats obtenus suite à
l'application de toutes les étapes mentionnées dans
la figure 3.1.
(a) (b)
cDj: coefficients de détails
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
Figure 3.2. Signal original et sa
décomposition :(a)signal original bruité
(pointe+oscillation), (b) les coefficients d'approximations
et de détails.
Figure 3.3. Etape de seuillage.
Figure 3.4. Etape de reconstruction
3.3.2 Evaluation de la SWT en reconstruction des HFOs pour
les données simulées
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
(d) (e) (f)
(a) (c)
Figure 3.5. Plan temps-fréquence de
pic simulé et oscillations HFOs. Représentation temporelle d'une
(a) seule oscillation, (b) d'une seule pointe, (c) d'une pointe suivie d'une
oscillation et d'un spectre d'une (d) seule oscillation, (e) d'une pointe, (f)
d'une pointe suivie d'une oscillation.
(b)
Nous représentons dans la figure 3.5 trois formes des
données simulées. La première ligne est une
représentation temporelle d'une oscillation de 150 Hz (Ripples), une
pointe et les deux ensembles (pointe suivie d'oscillation). La deuxième
ligne représente le plan de fréquence des trois
événements étudiés. Nous remarquons que la
combinaison de HFO et d'une pointe produit une forme complexe. Distinguer les
éléments de base de chaque événement dans cette
forme complexe est une tache assez difficile à accomplir.
Dans la figure 3.6, nous avons illustré la
reconstruction temporelle des oscillations HFO par la technique de filtrage SWT
pour deux configurations de fréquence (80 Hz et 200 Hz).
GUESMI Thouraya
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
(a) (b)
(d)
(c)
Figure 3.6. Deux ensembles de reconstruction
des HFO par SWT (80 Hz et 200
Hz).
3.3.2.1 Résultats de la variation d'amplitude
de la pointe par rapport à
l'oscillation:
Le tableau 3.1 regroupe les différentes valeurs
d'amplitude de la pointe par rapport à l'oscillation. Pour chaque valeur
nous avons appliqué la SWT pour la reconstruction des pures oscillations
HFOs.
Tableau 1 Variation du rapport d'amplitude
de la pointe par rapport à l'oscillation.
Rapport d'amplitude
pointe et oscillation
|
entre
|
Fréquences (Hz)
|
2
|
|
80-100-150-200-250
|
4
|
|
80-100-150-200-250
|
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
6
|
80-100-150-200-250
|
8
|
80-100-150-200-250
|
10
|
80-100-150-200-250
|
La figure 3.7 illustre deux exemples de reconstruction des
HFOs par la SWT pour deux rapports d'amplitudes : 4 puis 10 tout en gardant la
même fréquence d'oscillations (égale à 100Hz), le
même chevauchement (égale à 0% : une séparation
complète entre la pointe et les HFOs) et le même SNR (SNR=5dB).
Figure 3.7. Deux ensembles de reconstruction
de HFO par SWT pour
différents rapport d'amplitudes entre la pointe et
l'oscillation.
La figure 3.8 montre les différentes valeurs du GOF
mesurées suite à l'application de la SWT sur chaque signal
simulé tout en faisant varier le rapport d'amplitude en fonction des
différents HFOs qui sont variées de 80 jusqu'à 250 Hz en
gardant les autres paramètres constants (SNR=10dB, chevauchement entre
pointe et oscillation=0%).
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
Figure 3.8. Valeurs de GOF pour
différents rapport d'amplitude entre la pointe et les
événements HFO.
Depuis figure 3.8 nous remarquons que pour tous les rapports
d'amplitude le résultat de reconstruction du HFO est au-delà de
78%. Le GOF atteint 97% pour un rapport d'amplitude qui est égale
à 4. Par conséquent, nous pouvons annoter que les SWT ont de
bonnes performances dans la reconstruction du HFO même pour une amplitude
comparable des pointes et des oscillations HFO.
3.3.2.2 Résultats de la variation du
chevauchement temporel entre la
pointe et l'oscillation
Au niveau de cette phase nous allons évaluer la
performance de SWT pour la reconstruction des HFOs suite à la variation
du chevauchement temporel entre la pointe et l'événement HFO,
pour chaque fréquence nous allons chevaucher la pointe et l'oscillation
avec des pas identiques égales à 25%(tableau 2).
Tableau 2 Taux du chevauchement entre
pointe et oscillation(%).
Taux de chevauchement entre pointe et oscillation(%)
|
Fréquence (Hz)
|
0
|
80-100-150-200-250
|
25
|
80-100-150-200-250
|
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
50
|
80-100-150-200-250
|
75
|
80-100-150-200-250
|
100
|
80-100-150-200-250
|
La figure 3.9 montre la reconstruction des oscillations HFOs
pour deux différents signaux obtenus suite à la variation du taux
de chevauchement entre pointe et oscillation (pas de chevauchement versus un
chevauchement total). Pour ces deux signaux nous avant gardé la
même fréquence des oscillations (égale à 250hz) le
même taux de SNR égale à 0dB et un rapport d'amplitude
égale à 10.
Figure 3.9. Reconstruction des HFOs par SWT
pour différents taux de
chevauchement.
Nous représentons dans la figure 3.10 le
résultat du GOF lors de la reconstruction des pures oscillations HFOs
par la méthode SWT suite à la variation du taux de chevauchement
temporel entre la pointe et les événements HFO.
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
GUESMI Thouraya
Figure 3.10. Valeurs du GOF pour
différents taux de chevauchement temporel entre
HFO et pointes.
Nous constatons que pour toutes les configurations de
chevauchement, le GOF est supérieur à 80% pour un faible taux de
chevauchement et un chevauchement total, mais cette mesure diminue pour un taux
de chevauchement entre 50% et 75%.
3.3.2.3 Résultats de la variation du SNR
Nous étudions ici l'effet de bruit (variation de SNR) sur
la reconstruction des pures oscillations HFO par la SWT (Voir tableau 3).
En effet, nous avons ajouté un bruit blanc
aléatoire à notre signal simulé, ce bruit a un spectre de
1/F qui correspond bien au spectre du bruit physiologique contaminant
les enregistrements des activités cérébrales.
Tableau 3 Variation du SNR.
SNR (dB)
|
Fréquence (Hz)
|
-5
|
80-100-150-200-250
|
0
|
80-100-150-200-250
|
5
|
80-100-150-200-250
|
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
10
|
80-100-150-200-250
|
20
|
80-100-150-200-250
|
Nous représentons dans la figure 3.11 deux exemples de
la reconstruction des HFO par la SWT. Nous avons varié la SNR (-5dB puis
20dB) et nous avons maintenu égale la fréquence des oscillations
(=150 Hz), le taux de chevauchement (égale à 0%) et le rapport
d'amplitude entre pointe et oscillation (égale à 6).
Figure 3.11. Reconstruction des HFO par SWT
pour différents SNR (-5db et
20 db).
Dans la figure 3.11, nous avons regroupé les valeurs du
GOF calculées lors de la reconstruction des pures HFO tout en variant le
SNR du signal simulé.
GUESMI Thouraya
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
Figure 3.12. GOF de la reconstruction du HFO
pour différents taux du SNR.
Nous constatons que le meilleur taux de GOF est obtenu pour un
SNR> 10 dB, ce qui dépasse 85%, mais les résultats du GOF sont
plus faibles pour un SNR faible qui est autour de 50%.
3.3.3 Evaluation de la SWT en reconstruction des HFO pour
les données réelles
Notre objectif dans cette partie était d'évaluer
la robustesse SWT de la reconstruction HFO sur un signal de l'IEEG réel
en utilisant l'analyse temps-fréquence. C. G. Bénar et ses
collaborateurs [50], ont affirmé qu'au niveau du plan
temps-fréquence une oscillation HFO est représentée par un
pic (limité en fréquence) située dans la bande
fréquentielle 80-500 Hz tandis qu'un événement transitoire
génère une goutte allongée (blob), étendue en
fréquence.
La méthode SWT a été appliquée sur
les données réelles ayant 117 canaux. Nous avons gardé les
mêmes paramètres des données simulées où nous
avons adopté l'ondelette `Symlets', décomposée à 6
niveaux et échantillonnée à 1000Hz.
Nous avons défilé les représentations de
tous les 117 canaux pour les examiné afin de déterminer les
canaux ayant le maximum des événements HFOs assez claires.
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
(a)
(c)
Figure 3.13. Données réelles
:(a) signal brut (canal 26), (b) représentation temps-
fréquence.
La figure 3.13 est une représentation temporelle puis
fréquentielle du 26ème canal du signal de l'IEEG
réel. Le plan temps-fréquence indique que ce canal
représente plus des événements HFOs que des pointes ce qui
justifie notre choix de travailler sur ce canal afin de reconstruire les pures
HFO.
La figure 3.14 est une représentation temporelle puis
fréquentielles des oscillations HFOs reconstruites par la technique de
la SWT.
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
(a)
(b)
Figure 3.14. Reconstruction d'oscillation :
(a)représentation temporelle, (b)
plan temps-fréquence.
La représentation temporelle dans la figure 3.14 (a)
illustre l'existence des événements HFOs avec quelques
éléments des pointes. Dans le plan temps-fréquence
à la figure 3.14 (b) nous remarquons quelques blobs qui
représentent les événements transitoires (pointes) par
rapport à la dominance des pics qui sont les oscillations HFO. Elles
sont alors des fausses HFO.
GUESMI Thouraya
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
(a)
(b)
Figure 3.15. Signal réel
filtré : (a) représentation temporelle, (b) plan
temps-fréquence.
La figure 3.15 représente le signal réel
filtré et son plan temps-fréquence qui montre le spectre du
signal. Ce spectre s'étale entre affiche la représentation
situé dans la bande de fréquence de 80-250 Hz, il affiche alors
que des pures événements HFO (oscillation HFO sans les
éléments des pointes). Ces pures oscillations HFOs ont
été reconstruites par la SWT et représentées
à la figure 3.16.
GUESMI Thouraya
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
(a)
(b)
Figure 3.16. Reconstruction des pures HFO :
(a) représentation temporelle
(b) plan temps-fréquence.
La figure 3.16 (a) est les reconstructions des pures HFOs dans
le domaine temporelle mais son spectre est représenté dans la
figure 3.16(b) qui affiche seuls des pics situé dans la bande de
fréquence [80 250] Hz , nous avons alors arrivé de reconstruire
que les pures HFOs de notre signal IEEG réel par a méthode de
SWT.
Chapitre 3 : Evaluation de la SWT en reconstruction
des HFOs
3.4. Conclusion
Dans ce chapitre, nous avons évalué la
performance de la méthode de la SWT pour la reconstruction des pures
oscillations HFOs pour des données simulées puis réelles.
Pour les signaux simulés (inspirés de l'enregistrement IEEG),
nous avons étudié la robustesse de la SWT dans la reconstruction
des HFOs tout en variant différents paramètres lors de la
simulation du signal [53]. En effet, et sur toute une plage de
fréquences (Ripples et Fast ripples), nous avons commencé par la
variation du rapport d'amplitude relative entre les oscillations HFOs et les
événements transitoires, ensuite le changement du taux de
chevauchement entre ces deux formes (du non chevauché jusqu'à une
superposition totale) et enfin le rapport signal / bruit (d'un signal non
bruité vers un signal noyé dans le bruit). A partir de nos
résultats obtenus et pour toutes les contraintes étudiées,
la reconstruction SWT du HFO révèle un bon taux du GOF [52].
Pour les données réelles, nous avons
évalué les performances de la SWT pour la reconstruction des HFOs
en utilisant la représentation temps-fréquence. La SWT, comme
pour les données simulées, elle donne de bons résultats
pour la reconstruction des pures
oscillations HFOs [54].
GUESMI Thouraya
52
Conclusion générale
Conclusion générale
L'épilepsie constitue une peine sur la santé
publique, elle est la deuxième maladie neurologique après les
accidents vasculaires cérébraux, où les plus parts des
patients souffrent d'épilepsie pharmaco-résistante.
Au cours des 15 dernières années, les chercheurs
ont montré l'utilité de l'activité
intracérébrale épileptique au-dessus de 70 Hz: les
oscillations à hautes fréquences (HFO) en tant que un biomarqueur
efficace pour l'épileptogénicité, elle a été
considéré comme un indice de déclanchement de la crise et
apparaît pendant la période ictale.
Dans ce contexte s'articule notre travail de mastère de
recherche dont nous avons pu détecter et reconnaitre automatiquement des
pures oscillations à hautes fréquences.
Pour se faire, nous avons évalué la robustesse
de la technique de la transformée d'ondelette stationnaire SWT sur des
données de l'IEEG simulées et réelles.
En effet, cette technique de filtrage a été
assez performante pour la détection et la reconnaissance des
oscillations gamma pré ictales. Elle a été aussi
employée pour la détection du temps précis et la
localisation de l'accumulation de crises.
Comme résultats obtenus, nous avons trouvé un
bon taux de ressemblance GOF entre les oscillations HFOs reconstruites et
celles de départ. Ce taux a été calculé pour des
centaines de signaux simulés tout en faisant varier à chaque fois
un parmi les paramètres suivants : rapport d'amplitude entre oscillation
et pointe, fréquences d'oscillations, rapport signal sur bruit SNR et
chevauchement entre les deux formes.
Idem pour les données réelles, la SWT donne des
bons résultats dans la reconstruction des HFOs non contaminé par
un élément transitoire.
Ces résultats s'ajoutent à ceux trouvés
en avance pour montrer la robustesse de la technique de la SWT pour la
reconstruction et la détection non seulement des oscillations gamma
épileptiques mais aussi pour des oscillations à haute
fréquence. Cette technique peut être adéquate pour la
détection des oscillations préictales sur toute la gamme de
fréquence oscillatoire.
53
Conclusion générale
Les aboutissements que nous avons obtenus sont très
prometteurs dans une perspective d'étude plus approfondie des HFOs purs
pour définir la connectivité de ces réseaux afin de
chercher les zones épileptogènes. Ces informations auraient un
impact important pour l'aide à la décision suite à une
intervention chirurgicale d'un patient pharmacorésistant pour
délimiter le tissu épileptogène et la saisie libre.
GUESMI Thouraya
Références
[1] BLESSING, Bill et GIBBINS, Ian. Autonomic Nervous System.
In: Scholarpedia of Touch. Atlantis Press, Paris, 2016. p. 467-477.
[2] Speckman D, Marvin D, Nocerino J. 2005. Dendrite growth
and degradation in multi-junction solar cells. s.l. : Progress in Photovoltaics
Research and Applications 13:157-163, 2005.
[3] A. Hutt, «Etude de l ' activité neuronale:
optimisation du temps de simulation et stabilité des
modèles,» 2013.
[4] M.-A. De Menorval, «Etude de la
perméabilisation de la membrane plasmique et des membranes des
organites cellulaires par des agents chimiques et physiques,» no. Umr
8203, 2013.
[5] P. D. Action and E. T. Propagation,
«Ontogénèse des canaux transmembranaires,»
pp. 1-15.
[6] O. Rossel, «Dispositifs de mesure et d ' interpr '
etation de l ' activit ' e d ' un nerf,» 2013.
[7] Jasper HH. 1958. Report of the committee on methods of
clinical examination in electroencephalography. . s.l. :
Electroencephalography and Clinical Neurophysiology 10:370-375 , 1958.
[8] American electroencephalographic society guidelines for
standard electrode position nomenclature. Sharbrough F, Chatrian G-E, Lesser
RP, Lüders H, Nuwer M, Picton TW,. 1991. 1991, Journal of Clinical
Neurophysiology , pp. 8:200-202.
[9] COHEN, David. Magnetoencephalography: evidence of magnetic
fields produced by alpha-rhythm currents. Science, 1968, vol. 161, no 3843, p.
784-786.
[10] N. Jmail, «Séparation des activités
cérébrales phasiques et oscillatoires en MEG, EEG et EEG
intracérébral.»
[11] Talairach J, Bancaud J. (1973). Stereotaxic approach to
epilepsy. Methodology of anatomofunctional stereotaxic investigations. . s.l. :
Progress In Neurological Surgery 5:297354, (1973).
GUESMI Thouraya
Références
[12] Wendling F, Ansari-Asl K, Bartolomei F, Senhadji. 2009.
From EEG signals to brain connectivity: a model-based evaluation of
interdependence measures. s.l. : Journal of neuroscience methods 183:9-18,
2009.
[13] J. Bancaud et al., «`Generalized'
epileptic seizures elicited by electrical stimulation of the frontal lobe in
man,» Electroencephalogr. Clin. Neurophysiol., vol. 37, no. 3,
pp. 275- 282, 1974, doi: 10.1016/0013-4694(74)90031-5.
[14] YANG, Tong, HAKIMIAN, Shahin, et SCHWARTZ, Theodore H.
Intraoperative ElectroCorticoGraphy (ECog): indications, techniques, and
utility in epilepsy surgery. Epileptic Disorders, 2014, vol. 16, no 3, p.
271-279.
[15] Uchida S, Maehara T, Hirai N, Okubo Y, Shimizu H (2001)
Cortical oscillations in human medial temporal lobe during wakefulness and
all-night sleep. Brain Research 891:719.
Hirai N, Uchida S, Maehara T, Okubo Y, Shimizu H (1999)
Enhanced gamma (30-150 Hz) frequency in the human medial temporal lobe.
Neuroscience 90:1149-1155
[16] Bragin, A., Mody, I., Wilson, CL, Engel, J. Local
generation of rapid ripples in the epileptic brain. J Neurosci .
22 , (5), 2012-2021 (2002).
[17] Worrell, GA, Gardner, AB, et al. High
frequency oscillations in the human temporal lobe: simultaneous recordings of
microfilm and clinical macroelectrodes. Cerveau . 131 , (4),
928-937 (2008).
[18] Bragin, A., Engel, J., Wilson, C., Fried, I.,
Buzsáki, G. High frequency oscillations in the human brain.
Hippocampe . 9 , (2), 137-142 (1999).
Bragin, A., Engel, J., Wilson, C., Fried, I., Mathern, G.
Hippocampal and high frequency oscillations of the entorhinal cortex (100-500
Hz) in the human epileptic brain and in rats treated with kainic acid with
chronic crises. L'épilepsie . 40 , (2), 127-137 (1999).
[19] Crépon, B., Navarro, V., et al.
Mapping of interictal oscillations greater than 200 Hz recorded with
intracranial macroelectrodes in human epilepsy. Cerveau . 133 ,
(1), 33-45 (2010).
[20] D. Anne-laure, «La Maladie d ' Alzheimer et ses
thérapeutiques Remerciements,» 2019.
GUESMI Thouraya
Références
[21] Institut du Cerveau et de la Moelle Epinière,
2014.
[22] Witte H, Iasemidis LD, Litt B (2003) Special issue on
epileptic seizure prediction. IEEE Transactions on Biomedical Engineering
50:537-539.
[23] Adam C, Rouleau I, Saint-Hilaire JM (2000) Postictal
aphasia and paresis: a clinical and intracerebral EEG study. The Canadian
journal of neurological sciences Le journal canadien des sciences neurologiques
27:49-54.
[24] B. Bhusan, Principles and Applications of Tribology, New
York: Widely, 1999.
[25] AL-QAZZAZ, Noor Kamal, HAMID BIN MOHD ALI, Sawal, AHMAD,
SitiAnom, et al. Selection of mother wavelet functions for multi-channel eeg
signal analysis during a working memory task. Sensors, 2015, vol. 15, no 11, p.
29015-29035.
[26] TIENG, Quang M., KHARATISHVILI, Irina, CHEN, Min, et al.
Mouse EEG spike detection based on the adapted continuous wavelet transform.
Journal of neural engineering, 2016, vol. 13, no 2, p. 026018.
[27] AMIN, HafeezUllah, MALIK, Aamir Saeed, AHMAD, Rana
Fayyaz, et al. Feature extraction and classification for EEG signals using
wavelet transform and machine learning techniques. Australasian Physical &
Engineering Sciences in Medicine, 2015, vol. 38, no 1, p. 139-149.
[28] JMAIL, Nawel, GAVARET, Martine, WENDLING, Fabrice, et
al. A comparison of methods for separation of transient and oscillatory signals
in EEG. Journal of neuroscience methods, 2011, vol. 199, no 2, p. 273-289.
[29]
ftp://ftp-developpez.com/smilesoft/wt.pdf.
[30] A. Grossmann and J. Morlet, «Decomposition of Hardy
Functions Into,» SIAM J. Math. Anal., vol. 15, no. 4, 1984.
[31] Y. Meyer, Ondelettes et Opérations, Tome 1,
Hermann, Editeurs des sciences et des arts, 1990.
[32] Wang XH, Istepanian RSH, Member S, Song YH (2003)
Microarray Image Enhancement by Denoising Using Stationary Wavelet Transform.
2:184-189.
GUESMI Thouraya
Références
[33] Dai M, Peng C, Chan AK, Loguinov D (2004) Bayesian
wavelet shrinkage with edge detection for SAR image despeckling. IEEE
Transactions on Geoscience and Remote Sensing 42:1642-1648.
[34] Wang XH, Istepanian RSH, Member S, Song YH (2003)
Microarray Image Enhancement by Denoising Using Stationary Wavelet Transform.
2:184-189.
[35] Mallat S, Zhang Z (1993) Matching pursuits with
time-frequency dictionaries. IEEE Transactions on Signal Processing
41:3397-3415.
[36] Malinowska U, Piotr.J D, A Katarzyna J, Blinowska,
Waldemar S, And Andrezej W (2006) Micro and Macrostructure of Sleep EEG.
Clinical neuriengineering:26-31.
Suffczynski P, Wendling F, Bellanger J-jacques, Lopes FH,
Silva DA (2006) Some Insights Into Computational Models of ( Patho )
Physiological Brain Activity. Brain 94.
[37] Durka PJ (2004) Adaptive time-frequency parametrization
of epileptic spikes. Physical Review E- Statistical, Nonlinear and Soft Matter
Physics 69:051914.
[38] HADRICHE, Abir, JMAIL, Nawel, KACHOURI, Abdennaceur, et
al. The detection of Evoked Potential with variable latency and multiple trial
using Consensus matching pursuit. In: Advanced Technologies for Signal and
Image Processing (ATSIP), 2014 1st International Conference on. IEEE, 2014. p.
316-321.
[39] ZHANG, Xiufeng, SONG, Huifang, LIU, Yongliang, et al.
Localizing percentages of interictal 18F-fluorodeoxyglucose (FDG)-PET and
magnetoencephalography (MEG) in presurgical evaluation of 107 consecutive
patients with non-lesional epilepsy. International Journal of Clinical &
Experimental Medicine, 2016, vol. 9, no 12.
[40] C. Tallon-Baudry et O. Bertrand, «Activité
gamma oscillatoire chez l'homme et son rôle dans la représentation
des objets», Trends in Cognitive Sciences , vol. 3, non. 4, pp.
151-162, 1999.
[41] P. Aguera, K. Jerbi, A. Caclin, and O. Bertrand,
«ELAN: A Software Package for Analysis and Visualization of MEG , EEG ,
and LFP Signals,» vol. 2011, 2011, doi: 10.1155/2011/158970.
[42] K. Gadhoumi, J. Lina, and J. Gotman, «Clinical
Neurophysiology Discriminating preictal and interictal states in patients with
temporal lobe epilepsy using wavelet analysis of
GUESMI Thouraya
Références
intracerebral EEG,» Clin. Neurophysiol., vol.
123, no. 10, pp. 1906-1916, 2012, doi: 10.1016/j.clinph.2012.03.001.
[43] Burnos S, Hilfiker P, Sueruecue O, Scholkmann F,
Krayenbuehl N. Human intracranial High Frequency Oscillations (HFOs) detected
by automatic time- frequency analysis. PLoS ONE 2014;9:1-12.
[44] P. Puranik, R. V Kshirsagar, and S. Motdhare, «EAI
Endorsed Transactions Elementary Time Frequency Analysis of EEG Signal
Processing,» vol. 4, no. 14, pp. 1-6, 2018.
[45] N. Jmail, R. Jarray, A. Hadrich, T. Frikha, and C.
Benar, «Separation between spikes and oscillation by stationary wavelet
transform implemented on an embedded architecture,» J. Neurol.
Sci., vol. 381, no. October, p. 542, 2017, doi:
10.1016/j.jns.2017.08.3735.
[46] N. Jmail, M. Zaghdoud, A. Hadriche, T. Frikha, C. Ben
Amar, and C. Bénar, «Integration of stationary wavelet transform on
a dynamic partial reconfiguration for recognition of pre-ictal gamma
oscillations,» Heliyon, vol. 4, no. 2, 2018, doi:
10.1016/j.heliyon.2018.e00530.
[47] Abir Hadriche, Nawel Jmail, Ridha Elleuch, Laurent
Pezard, Different methods for partitioning the phase space of a dynamic
system,2014 , pp 88-95.
[48] Delorme A., Makeig S. EEGLAB: une boîte à
outils open source pour l'analyse de la dynamique d'EEG à essai unique,
y compris l'analyse de composants indépendants. J.
Neurosci.Méthodes. 2004; 134 (1): 9-21.
[49] JMAIL, Nawel, GAVARET, Martine, BARTOLOMEI, F., et al.
Despiking SEEG signals reveals dynamics of gamma band preictal activity.
Physiological measurement, 2017, vol. 38, no 2, p. N42.
[50] C. G. Bénar, L. Chauvière, F. Bartolomei,
and F. Wendling, «Pitfalls of high-pass filtering for detecting epileptic
oscillations: A technical note on `false' ripples,» Clin.
Neurophysiol., vol. 121, no. 3, pp. 301-310, 2010, doi:
10.1016/j.clinph.2009.10.019.
[51] N Jmail, M Gavaret, F Bartolomei, C-G Bénar,
Despikifying SEEG signals using a temporal basis set, IEEE International
Conference on Intelligent Systems Design and Applications,2015, pp 580-584.
Références
[52] T Frikha, A Hadriche, R Khemakhem, N Jmail, M Abid,
Adaptive architecture for medical application case study: evoked Potential
detection using matching poursuit consensus, IEEE International Conference on
Intelligent Systems Design and Applications,2015, pp 575-579.
[53] N Abdennour, A Hadriche, T Frikha, N Jmail , Extraction
and Localization of Non-contaminated Alpha and Gamma Oscillations from EEG
Signal Using Finite Impulse Response, Stationary Wavelet Transform, and Custom
FIR, International Conference on Artificial Neural Networks, 2018, pp
511-520.
[54] Abir Hadriche, Nawel Jmail, Jean-Luc Blanc, Laurent
Pezard ,Using centrality measures to extract core pattern of brain dynamics
during the resting state, Computer Methods and Programs in Biomedicine, 2019,
pp210-235.
GUESMI Thouraya
60
Détection automatique des oscillations
corticales épileptiques à haute fréquence
Thouraya GUESMI
ÊÇäÇíÈáá
|
ÇðíÆÇÞáÊ
ÇåíáÚ
ÑÚÊáÇæ (HFOs)
ÉíÞäáÇ
ÏÏÑÊáÇ
ÉíáÇÚ
|
ÊÇÈÐÈÐÊáÇ
ÇÔÊßÇ äã
ÇäßãÊ ËÍÈáÇ
|
ÇÐå
|
í :
|
ÉÕáÇÎáÇ
|
ãÄáÇÊáÇ
|
äÓÍ ÇäÈÓÍ
ËíÍ (SWT)
ÉÊÈÇËáÇ
ÊÇÌíæãáÇ
áíæÍÊ ÇäÞÈØ
|
.)ÛÇãÏáá
ÞíãÚáÇ
íÆÇÈÑåßáÇ
ØíØÎÊáÇ
ÉÑÇÔÅ
|
)ÉíáÚáÇ
|
æ
ÉÇßÇÍãáÇ
|
ÊÇäÇíÈáá
|
áÎÇÏÊáÇæ
ÁÇÖæÖáÇ
ÉÈÓä ÏÏÑÊáÇ
|
ÉíÈÓäáÇ
|
ÉÚÓáÇ
|
ÊÇáÇÊÎáÅ
ÉíÞäáÇ
ÏÏÑÊáÇ
ÉíáÇÚ
ÊÇÈÐÈÐÊáÇ
|
ÁÇäÈ
ÉÏÇÚáÅ (GOF)
|
.HFOs äã SWT ÁÇäÈ
ÉÏÇÚÅ ÉäÇÊã
ãííÞÊá
íäãÒáÇ
|
ÏÏÑÊáÇ
ÞÇØä
ÇäãÏÎÊÓÇ
|
ÉíáÚáÇ
ÊÇäÇíÈáá
|
ÉÈÓäáÇÈ
|
Çã
|
.
ÉÇßÇÍãáÇ
|
.ãÄáÇÊáÇ
äÓÍ ÏÏÑÊáÇ
ÉíáÇÚ
ÊÇÈÐÈÐÊáÇ
ÉÊÈÇËá
ÊÇÌíæãáÇ
|
áíæÍÊÚÑÕáÇ
ÛÇãÏáá
|
ÞíãÚáÇ
íÆÇÈÑåßáÇ
|
ØíØÎÊáÇ
|
:
|
ÍíÊÇãáÇ
|
Résumé : Dans ce
mémoire de recherche nous avons pu détecter et reconnaître
automatiquement des pures oscillations à hautes fréquences(HFOs)
pour des données épileptiques simulées et réelles
(signal IEEG). Pour ce faire, nous avons appliqué la transformée
d'ondelette stationnaire (SWT) où nous avons calculé le GOF de
reconstruction des HFOs pour des différentes contraintes (amplitude
relative, fréquence, SNR et chevauchement). Pour les données
réelles, nous avons utilisé le domaine temps-fréquence
pour évaluer la robustesse de la reconstruction des HFOs par la SWT.
Motsclés: IEEG,
Épilepsie, HFOs, SWT, GOF.
.
61
|