ECOLE DE TECHNOLOGIE SUPÉRIEUR E

UNIVERSITÉ DU QUÉBEC

MEMOIRE PRESENTE A
L'ÉCOLE DE TECHNOLOGIE SUPÉRIEUR E

COMME EXIGENCE PARTIELLE

À L'OBTENTION D E LA
MAÎTRISE EN GÉNIE, CONCENTRATION TECHNOLOGIE DE LA SANTÉ
M.Ing.

PAR
Arme-Sophie DUBARRY

DÉTECTION DE POINTES ÉPILEPTIQUES A PARTIR DE SIGNAUX EEG

MONTRÉAL, LE 16 JUILLET 2010

©Tous droits réservés, Anne-Sophie Dubarry, 2010

 PRESENTATION DU JURY

CE MÉMOIRE A ÉTÉ ÉVALUÉ

PAR UN JURY COMPOSÉ DE :

M. Jean-Marc Lina, directeur mémoire

Département de génie électrique à l'École de technologie supérieure

M. Jean Gotman, codirecteur de mémoire

Institut Neurologique de Montréal

Mme Ri ta Noumeir, présidente du jury

Département de génie électrique à l'École de technologie supérieure

Mme Nicola Hagemeister, membre du jury

Département de génie de la production automatisée à l'École de technologie supérieure

IL A FAIT L'OBJET D'UNE SOUTENANCE DEVANT JURY ET PUBLIC

LE 8 JUILLET 2010

À L'ÉCOLE DE TECHNOLOGIE SUPÉRIEUR E

 REMERCIEMENTS

Je souhait e tou t d'abor d remercie r mo n directeu r Jean-Mar c Lin a pou r so n soutien , s a

disponibilité, l a qualit é d e se s enseignement s e t so n immens e sympathi e e t humanit é bie n
connue d e so n entourag e professionnel . Merc i égalemen t à mo n co-directeu r Jea n Gotma n
pour le s judicieuse s piste s d e développemen t ains i qu e l a littératur e pertinent e qu'i l m' a
fournie grâc e à so n expertis e uniqu e e t internationalemen t reconnu e dan s l e domain e d e la
détection de pointes épileptique s dan s les signaux électroencéphalographiques .

Je tien s égalemen t à remercie r particulièremen t l e Professeu r Christoph e Grov a qu i m' a

soutenue e t aidée tout a u long de la réalisation d e mon projet d e maîtrise.

Au Docteu r Elian e Kobayash i e t a u Docteu r Masou d Sangan i j e tien s à exprime r tout e m a

reconnaissance. D'un e part , leur s commentaire s m'on t permi s d e mieu x comprendr e
l'épilepsie e t notammen t le s pointe s épileptiques . D'autr e part , leu r étud e d e patient s
épileptiques d e l'hôpita l neurologiqu e d e Montréa l a constitué e pou r mo i un e opportunit é
d'illustrer l e fonctionnement d e mon algorithme dan s un contexte clinique réel.

Les intervention s d u Professeu r Joh n Moshe r on t ét é déterminante s dan s l'évolutio n d e mo n

projet d e recherche , je lu i e n sui s trè s reconnaissant e e t m e réjoui s à l'idée d'alle r collabore r
avec lu i au sein du laboratoir e d e magnétoencéphalographie d e la clinique d e Cleveland .

Je remerci e égalemen t tou s le s membre s d e l'équip e d u LATI S d e l'Écol e d e Technologi e

Supérieure, collègue s e t amis , pour m'avoi r écouté e e t conseillé e dè s qu'il s l e pouvaient . J e
remercie l a famill e Blondin-Grave l pou r avoi r mi s à m a dispositio n leu r peti t havr e d e pai x
nommé L'Ammarr é su r l'Il e d'Orléan s pou r débute r la rédactio n d e c e mémoire . U n gran d
merci à mo n meilleu r am i Andr é ; no s conversation s m'on t permi s d e développe r d e
nouvelles perspective s su r mo n travai l e t stimul é m a motivation . Enfi n j e tien s à remercie r
mes parents e t mes frères qu i m'ont encouragé e e t soutenue tout a u long de cette maîtrise .
 DETECTION AUTOMATIQU E D E POINTES ÉPILEPTIQUE S À PARTIR D E

SIGNAUX EE G

Anne-Sophie DUBARR Y

RÉSUMÉ

La caractérisatio n d e l'activit é épileptiqu e interictal e es t un e étap e primordial e d e

l'évaluation pré-chirurgical e d e l'épilepsie . A u cour s d e cett e étape , le s neurologue s
inspectent le s signau x électroencéphalographique s afi n d e répertorie r de s événement s
transitoires caractéristique s appelé s pointe s épileptiques . Cett e lectur e es t fastidieus e e t
repose su r de s critère s visuel s qu i n e fon t pa s consensus . A parti r d'hypothèse s qu i
définissent un e point e épileptiqu e (fréquence , durée , corrélation s spatiales ) cett e étud e
propose u n algorithm e d e détection sem i automatiqu e (supervisé ) d e pointes épileptiques. Ce t
algorithme repos e su r deu x étapes . L a premièr e étap e es t un e détectio n exhaustiv e
d'événements putatif s e n utilisan t l a décompositio n modal e empiriqu e (EMD) . À parti r d e
quelques échantillon s d e pointe s identifié s pa r l e neurologue , l a second e étap e filtre ce s
événements sur les critères de corrélations spatiale s et d'amplitude. L a liste d'événements qu i
en résult e contien t le s pointe s putative s détectée s pa r l'algorithme . L a performanc e d e ce t
algorithme es t évalué e su r de s simulation s réaliste s e t ell e es t illustré e su r quatr e exemples .
Finalement, le s pointe s marquée s pa r l e neurologu e e t le s pointe s putative s son t comparée s
au nivea u d e l a localisatio n d e l'activit é cérébral e à laquell e elle s correspondent . Cett e
localisation es t obtenu e e n utilisan t l a méthod e d u maximu m d'entropi e su r la moyenn e
(MEM) e t montr e dan s l a plupar t de s cas , un e concordanc e entr e le s pointé s détectée s pa r
l'algorithme e t les pointe s marquée s par le neurologue.

Mots clé s : Traitemen t d u signa l biomédical , électroencéphalographie , décompositio n

modale empirique, épilepsie, détection d e pointes.
 EPILEPTIC SPIK E DETECTION AN D SOURC E LOCALIZATIO N O N EE G

RECORDING

Anne-Sophie DUBARR Y

ABSTRACT

Interictal epilepti c spike s ca n revea l importan t informatio n abou t th e generator s o f epilepti c

activity, especiall y durin g th e pre-surgica l investigatio n o f intractabl e epilepsy . Th e visua l
inspection o f EE G recording s don e b y neurologist s t o collec t th e spike s i s tim e consumin g
and migh t no t alway s b e exhaustive , especiall y regardin g spike s o f smal l amplitude .
Automatic spik e détectio n save s a lo t o f th e neurologist' s time . Exhaustiv e détectio n o f
spikes i s eve n mor e necessar y whe n thès e event s ar e use d i n a n even t relate d paradig m t o
detect hemodynami c activit y (functiona l Magneti c Résonanc e Imaging , Nea r InfraRe d
Spectroscopy). I n thi s context , thi s stud y propose s a ne w semi-automati c spik e détectio n
approach tha t aim s to make a n inventor y o f ail the spike s i n a run accordingly t o few sample s
marked b y a n experience d neurophysiologist . Th e metho d intégrâte s informatio n fro m th e
neurologist abou t tim e (duration) , spac e (corrélation s betwee n EE G électrodes ) an d
frequencies (spectra l characteristcs) . Base d o n Empirica l Mod e Décompositio n (EMD )
représentation o f the signais , the metho d i s first validated wit h realisti c simulations . W e the n
présent result s fo r thre e patient s fo r whic h thi s algorith m exhibit s a larg e numbe r o f spik e
like activities o f small amplitud e bu t similar source s as the sample s give n by the neurologist .

Keywords: Biomédica l signa l processing , electroencephalography , empirica l mod e

décomposition, epilepsy, spike s détection .
 TABLE DES MATIERES

Page

CHAPITRE 1 INTRODUCTIO N 1 3
1.1 Context e : L'épilepsie et l'électroencéphalographie 1 3
1.2 Objectif s e t contributions 1 7
1.3 Organisatio n du mémoire et vocabulaire utilisé 1 9

CHAPITRE 2 LE S POINTES ÉPILEPTIQUES 2 0

2.1 L e critère spatial 2 0
2.2 L e critère temporel et d'amplitude 2 3
2.3 L e critère fréquentiel 2 4

CHAPITRE 3 ÉTA T DE L'ART 2 6

3.1 Revu e de la littérature 2 6
3.2 Exemple s d'outils logiciels existants 2 8
3.3 Récapitulati f et mise en perspective du projet 3 0

CHAPITRE 4 DÉCOMPOSITIO N MODALE EMPIRIQUE 3 2

4.1 Comparaiso n de l'EMD avec la transformée en ondelette 3 2
4.2 Présentatio n et définition d e l'EMD 3 5
4.3 Applicatio n aux signaux EEG épileptiques 4 0

CHAPITRE 5 MÉTHODOLOGI E - PARTI E 1 : DÉTECTION 4 2

5.1 Identificatio n de s deux canaux les plus anti-corrélés 4 2
5.2 Définitio n d e la fonction d e détection 4 3
5.3 Évaluatio n de la phase de détection : simulations réalistes 4 5

CHAPITRE 6 MÉTHODOLOGI E - PARTI E 2 : SÉLECTION 4 9

6.1 Identificatio n de s « vrais positifs » 4 9
6.2 Calcu l du score de vraisemblance 5 0
6.3 Recalag e temporel des pointes 5 2
6.4 Éliminafio n des doublons 5 3
6.5 Maximu m de puissance du champ global (GFP) 5 3
6.6 Évaluatio n de la phase de sélection : simulations réalistes 5 4
6.7 Conclusio n sur les critères de sélecfion des pointes putatives 5 7

CHAPITRE 7 RÉSULTAT S5 8
7.1 Donnée s expérimentales 5 8
7.2 Analys e des résultats obtenus 5 9
7.3 Localisatio n de l'activité cérébrale 6 3
7.3.1 Princip e et définition d e la méthode utilisée 6 3
7.3.2 Résultat s 6 4
 VII

CHAPITRE 8 CONCLUSIO N E T PERSPECTIVES 7 5

8.1 Conclusio n 7 5
8.2 Piste s d'exploration 7 8
8.3 Perspective s 7 8

LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES 8 1

 LISTE DES TABLEAUX

Page

Tableau 1 : Exemple s de travaux sur la détection automatique de pointes épileptiques 3 1

Tableau 2 : Tablea u récapitulatif des résultats de l'algorithme pour quatre patients 7 7

 LISTE DES FIGURE S

Page

Figure 1. 1 Position s e t noms des électrodes EE G su r un schém a 1 4

Figure 1. 2 Exempl e d'enregistremen t EE G (A ) et topographie correspondant e (B ) [1 ] 1 6

Figure 2.1 Montag e doubl e banane 2 1

Figure 2. 2 Critèr e d'oppositio n d e phase 2 1

Figure 2.3 Exempl e d e variation relative entre 2 canaux avan t e t pendant un e pointe : (A)
les 2 capteurs le s plus anti corrélés , (B) la variation relativ e entr e les 2 capteur s
les plus anti corrélé s pendant deu x fenêtre s donnée s 2 3

Figure 2.4 Pointe s épileptique s moyennées (5 6 capteurs) provenant d'u n patien t 2 4

Figure 2.5 Représentatio n T F d'un signa l EEG 2 5

Figure 4.1 Princip e d e la transformée e n ondelettes 3 3

Figure 4.2 Filtre s quadratiques pou r une transformée e n ondelettes discrète s 3 4

Figure 4.3 Condition s d e définition d'un e IM F : Exemples d e signaux (A ) qui n e

respectent pa s les conditions et (B) qui les respectent 3 6

Figure 4.4 Ordinogramm e d e l'EMD 3 9

Figure 4.5 Exempl e d'EM D bi-varié e d e signaux EE G contenant de s pointes 4 1

Figure 5. 1 Sélectio n de s canaux anti-corrélé s 4 3

Figure 5. 2 Calcu l d e la fonction d e détection par fenêtres glissante s 4 4

Figure 5. 3 Fonctio n d e détection F(t ) et signaux EE G 4 5

Figure 5. 4 Simulation s réaliste s : construcfion d u signa l 4 6

Figure 5. 5 Courb e d e détection d e la simulation ave c p = 0.1. Le s points rouges indiquen t
les pointes identifiée s pa r l'EEGer 4 7

Figure 5. 6 Courb e d e détection d e la simulation ave c p = 1 . Les points rouges indiquent le s

pointes identifiée s pa r l'EEGer 4 7
 X

Figure 6.1 Le s pointes de l'EEGer su r la fonction de détection : 3 cas de figure 5 0

Figure 6.2 Simulafio n réaHste : histogramme des Amax 5 4

Figure 6.3 Simulafio n réalist e : histogramme des ScV 5 5

Figure 6.4 Simulatio n réaliste : histogramme des GFP 5 6

Figure 7.1 Résultat s de l'analyse de PA15 : moyenne et topographie 6 0

Figure 7.2 Résultat s de l'analyse de PA47 : moyenne et topographie 6 1

Figure 7.3 Résultat s de l'analyse de PA65 : moyenne et topographie 6 2

Figure 7.4 Résultat s de l'analyse de PA70 : moyenne et topographie 6 3

Figure 7.5 Localisatio n de sources : PA15 (premier pic) 6 5

Figure 7.6 Localisatio n de sources : PA15 (onde lente) 6 6

Figure 7.7 Localisatio n de sources : PA47 (premier pic) 6 8

Figure 7.8 Localisatio n de sources : PA47 (onde lente) 6 9

Figure 7.9 Le s trois événements putatifs 7 1

Figure 7.10 Localisatio n de sources : PA70 événement putatif 2 et pointes ET 7 2

Figure 7.11 Localisatio n de sources : PA70 événements putatif 1 e t 3 et pointes RTF 7 3

 LISTE DES ABRÉVIATIONS, SIGLES ET ACRONYMES

EEG Électroencéphalographi e o u électroencéphalogramme

MEG Magnétoencéphalographi e o u magnétoencéphalogramme

MNI Montréa l Neurological Institute (Insfitut Neurologique de Montréal)

EMD Empirica l Mode Décomposition (Décomposition Modale Empirique)

IMF Intrisi c Mode Function (Fonction Mode Intrinsèque)

EEGer(s) Expert(s ) en lecture de signaux EEG épileptiques

TF Temps-Fréquenc e

GFP Globa l Field Power (Puissance du Champ Global)

ScV Scor e de Vraisemblance

Amax Amplitud e au Maximum Local

LT Lef t Tempora l (Temporal à gauche)

RTF Righ t Temporo-Frontal (Temporo-Frontal à droite)

 LISTE DE S SYMBOLE S E T UNITE S D E MESUR E

UNITÉS DE MESURES DES SIGNAUX PHYSIOLOGIQUE S

• |a V : micro Volt ;
• f T : femto Telsa ;
• nA. m : nano Ampère mètre.

UNITÉS DE TEMP S

• h : heure ;
• mi n : minute ;
• s : seconde ;
• H z : hertz.

UNITÉ DE SURFAC E

• cm ^ : centimètres carrés ;
 CHAPITRE 1

INTRODUCTION

1.1 Context e : L'épilepsie et l'électroencéphalographi e

L'épilepsie es t un e maladi e neurologiqu e qu i affect e enviro n 1 % d e l a populatio n a u

Canada. Ell e es t caractérisé e pa r de s symptôme s allan t d e simple s absence s au x crise s
convulsives . A ce jour, i l n'existe pa s de médicaments permettant d'e n guérir . Le s patients
atteints d'épilepsi e son t traité s pa r de s neurologue s e t dan s l a plupart de s ca s u n traitemen t
par médicament s suffi t à soulage r leur s symptômes . Toutefois , pou r certain s patient s dit s
« pharmaco résistant s », les traitements pa r médicaments son t inefficace s e t ne peuvent pa s
réduire leur s symptômes de façon satisfaisante . Un e intervention chirurgical e peu t alors être
envisagée chez certains d'entre eux.

Le traitement d e l'informatio n dan s l e cerveau humai n repos e essentiellemen t su r l'activit é

des cellules neuronale s située s à la surfac e d u cerveau . Su r une épaisseu r d'enviro n 5 mm,
ces cellules constituent l'envelopp e extem e du cerveau appelée matière grise ou cortex. Leur
coordination es t basé e su r de s échange s ionique s e t de s transfert s d e charge s électriques .
L'activité synchron e d'u n gran d nombr e d e neurone s adjacent s capabl e d e traverse r le s
différents tissu s entouran t l e cervea u (pa r exempl e l e liquid e céphalo-rachidien , l'o s e t l a
peau) peut produire u n potentiel électriqu e à la surface d u cuir chevelu. C'es t don c l'activit é
d'ime o u plusieur s région s (parcelle s d e l'ordr e d u cm ^ su r l a surfac e corticale) , chacun e
constituée de nombreux neurone s actifs e n synchronie (d e l'ordre d'un e dizain e de milliers),
qui produi t le s potentiel s électrique s enregistré s à l a surfac e d u crâne . Réalisé s
simultanément à de s position s précises , ce s enregistrement s constituen tu n
électroencéphalogramme (EEG) . L'EE G d'u n individ u attein t d'épilepsi e manifest e l e

Dont la nature diffère d'u n type d'épilepsie à un autre.

 14

dysfonctionnement d'un e o u plusieur s région s d e so n cerveau . Ce s enregistrement s fon t

partie des outils de diagnostic habituels dans le milieu médical.

Lors d'u n exame n EE G o n place plusieurs électrode s à des positions spécifique s su r la tête
du patient. La Figure 1.1 schématise une tête vue de dessus sur laquelle apparaît les positions
des électrodes ainsi que leur noms.

Nez

H (FC3 J (^ j ( ^ (±) (p«- ^ (q) \

I
G I W " 'fO (^= 0 'f\) iff) i"« ) (c4 ) ( ^ ® I D

\ fL R> b ) é 8 A (c'i ) / /
X X - .^ ^ A- ^ - C r / '
y.,\ (P3^ ; (P 1 1 PZ ) (P 2 j (P4 ) / W

^\

Figure 1. 1 Positions et noms des électrodes EEG sur un schéma

de tête vue de dessus (G : Gauche ; D : Droite). ^

Notons que les labels des électrodes traduisent leur s positions. En effet, e n premier lieu , les
lettres désignent le s régions anatomiques en vis-à-vis desquelles son t placées les électrodes.
Les lettre s T , F, P e t O corresponden t respectivemen t au x lobe s Temporaux , Frontaux ,
Pariétaux e t Occipitaux, et les lettres C et Z désignent, quant à elles, la région central e et la

^ Figure crée à partir du logiciel Microsoft® Office Visio® 2007 dans le cadre du projet et pour les besoins du
laboratoire de magnétoencéphalographie de l'Université de Montréal.
 15

ligne médiane. Les chiffres codent , en second lieu, les positions des électrodes au sein d'un e
région. On retrouve, pour chaque région, les chiffres pair s sur la partie droite du crâne, et les
chiffres impair s sur la partie gauche.

Entre chaqu e électrod e e t un e électrod e d e référence , o n enregistr e l e potentie l électriqu e

résultant d e l'activit é cérébral e enviro n toute s le s milliseconde s (un e fréquenc e
d'échantillonnage d e lOOOH z en général). On parle ici de résolution temporelle. De plus, bien
que chaqu e électrod e enregistr e l'ensembl e d e l'activit é cérébrale , ell e es t plu s sensibl e à
l'activité proch e d e celle-ci . L e nombre d'électrode s qu i compos e l e montage d e référence ^
définit l'échantillonnag e spatial . O n parl e alor s d e résolutio n spatiale . Ce s élément s
permettent de comprendre la Figure 1.2 qui présente une section de signal EEG (A), ainsi que
la représentation topographique (sur le scalp) d'un instan t donné du signal (B). Chaque ligne
de A illustr e l e signa l recueill i su r un e positio n spécifiqu e d e B . Le s couleur s d e l a
topographie B représenten t l'amplitud e de s signau x à l'instant identifi é pa r un e lign e
verticale dan s A . Ici , pa r conventio n l a couleu r bleu e représent e de s valeur s positive s d e
signal et la couleur rouge des valeurs négatives.

Généralement 32, 64 ou 12 8 électrodes.

 16

^^:::::::$i?^.^^

^^'.-" S?^;

' 1.5 secondes

B
Figure 1.2 Exemple d'enregistrement EE G (A) et topographie correspondante (B) [1].

Lors d e l'interventio n chirurgical e d'un e épilepsie , l e neurochirurgie n retir e l a (o u les )

zone(s) épileptogène(s) . Avan t d e procéde r à cett e opération , le s neurologue s cherchen t à
connaître de façon précise le foyer épîleptogèn e ainsi que les zones adjacentes qu i ne doivent
pas être endommagées au risque d'altérer certaines fonctions (pa r exemple le langage). Ainsi,
lorsqu'un patien t es t diagnostiqu é pharmac o résistant , so n neurologu e abord e i m protocole
complexe, constitué d e plusieurs tests, pour établir de façon précis e la carte fonctîormelle d u
cerveau de son patient. Cette investigation est appelée évaluation pré-chirurgicale.

Jusqu'à présent, le principal test d'évaluation pré-chirurgical e est l'EEG. L'activité cérébral e
électrique d u patient es t enregistré e pendan t de s heures , de s jours, voir e de s semaines . Le s
neurologues analysen t le s signau x obtenu s e t cherchen t à isole r le s caractéristique s d e
l'activité cérébral e épileptique . Lorsqu'il s observen t l e signa l EE G d'u n individu , le s
neurologues sont en effet capable s de déceler des anomalies liées à l'épilepsie. Ces anomalies
 17

sont essentiellement d e deux types : les crises et les pointes épileptiques. Les crises sont non
seulement observables dans le signal, mais le plus souvent aussi au niveau du comportement
du patien t (absences , convulsion s o u autre s signe s cliniques) . E n revanche , le s pointe s
épileptiques, sont des événements sans manifestation cliniqu e apparente chez le patient (c'est
à dire que ni le patient ni un observateur ne pourraient dire si le cerveau du patient produit ou
non ces pointes épileptique s san s voir l'EEG) . Historiquement , le s premiers événement s d e
types pointe s épileptique s on t ét é identifié s dan s de s enregistrement s EE G a u débu t de s
années 1930 . Ce son t le s pionniers Gibbs , Lennox e t Jasper qu i ont , le s premiers, décrit ce s
événements [31] . L'analys e de s signau x EE G pou r ce s deu x type s d'événement s perme t
d'approfondir l'analys e d e l'épilepsie d'u n patien t et la caractérisation partiell e de son foye r
épileptogène. Les pointes sont des événements rapides, d'une duré e de l'ordre d e la centaine
de millisecondes e t non prévisibles. Elles présentent u n intérêt particulier pour le neurologue
dans l a mesur e o ù elle s son t beaucou p plu s fréquente s qu e le s crises . Leu r analys e es t
souvent possibl e aprè s seulemen t quelque s minute s d'enregistrement , san s avoi r à attendr e
qu'ime crise survienne.

1.2 Objectif s et contributions

Au cours de la lecture d'un enregistremen t EEG, le neurologue cherche à isoler le plus grand
nombre de pointes épileptiques pour pouvoir les analyser. En effet, plu s le nombre de pointes
épileptiques analysée s es t important , plu s l'analys e ser a robuste . L e neurologu e doi t don c
inspecter l e signa l attentivemen t (pa r fenêtre s d'enviro n -1 0 sec ) pou r détecte r ce s
événements. C e travai l es t fastidieu x e t coiiteu x e n temps . C'es t dan s c e context e qu e de s
scientifiques on t pens é a u développemen t d'outil s d e détectio n automatiqu e d e pointe s
épileptiques. D e nombreuse s méthode s on t ét é proposées , mai s faut e d e consensu s su r l a
définition d'un e pointe , aucune s d'elle s n' a encor e obtenu e l'approbatio n unanim e de s
neurologues. L e présent proje t d e maîtrise s e base su r l'hypothès e qu'i l exist e de s critère s
spectraux, temporel s e t spatiau x caractéristique s d'un e pointe . So n bu t es t d'intégre r

" Certaines crise s dite s « électrographiques » n'ont pa s de manifestations comportementales , mai s apparaissen t
sur les signaux EEG.
ces critères , défini s pa r le s neurologues , dan s un e nouvell e méthod e d e détectio n d e
pointes épileptiques . L'approch e es t semi-automatiqu e ca r ell e repos e su r l'identificatio n d e
quelques pointe s épileptique s pa r l e neurologu e à parti r desquelle s o n cherch e à fair e
l'inventaire d e tou s le s événement s similaire s dan s l'enregistrement . D'u n poin t d e vu e
pratique, l e bu t ultim e d u proje t es t d'intégre r cett e méthod e à u n outi l logicie l pou r aide r
efficacement le s neurologue s à recense r le s pointe s épileptique s contenue s dan s u n
enregistrement EEG .

Cette nouvell e méthodologi e intègr e de s information s spectrale s (band e d e fréquence) ,

temporelles (durée) , et spatiales (corrélatio n entr e le s capteurs). Ceci confèr e à la méthode u n
caractère relativement comple t e t original e n termes de caractérisation d e pointes épileptique s
dans l e contexte d e l a détection automatique . Pa r ailleurs , la méthode d e traitement d u signa l
«Empirical Mod e Décomposition » utilisé e dan s c e projet , es t relativemen t récent e (199 6
[2]) e t s i ell e n e fu t pa s développé e dan s l e context e d e signau x électro-physiologiques , ell e
semble néanmoin s approprié e à l'analyse d e signau x EE G épileptiques . E n effet , ell e perme t
de décompose r u n signa l no n stationnair e e n oscillation s locale s d e bande s spectrale s no n
prédéfinies. Ell e a fai t notammen t l'obje t d e trè s récentes , mai s trè s rares , publication s
scientifiques dan s c e context e [3 ] ^ So n utilisatio n dan s l e cadr e d e c e proje t a pour objecti f
de donne r à la communaut é neuroscientifiqu e quelque s exemple s d e résultat s qu e cett e
méthode peu t fournir . So n exploitatio n dan s l e cadr e d u proje t constitu e don c u n poin t
original qu i suscit e d'ailleur s l'intérê t de s expert s e n traitemen t d e signau x neurologique s ;
celui d u Dr . Joh n Moshe r pa r exempl e lor s d e la présentatio n d e la méthodologi e a u cour s
d'un atelie r scientifiqu e organis é pa r l e Centr e d e Recherche s Mathématique s d e Montréal .
Ce projet a en effet ét é présenté sou s forme d e poster lor s d'un atelie r [4].

Ce mémoir e présent e u n travai l réalis é à l'Écol e d e technologi e supérieur e (ETS ) e n

collaboration ave c l'Institu t Neurologiqu e d e Montréa l (MNI) . Le s information s clinique s

^ Cet articl e n'es t disponibl e qu'e n chinois , e t so n auteu r n e donn e pa s répons e au x requête s concernan t
l'éventuelle existence de version anglaise ou française de l'article.
 19

exploitées on t ét é recueillie s pa r le s neurologue s d u MNI , tandi s qu e l a parti e

méthodologique a ét é développé e a u sei n d u laboratoir e LATI S d e l'ETS , e t évalué e e n
collaboration avec l'équipe clinique.

1.3 Organisatio n du mémoire et vocabulaire utilisé

La suit e d e c e mémoir e es t organisé e d e l a façon suivante . L e chapitr e 2 décrit le s critère s

que l'on propos e pour caractérise r un e pointe épileptique. L'état d e l'art dan s le domaine de
la détection automatiqu e d e pointes épileptique s e n EEG est présenté dan s l e chapitre 3 . Le
chapitre 4 présente l a Décomposition Modal e Empiriqu e ( « EMD » en anglais) . Le s détail s
de so n implémentatio n ains i qu e s a versio n bi-varié e son t égalemen t présenté s dan s c e
chapitre. Le s chapitres 5 et 6 décrivent respectivemen t l a phase d e détection e t l a phase d e
sélection de l'algorithme proposé . Les résultats de l'analyse d e quatre patients sont présentés
dans le chapitre 7. Finalement, le chapitre 8 constitue la conclusion de ce mémoire et propose
des perspectives de développement de la méthode.

Tout au long de ce mémoire, certaines expressions son t utilisées de la même façon qu e dans
le jargon d u domaine . Pa r exemple , un e « pointe » désign e un e point e épileptique , e t u n
« putatif» désign e un événement détecté par l'algorithme, donc susceptible d'être un e pointe
épileptique. L'actio n d e marquer un e pointe consiste à identifier dan s le temps l'occurrenc e
d'une pointe et à y ajouter u n marqueur sur le signal à l'aide d'u n logicie l de visualisation du
signal. I l n'exist e pa s d e critèr e objecti f pou r positiorme r l e marqueu r su r l a point e (pa r
exemple su r l e premie r pic) . Outr e le s neurologues , seul s certain s expert s e n EE G
(neurologues e n formation , certain s chercheur s e t étudiant s dan s l e domain e d e l'épilepsie ,
techniciens e n électrophysiologi e pa r exemple ) son t capable s d e lir e le s enregistrements .
L'abréviation utilisé e pour les désigner est « EEGer » (de l'anglais « EEG experts »). Chaque
EEGer utilise sa propre convention , et se soucie peu de la précision (qu i peut être de l'ordr e
de l a milliseconde ) ave c laquell e i l ajout e l e marqueu r systématiquemen t à cett e position .
C'est pou r cette raison que l'on recale de façon numérique les pointes entre elles. Cette étape
est décrite au chapitre 4.
 CHAPITRE 2

LES POINTES ÉPILEPTIQUES

Pour concevoi r un e méthod e d e détectio n automatiqu e d e pointe s épileptiques , l a premièr e

question à se poser es t l a suivant e : qu'est-ce qu'un e point e épileptiqu e ? La seul e répons e
tangible appartient au x neurologues et la première étape du projet consistai t donc à recueillir
auprès d'eux le s informations permettan t de définir un e pointe épileptique. 1 1 s'agissait , plu s
particulièrement, d'établi r le s principaux critères qu i permettent d e caractériser visuellemen t
les pointe s épileptique s dan s le s signau x EEG , d e quantifie r ce s critère s e t d e le s intégre r
dans une approche algorithmique . C e chapitre décrit d'abor d l e critère temporel e t le critère
spatial d'une pointe . Il présente dans un second temps un critère fréquentiel qu i relève, quant
à lui, du domaine du traitement du signal.

2.1 L e critère spatial

Lors de l'inspection visuell e de s signaux le s neurologues observen t deu x type s de signaux :

les signau x tel s qu'il s on t ét é enregistré s pa r le s électrode s su r l e scal p (le s différence s d e
potentiel électriqu e entr e chaqu e électrod e e t l a référence ) e t le s signau x e n montag e « bi-
polaire ». Les montages bi-polaîres sont les signaux d'électrode s soustraite s deux à deux. En
particulier, l e montag e « double banan e » les signau x d e certaine s électrode s te l qu'illustr é
sur la Figure 2.1. O n soustrait le s canaux deux à deux, le long des axes définit pa r les lignes
rouges, en allant de l'avant ver s l'arrière d e la tête. Ce montage est appelé ainsi en raison de
la forme des axes rouges.
 21

Figure 2.1 Montage double banane.

En caractérisant de s différences d e potentiels locales, ce type de montage permet d'identifie r

les pointes épileptiques à partir d'un e oppositio n de phase entre deux canaux. La Figure 2.2
illustre ce phénomène.

Opposition
de phase

Figure 2.2 Critère d'opposition d e phase

entre deux canaux du montage double banane.
 22

Les troi s signau x e n hau t à gauch e d e l a Figur e 2. 2 corresponden t respectivemen t au x

soustractions d'électrode s : FP1-AF7 , AF7-F 7 e t F7-T7 . L a sourc e représent e l'activatio n
synchrone d'un ensembl e de neurones que l'ont enregistr e à la surface d u crâne. Ici, la source
est équidistant e de s électrode s F 7 e t AF7 , c'es t pourquo i l a soustractio n d e ce s deu x
électrodes n e fai t pa s apparaîtr e d e variatio n d'amplitud e important e lor s d e l a pointe . E n
revanche, de part et d'autre d e ces deux électrodes, les couples FP1-AF7 et F7-T7 présentent
une variatio n d'amplitud e relativemen t important e lorsqu'elle s son t soustraite s e t leu r
opposition d e phas e perme t d e dir e qu e l e maximu m d u potentie l es t situ é entr e ce s deu x
paires d'électrodes.

On peut aussi caractériser une pointe épileptique dans le plan complexe en définissant :

z(t) = C i ( t ) + ^ C 2 ( t ) (2.1 )

La partie réell e e t l a partie imaginair e son t le s deux canau x d u montage doubl e banane qu i
sont en opposition de phase, c^et C2. La Figure 2.3 montre le plan complexe de deux canaux
en opposition de phase, avant (bleu) et pendant (rouge) une pointe épileptique. Ce critère est
exploité à travers un e méthod e d e traitement d e signa l bi-varié e qu i perme t d'explore r de s
signaux dans un plan complexe (chapitre 4). À travers cette approche, on fait l'hypothèse qu e
le maximu m d e potentie l n e s e trouv e pa s à l'extrémit é d'u n de s axe s d e soustractio n d u
montage « double banan e ». E n effet , dan s c e ca s particulier , l'oppositio n d e phas e
n'apparaîtrait pa s dan s l e montag e « double banan e ». Bie n qu e l'augmentatio n d u nombr e
d'électrodes allong e considérablement l e temps de préparation du patient, elle peut permettre
un recouvrement plus important de la tête et ainsi diminuer la probabilité d'occurrence d e ce
cas de figure.
 23

Ir

as.
of
B
<

4t
-Oî •01 Ht 0 2 Dî 0 10 5

frrnps |sflr )
,i10
-T r -
5- i f i ^

^-
î-
Bo
1.-
^^^
0-
-t L 1 II

-i -^ -1 û
e?

Figure 2.3 Exemple de variation relative entre 2 canaux avant et pendant une pointe :
(A) les 2 capteurs les plus anti corrélés, (B) la variation relative entre les 2 capteurs les
plus anti corrélés pendant deux fenêtres données.

2.2 Le critère temporel et d'amplitude

D'après le s neurologue s l a duré e d'un e point e es t l e plu s souven t inférieur e à 250 ms . La

Figure 2. 4 présent e l a moyenn e d e 6 3 pointe s épileptique s marquée s pa r u n neurologue .
Comme l e montr e cett e figure, o n estim e qu e l a duré e d'un e point e che z c e patien t es t
d'environ 25 0 ms. Bien qu e leur form e (égalemen t appel é morphologie) soi t variable (intra -
patient ou inter-patient), la plus courante est un pic suivit d'une onde lente tel que montré à la
Figure 2.4.
 24

0.1 0. 2 0. 3 0. 4 0.5
Tem|>s (sec)

Figure 2.4 Pointes épileptiques moyennées (56 capteurs) provenant d'un patient.

Quant à l'amplitude d'un e pointe , elle doit êtr e suffisamment important e pou r s e distingue r
du signa l d e base , auss i appel é « background » . Le s pointe s doiven t apparaîtr e clairemen t
dans l e signa l pou r qu e le s neurologue s le s identifient . O n quantifi e cett e amplitud e e n
calculant la puissance du champ global (« Global Field Power » ou GFP) tel que décrit dans
le chapitre 6.

2.3 Le critère fréquentiel

Lorsqu'ils inspecten t l e signal , le s neurologue s tiennen t compt e implicitemen t d u brui t

présent dan s l e signal , d'un e faço n qualitativ e e t empirique . C e brui t peu t avoi r plusieur s
origines. Par exemple, une dérive basse fréquence e t une interférence autou r de la fréquenc e
60Hz son t de s bruit s imputable s au x instrument s d e mesure . Ce s bruit s renden t l'analys e
automatique d u signa l difficile . Pou r exploite r d e faço n efficac e le s critère s établi s pa r l e
neurologue, l e développemen t d'un e méthod e d e détectio n automatiqu e d e pointe s
épileptiques devrai t intégre r une description spectral e des pointes épileptiques. Cela consiste
à identifier l a bande de fréquence dan s laquelle les pointes épileptique s s e manifestent, pou r
conserver, voir e mettr e e n exergue , le s signau x qu i s e manifesten t dan s cett e band e d e
 25

fréquence uniquement , e t par l à même s'affranchi r de s bruits présents à l'extérieur d e cette

bande d e fréquence . L a visualisatio n d e l a représentatio n temp s fréquenc e d'un e point e
épileptique perme t d e détermine r cett e band e d e fréquence . L a Figur e 2. 5 présent e l e pla n
Temps-Fréquence (TF ) d'u n signa l EE G (u n cana l chois i pou r présente r un e activit é d e
grande amplitude) durant l a pointe. Cette figure illustr e une observation asse z générale : une
pointe se distingue surtout dans la bande spectrale de 8 à 16 Hz.

2.00

4 00 ^2 . __ ___..,—,— .
_.^
- 0 1 ^ ^ ^ ^ ^
S.OO

i&OO ^^^Ê^M
noo
64.00

ÎÎSOO H9I «^ÎS^î^etî^^TTT*T*ïâ|^H

OS 0.2 OS 0.4 05 06

Figure 2.5 Représentation TF d'un signal EEG

contenant une pointe épileptique.
 CHAPITRE 3

ETAT DE L'ART

La détectio n automatiqu e d e pointe s épileptique s e n EE G a ét é étudié e a u cour s de s 4 0

dernières année s e t continu e d'êtr e exploré e puisqu'aucun e solutio n satisfaisant e n' a ét é
proposée. Cett e sectio n décri t dan s u n premie r temp s le s différente s stratégie s qu i on t ét é
adoptées par le passé et présente dans un second temps deux outils logiciels commerciaux qui
utilisent deux méthodes distinctes de détection automatique de pointes en EEG.

3.1 Revu e de la littérature

Les premier s travau x su r l a détectio n automatiqu e d e pointe s daten t d u débu t de s année s

1970 [5 ] [6 ] [7 ] [8] . Ils sont quasiment contemporain s à l'émergence d e la numérisation de s
signaux EEG. En effet, depui s que les signaux EEG sont enregistrés avec des ordinateurs, ils
peuvent être traités de façon numérique et présenter de nouveaux aspects que l'ont ne pouvait
pas traite r auparavant . A travers le s travau x existant s o n distingu e plusieur s stratégies . L a
suite d e cett e sectio n a pou r objecti f d e décrir e ce s stratégie s e n le s illustran t ave c de s
exemples d e travaux qu i les adoptent. I l est important d e noter toutefois qu e la majorité de s
travaux n'utilisent pa s seulement une stratégie, mais en combinent plusieurs. La synthèse de
récents travaux [9 ] [10 ] [11 ] permet d e distinguer essentiellemen t sep t types de techniques :
Les technique s mimétiques , le s technique s d e comparaiso n d e modèle s ('templat e
matching »), le s approche s paramétriques , le s technique s d e réseau x d e neurones , le s
systèmes expert s ( « knowledge-based rules » ou « expert System») , les approches spectrale s
ou plus récemment Temps-Fréquenc e (TF) , et finalement le s techniques d e modélisation d e
dipôles.

Les techniques mimétiques , tenten t d e reproduire l e comportemen t de s lecteur s expert s d e

signaux EEG (EEGers) pour détecter automatiquement le s pointes. Ces méthodes comparent
des caractéristiques établie s pa r l'expert , tell e qu e l'amplitud e o u l a durée d'un e ond e ave c
les caractéristiques du signal traité. Les pointes sont détectées par un seuillage de ces critères.
 27

L'inconvénient majeu r d e cette approche es t de détecter de s événements qu i ne sont pas des

pointes. Le s artefact s cardiaque s o u le s clignement s d'yeu x peuvent , pa r exemple ,
correspondre au x mêmes critères qu'une pointe. Des améliorations telles que le prétraitement
des signaux ou la combinaison avec des techniques d'analyse spectral e ont été proposées [9].

Les techniques de comparaison de modèles (« pattem matching ») consistent à détecter des

pointes e n s e basan t su r plusieur s pointe s préalablemen t identifiée s pa r u n EEGe r [12] . A
partir de ces pointes, on construit un patron que l'on compar e au signal traité. Le patron peut
être une représentation temporell e d e pointe, une représentation fréquentiell e o u encore une
représentation spatiotemporell e [13] . 11 existe plusieurs métriques de comparaison du modèle
avec le signal. La mesure de corrélation est la métrique la plus souvent utilisée.

Les techniques paramétrique s fon t l'hypothès e qu'u n signa l qui n e contient pa s de pointe
épileptique es t stationnaire^ , e t qu'un e non-stationnarit é dan s l e signa l tradui t l a présenc e
d'une point e épileptiqu e [7] . Comm e pou r le s technique s mimétiques , cett e approch e es t
sensible à la présence d'artefacts dans le signal.

Les technique s d e réseau x d e neurone s modélisen t de s outil s d e traitemen t d u signa l d e

sorte qu'il s soien t schématiquemen t proche s d u fonctionnemen t de s neurone s biologiques .
Plusieurs unité s coopèren t pou r forme r u n ensembl e qui , aprè s u n « entraînement » su r
différents signau x EE G contenan t de s pointes épileptiques , es t capabl e d e détecte r celles-c i
dans n'importe quel signal. Outre la difficulté d e définir une base de données d'entraînement,
la principale complexité est de définir le s paramètres (« features » ) a l'entrée d e l'architectur e
d'un réseau de neurones. Ces données et paramètres serviront à optimiser le système. Certains
travaux utilisent, pour cett e fin, les résultats d'autres méthode s de détection d e pointes telles
qu'une approche mimétique [14].

* Un signa l es t di t stationnair e s i le s paramètre s d e s a distributio n (moyenn e e t écar t type ) son t constant s e n

fonction du temps.
 28

Les système s expert s utilisen t u n ensembl e d e règle s d e base s qu i décriven t un e point e

épileptique pour effectuer l a détection. Une pointe est détectée si le signal traité répond à ces
règles. U n gran d nombr e d e travau x qu i s e basen t su r cett e approch e utilisen t le s résultat s
d'ime méthode d e type réseaux d e neurones pour l a détection d e pointes [15 ] [16 ] [17 ] [18 ]
[19].

L'analyse spectral e ou Temps-Fréquence consist e à extraire des informations d u signal en

passant pa r s a représentatio n fréquentielle . S i certain s travau x n'utilisen t qu e l a
transformation d e Fourie r (pou r construir e l e spectr e qu i n e présent e qu e le s fréquence s
globales d u signal) , d'autre s exploiten t de s méthode s T F plu s élaborée s telle s qu e l a
transformée e n ondelettes [20 ] [21] . Ces dernières permettent d e caractériser de s portions de
signal d e faço n à distingue r le s composante s telle s qu e le s dérive s bass e fréquence , le s
artefacts cardiaque , le s clignement s d'yeux . Elle s s'avèren t trè s efficac e pou r détecte r le s
pointes épileptiques [9].

Finalement, le s techniques d e modélisation dipolaire , beaucou p plus récentes, consistent à

localiser l a région d u cerveau qu i a engendré l a pointe mesurée su r le s électrodes. De faço n
schématique, u n dipôl e es t u n vecteu r plac é su r l a représentatio n volumiqu e d'un e tête . S a
longueur correspon d à l'intensit é d e l'activit é e t s a directio n à l a directio n d e l a sourc e
bioélectrique présumée (nA.m). Initialement, cette technique n'était pa s dédiée à la détection
de pointes, mais constitue un outil de localisation du foyer épilptogène. Elle a néanmoins été
utilisée récemmen t dan s l e context e d e l a détectio n [22 ] aprè s avoi r ét é exploité e dan s l e
domaine de la classification d e pointes [23].

3.2 Exemple s d'outils logiciels existants

Deux de s principaux outil s connu s des experts e n électrophysiologie appliqué e à l'épilepsi e

sont Harmonie de Stellate et Besa de Megis.
 29

Développé par la compagnie Stellate , Harmonie était d'abord u n logiciel d'acquisitio n e t de

visualisation de s signau x EE G enregistré s a u MNI . I l es t rapidemen t deven u u n outi l
d'analyse puissant , adopt é pa r d e nombreu x laboratoire s à traver s l e monde . Parm i le s
nombreuses fonctionnalité s qu'i l propos e o n retrouv e l a détectio n automatiqu e d e pointes .
Cette détectio n es t complètemen t automatiqu e e n c e sen s qu'ell e n e repos e pa s su r
l'identification préalabl e d e quelques pointes par un EEGer. Le principe d e détection repose
sur une approche mimétique décrite par Gotman et al. en 197 6 [8], et affinée pa r la définitio n
de différent s « états » d u patien t qu e l'o n peu t discrimine r à traver s l e signa l [24] . E n
pratique, l'outil d e détection proposé par Harmonie est surtout utilisé pour détecter les crises,
et très peu pour détecter les pointes. Lorsqu'il est utilisé dans ce contexte, les EEGer vérifient
quasiment systématiquemen t le s événement s qu i on t ét é détecté s e t e n élimin e souven t u n
grand nombre.

Le logiciel Bes a a été développé par le Dr. Michael Scherg . Il s'agit d'un outi l de traitement
de signau x neurophysiologiques . Le s code s source s d e c e logicie l d e traitemen t d e signau x
EEG e t ME G son t confidentiel s e t l a méthodologi e qu i y es t implémenté e es t e n grand e
partie inconnue . Le s publication s qu i décriven t brièvemen t l a méthod e d e détectio n
automatique d e pointe s à parti r d e c e logicie l son t avare s e n détail s e t n e stipulen t pa s
clairement qu'i l s'agi t d e l a méthode implémentée . O n peut néanmoin s e n conclur e qu e l a
méthode combine caractérisation spatiale d'une pointe et comparaison de modèle [13] [25].
 30

3.3 Récapitulati f et mise en perspective du projet

Les principales technique s utilisée s dan s l e domaine d e l a détection automatiqu e d e pointes

épileptiques définies dans la section 3.1 sont les suivantes :

Mimétiques (M)
Comparaisons de modèles (CM)
Paramétriques (P)
Réseaux de neurones (RN)
Systèmes experts (SE)
Analyses spectrales ou temps-fréquence (TF)
Modélisation dipolaire (MD)

La plupart des travaux portant sur la détection automatique de pointes épileptiques combinent
plusieurs de ces stratégies. À travers les différentes étape s de l'algorithme, l e projet s'inscri t
parmi les techniques mimétiques ca r la méthode a été conçue e n se basant su r la lecture des
signaux EE G pa r le s neurologues . I l présent e égalemen t u n aspec t qu i relèv e plutô t d e l a
catégorie de s technique s d e comparaiso n d e modèl e puisqu e lor s d e l a sélectio n décrit e a u
chapitre 6 , l e calcu l d u scor e d e vraisemblanc e pondèr e de s événement s pa r rappor t à leu r
similarité en termes de corrélations spatiale s par rapport aux pointes identifiées pa r l'EEGer .
Finalement, l'algorithm e appartien t égalemen t au x technique s d'analys e temps-fréquenc e
puisque l a détectio n s e bas e su r l a décompositio n d u signa l obtenu e pa r l a décompositio n
modale empiriqu e (EMD) . E n effet , cett e méthode , décrit e dan s l e prochai n chapitre , fai t
partie de s méthode s d e traitemen t d u signa l temps-fréquence . L e tablea u suivan t présent e
quelques travaux, sélectionné s su r l a base d e leur notoriét é e t pour illustre r l'utilisatio n de s
différentes technique s citée s précédemment . I l situ e l e proje t pa r rappor t au x travau x
existants.
 31

Exemple Technique utilisée Logiciel

Gotman et Gloor, 1976 [8] M Harmonie

Scherg et al.. 2002 [25] CM Besa

Lopes da Silva et al., 197 5 [7] P -

Wilsonetal. 1999[14 ] M, RN -

Castellaro et al., 2002 [15] RN, TF -

Van Hese et al., 2008 [22] MD -

Dubarry et al., à venir M, CM, TF A venir

Tableau 1 : Exemples de travaux sur la détection automatique de pointes épileptiques

Les logiciel s Harmoni e e t Bes a basé s respectivemen t su r le s étude s d e Gotma n e t al . e t

Scherg et al., sont réputés pour détecter un grand nombre d'événements qu i ne correspondent
pas (selon le s neurologues) à des pointes épileptiques (fau x positifs) . Il s ne sont pas utilisés
de façon systématique dans les laboratoires d'électrophysiologie épileptique.

Le présen t travai l adopt e don c troi s technique s e t s e distingu e de s travau x existant s e n

proposant d'intégre r simultanémen t de s information s spectrales , temporelle s e t spatiales . I l
est égalemen t adapt é à l a détectio n d'événement s d e différente s intensité s e t contrairemen t
aux logiciel s existants , i l perme t d e détecte r de s événement s d e faibl e amplitude . L a
rédaction d'u n articl e scientifiqu e présentan t l'algorithm e e t le s résultat s obtenu s es t
actuellement en cours.
 CHAPITRE 4

DÉCOMPOSITION MODALE EMPIRIQUE

Dans u n premie r temps , c e chapitr e compar e l a décompositio n modal e empiriqu e ave c l a

transformée e n ondelettes qu i est aujourd'hu i l a méthode d'analyse temps-fréquenc e l a plus
connue. L'objecti f d e cett e sectio n es t double , i l introdui t au x no n initié s le s techniques d e
décomposition temps-fréquenc e e t fourni t au x initié s un e analogi e entr e l'EM D e t l a
transformée e n ondelette . Dan s u n deuxièm e temps , l'algorithm e d e l'EM D es t décri t d e
façon plu s détaillée. Finalement, c e chapitre justifie l'utilisatio n d e l'EMD dan s le cadre du
projet e t illustr e l e résulta t d e l a décomposition d'un e sectio n d e signa l EE G contenan t de s
pointes épileptiques.

4.1 Comparaiso n d e l'EMD avec la transformée e n ondelette

L'objectif de s méthode s d'analys e temps-fréquenc e es t d e fourni r un e représentatio n d u

signal qui permet d'extrair e le s événements oscillatoires transitoires, autrement dit, de durée
indéterminée, don t l e conten u spectra l es t spécifique . Bie n qu e le s représentation s
temporelles e t fréquentielle s d u signa l soien t complémentaires , n i l'un e n i l'autre , pris e
séparément, n e perme t d e localise r dan s l e temp s le s composante s oscillantes . L a
combinaison de s aspect s temporel s e t fréquentiel s d u signa l doi t permettr e d e caractérise r
l'évolution de s composantes fréquentielle s a u cours du temps. C'est cett e problématique qu i
a motivé e l'émergenc e de s méthode s d e traitemen t d u signa l telle s qu e l'EM D o u l a
transformée e n ondelettes. Le principe des deux méthodes est de décomposer le signal en un
ensemble de fonctions caractérisées par leur contenu spectral.

Le princip e d e l a transformé e e n ondelett e es t d'utilise r un e bas e d e fonctions , appelée s

ondelettes, qu i son t de s version s dilatée s e t translatée s d'un e « petite ond e » (Fondelett e
mère). O n décompos e l e signa l e n deu x partie s : un e approximatio n C à l'échell e bass e
résolution J et la somme des détails Dj aux échelles plus fines (j = 1,2,...,J). On peut analyser
 33

ainsi de s structures locale s du signal ave c une précision qu i dépend d e l'échelle considérée .
La gamme des échelles, qui sont de la forme 2' ' fois l'échantillonnage , peu t être très grande ;
elle dépend d e l'échelle d'échantillonnag e (l a plus fine) et de la durée du signal (l'échell e la
plus grande). À chaque échelle, on calcule un signal de haute fréquence e t un signal de basse
fréquence, deu x fois plus grossier que le signal à l'échelle précédente . Les deux filtres passe-
haut (PH ) e t passe-ba s (PB ) formen t un e pair e d e filtre en quadrature , d e tell e sort e qu'o n
puisse reconstruire l e signal initial. Chaque opération de filtrage est suivie d'une décimatio n
qui donn e u n sous-échantillonnag e conform e à l'échelle . L e résulta t d u filtre passe-hau t
donne le s coefficient s e n ondelette s ; l'analys e mult i résolutio n consist e à réitére r l e
processus su r l e résulta t d u filtre passe-bas . Ainsi , e n allan t d e l'échell e l a plu s grossièr e
(définit pa r l a duré e d u signal ) à l'échell e l a plu s fine (défini t pa r l a fréquenc e
d'échantillonnage), o n accèd e à un e représentatio n d u signa l d e plu s e n plu s locale . Pou r
illustrer ce procédé, sur la Figure 4.1, on prend l'exemple d'un signal que l'on décompose sur
3 échelles uniquement.

PB C3

PB
^
PB PH

s(t) PH ^

PH

s(t) Signal initia l

PH Filtre pass e haut

(PB = passe bas)
Sous échantillonnage
@ (par un facteur 2 )
Coefficients d'ondeletle
à l'échelle j
Résidu de basse fréquenc e

Figure 4.1 Principe de la transformée en ondelettes.

' D e facteur 2 .
 34

Les filtres les plus connus sont ceux obtenus par Daubechies [37 ] qui généralise, en 1988 , les
filtres ['/2, -Vi] (PB ) et ['/a , -V2] (PH ) de Haar (1910) . La Figure 4. 2 reprend l'exempl e d'un e
décomposition su r 3 échelles , e t le s couleur s utilisée s pou r représente r le s filtres
correspondent aux couleurs aux cadres entourant les filtres de la Figure 4.1.

Filtre P B Filtre P H Filtre P H Filtre P H

N/8 N/4 N/2

\ 1 1
^ / -
.-

](W) \{N/8) •
©y @

^—,.„,.,<::1..—«»—
— — — ( _ •

0 fe/4 V2 fréquences

Figure 4.2 Filtres quadratiques pour une transformée en ondelettes discrètes.

Ainsi, le résultat de la décomposition d'un signal se présente sous la forme suivant e :

s(t) = C,(t ) + Dj(t ) + Dj_i(t)-h ...Dj(t ) - F ••• + D^{t) (4.1)

fe fe
OÙ chaque composantes Dj a une bande de fréquence prédéfini e [-^,- 7 ]. (voir Figure 4.2)

Plus récent e (1996) , l'EM D es t égalemen t un e méthod e d e décompositio n d u signal . L a

principale différenc e ave c l a transformé e e n ondelette s es t qu e le s composantes , appelée s
« Intrinsic Mod e Function s » (IMF), son t construite s à partir de s propriété s intrinsèque s d u
signal. Chaqu e IM F aur a un e bande spectral e différent e e n allan t de s plu s haute s au x plu s
basses fréquences, mai s elle ne sera pas obtenue par une opération de filtrage. C'est l e signal
seul qu i détermin e l a band e spectral e d e chaqu e IMF . L a sectio n suivant e d e c e chapitr e
détaille plu s précisémen t l e calcu l d e l'EMD . L a somm e de s n IM F obtenue s e t d u résid u
basse fréquence R est égale au signal d'origine.
 35

Ainsi le signal peut s'écrire :

s(t) = R(t) + lMFn-MMFn_i(t)+...-l-IMFi(t ) (4.2 )

Les équations (4.1 ) et (4.2) sont similaires. En effet, toute s les deux consistent à trouver une
collection de signaux dont la somme donne le signal original. Pour les deux approches il y a
deux partie s : un e composant e bass e fréquenc e e t plusieur s autre s composante s qu i
définissent de s degré s d e détai l d e plu s e n plu s élevés . L a principal e caractéristiqu e d e
l'EMD es t l'aspec t adaptati f d e l a méthod e qu i s'avèr e êtr e strictemen t algorithmique .
Contrairement à la transformée e n ondelettes, le filtrage est effectu é san s a priori [26 ] et les
composantes résultante s n'appartiennen t don c pa s à de s bande s d e fréquence s prédéfinies .
Finalement, s a réalisatio n demeur e dan s l e domain e tempore l e n contrast e ave c l a
transformées par ondelettes qui opère dans le domaine fréquentiel [26] .

4.2 Présentatio n et définition d e l'EMD

Introduite en 199 6 par Huang et al. [2], l'EMD es t une décomposition adaptativ e d'un signa l
non stationnaire e n une somme de fonctions oscillantes . Par définition, ce s fonctions, notée s
IMFj(t), oscillent autou r d e zéro e t permettent d'exprime r l e signa l s(t ) sou s la forme (4.3) ,
R(t) étan t u n résid u d e bass e fréquence . Pa r définition , chaqu e IM F doi t satisfair e deu x
conditions :

- le nombre de passages à zéro et le nombre d'extrema doiven t être égaux ou différer d e 1 a u

plus, sur l'ensemble du signal analysé;
- en tout point, la moyenne des enveloppes définies par les extrema locaux du signal doit être
égale à 0.

La Figure 4.3 illustre ces deux conditions.

 36

amplitude amplitude

I I1
^A A
Condition 1:
% .mA-
f
V' / temp s tenx>5
r^

aimplltucie amplitude
W ^

\ A,
Condition 2: /\
I '.. ' i I
\/ ' ^
NoinBr» <r«)i1t»nia t-1
i/', A l \l\ M i
I
A' I UA ' '^"''^ T t^rTlps
0 I I ( . i,

II'

Figure 4.3 Conditions de définition d'une IMF : Exemples de signaux (A) qui ne
respectent pas les conditions et (B) qui les respectent.

Les IMF sont des composantes du signal qui varient en amplitude et en fréquence e t qui ont
la même résolution temporelle qu e le signal. San s être le résultat d'un filtrage passé bande,
chaque IM F est dans une bande spectral e qu i n'est pa s prédéfinie e t qui dépen d du contenu
fréquentiel d u signa l initial . Pou r différent s signau x décomposé s l e nombr e d'IM F es t
variable, il dépend également du contenu spectra l du signal. En pratique, l'EMD consist e en
un algorithme glouton. Le principe général est d'identifier le s oscillations locales du signal et
de les soustraire une par une au signal jusqu'à ce qu'il n e reste qu'un résidu basse fréquenc e
auquel o n ne peut plu s soustrair e aucun e composant e oscillatoire . L'étud e d e Rilling e t al .
[27] présente le s aspects technique s d e l'implémentation de l'EMD e t formule l'algorithm e
en cinq étapes :
 37

1) Identification d e tous les extrema du signal x(t) ;

2) Interpolation des minimum locau x (respectivement maximum) pour obtenir une enveloppe
emin(t) (respectivement emax(t) ) ;
3) Calcul de la moyenne m(t) = (emin(t) + emax(t)) / 2 ;
4) Extraction du détail d(t) = x(t) -m(t) ;
5) Itération sur x(t) = m(t) ;

Notons qu e l e typ e d'interpolatio n (étap e 2 ) choisi t ic i es t un e interpolatio n cubiqu e (o u

« Spline »). U n processu s di t d e « tamisage » consist e à itére r le s 4 premièr e étape s d e
l'algorithme su r le détail d(t) jusqu'à ce que ce dernier satisfasse le s deux conditions pour être
une IMF. La Figure 4.4 donne l'ordinogramme d e cet algorithme.

Cette méthode est qualifiée d e « data driven» car elle repose uniquement sur le signal traité et
n'introduit pa s d'éléments extérieur s a u signal (te l qu'un filtre). C'est pou r cett e raison qu e
les fonction s qu i e n résulten t son t appelée s fonction s intrinsèques . Ell e contrast e d e c e fai t
avec le s approche s plu s conventionnelle s d e décompositio n TF . Pa r exemple , l a
transformation e n ondelette s impliqu e l'utilisatio n d'un e famill e d'ondelette s pou r
décomposer l e signal. Notre approch e es t empirique ca r l a bande spectral e d e chaque mode
n'est pa s établi à l'avance, mai s dépend d u signal. L a séquence qu i défini t l'algorithm e fai t
en sort e qu e l e conten u spectra l de s IMF s soi t décroissant . L a premièr e IM F contien t le s
termes d e plu s haute s fréquence s e t le s suivante s contiennen t le s terme s d e fréquence s
décroissants jusqu'à n e présenter qu'u n résid u de basse fréquence. Dans ce sens , l'EMD es t
une décomposition T F adaptative. Son aspect strictement algorithmiqu e l a rend difficilemen t
comparable ave c le s autres méthodes de décomposition TF . En effet, o n ne peut formule r l a
méthode sous forme d'expression mathématique [26] . Toutefois, la méthode est reconnue par
la communauté d u domain e d e traitemen t d u signa l puisqu'ell e es t formulé e dan s l e même
cadre qu e leur s préoccupation s (traitemen t d'u n signa l non-statiormaire , considératio n
d'oscillations locale s e t globales , etc.) . D e plus , ell e a ét é appliqué e ave c succè s à de s
 38

données réelle s dan s de s domaine s tel s qu e l'océanographi e e t l'étud e de s phénomène s

climatiques [32][33] , la sismologie [34 ] ou l'acoustique sou s marine [35].

Deux caractéristique s discutable s d e l a méthod e son t souven t évoquée s pa r se s utilisateur s

[27][28]. L a première concern e le s effet s d e bord . S i l'interpolatio n de s extrem a locau x n e
pose pa s d e problèm e loi n de s bords , grâc e à l'utilisatio n d'interpolatio n cubiqu e
(« splines ») ell e demeur e problématiqu e au x extrémités . E n effet , le s premier s e t dernier s
échantillons n e son t respectivemen t pa s précédé s o u suivi t d'u n autr e échantillon , e t
l'interpolation es t dans ce cas estimée. Il en résulte une imprécision sur les bords des IMF. Le
deuxième aspec t d e l a méthod e souven t discut é es t l e critèr e d'arrê t d u processu s d e
tamisage. E n pratique , le s deu x condition s qu i définissen t un e IM F son t respectée s à un e
tolérance près . I l serai t tro p sévèr e d'applique r le s deu x condition s telle s qu'elle s son t
formulées exactemen t ; le nombre d'itération s nécessaire s à l'obtention d e telles IM F serai t
beaucoup trop gran d voire infini. E n pratique, ces critères sont donc assouplis par des seuils
de tolérance [27].
 39

Signal initial x(t)

fftW \.i

WlW
Identification des
maximum locau x %
envMax(l)

Identification des
minimum locaux
envMin{îj
mfUïàiâàà
l / '' . /

[Calcul d e la moyenne de s enveloppes

Ujflj - envMinftI
2
* envMax (Ij
s.sMài
•••M/Mv Ê
ai
w
E
B
o>
tn
Extraction d u détail ;
d(t) = xft) - mft} »
(O
0}
o
o

Non
d(t) ^x(t )

Sauvegarde de II MF d(t) - > IMF(t)

^ >

'Est-ce que x(t) - d(t) oscilie"^^'^' x(t) - d(t) ^ x(t )

encore ?

Figure 4. 4 Ordinogramm e d e l'EMD.

 40

Il existe une version bi-variée d e l'EMD [29] . Cette version permet d e traiter simultanémen t
deux signaux . O n construit u n signal complex e à partir d e ces canaux ; la partie réelle et la
partie imaginaire son t constituées respectivement de s deux canaux. L'extraction de s IMF est
similaire à cell e d e l a versio n uni-variée , à l a différenc e prè s qu'ell e s e déroul e dan s u n
espace à troi s dimension s (le s deu x canau x e t l e temps) . Le s enveloppe s constituen t de s
crêtes qui relient le s extrema locau x des oscillations formées pa r les deux variables au cours
du temps. Les IMF obtenues son t des signaux complexes . À la différence d e la version uni-
variée, cette méthode intègre la différence d e phase des deux signaux considérés. Les auteurs
qui ont élaborée cette méthode en ont proposés une implémentation numérique [29].

4.3 Applicatio n aux signaux EEG épileptiques

La version b i variée de l'EM D présent e un intérêt particulier dan s l e contexte d u traitement

de signaux EE G en épilepsie. En effet, l'oppositio n d e phase entre deux canaux d u montage
« double banan e » lor s d'un e point e épileptiqu e peu t êtr e interprété e comm e un e
augmentation d e l a différenc e d e phase d e ce s deu x canau x pendan t l a duré e d e l a pointe.
L'utilisation d e l'EM D bi-varié e es t don c justifié e dan s c e contexte . Pou r traite r
simultanément le s amplitudes e t la différence d e phase des signaux, on considère l e module
|IMF| de chaque IMF. La Figure 4.5 présente l a décomposition d'un e sectio n d e signal EEG
contenant quatr e pointe s épileptiques . O n a chois i le s deu x canau x EE G qu i son t e n
opposition d e phas e duran t le s pointes . O n observ e qu e l e modul e d e l a premièr e IM F
contient les composantes de plus hautes fréquences, e t au fur e t à mesure que l'on extrai t des
IMF les fréquences décroissent .
 41

Signal
Pointes

i
-iS
Temps (sec)

EMD

f6iJÎB/?',
uT )
1
0? 04 «t 0 * 1 \t 1. 4 I t ! •

î î
0
04 ot o s
-, 11
. ... îH S
...A\fV:
61 8

.(^-,/\'-V' . , _ ^ ^p/-\r--.^^_
IL s
2 .A ^--''V " - - . ^ ^ . . , ) „ .

* ,^'"""-*_^^ i i ^^-..^^^ ^ 03 _^^,-4-' l î '•'"^^^--^ ^ ' ^ ^-^^^ '

^
«lU

iJ
^ -..-—--^''^.'
î
—--—XZ-'-^v
04 oe Q « 1 i ?1 41 6H
tlO*
1

g
t Ss / \ - ,

•"--./""v/\ -" , i.\i'„_.."V„2y'^-.V' , '•••••' '

-
M Ci c » t tî r q1 6 r i

— - ï
i' 1 1
MF

— 1" ", 1. . .....!. .J .

-••M-. .•V • ; , - : , , ; M „ • • : : . • : , • . / : i;!M|;:ï,f, » • I1 ?r 49 6i «

Temps (sec)

Figure 4.5 Exemple d'EMD bi-variée de signaux EEG contenant des pointes.

La troisième IMF fait apparaîtr e les pointes. Le temps d'exécution d e l'EMD su r une fenêtr e
de 2'' ' échantillon s (soi t enviro n 1 4 secondes pou r u n signal échantillonn é à 600Hz ) est
d'environ 1 0 secondes.
 CHAPITRE 5

MÉTHODOLOGIE - PARTI E 1 : DÉTECTION

5.1 Identificatio n de s deux canaux les plus anti-corrélés

Pour tenir compte du critère d'opposition d e phase caractéristique des pointes tel que formulé
par le neurologue, il faut identifie r le s deux canaux du montage « double banane » qui sont le
plus anti-corrélés autour des pointes. Celles-ci sont identifiées par les marqueurs de l'EEGer ;
il y en a N. La matrice de corrélation des canaux i, j est calculée sur une section de 200 ms de
signal (10 0 m s avan t e t aprè s l e marqueur) . O n doi t a u préalabl e centre r le s signau x e n
soustrayant la moyenne S de la section de signal s :

S = S- S (5.1 )

pour calcule r ensuit e un e matric e d e corrélatio n pou r chaqu e pointe . L a moyenn e de s Np

matrices ains i obtenue s correspon d à l a corrélatio n moyenn e entr e canau x C e de toutes le s
pointes :

"^ ss'.
^~ N -y
L^ y I (5-2 )
P 1^1 v^ ISjS'j

Où S' représent e le vecteur (ligne) transposé du vecteur (colonne) S.

Cette matrice es t d e dimension Ncapteurs x Ncapteurs- Chaque valeur d e la matrice correspond à

la corrélation d'u n capteu r ave c un autre . L a diagonale d e l a matrice n e contien t qu e de s 1
puisque chaque canal est corrélé avec lui-même. Une opposition de phase entre deux canaux
se traduira par une valeur négative dans la matrice de corrélation. La ligne et la colonne de la
valeur la plus négative de cette matrice correspondent au x deux canaux les plus anti-corrélés
 43

sur l'ensembl e de s pointe s marquée s pa r l e EEGer . L a Figur e 5. 1 présent e un e sectio n d e

matrice d e corrélatio n ains i qu'un e de s N pointe s (choisi e arbitrairement ) utilisé e pou r
calculer l a matrice . Ainsi , l a sélectio n de s canau x pa r cett e approch e intègr e l e critèr e
d'opposition de phase établi dans la définition d'un e pointe pour le présent projet .

i O
—n
CL
T- U _ u.
Û. < £& <

Figure 5.1 Sélection des canaux anti-corrélés.

5.2 Définition d e la fonction de détection

Dans l e context e d e l'épilepsie , le s signau x EE G s e présenten t sou s l a form e d e fichier s

numériques e t contiennen t plusieur s minute s d'enregistrement . L'EM D es t appliqué e à des
sections de signal de taille 2'^ échantillons temporels. Pour éviter les effets d e bords pouvant
être induit s pa r l'interpolatio n de s extrem a locau x e n débu t e t fin d e sectio n d e signal , o n

procède par fenêtres glissantes qui se superposent de — échantillons . Le premier et le dernier

quart de chaque fenêtr e es t extrait respectivemen t d e l a fenêtre précédent e e t de la suivante.
La Figure 5.2 schématise ce procédé.
 44

EMDFI 1 1 Sections conservées

1 1 Section s retirées

' ' ^ - ^
Fenêtre 1 | 1
Fenêtre 2 | 1
Fenêtre 3 1 1
...

Figure 5.2 Calcul de la fonction d e détection par fenêtres glissantes.

La fonction d e détection est construite à partir des IMF. On calcule d'abord l e pourcentage de
puissance spectral e p^entre 8 et 1 6 Hz pour chaqu e IMFk . En allant d u pourcentage l e plus
important ver s l e pourcentag e l e plu s faible , o n sélectionn e ensuit e le s IM F pou r atteindr e
80% d e l a puissanc e spectral e entr e 8 e t 1 6 Hz . À parti r de s énergie s de s n IM F ains i
sélectiormées e t d e leu r pourcentag e respectif s d e puissanc e spectral e entr e 8 et 1 6 Hz, o n
définit l a fonction d e détection F(t) comme une somme pondérée :

F(t) = pJ/MFi(ù)P+ P2|/MF2(t)|2 + ....-KpJ/MF„(ù)| ' (5.3 )

avec

^ P f c < 8 0 % (5.4 )
k=l

et
n+l

1
(5.5)
Pk > 80 %
fe = l

Par construction , cett e fonctio n doi t fair e apparaîtr e à traver s se s maxim a locau x le s
événements oscillatoire s don t l'amplitud e augment e d e faço n transitoir e dan s l a band e d e
fréquence 8-1 6 Hz . Initialemen t conçu e intuitivement , F(t ) s'es t avéré e particulièremen t
appropriée à l a détectio n automatiqu e d e pointe s épileptiques . L a Figur e 5. 3 présente un e
section d e signa l contenan t de s pointe s identifiée s pa r u n EEGe r ains i qu e l a courb e d e
 45

détection correspondan t à ces signaux . L e tracé d e la fonction d e détection F(t ) e n vis-à-vi s

des signau x EE G marqué s pa r u n EEGe r illustre , comm e o n l e voit su r l a Figure 5.3 ,
l'efficacité d e la fonction à détecter les pointes.

/TT\
-J 'K..-
F(t)
'-^-^-—'^'^.f^—'^

^\

Vv"^--*»..—.V'

•v-.r'

'•'•y
•\y^../j-v~^\f/^j'''^\j^. j ^ '

'- 7 sscQïides

Figure 5.3 Fonction de détection F(t) et signaux EEG.

À l'issu e d e l a phas e d e détection , le s maxim a locau x d e l a fonctio n d e détectio n seron t

considérés comm e de s marqueur s d e pointe s « putatives » . L a phas e d e sélectio n qu i sui t
consiste à sélectionner une partie de ces événements, en rendant l'approche plus spécifique .

5.3 Évaluation de la phase de détection : simulations réaliste s

Pour valider l a phase de détection o n crée un environnement contrôlé , c'est à dire un signa l
ne contenan t qu e d u brui t dan s leque l o n introdui t de s pointes . L'objecti f es t d e s'assurer .
 46

d'une par t qu e l'algorithm e détect e le s pointe s introduite s dan s l e signa l (sensibilité ) ; et

d'autre part, qu'il ne détecte pas les événements qui ne sont pas des pointes (spécificité) .

Le principe d e la simulation est de générer de s signaux aléatoires pour tous les canaux EE G
et d'y introduir e de s pointes extraites d e signaux réels. Le résultat es t un signal EEG simulé
où le s seule s corrélation s spatiale s son t due s au x pointes . O n génèr e u n signa l aléatoir e
(gaussien) auque l o n applique u n filtre passe bande d e 1 0 Hz à 20 Hz pour ressembler à un
signal d e base (auss i appel é « background » ) en EEG. Pour chaqu e capteur , c e signa l es t de
moyerme nulle et son écart type est un facteur de l'écart type de l'enregistrement initial . Dans
un premier temps, on utilise un facteur d'écar t type p = 0.1, de sorte que le signal soit de très
faible intensit é (d'écar t typ e di x foi s plu s faible ) au x endroit s qu i n e contiennen t pa s d e
pointes. Pou r évite r d'introduir e de s discontinuité s dan s l e signal , une fenêtr e d e Hammin g
est appliquée à chaque pointe. La figure suivant e décrit cette approche.

pointes

' 1 1
' _
1

Hamming o e -
\ ,'
- ,' ^' ,'
- 1 •• 1 l 1
0 5DD 1DQ0 1S0D 2000 2500 30 00

Signal aléatoire

Signal simul é

3000
—+
5 seconde s

Figure 5.4 Simulations réalistes : construction du signal.

 47

À la différence d u signal réel , le signal simulé , pa r définition , n e contient qu e de s pointe s

introduites explicitemen t dan s le signal. Un e foi s l e signal construit , o n effectue toute s le s
étapes de la phase de détection pou r obteni r F(t) . Pour avoi r un e bonn e vu e d'ensemble , la
Figure 5.5 montre la courbe de détection sur une fenêtre plus large que précédemment.

F(0 . m "
1 11 11 1 1
16

—;
12 : •

10 - -
S - -
6

4 : :
-
<iJ i L,
2

0 .i11
iA 1 1
Jl i AL
1
J ,u ,
11 1
07 08 0 9 1M 12 L3 M
- 1 2 seconde s Temps (échantillorœ ) <10 *

Figure 5.5 Courbe de détection de la simulation avec p = 0.1. Les points rouges
indiquent les pointes identifiées pa r l'EEGer.

Sur toutes les simulations, on observe que l'algorithme détect e toutes le s pointes introduite s
dans le signal et n'est pa s sensible au bruit simulé. Ce résultat n e reflète néanmoin s pas une
situation réelle puisque le rapport signa l sur bruit est plus élevé (l'écart typ e a été réduit par
un facteur dix) . Toutefois, en prenant le même écart type que le signal réel, toutes les pointes
sont encore détectées mais de nombreux autres événements également (voir Figure 5.6).

F(l). 1 0

12 -

10 -

t.t^,i.t^An/MjM*ti^ivh*.**éFi UMvU^JuL.A4u.ad.'«<L4MMMa.'^^
_L

-12 secondes Temps (éctiantillons)» 10'

Figure 5.6 Courbe de détection de la simulation avec p = 1. Les points rouges indiquent
les pointes identifiées par l'EEGer.
 48

L'algorithme es t don c trè s sensibl e mai s manqu e d e spécificité . C'es t pou r cett e raiso n
qu'une phas e d e sélection , qu i a pou r objecti f d'optimise r l a spécificit é d e l'algorithme , es t
nécessaire.
 CHAPITRE 6

MÉTHODOLOGIE - PARTI E 2 : SÉLECTION

La second e parti e d e l'algorithm e consist e à sélectionne r u n ensembl e d e « pointes

putatives » parm i le s événement s détectés . Ici , troi s critère s d e sélectio n son t proposé s : l e
maximum d'énergie de champ (GFP) , l e score de vraisemblance relati f au x pointe s
identifiées pa r l'EEGe r (ScV ) e t l'amplitude du maximum local su r la fonctio n d e détectio n
(Amax).

6.1 Identificatio n de s « vrais positif s »

Parmi le s événement s identifié s pa r le s maxim a locau x d e la courb e d e détection , certain s

correspondent au x pointe s initialemen t identifiée s pa r l'EEGer . Ce s événement s son t le s
« vrais positif s » . L e calcu l d e la fonctio n d e détectio n confèr e un e bonn e sensibilit é à
l'approche. Pa r conséquent , o n trouv e souven t de s événement s putatif s à proximit é de s
événements marqué s pa r l'EEGer . L e bu t d e cett e étap e es t d'identifie r lesquel s
correspondent à de s pointe s e t d e le s distingue r de s événement s identifié s seulemen t pa r
l'algorithme. O n choisi t d'inspecte r de s fenêtre s d e 50 0 m s autou r d e chaqu e marqueu r
identifié pa r l'EEGer . Troi s ca s d e figur e son t possibles . Dan s l e premie r cas , u n seu l
maximum loca l es t présent dan s la fenêtre d e 50 0 ms autou r d u marqueur. Ce t événemen t es t
alors considér é comm e u n vra i positif , c'est-à-dir e qu'i l a ét é détect é pa r l'algorithme , e t i l
correspond à un e point e marqué e pa r l'EEGer . Dan s l e deuxièm e cas , plusieur s maxim a
locaux s e trouven t dan s la fenêtr e autou r d u marqueur . Dan s c e cas , c'est l e maximu m loca l
dont l'amplitud e es t maximal e su r la fenêtr e qu i es t chois i comm e étan t u n vra i positi f
Notons qu e pou r moin s d e 1 % de s pointe s marquées , l a fonctio n d e détectio n n e présent e
aucun maximu m loca l dan s un e fenêtr e d e 50 0 ms . Dan s c e cas , aucu n événemen t n'es t
associé à ce marqueur, i l constitu e u n fau x négatif , c'est-à-dir e qu e l'algorithm e n e l e détect e
pas.
 50

Casi Cas 2 Cas 3

Un seul maximum à Plusieurs maxims locaux à Pas de maximum à
proximité du marqueur prûximité du rriarqueyr prûximllé du marqueur

5D<JrTi!5 5TOms 5TO ms

L
F(t)
X Vra i pcisHrf
I Marqueu r idantlfs é pai I EEGer
Temps (ms)

Figure 6.1 Les pointes de l'EEGer sur la fonction de détection : 3 cas de figure.

On recense ainsi un ensemble d'événements détectés uniquement par l'algorithme. L'objecti f

de l'étap e « sélection » de l'algorithme es t d'attribuer u n scor e à chacun d e ces événement s
putatifs permettant de les ordonner selon un critère de vraisemblance.

6.2 Calcul du score de vraisemblance

Pour chaque fenêtre détectée , on cherche à mesurer sa similarité avec l'ensemble de s pointes
identifiées pa r l'EEGer. 1 1 s'agi t de définir u n indice qui mesure la vraisemblance d e chaque
événement putatif par rapport à l'ensemble de s pointes marquées par F EEGer. C e critère de
similarité port e su r l a corrélation spatial e de s canaux . I l permet d e pondérer le s putatifs pa r
rapport à leu r similarit é e n term e d e corrélation s spatiale s ave c le s pointe s identifiée s pa r
l'EEGer. L e résultat de ce calcul est une valeur appelée score de vraisemblance. La métrique
choisie ic i es t l a matrice d e variance covarianc e C v calculée à partir de s pointes identifiée s
par l'EEGer. S étan t un e matric e N e x N e contenant le s échantillon s d e tou s le s capteur s
pendant une fenêtre de 250ms, on recentre les données par rapport à la moyerme :
 51

S = S- S (61 )
et on normalise :
S
S = (6.2 )
\\S\\
pour calculer Cv :

Le score de vraisemblance est ensuite définit par :

V(y) = Y C-if f (6-4 )

Où Y es t un événement putatif que l'on a recentré par rapport à la moyenne :

Y = y- y (6.5 )
et normalisé :
Y (6.6 )
Y=

Un scor e faibl e tradui t un e fort e similarit é entr e l e putati f e t le s pointe s d e l'EEGe r ca r i l

dépend d e l'invers e d e l a matric e d e variance-covariance . Cett e mesur e es t auss i appelé e
distance de Mahalanobis [36].

Le calcul d e Cv revient à faire l a moyenne des matrices de variance covarianc e de toutes les
pointes identifiée s pa r l'EEGer . O r chaqu e matric e d e varianc e covarianc e caractéris e le s
interactions entre les canaux d'une section de signal (ici 250 ms autour d'un marqueur). Il est
donc essentiel d e calculer cette matrice sur des événements alignés dans le temps les uns par
rapport au x autres . En effet, u n décalage temporel mêm e faible , mai s systématiqu e entr e le s
pointes, réduirai t l a significativit é d e l a matric e d e varianc e covarianc e moyenn e e t pa r l à
même, la précision du score de vraisemblance. Élaborée dans ce contexte, la stratégie décrite
dans la section suivante permet de recaler temporellement des événements similaires.
 52

6.3 Recalag e tempore l de s pointe s

Au cour s d u marquag e de s pointe s épileptiques , le s neurologue s choisissen t visuellemen t u n

point d e repèr e dan s l a point e épileptiqu e d e faço n arbitraire . Il s peuven t choisir , pa r
exemple, l e premie r pi c d e la pointe . Bie n qu e l a précisio n ave c laquell e il s identifien t
systématiquement ce s point s d e repèr e soi t remarquable , ell e demeur e néanmoin s visuelle .
Or, le s méthode s numérique s telle s qu e l e calcu l d'un e matric e d e varianc e covarianc e
requièrent un e bonn e précisio n numérique . C'es t dan s c e context e qu'un e stratégi e d e
recalage temporel de s pointes a été élaborée.

Le bu t es t d e détermine r l e déla i o qu'i l fau t applique r à chaqu e fenêtr e d e signa l S autou r

d'un événemen t pou r l'aligne r ave c un e référenc e prédéterminé e R . Ic i l a référenc e choisi e
est l a moyenn e de s pointe s identifiée s initialemen t pa r l'EEGer . Pou r chaqu e événemen t o n
translate l e signa l dan s l e temps, échantillon pa r échantillon, à droite puis à gauche. À chaqu e
pas (o u échantillon ) e , on calcul e u n scor e L(e ) entr e l e signal S(e ) et la référence R . Comm e
pour l e calcu l d u scor e d e vraisemblance , o n centr e a u préalabl e l e signa l e n lu i retiran t s a
moyenne (équatio n 6.1) . À la différenc e d u scor e d e vraisemblanc e calcul é à parti r d e l a
matrice d e varianc e covarianc e de s pointes , l e scor e d e recalag e utilis e l a matric e d e
corrélation entr e le s canaux C e (équation 5.2) . L'indic e p d u meilleu r scor e donn e la positio n
d'alignement optima l d u signal par rapport à la référence .

L(e) = trace{ y(e) ' C~'^y{e) ) (6.7 )

avec y ( e )= 5(e ) - R (6.8 )

p = Argmin eL(e ) (6.9 )

Comme pou r l e scor e d e vraisemblance , o n s'intéress e ic i au x score s d e plu s faible s

amplitudes. Plu s l e scor e es t faible , meilleu r es t l e recalage. E n pratique , o n n e recale qu e le s
événements qu i présenten t u n minimu m loca l su r la fonctio n défini e pa r le s score s d e
recalage L(e) .
 53

6.4 Éliminatio n de s doublon s

D'après l e critèr e tempore l défin i a u chapitr e 2 , l a duré e de s pointe s épileptique s qu e l'o n

cherche à détecte r es t d e 25 0 ms . O n e n conclu t qu e le s événement s qu i s e présenten t dan s
une fenêtr e d e 25 0 m s o u moin s corresponden t à un seu l putati f L'objecti f d e cett e étap e es t
donc d e filtrer le s événement s pou r évite r la redondanc e e t d e sélectionne r parm i le s
événements qui n e son t pas espacé s (dan s l e temps) d'a u moin s 25 0 ms , celui qu i correspon d
à l'événement putatif représentati f

Dans u n premie r temps , o n fai t u n recalag e tempore l te l qu e décri t précédemment . E n effet ,

on recal e tou s le s événement s détecté s e n utilisan t comm e référenc e l a moyenne de s pointe s
identifiées pa r l'EEGer . L e paramètr e e d e translatio n d u signa l à droit e e t à gauch e es t d e
125 m s pou r couvri r un e fenêtr e total e d e 25 0 ms . L e bu t es t d e fusionne r plusieur s
événements en un seul . À l'iss u d e cette étape, bien qu e certain s doublon s aien t ét é fusionné s
en étan t recalé s à l a mêm e position , i l subsist e de s événement s qu i s e succèden t dan s un e
fenêtre d e moins d e 250 ms .

Dans u n secon d temps , o n sélectionn e parm i le s événement s qu i appartiennen t à une fenêtr e

de proximité d e 250 ms, celui don t l'amplitude su r la fonction d e détection es t maximale .

6.5 Maximu m d e puissance d u champ globa l (GFP )

Pour compléte r la caractérisatio n d'u n événemen t putatif , o n défini t u n troisièm e indic e li é à

son amplitud e globale . L e calcu l d e Xa puissance globale du champ (GFP ) consist e à somme r
les énergies de tous les canaux :

GFP(t) = Y^St(ty (6.10)

Calculé pou r chaqu e événement , su r un e fenêtr e d e 25 0 ms , l e GF P constitu e un e

caractérisation supplémentaire . Ell e répon d e n effe t a u critère d'amplitud e défini t a u chapitr e
 54

2. O n filtre ainsi le s événements qu i ne sortent pas suffisamment d u bruit pour ne conserver

que les événements qui en émergent.

6.6 Évaluation de la phase de sélection : simulations réaliste s

En utilisant l e signal simul é décri t dan s l e chapitre précédent, o n évalue le s trois critères de
sélection : Amax, Sc V et GFP. On choisit un facteur d'écar t typ e p= l pou r être le plus près
possible d'u n signa l réel . Pou r chaqu e critèr e o n trac e l'histogramm e normalis é de s
événements e n faisant apparaîtr e le s vrais positifs (rouge) , et les événements détecté s (bleu).
Notons que dans le cadre de la simulation et au terme de la détection seulemen t ces derniers
sont de s « faux positif s » , c'est-à-dir e de s événement s qu i on t ét é détectés , mai s qu e l'o n
souhaite à présent filtrer.

• Ama x

Histogramme

Figure 6.2 Simulation réaliste : histogramme des Amax.

 55

Commentaires

Les distribution s de s « vrais positif s » e t de s événement s putatif s s e chevauchent . Cel a

signifie qu e certain s événement s qu i n e son t pa s de s pointes on t une amplitud e équivalent e à
celle d e certain s « vrais positif s » . Cec i tradui t un e faibless e d u critèr e Amax . Seul , i l n e
permet pas de filtrer le s « faux positif s » .

• Sc V

Histogramme

Figure 6. 3 Simulatio n réalist e : histogramme de s ScV .

Commentaires

L'histogramme de s Sc V fai t clairemen t apparaîtr e deu x distribution s distincte s pou r le s

« vrais positif s » et le s « faux positif s » . Ave c l e critèr e Sc V o n peu t don c filtrer le s « fau x
positifs » de l'ensembl e de s événement s détectés . Autremen t dit , o n peu t trouver u n seui l qu i
permet d e ne garde r que les « vrais positifs » .
 56

GFP

Histogramme

Figure 6.4 Simulation réaliste : histogramme des GFP.

Commentaires

La distribution des GFP des « vrais positifs » est beaucoup plus étendue que celle des « faux
positifs » en raison d e la faço n don t l e signa l a été construit . E n effet, lorsqu'i l n e présente
pas de pointes, le signal est de faible amplitud e puisqu'il n e contient que du bruit. Toutefois ,
le critèr e d e GF P perme t d e filtrer le s « faux positif s » e n terme s d'amplitude . L a
combinaison d e c e dernie r ave c celu i bas é su r l e critèr e ScV , constitu e u n filtre intégran t
similarité de corrélations spatiales et similarité d'amplitude.
 57

6.7 Conclusio n sur les critères de sélection des pointes putatives

Au term e d e l a sélectio n o n dispos e don c d'u n ensembl e d e « vrais positif s » e t d'u n

ensemble d'événements putatifs . A partir des « vrais positifs » on veut filtrer les événements
putatifs qu i n e corresponden t pa s à un e pointe . Cett e correspondanc e peu t s'établi r selo n
plusieurs critère s de similarité . Notamment, les critères que nous avons choisit : Le score de
vraisemblance Sc V (corrélation s spatiales ) e t l e maximu m d'énergi e d e cham p GF P
(amplitude).
À partir des « vrais positifs » on définit le s seuils de sélection : SGFP est le plus petit des GFP
des « vrais positif s » e t Ssc v es t l e plu s gran d de s score s de s « vrais positif s » . O n filtre
finalement le s événements que l'ont conserve (P) de sorte que :

PGFP>SGFP (6.11 )
et
Pscv<Sscv (6.12 )

Ainsi, pour chaque patient et à partir de pointes identifiées par un EEGer, on filtre l'ensemble
des événement s détecté s pa r l a première phas e d e l'algorithm e pou r n e conserve r qu e ceu x
qui réponden t au x critère s d'amplitud e e t d e similarit é défini t pa r le s équation s (6.11 ) e t
(6.12).
 CHAPITRE 7

RESULTATS

Ce chapitr e décri t dan s u n premie r temp s le s donnée s clinique s à parti r desquelle s

l'algorithme a pu êtr e testé. 1 1 présent e dan s u n secon d temp s le s résultats obtenu s dan s un
contexte cliniqu e réel . Outr e le s événement s putatif s obtenu s pou r quatr e patients , o n
compare ces événements ave c ceux identifiées pa r l'EEGer. Cett e comparaison es t basée sur
les topographies , le s morphologie s de s moyerme s ains i qu e l'activit é cérébral e
correspondante.

7.1 Donnée s expérimentale s

La validation de l'algorithme proposé dans ce mémoire a été réalisée en collaboration avec le

Dr. E . Kobayashi . Un e sélectio n d e quatr e enregistrement s a ét é fait e à partir de s dormée s
acquises dan s l e cadr e d'u n protocol e d e recherch e dirig é pa r l e Dr . Kobayashi . Plusieur s
rencontres ave c le s neurologue s on t permi s d'ajuste r l'algorithm e e t d e sélectionne r le s
enregistrements pour lesquels il pouvait s'avére r efficac e e t pertinent. Ainsi, en collaboration
avec les neurologues, les critères de sélection d'enregistrements suivant s ont été établis :

- le patient ne présente pas d'anomalie(s) anatomique(s ) connue(s ) (ayant subi t une chirurgie
par exemple) ;
- l'enregistrement contien t au moins 5 pointes identifiées par l'EEGer ;
- la morphologie des pointes est « classique », de type pointe et onde lente ;
- le s pointes son t caractérisée s pa r un e oppositio n d e phas e entr e deu x canau x d u montag e
« double banane » ;
- l e patien t n e présent e pa s un e épilepsi e généralisé e e t le s neurologue s cherchen t plu s
spécifiquement à localiser une région du cerveau à l'origine des crises.

On désigner a le s quatr e ca s sélectiormé s pa r leu r identifian t a u sei n d u protocol e : PA15 ,

PA47, PA65 et PA70. Lors d'un enregistrement , l e patient est en position allongée, les yeux
 59

fermés. Di x séquence s d e si x minutes son t enregistrées . L a fréquenc e d'échantillonnag e d u

système d'acquisitio n étai t 48 0 H z pour PA15 et 120 0 Hz pour le s autres. Pou r de s raison s
pratiques, on sous-échantillorm e par un facteur d e deux ce s derniers (cel a revient don c à un
échantillonnage d e 60 0 Hz) . Un e phas e d e prétraitemen t de s donnée s consist e à retire r l a
dérive basse fréquenc e su r tout l'enregistrement, soustrair e à chaque canal EE G la moyenne
de tou s le s canau x pou r obteni r u n montag e d e référenc e moyenn e e t filtrer le s signau x à
travers un filtre passe-bande de 0.3 Hz à 70 Hz. Tous les enregistrements ont été marqués par
un EEGe r dan s l e cadr e d e l'évaluatio n pré-chirurgical e pa r l a localisatio n de s source s
correspondantes à l a moyerm e de s pointes . Le s section s d e signa l correspondan t à un e
pulsation cardiaque sont exclues du processus de marquage.

7.2 Analys e des résultats obtenus

Dans l e bu t d e répondr e au x besoin s de s neurologues , le s résultat s d e l'algorithm e son t

présentés sous la forme suivant e : Pour chaque patient, la moyenne des pointes identifiées par
l'EEGer ains i que la topographie du pic d'amplitude maximal e son t montrées en vis-à-vis de
la moyenne e t topographi e de s pointes détectée s pa r l'algorithme . O n dorm e égalemen t le s
nombres de pointes moyennées.

Voici l'interprétation de s résultats obtenus pour chacun des patients :

 60

PA15

Illustration

Pointes identifiées par l'EEGer Événements putatifs

PA15

_» 0 2
Terres (ms) Temps (ms)

Figure 7.1 Résultats de l'analyse de PA15 : moyenne et topographie.

Commentaires

Les topographies d e PA15 sont très similaires. 11 sembl e donc que les 16 0 pointes détectée s
proviennent d'une activatio n de la même région que les pointes de l'EEGer. L a morphologie
des moyenne s es t égalemen t asse z similair e a u nivea u de s composante s d e plu s grande s
amplitudes (le pic, suivit de l'onde lente) . Néanmoins, on observe sur la moyenne des pointes
détectées, deux pics d'activité antérieur s à la première composante de la pointe. Bien que ces
pics soien t d e faible s amplitude s pa r rappor t au x composante s principale s d e l a pointe , il s
suscitent néanmoins l'intérêt de s neurologues. En effet, ce s événements antérieurs à la pointe
pourraient proveni r d e l a régio n spécifiqu e d u cervea u qu i initi e l'activit é épileptiqu e d u
patient.
 61

• PA4 7

Illustration

Pointes identifiées par l'EEGer Événements putatifs

PA47

D o ; 9 «. 2
Terres (ms) Temps (ms)

Figure 7.2 Résultats de l'analyse de PA47 : moyenne et topographie.

Commentaires

Les résultats d e l'analyse d e PA47 ne permettent pa s d'établir un e correspondance entr e le s

pointes marquée s pa r l'EEGe r e t le s événement s détectés . Bie n qu e le s morphologie s de s
moyennes soient très différentes, le s topographies à t=0 présentent des similitudes.
 62

PA65

Illustration

Pointes identifiées par l'EEGer Événements putatifs

»-N=24

PA65

0• M 0O i
Temps (ms) Temps (ms)

Figure 7.3 Résultats de l'analyse de PA65 : moyenne et topographie.

Commentaires :

Les topographies de s pointes et des putatifs son t globalemen t asse z similaires. On remarque
une singularit é à proximit é d e l'électrod e F4 . Ell e apparaî t su r le s deu x topographie s e t
traduit don c une activation similaire. Bien qu'elles présentent quelques différences a u niveau
de l'ond e lente , le s morphologie s de s pointe s e t de s putatif s son t globalemen t d e l a mêm e
forme.
 63

PA70

Illustration

Pointes identifiée s pa r l'EEGe r Événements putatif s

PA70

«« }
TeiTIflS (iTlS ) Temps (ma)

Figure 7.4 Résultats de l'analyse d e PA70 : moyenne et topographie.

Commentaires :

La topographie et la morphologie de la moyenne des pointes détectées sont très différentes d e

celles de s pointes identifiée s pa r l'EEGer . Cependant , c e résultat n' a ét é produit qu' à parti r
de 3 événements. I l es t don c très difficil e (e t risqué) d'e n tire r un e conclusion . Noton s qu e
pour ce patient l'EEGer a identifié deu x types de pointes qui seront décrites et discutées dans
la section 7.3.2.

7.3 Localisation de l'activité cérébrale

7.3.1 Princip e et définition d e la méthode utilisée

La localisatio n d e l'activit é cérébral e consist e à estime r l a o u le s source s d'activité s

bioélectriques qu i son t à l'origin e de s potentiel s enregistré s à l a surfac e d u crâne . O n
 64

distingue essentiellemen t deu x approche s : l'approch e « dipolaire » e t l'approch e

« distribuée ». L e princip e d e l'approch e « dipolaire » est d e modélise r l'activit é cérébral e
par un petit nombre de sources dans l'espace du cerveau, tandis que l'approche « distribuée »
la modélise su r un grand nombre de sources réparties su r l'ensemble d e la surface corticale .
Souvent utilisé e dan s le s protocole s d e recherch e e n neuropsychologie , l'approch e
« dipolaire » est assez imprécise du point de vue anatomique. L'approche « distribuée », plus
récente, suscit e d e plu s e n plu s d'intérê t d e l a par t de s neurologue s e t neurochirurgiens .
Développée a u sei n d e l'équip e d e recherche LATIS , la méthode d e localisatio n d e sources
dite par « IVIaximum d'Entropie su r la Moyenne » (MEM) appartient à cette catégorie. Cette
méthode a déjà ét é utilisée e t validée dans l e cadre du même protocole d e recherche qu e le
projet [30 ] e t e n particulie r pa r l e Professeu r Grov a don t le s travau x porten t su r l a
localisation d e source s de s pointe s épileptiques . I l parai t don c pertinen t d e présente r le s
résultats d'une telle localisation sur les événements obtenus par l'algorithme de détection.

7.3.2 Résultat s

On n e dispos e de s dormées ^ qu i permetten t d e calcule r l a localisatio n d e source s qu e pou r

trois patients : PA15, PA47 e t PA70. Les résultats d e ces localisation s son t présentés su r la
surface cortical e d e chaqu e patien t pa r un e cart e d e couleu r codan t l'intensit é d e l'activit é
neuronale estimée. Pour chaque patient, on présente les résultats de cette reconstruction à un
temps donné et sous un angle optimal pour visualiser l'activité estimée . Les seuils appliqués
à l a palette de s couleur s d e chaqu e reconstructio n on t ét é établi s d e faço n empirique . Pou r
faciliter l a lecture de s résultat s d e ce s reconstructions, o n distinguera le s reconstruction s d e
pointes identifiée s pa r l'EEGe r e t d'événement s putatifs , bie n qu'i l s'agiss e e n fai t d e l a
localisation d e source du signal moyen de ces événements. L'objectif d e cette analyse est de
comparer ce s reconstruction s pou r extrair e l'informatio n original e apporté e pa r le s
événements détectés par l'algorithme.

^ Ce s donnée s son t l a matric e d e gai n e t l e maillag e d u corte x obtenu s à parti r d'imag e pa r résonanc e
magnétique de bonne qualité.
 65

• PA1 5

Pour PA15 , on montre l e côté gauche de la surface cortical e à deux instants : le premier pic
puis l'onde lente . On ne montre que la partie gauche pendant toute la durée de la pointe car il
n'y a pas d'activité qu i se distingue du bruit dans la partie droite. On a choisit l e premier pic
et l'onde lent e car ce sont les instants auxquels l'activité domine.

Lors du premier pic (voi r Figure 7.1) , pour le s pointes identifiée s pa r l'EEGe r comm e pour
les événements putatifs, l'activit é dominant e est localisée su r le lobe temporal gauch e et une
activité d e moindr e importanc e (e n terme s d'amplitud e e t d'extension ) es t égalemen t
présente su r un e partie d u lob e frontal . Bie n qu e le s deu x reconstruction s soien t similaires ,
l'activité frontal e sembl e u n pe u plu s focal e e t es t d e plu s grand e amplitud e pou r le s
événements putatifs.

Pointes identifiée s pa r l'EEGe r Événements putatif s

(D

100 15 0 20 0
Temps (échantillons )

Figure 7.5 LocaUsation de sources : PA15 (premier pic).

 66

Sur l a reconstructio n d e l'ond e lent e (composant e plu s tardive) , qu e c e soi t pou r le s

événements marqué s pa r l'EEGe r o u le s événement s putatifs , l'activit é fronta l disparai t
quasiment tandis que l'activité temporale persiste.

Pointes identifiée s pa r l'EEGe r Événements putatif s

D x>i o 0
8
7
6
5

1
4
3
2
1
0

& ' lixe d m fixed I

x10 xlO

i
2
1.5 .
1- -
0.5- ^^^ ^\, •

0
^^S^^^^^m
-0.5
-1
-1.5
w
ni •

50 10 0 15 0 20 0 25 0 300 50 100 15 0 20 0 25 0 30 0
Temps (échantillons) Temps (échantillons)

Figure 7.6 Localisation de sources : PA15 (onde lente).

Que c e soi t pou r l e premie r pi c o u l'ond e lente , o n not e qu e l'amplitud e de s signau x es t

beaucoup moins importante pour les événements putatifs qu e pour les pointes identifiées pa r
l'EEGer. Toutefois , bien qu'elle soit de moindre intensité (d e facteur 3) , la configuration de s
sources d e ce s deu x type s d'événement s es t similaire . L a seul e différenc e notabl e es t un e
activité frontal e u n pe u plu s important e pou r le s événement s putatif s lor s d u premie r pic .
Bien que les reconstructions de sources de l'activité précoce (autour de 50 échantillons sur la
moyenne, soi t enviro n 100m s avan t l e premie r pic ) n e soien t pa s présentée s ic i (puisqu'i l
s'agit du même type d'activité qu e les deux reconstructions proposées), il est pertinent de les
 67

inclure dan s l a discussio n d e ce s résultats . L a reconstructio n d e cett e ond e précoc e fai t

apparaître (au même instant pour les pointes identifiée par l'EEGer) une activité de très faible
amplitude et localisée de façon très focale sur l'extrémité du lobe temporal.

À parti r d e c e résulta t conceman t l'ond e précoc e mesuré e su r le s événement s putatifs , o n

peut supposer que, durant une pointe, l'activité cérébral e de PA15 est initiée à l'extrémité d u
lobe temporal gauch e et s e propage non seulement su r le lobe temporal, mais également su r
la partie antérieure du lobe frontal gauch e pour se propager finalement dans le lobe temporal
de nouveau. L a seul e différenc e entr e le s pointes identifiée s pa r l'EEGe r e t le s événement s
putatifs es t un e activit é frontale , lor s d u premie r pic , u n pe u plu s important e pou r ce s
derniers. La localisation d e sources de s événements putatifs suggèr e don c un e investigatio n
plus approfondie d e l'activité frontale impliquée dans ce processus.

• PA4 7

Pour ce patient, on présente les localisations de sources lors du premier pic, de l'onde lent e et
de la fin de l'onde lent e pour faire apparaîtr e l'évolutio n d e l'activité cérébral e a u cours des
pointes. Seul l'hémisphère droit , qui présente toute l'activité pertinente, est présenté.

Sur l e premie r pic , l a reconstructio n de s pointe s identifiée s pa r l'EEGe r donn e lie u à un e

activité dominant e svu - le lobe temporal droi t et une activité de moindre intensit é su r l e lobe
frontal. E n revanche, pour le s événements putatifs, on observe une activité dominant e su r le
lobe frontal , quasimen t pa s d'activit é su r l e lob e tempora l e t un e faibl e activit é su r l e lob e
occipital (voir Figure 7.7).
 68

Pointes identifiée s pa r l'EEGe r Événements putatif s

xio
î) x10

I;
-9

A^J^
|io

-8
-B -4
(D: -3
-2
-1

lixed r^ fixed

xlO
1 1 •

0.5
1 1^
^ «^^^^ jX
•

-^^...-.-'T^ «» w
t>n«Çû2 a^^èSK
0 ^ ^ ^

^^ ^^É p^^^ \ ^ ^ ^ ^ ?!^§^m.

o.sy

-1 -
m
^ 1w
50 10 0 15 0 20 0 25 0 30 0 35 0 40 0 50 10 0 15 0 20 0 25 0 30 0 350 40 0
Temps (échantillons ) Temps (échantillons )

Figure 7.7 Localisation de sources : PA47 (premier pic).

Sur l'ond e lent e (Figur e 7.8) , l'activit é frontale , observé e su r l a reconstructio n de s

événements putatifs , persist e tandi s qu e l'activation d u lobe occipita l disparait . E n ce qu i
concerne le s pointes d e l'EEGer, le s activités localisée s su r le lobe tempora l e t sur le lobe
frontal s e distinguent plus nettement du reste de l'activité cérébrale .
 69

Pointes identifiées par l'EEGe r Événements putatif s

xlO (D
|l6
Is
Il4
I?
le
il/^iVv' s^
|l2
|5
910
-4
-8
-3
-6
-4 (D- -2
-1
-2

' lixe d !
r^^ fixed

xlO XlO

// A ,

â
4-
3-
It -
1 ^ ^ ^ &
1 '"^^^^^
/'^fg^ft

^^S^è^^^
1
1 [^1^*^
!^^^^5
2-
3.
4-

50 10 0 15 0 20 0 25 0 30 0 35 0 40 0 50 10 0 15 0 20 0 25 0 30 0 35 0 40 0
T e m p s (échantillons ) Temps (échantllons)

Figure 7.8 Localisation de sources : PA47 (onde lente).

Bien qu e l a configuration de s source s obtenue à partir de s événement s putatif s n e fasse pa s

apparaître l'activit é d u lobe temporal obtenu e avec les pointes de l'EEGer, ell e présente un e
activité frontal e persistant e (su r l e premie r pi c e t su r l'ond e lente ) qu i exist e su r l a
reconstruction de s pointe s d e l'EEGer . Ce s résultat s suggèren t don c un e investigatio n plu s
approfondie d e l'activit é d u lob e fronta l droi t d e c e patient . Noton s toutefoi s qu e l a
différence d e morphologi e entr e le s pointe s d e l'EEGe r e t le s événement s putatif s doi t
également êtr e analysée , e n passan t éventuellemen t pa r un e inspectio n visuell e e t
systématique d e ce s dernier s événement s pa r u n EEGer . C e type d e validatio n es t propos é
dans la section « pistes d'exploration » du dernier chapitre.
 70

PA70

Pour ce patient, l'EEGer a identifié deu x types de pointes : des pointes « temporo-frontales à
droite » e t de s pointe s « temporales à gauch e ». Ce s événement s on t ét é traité s
indépendamment e n considéran t à chaqu e foi s u n seu l typ e d e pointes . L'algorithm e n' a
détecté aucun événement « temporal gauch e » (« Left Tempora l » ou LT) en plus des quatre
initialement identifié s pa r l'EEGer , tandi s qu'i l a détect é troi s événement s « temporo-
frontaux droi t » (« Right Temporo-Fronta l » ou RTF) en plus des sept marqués par l'EEGer.
Avant d e poursuivr e l'analys e d e ce s résultats , noton s qu e l e nombr e d'événement s (auss i
bien ceux marqués par l'EEGer qu e ceux détectés par l'algorithme) es t très peu élevé . Il est
important de tenir compte de cette observation lors de l'interprétation de s résultats.

La Figure 7.9 montre les signaux des trois événements détectés à partir des pointes RTF.

Parmi ce s trois événements , le deuxième correspon d à une pointe L T marquée pa r l'EEGe r

tandis que les deux autres sont des événements putatifs détecté s uniquement par l'algorithm e
à parti r de s pointes d e type RTF . Par conséquent , o n mènera deu x analyse s distincte s pou r
traiter d'une part l'événement putatif 2 et d'autre part les événements putatifs 1 e t 3. Pour ces
deux analyse s o n montr e le s résultats de s localisations d e source s au x instant s o ù l'activit é
est dominante.
 71

XlO

Événement
putatif 1

100 200 300 40 0 500

XlO

Événement ^ ^ ^ ^ ^ k _^..«^«* ^ . ^
putatif 2 iï îT i •'['^iF'"ii 'it^rri'^rTiTTffiwiiiM'
-1
V1 1 1 1

100 200 30 0 40 0 500

XlO

Événement
putatif 3 0

100 20 0 30 0 40 0 50 0

=o l
3.>J
Temps (Echantillons )

Figure 7.9 Les trois événements putatifs

détectés pour PA70.

Puisque l'événemen t putati f 2 correspon d à une pointe de type LT identifiée pa r l'EEGer , i l

parait judicieu x e t adéqua t d e compare r l e résulta t d e l a localisatio n d e source s d e ce t
événement avec celui des pointes de type LT identifiées pa r l'EEGer. Ainsi , on observe, sur
la Figur e 7.10 . une activit é dominant e su r l e lob e temporal gauch e similair e pou r le s deu x
localisations, bien que de moindre intensit é pour l'événement putatif 2 . Cependant , l'unicit é
de l'événement comparé aux pointes de type LT peu nombreuses rend l'interprétation d e ces
résultats très incertaine.
 72

Pointes identifiées par l'EEGer Événement putati f 1

-lû

S) <10
C XlO

I:
-14
4

3.5
3
2.5

2
1.5
-6
•

1
ID 0.5
-4

A A -2
T W

© Hxed ' lixe d I

iI

i
^
xlO XlO
,-,,
^^^^ / BïïlV^ \ J K &^
gj^l^^^^gsj^^
^ S ^^^^yj m^ ^S^
- ^ ^
^^^r^
-5-

- 1 •
-10-

50 10 0 15 0 20 0 25 0 30 0 35 0 40 0 50 10 0 15 0 20 0 25 0 30 0 35 0 40 0

T e m p s (échantillons ) T e m p s (échantillons )

Figure 7.10 Localisation de sources : PA70 événement putatif 2 et pointes LT.

Pour le s événements putatifs 1 et 3, on compare la localisation d e sources de leur moyerme

avec celle des pointes RTF identifiées par l'EEGer, à partir desquelles l'algorithme a détectés
ces événements . L a Figure 7.1 1 montre, pour le s pointes RT F identifiée s pa r l'EEGer, une
activité dominant e su r le lob e tempora l droi t qu i s'étend partiellemen t su r le lobe fronta l
droh. Pour les événements putatifs 1 et 3, l'activité dominant e est située essentiellement sur
le lobe frontal et correspond exactement à l'activité frontal e vu e avec les pointes de l'EEGer .
Notons que , dans le s deu x cas , l'extension e t l'intensit é d e cett e activit é frontal e son t
quasiment identiques^ . Notons finalement qu e le rapport de l'activité frontal e e t de l'activité
temporale est inversé dans ces deux localisations.

' On rappelle ici que les couleurs qui codent l'intensité d e l'activation diffèren t pou r chaque figure.
 73

Pointes identifiées pa r l'EEGe r Événements putatif s

I"
0 XlO
C XlO

3.5

r
-1.5

(D
•?1.5
-1
-1 -0.5

-0.5

fixed lixed

XlO XlO
4 .
3
^y'7" M •

W^ -
^^^â
2 \^V j^^g^
1
^Ê'
IK^SSB^
0
-1 w% t^^'^mm. -"^^^
\jc^^ ^^5;;/^
-2 Wf ^
-3
-4
pi ,, , , 1
,;
•

100 15 0 20 0 25 0 30 0 35 0 40 0 50 10 0 15 0 20 0 25 0 300 35 0 40 0
Temps (échantillons ) Temps (échantillons )

Figure 7.11 Localisation de sources : PA70 événements putatif 1 et 3 et pointes RTF.

Bien que le nombre d'événements putatif s détecté s pour ce patient soi t très faible ( 0 pour la
classe de s L T e t 3 pour l a class e de s RTF) , i l es t néanmoin s cohéren t ave c l e nombr e d e
pointes identifiées pa r l'EEGer ( 4 pour la classe des LT et 7 pour l a classe des RTF). Parmi
les troi s événement s putatif s détecté s à parti r de s pointe s d e typ e RT F identifiée s pa r
l'EEGer, o n retrouve un événement identifié pa r l'EEGer dan s la seconde classe de pointes :
LT. Cette observation soulève deux questions :

- Pourquo i e t à que l nivea u d e l'algorithm e ce t événement , d e typ e LT , n'a-t-i l pa s ét é

distingué des pointes de type RTF ?
- Pourquo i l'algorithm e n' a détect é qu'u n seu l de s événements d e type L T parmi le s quatr e
identifiés par l'EEGer ?
 74

La répons e d e l a premièr e questio n repos e su r l a définitio n e t l'intégratio n de s critère s qu i

définissent un e pointe. Parm i ce s critères, ni la bande spectrale , n i la durée , ni l'amplitud e n e
peuvent distingue r le s événement s d e typ e L T de s événement s d e typ e RTF . L e scor e d e
vraisemblance, quan t à lui , mesur e la similarit é de s corrélation s spatiale s entr e le s capteur s
mais n e caractéris e pa s spécifiquemen t la distributio n spatial e d u signa l (topographie) . Pa r
conséquent, i l es t possibl e qu'u n événemen t d e type L T soi t détect é lor s d e la mise e n œuvr e
de l'algorithm e à partir de s pointe s d e typ e RTF . Un e classificatio n de s événement s putatif s
pourrait isole r ce s deux types d'événements .

En répons e à l a second e question , o n propos e l'hypothès e d'un e imprécisio n d e la métriqu e

permettant l e calcu l d u scor e d e vraisemblanc e (matric e d e variance-covariance ) lié e a u
faible nombr e d e pointes épileptiques identifiée s pa r l'EEGer .

Finalement, pou r ce s troi s patient s o n suggèr e l'exploratio n plu s approfondi e d e zone s qu i

sont active s lor s de s pointes marquée s pa r l'EEGer , mai s don t l'activit é n'es t pa s dominante .
Ces piste s d'exploration s on t pou r objecti f d'aide r le s neurologue s à mieu x comprendr e
l'épilepsie d e leur patient dan s le cadre de l'évaluation pré-chirurgicale .
 CHAPITRE 8

CONCLUSION ET PERSPECTIVES

8.1 Conclusio n

Le résultat d'un e interventio n chirurgical e e n épilepsie dépend e n grande partie de l'analys e

combinée de s résultats issu s de plusieurs modalités d'investigatio n (pa r exemple, l'Imageri e
Par Résonanc e Magnétiqu e Fonctionnelle ,l a magnétoencéphalographi eo u
l'électroencéphalographie). L'objecti f commu n de s équipe s qu i produisen t ce s résultat s es t
de caractériser , l e plu s précisémen t possible , l'activit é cérébral e pathogèn e d u patient . E n
EEG, cett e caractérisatio n pass e notammen t pa r l'analys e de s pointe s épileptiques .
L'inspection de s signau x EE G pou r identifie r ce s événement s es t longu e e t fastidieuse , e t
requiert l'expertis e de s neurologues. Ainsi, pour le s aider à accomplir plu s rapidement cett e
tâche, des algorithmes d e détection automatiqu e d e pointes on t v u l e jour. Néanmoins , à ce
jour, aucu n outi l n'es t parven u à satisfair e d e faço n unanim e le s neurologues . L a
méthodologie développé e lor s d e c e proje t propos e d'aide r efficacemen t le s neurologue s à
identifier d e façon semi-automatique , c'est-à-dire à partir de quelques spécimens, l'ensembl e
des événement s similaire s présent s dan s u n enregistrement . Chaqu e événemen t détect é es t
caractérisé en amplitude et par un indice de similarité relative aux spécimen s (indic e lié aux
corrélations inter-canaux) . L a réalisatio n d e c e proje t n' a pa s seulemen t consist é a u
développement d e l a méthodologie , mai s égalemen t à l a créatio n d e l'outi l logicie l qu i
permet sa mise en œuvre dans un contexte clinique réel.

La méthodologi e développé e a u cour s d e c e proje t propos e un e nouvell e approch e d e

détection automatiqu e d e pointe s épileptique s à parti r d e signau x EEG . Étudié e depui s l e
début des années soixante, cette problématique est toujours d'actualit é puisqu'à ce jour aucun
logiciel n e répon d complètemen t au x besoins de s neurologues e t ce , d e faço n unanime . L a
principale difficult é de s méthode s d e détectio n automatique s d e pointe s épileptique s résid e
dans la définition mêm e d'une pointe épileptique. Comme le propose le deuxième chapitre de
ce travail , i l s'agi t e n effe t d e défini r e t d e quantifie r le s caractéristique s d'un e point e
 76

épileptique. L e développemen t d e méthode s d e traitemen t d u signal , d e plu s e n plu s

performantes, motiv e l'émergenc e d e nouvelle s méthodologie s dan s c e domaine . Ainsi , l e
troisième chapitr e présent e le s différente s technique s disponible s à c e jour , comm e pa r
exemple, le s récente s méthode s d e décompositio n d u signa l tell e qu e l'EMD , décrit e dan s l e
quatrième chapitre . L a méthodologi e présenté e ic i s'articul e autou r d e deu x étape s : un e
phase d e détectio n e t un e phas e d e sélectio n qu i son t décrite s respectivemen t dan s l e
cinquième e t sixièm e chapitre . L a validatio n d e ce s deu x phases , réalisé e ave c de s
simulations réalistes , es t égalemen t décrite . Toutefois , un e validatio n réalisé e su r u n plu s
grand nombr e d e patient s devrai t permettr e d e mieu x mesure r la performanc e d e
l'algorithme. Finalement , dan s u n context e cliniqu e réel , l'algorithm e a ét é évalu é su r le s
enregistrements EE G d e 4 patients. Deux type s d'analyse s on t ét é réalisé s pou r compare r le s
signaux moyen s de s événement s putatif s vis-à-vi s d e ceu x de s pointe s marquée s pa r
l'EEGer : un e analys e topographiqu e e t morphologique , e t un e analys e pa r localisatio n d e
sources. Ce s résultat s son t présenté s dan s l e septièm e chapitre . L e tablea u suivan t récapitul e
les principales observation s pou r le s quatre patients étudiés ici.
 77

(U
T3
(D
Moyermes et topographies

1>
O on
B
O
-T3 gu
a>
o
a, (U Pointes de l'EEGer Pointes putatives
(U -e o Cl, S
-o op u O
eu tu

PA15 LT 63 160 10.5

PA47 RT 22 81 8.5

PA65 RT 25 327 4.5

PA70 LT
RTF

Tableau 2 : Tableau récapitulatif des résultats de l'algorithme pour quatre patients.

LT : temporal gauche ; RT : temporal gauche ; RTF : temporo-frontal droit .
 78

8.2 Piste s d'exploratio n

Certains résultat s (finau x o u intermédiaires ) produit s pa r ce t outi l logicie l pourraien t êtr e

mieux ajustés. On suggère en effet troi s pistes d'exploration future s :

- L a sélectio n autornatiqu e de s deu x canau x le s plu s anti-corrélé s a u débu t d e l a phas e d e

détection repos e su r l e calcul de la matrice de corrélation moyenn e de s pointes identifiée s
par l'EEGer. I l existe un risque de ne pas sélectionner les canaux d'intérêt d e l'EEGer, plu s
particulièrement lorsqu e l e nombr e d e pointe s identifiée s pa r l'EEGe r es t faible . Or ,
lorsqu'ils marquent les pointes, les EEGer identifient aisémen t ce s canaux. Il pourrait donc
être envisagé , dan s c e contexte , d e donne r l a possibilit é au x EEGe r d e défini r
manuellement les deux canaux à partir desquels la fonction d e détection est calculée.
- L e calcul d u GFP est réalisé échantillo n par échantillon e t seul l e maximum su r la fenêtr e
autour d e l'événemen t considér é caractéris e l'amplitud e ce t événement . Or , pou r
caractériser d e faço n plu s robust e u n événement , o n pourrai t envisage r d e moyenne r le s
valeurs de GFP d'une fenêtre centrée sur le maximum.
- Lors de la phase de sélection, les événements détectés sont filtrés par un seuillage combiné
des valeur s GF P e t Sc V associée s à chaqu e événement . Seul s le s événement s qu i s e
trouvent à l'intersection de s ensembles défini t pa r ce s seuil s son t conservés . L'analys e d e
l'influence indépendant e d e ce s deu x type s d e seuillag e ouvrirai t certainemen t d'aufre s
pistes d e recherche . Ell e permettrai t pa r exempl e d e segmente r le s événement s détecté s
selon un critère d'amplitude.

Ces élément s on t pou r objecti f d e suggére r le s piste s d'exploratio n initiale s e n vu e d u

développement de la méthode.

8.3 Perspective s

À plus lon g terme, il existe plusieurs perspectives d e développement d e la méthode. Quatr e

axes d'investigation son t ici proposés :
 79

Une validatio n pa r inspectio n visuell e de s événement s putatif s pa r u n EEGe r es t un e

perspective prioritair e qu i permettrai t d e quantifie r l a performanc e d e l'approche . O n
pourrait ains i compare r le s résultat s qu'ell e fourni t ave c ceu x de s approche s similaires . C e
type d e validation requier t néanmoin s un e inspectio n visuell e d e chaqu e événemen t détect é
par i m EEGer . Cett e inspectio n peu t êtr e longu e e t l'EEGer , souven t trè s sollicité , n e
dispose pas de beaucoup d e temps pour ce type d'analyse .
La méthod e d e reconstructio n d e source s MEM , proposé e a u chapitr e 7 , pou r explore r le s
résultats e n termes d'activation au niveau d e la surface corticale , pourrait êtr e substituée pa r
une autr e méthode. Le s résultats d'autre s méthode s d e localisation d e source s devraient êtr e
investigués e t mi s e n perspectiv e pa r rappor t au x résultat s obtenu s à parti r d e l a méthod e
MEM.
L'émergence d e la magnétoencéphalographi e (MEG ) dan s l e context e d e l'évaluatio n pré -
chirurgicale d e l'épilepsie , apport e deu x axe s d'exploratio n dan s l e context e d e l a
méthode : D'une part , lorsqu e le s signau x EE G son t enregistré s simultanémen t au x signau x
MEG, le s résultat s d e la détectio n automatiqu e de s pointe s su r le s signau x EE G pourraien t
être égalemen t exploré s à traver s le s signau x MEG . I l s'agi t simplemen t d e moyenne r le s
signaux ME G su r le s événement s détecté s à parti r d e l'EEG . D'autr e part , o n pourrai t
envisager un e adaptatio n d e l'algorithm e pou r détecte r le s pointe s e n MEG . Toutefois ,
l'analyse e t l a détectio n de s pointe s épileptique s e n ME G es t trè s récent e e t leu r
caractérisation demeur e très approximative .
Finalement, parallèlemen t a u développemen t d'algorithm e d e détectio n automatiqu e d e
pointes épileptiques , i l exist e u n domain e d'étud e dédi é à l a classificatio n de s pointes . Le s
algorithmes d e classificatio n d e pointes consisten t globalemen t à trier le s pointes selo n de s
critères prédéfini t pou r segmente r l'ensembl e de s pointe s e n plusieur s classes . L a
classification de s événement s détecté s pa r l'algorithm e apporterai t certainemen t un e
nouvelle perspectiv e à l'analys e de s résultat s obtenus . Pa r exemple , ell e serai t
particulièrement pertinent e dan s le cadre de l'analyse de s résultats d e PA70 .
 80

A travers la réalisation d e ce projet o n répond spécifiquemen t e t efficacement a u besoin des

neurologues de disposer d'u n outi l d'aide à la détection d e pointes épileptiques. On propose,
finalement, le s piste s d'exploration s e t le s perspective s qu i devraien t êtr e envisagée s e n
premier lieu dans le cadre de l'évolution de la méthodologie.
 LISTE D E RÉFÉRENCES BIBLIOGRAPHIQUE S

[1] VS M MedTec h System s Inc . 2006 . DataEditor, versio n 5.4.0 . Logiciel . Coquitlam ,
BC, Canada : VSM MedTec h System s Inc.

[2] Norde n E . Huang , Z . Shen , an d S . R . Long , M . C . Wu , E . H . Shih , Q . Zheng , C . C .

Tung, an d H . H . Liu . 1998 . Th e Empirica l Mod e Décompositio n an d th e Ifilber t Spectru m
for Nonlinea r an d Nonstationar y Tim e Série s Analysis . Proceeding s o f th e Roya l Societ y o f
London, Tome A , Volume 454 , Pages 903-995.

[3] Che n Z , Che n J , Qi u T . Shen g W u Y i Xu e Gon g Chen g Xu e Z a Zhi . 2007 . Spik e

extraction of epileptic waves in EEG based on EMD, vol. 24, n°5. Octobre, p. 973-977.

[4] Dubarry , A.S. , Grov a C , Kobayash i E. , Gotma n J . an d Lin a J.M . 2009 . Spike s
détection o n EE G recordings . Affich e présenté e à la conférenc e "Invers e proble m i n brai n
imaging and multimodal fusion" , a u CRM (Montréal , Canada) .

[5] J.R. G Carrie . 1972 . A techniqu e fo r analyzin g transien t EE G abnormalities .

Electroencephalography an d Clinica l Neurophysiology, vol . 32, n°2, Février, p. 199-201 .

[6] Gevins , A.S. , Yeager , CL. , Diamond , S.L. , Spire , J.P. , Zeitiin , G.M . & Gevins, A.H .
1975. Automate d analysi s o f th e electrica l activit y o f th e huma n brai n (EEG) : A progres s
report. IEE E Proc, vol . 63, n°10, p. 1382-1399 .

[7] F . H . Lope s d a Silva , A . Dijk , an d H . Smits . 1975 . Détectio n o f nonstationaritie s i n

EEGs usin g th e autoregressiv e mode l - A n applicatio n t o EEG s o f epileptics . CEAN :
Computerized EE G analysis , H. Kunkel an d G . Dolce , Eds. Stuttgart : Gusta v Fische r Verlag ,
p. 180-199 .
 82

[8] J . Gotma n an d P . Gloor. 1976 . Automatic récognitio n o f inter-ictal epilepti c activit y

in the huma n scal p EE G recordings . Electroencephalograph y an d clinica l neurophysiology ,
vol. 41, p. 513-529.

[9] Jonatha n J. Halford. 2009 . Computerized epileptifor m transien t détectio n in the scalp
electroencephalogram: Obstacle s t o progres s an d th e exampl e o f computerize d EC G
interprétation. Clinical Neurophysiology, vol. 120 , n°l 1, novembre, p. 1909-1915.

[10] Mahmou d El-Gohary , Jame s McNames , an d Siegwar d Elsas . 2008 . User-Guide d

Interictal Spik e Détection . Con f Pro c IEE E En g Me d Bio l Soc . 2008;2008:821-4 . 30t h
Aimual International IEEE EMBS Conférence Vancouver, British Columbia, Canada, August
20-24.

[11] Scot t B. Wilson, Ronald Emerson. 2002. Spike détection: a review and comparison of
algorithms. Clinical Neurophysiology, vol. 113 , n°12, décembre, p. 1873-1881.

[12] T . Kalayc i an d O . Ozdamar . 1995 . Wavele t preprocessin g fo r automate d neura l

network détectio n o f EE G spikes . IEE E Engineerin g i n Medici n an d Biology , p . 160-166 .
1995.

[13] Bas t T, Oezkan O , Rona S , Stippich C, Seitz A, Rupp A, Fauser S , Zentner J, Rating
D, an d Scher g M . 2004 . EE G an d ME G sourc e analysi s o f singl e an d average d intericta l
spikes reveals intrinsic epileptogenicity in focal cortical dysplasia. Epilepsia 45(6):621.

[14] Wilso n SB , Tume r CA , Emerso n RG , Scheue r ML . 1999 . Spik e détectio n II :

automatic, perception-based détection and clustering. Clin Neurophysiol, p. 110:404-11 .
 83

[15] Castellar o C , Favar o G , Castellar o A , Casagrand e A , Castellar o S , Puthenparampi l

DV, Salimben i CF . 2002 . A n artificia l intelligenc e approac h t o classif y an d analys e EE G
traces. Neurophysiol Clin., vol. 32, n°3, p. 193-214.

[16] Context-base d automate d détectio n o f epileptogeni c shar p transient s i n th e EEG :

élimination o f fals e positives . 1989 . Glove r J R Jr , Raghava n N , Ktona s PY , Fros t J D Jr .
IEEE Trans Biomed Eng. May, vol. 36, n°5, p.519-27.

[17] J.R . Glover , D.N . Varmazi s an d P.Y . Ktonas . 1990 . Continue d developmen t o f a
knowledge-based Syste m to detect epileptiform shar p transients in the EEG. Armu Conf IEEE
Eng Med Biol Soc vol. 12, pp. 1374-1375.

[18] B.L . Davey, W.R. Fright, G.J. Carroll and R.D. Jones. 1989 . Expert System approach
to détection of epileptiform activit y in the EEG. Med Biol Eng Comput vol. 27, p. 365-370.

[19] H.S . Liu , T . Zhan g an d F.S . Yang . 2002 . A multistage , multimetho d approac h fo r
automatic détection and classification o f epileptiform EEG . IEEE Trans Biomed Eng vol. 49,
p. 1557-1566 .

[20] Lotf i Senhadji , an d Fabric e Wendling . 2002 . Epileptic transien t détection : wavelets
and time-frequency approaches . Clinical Neurophysiology, vol. 32, n°3, June, p. 175-192.

[21] Goelz , H., Jones, R.D. & Bones, P.J. 2000. Wavelet analysi s o f transient biomédica l
signais an d it s applicatio n t o détectio n o f epileptifor m activit y i n th e EEG . Clinica l
Electroencephalography, vol . 31, p. 181 -191.
 84

[22] Va n Hes e P , Vanrumst e B , Hallez H , Carrol l GJ , Vonc k K , Jone s RD , et al . 2008.

Détection of focal epileptifor m event s in the EEG by spatio-temporal dipol e clustering. Clin
Neurophysiol, vol. 119, p. 1756-70.

[23] Flanagan , D. Agarwal, R. et Gotman, J. 2002. Computer-aided Spatia l Classificatio n

of Epileptic Spikes. Journal of Clinical Neurophysiology, vol. 19, n°2. Mars, p. 125-135.

[24] Jea n Gotma n e t Li-Ya n Wanga . 1992 . Stat e dépenden t spik e détection : validation .
Electroencephalography an d Clinical Neurophysiology. vol. 83, n°l, July, p. 12-18.

[25] Scherg , M., Ille, N., Bomfleth, H . and Berg, P. 2002. Advanced tools for digital EEG
review: virtua l sourc e montages , whole-hea d mapping , corrélation , phas e analysis .
J.Clin.NeurophysioI.

[26] Flandri n P . e t Goncalve s P . 2004 . Empirica l mod e décompositio n a s data-drive n

wavelet-like expansions. Intemationa l Journa l o f Wavelets, Multiresolution an d Informatio n
Processing, vol. 2, n°4, p. 1-20 .

[27] G . Rilling, P. Flandrin, P . Goncalves. 2003. O n Empirical Mod e Décomposition and

its algorithms. lEEE-EURASIP Workshop on Nonlinear Signa l and Image Processing NSIP-
03, Grado (I).

[28] Analys e de s signau x non-statiormaire s pa r Transformatio n d e Huang , Opérateu r d e

Teager-Kaiser, e t Transformatio n d e Huang-Teage r (THT ) 1-0 . Thèse . Jean-Christoph e
Cexus. 2005. 27-60.

[29] Rilling , G., P . Flandrin, P . Goncalves e t J.M. Lilly. 2007. Bivariate Empirica l Mod e
Décomposition. IEEE Sig. Proc. Lett., vol. 14, n°12, p. 936-939.
 85

[30] Grov a C , Daunizea u J. , Kobayash i E. . Bagshaw A.P. . Lin a J.M. , Dubea u F. , Gotma n
J. 2008 . Concordanc e betwee n EE G sourc e localizatio n an d simultaneou s EEG/fMR I studie s
of epileptic spikes . Neuroimage, vol . 39, n° 2, p.755-774.

[31] Edwar d B Bromfield . 2009 . "Epileptifor m Discharges" . eMedicine. E n ligne .

<http://emedicine.medscape.com/article/1138880-overview>. Consult é l e 1 3 mai 2010 .

[32] Coughlin , K. , e t K.K . Tung . 2004 . Empirical Mode Décomposition of Climate

Variability in the Atmospheric. chapitre 10. Hilbert-Huang Transform : Introduction and
Applications, worl d scientifi c publishin g : N . Huang & S. Shen édition .

[33] Kuch i P . 2003 . "Gai t Récognitio n Usin g Empirica l Mod e Décompositio n Base d
Feature Extraction" . Mémoir e d e maîtrise e n science, Arizona Stat e University, 9 5 p.

[34] Addai , A . 2003 . Bridg e senso r dat a analysi s usin g th e Hilbert-Huan g transform .
Rapport technique . Universit y o f lUinois-Urbana Champaign. 1 2 p.

[35] Cexu s J.C . e t A.O . Boudraa . 2004 . Teager-huan g analysi s applie d t o sona r targe t
récognition. Intemational Journa l o f Signa l Processing , vol 1 , Mars, p. 23-27.

[36 ] Mahalanobis , P C . 1936 . « On th e generalise d distanc e i n statistic s » . Proceedings o f

the National Institut e o f Science s o f India, vol. 2, n°l, p . 49-55.

[37] Daubechies , I . 1988 . Orthonorma l base s o f compacti y supporte d wavelets . Comm .

Pure Applied Math. , vol. 41, Novembre, p. 909—996.