Analyse et Diagnostic des Données Médicales Interprétation des Données issues de l’EEG

Abstract

La compréhension du fonctionnement du cerveau est l‘un des défis majeurs des neurosciences. Pour appréhender cet organe in vivo, de nombreux dispositifs se sont développés, parmi lesquels on trouve l'électroencéphalographie (EEG). Elle mesure directement d‘une manière non invasive les signaux du cerveau avec une haute résolution temporelle et fait le suivi de l'activité cérébrale pendant une tâche spécifique. Cette thèse s‘inscrit dans le contexte de l‘analyse et de la classification des signaux EEG. En particulier, nous nous intéressons à la détection automatique des crises épileptiques. La problématique principale ici est de garantir le plus haut taux de sensibilité. L‘étude bibliographique et l‘implémentation de la méthode basée sur la transformée en ondelettes menées ont permis de mieux comprendre le système de détection des crises et ses différents blocs. Elles ont notamment mis en évidence l‘avantage d‘utiliser une méthode spécifique au patient. Étant donné que les signaux EEG des crises d'un patient peuvent ressembler largement aux signaux EEG normaux d'un autre patient, une méthode spécifique au patient permet d'atteindre de meilleures performances que celles d'une méthode non spécifique au patient. Sur la base de ces constatations, nous avons proposé une nouvelle méthode spécifique au patient qui permet de choisir et de calibrer le nombre maximum de paramètres pour chaque patient. Le signal EEG observé est tout d‘abord décomposé en une somme de fonctions de mode intrinsèque (IMF) par la décomposition en mode empirique (EMD). Cette technique joue le rôle d‘un filtre non linéaire qui sépare les IMF pertinentes des IMF contenant le bruit et les artefacts. Ainsi, seules les IMF contenant des informations utiles pour la séparation entre les classes seront utilisées pour le reste du système. Dans la phase suivante, 14 caractéristiques sont utilisées comme représentation plus facile à interpréter du signal. L‘analyse discriminante linéaire, qui a prouvé son efficacité dans la littérature, a été utilisée pour séparer les segments épileptiques des segments sans crises. Finalement, l‘algorithme génétique a été utilisé pour la phase de calibrage des paramètres du système suivant le patient. Les résultats trouvés avec des données EEG réelles montrent que notre méthode proposée a surpassé plusieurs méthodes de la littérature.