EP4419007A1 - Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant - Google Patents

Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant

Info

Publication number
EP4419007A1
EP4419007A1 EP22808710.2A EP22808710A EP4419007A1 EP 4419007 A1 EP4419007 A1 EP 4419007A1 EP 22808710 A EP22808710 A EP 22808710A EP 4419007 A1 EP4419007 A1 EP 4419007A1
Authority
EP
European Patent Office
Prior art keywords
scalograms
candidate
scalogram
electroencephalographic signal
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP22808710.2A
Other languages
German (de)
English (en)
Inventor
Ludovic GARDY
Emmanuel BARBEAU
Christophe HURTER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Centre National de la Recherche Scientifique CNRS
Ecole Nationale de lAviation Civile ENAC
Universite de Toulouse
Original Assignee
Centre National de la Recherche Scientifique CNRS
Universite Toulouse III Paul Sabatier
Ecole Nationale de lAviation Civile ENAC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Centre National de la Recherche Scientifique CNRS, Universite Toulouse III Paul Sabatier, Ecole Nationale de lAviation Civile ENAC filed Critical Centre National de la Recherche Scientifique CNRS
Publication of EP4419007A1 publication Critical patent/EP4419007A1/fr
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/37—Intracranial electroencephalography [IC-EEG], e.g. electrocorticography [ECoG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia

Definitions

  • TITLE Method for selection of encephalographic signal portion, devices and corresponding program
  • the invention relates to the field of encephalographic data processing. More particularly, the invention relates to the processing of data originating from electroencephalograms obtained from patients in order to facilitate the search for anomalies within these electroencephalograms. More particularly still, the invention relates to the identification, detection and/or classification, within electroencephalographic signals, of signal portions comprising potential anomalies.
  • the electroencephalogram has been a tool of choice for practitioners in the research and identification of neurological pathologies, such as for example Parkinson's disease, Alzheimer's disease or even Epilepsy.
  • the advantage of the electroencephalogram is that it provides signals representative of encephalographic activity that can be analyzed and studied in order to detect abnormalities.
  • the signals can be obtained either through electrodes placed on the scalp of the patient (using an electrode helmet) or from electrodes implanted under the surface of the skull, or at the surface or deep in the brain tissue (this is called intracranial electroencephalography - iEEG).
  • intracranial electroencephalography - iEEG intracranial electroencephalography
  • an objective is to record one or more seizures (critical period) in the patient, spontaneous preferences, in order to characterize the epileptogenic network. It is also possible to search for electrophysiological markers of the network during interictal periods, that is to say outside of crises. The investigation of these markers is mainly carried out manually, by the practitioner, through visual explorations of cerebral activity. These markers are testimony to the epileptogenic activity of local regions or more extensive networks. They serve to guide clinical hypotheses by delineating epileptogenic and propagation zones. There are two main types of intercritical markers: intercritical spikes (PEIs) and high frequency oscillations (HFOs) and in particular Fast Ripples (FR).
  • PEIs intercritical spikes
  • HFOs high frequency oscillations
  • FR Fast Ripples
  • HFOs high-frequency oscillations
  • FR high-frequency oscillations
  • the problem, for the practitioner, consists in identifying these high frequency oscillations, in recordings of several consecutive hours.
  • a problem encountered with HFOs is that they take the form of very weak and local (ie localized) signals.
  • Increasing the scale makes the HFOs susceptible to being drowned out in the surrounding tumult, until they become undetectable.
  • to analyze 10 minutes of cerebral activity recorded on 10 channels it takes about 10 hours for the practitioner. In addition to being time-consuming, this activity is very laborious, difficult and subject to more or less significant cognitive biases on the part of the practitioner, resulting in notable differences in detection between practitioners.
  • One method consists of an automatic analysis of the signal, by using the technique of Dynamic Time Warping (Dynamic Time Warping - DTW) making it possible to measure the similarity between two sequences which can vary over time.
  • This method is effective when it comes to recognizing patterns that vary little in a relatively stable environment, but fails dangerously as the shape of the signal sought deviates from the request.
  • PEIs are events that put the DTW in difficulty because their spatio-temporal dynamics, and therefore their morphology, vary according to patients and brain areas where they are recorded, but also because they are found in EEG signals carrying many "false friends", which can resemble them and deceive the algorithm, such as K-complexes or spindles in periods of sleep.
  • Machine learning methods have the advantage of only determining the rules to apply to decide that an event belongs to one category or another, such as the PEI category if it has been trained on a sufficiently large number of examples. .
  • First-generation automatic detectors based solely on conventional techniques for processing the raw or filtered signal and the application of fixed or adaptive amplitude thresholds, have shown that they can partly respond to the problem (Staba et al., 2002 Gardner et al., 2007; Crupon et al., 2010; Zelmann et al., 2012). However, they are not competitive enough with a manual search process. The results obtained on simulated data are sometimes encouraging, but already insufficient knowing that the simulations used provide a quality signal, that is to say composed of relatively "clean" events and a stable baseline.
  • MOSSDET detector (Lachner-Piza et al., 2020), has been proposed, it uses support vector machines (SVM in English).
  • SVM support vector machines
  • the performance of MOSSDET is superior to that of other currently published detectors.
  • MOSSDET detects events even at a signal-to-noise ratio equal to 0 dB, which poses a problem in real conditions and on a noisy signal, since these events whose intensity or power does not exceed background activity can hardly really be considered as HFOs or FRs.
  • This excess sensitivity at low signal-to-noise ratio results in the detection of large amounts of false positives and is therefore problematic.
  • Other techniques based on deep learning have also been developed, but these are either based on very good quality data sets, or cause the emission of too many false positives, which does not facilitate the work of subsequent classification, as these false positives result in an increased workload for the practitioner.
  • One objective of the invention is to allow easier localization of areas of interest within an electroencephalographic signal extended over time. More particularly, there is proposed a method for selecting data from an electroencephalogram, said data being in the form of a set of starting scalograms, each scalogram of the set of starting scalograms being calculated from a portion of a previously acquired electroencephalographic signal. Such a method comprises: a step of extracting, from a set of starting scalograms, via an artificial neural network, a set of candidate scalograms;
  • the invention implements a neural network on the scalograms before the calculation of the characteristics on the portions of candidate signals resulting from the first selection by neural network.
  • This makes it possible to calculate the characteristics only on a reduced sample of signal portions and counter intuitively, to be more efficient on the processing of these large sets of data, and therefore more economical in terms of resources consumed.
  • the applicability of the method described here is not limited to epilepsy. More particularly, the method can be used for the treatment of other types of electroencephalographic signals and other pathologies than epilepsy.
  • the advantage of the method described is that it mixes deep learning and signal processing approaches in order to achieve a drastic reduction in false positives, which have limited the clinical use of the methods previously described.
  • said artificial neural network is a convolutional neural network.
  • said network of artificial neurons is pre-trained to detect rapid oscillations of the “fast ripples” type within the scalograms.
  • an objective is to localize high-frequency oscillations in a simple and effective manner in order to allow a notable improvement in the process of diagnosing epilepsies, thanks to a faster and more precise localization of the tissues at treat and/or operate.
  • the characteristics of the electroencephalographic signal portion which are calculated belong to the group comprising at least: its duration, its signal-to-noise ratio, the number of oscillations which make up the event, the amplitude of these oscillations, the shape of the oscillations.
  • the calculation of the scalograms of the set of starting scalograms comprises: a step of segmenting an electroencephalographic input signal, according to a predetermined segmentation duration, delivering a plurality of electroencephalographic signal portions; a step of spectral equalization of each electroencephalographic signal portion, delivering a plurality of equalized electroencephalographic signal portions; a step of calculating, from each portion of equalized electroencephalographic signal, a scalogram using a wavelet transform;
  • the calculation of the scalograms of the set of starting scalograms also comprises, for each scalogram obtained using a wavelet transform, a step of normalizing the scalogram.
  • the plurality of characteristics calculated within the electroencephalographic signal portion corresponding to the candidate scalogram comprises: a step of calculating a Hilbert envelope of the electroencephalographic signal portion; a selection step, within the Hilbert envelope, of all the points situated beyond the 97.5th percentile, called the set of extremes; a step of selecting all of the end points succeeding one another, without interruption greater than 2 ms and whose total duration is at least equal to 6 ms; and a step of calculating the amplitude and the number of positive peaks of the signal on all of the previously selected points.
  • the step of selecting the electroencephalographic signal portion of the candidate scalogram within an electroencephalographic signal selection data structure occurs when the average amplitude of the points of the set of previously selected points is at at least twice greater than the amplitude of all the other points of the Hilbert envelope and when at least four positive peaks are present on all the points previously selected.
  • the invention also relates to a device for selecting data from an electroencephalogram, said data being in the form of a set of starting scalograms, each scalogram of the set of starting scalograms being calculated from a portion of a previously acquired electroencephalographic signal.
  • a device comprises: means for extracting, from a set of starting scalograms, via a previously [trained, configured] artificial neural network, a set of candidate scalograms;
  • the invention also relates to an information medium readable by a data processor, and comprising instructions of a program as mentioned above.
  • the information carrier can be any entity or device capable of storing the program.
  • the medium may comprise a storage medium, such as a ROM, for example a CD ROM or a microelectronic circuit ROM, or even a magnetic recording medium, for example a diskette (floppy disk for fun) or a hard drive.
  • the information medium can be a transmissible medium such as an electrical or optical signal, which can be conveyed via an electrical or optical cable, by radio or by other means.
  • the program according to the invention can in particular be downloaded from an Internet-type network.
  • the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.
  • the invention is implemented by means of software and/or hardware components.
  • module may correspond in this document to a software component, a hardware component or a set of hardware and software components.
  • a software component corresponds to one or more computer programs, one or more sub-programs of a program, or more generally to any element of a program or software capable of implementing a function or a set of functions, as described below for the module concerned.
  • Such a software component is executed by a data processor of a physical entity (terminal, server, etc.) and is capable of accessing the hardware resources of this physical entity (memories, recording media, communication bus, electronic cards inputs/outputs, user interfaces, etc.).
  • a hardware component corresponds to any element of a hardware assembly (or hardware) able to implement a function or a set of functions, according to what is described below for the module concerned. It can be a programmable hardware component or with integrated processor for the execution of software, for example a circuit integrated, a smart card, a memory card, an electronic card for running firmware (firmware), etc.
  • FIG 2 describes the principle of generating scalograms from encephalographic signals
  • FIG 3 is an illustration of several encephalographic events in the form of scalograms
  • FIG 4 is an illustration of the architecture of the convolutional neural network used to implement the present technique in one embodiment. ;
  • FIG 5 describes the simplified architecture of a data processing device.
  • the inventors had the idea of combining both deep learning techniques, which make it possible to obtain a first set of recording of EEG signals corresponding to a certain number of criteria, and analytical signal processing techniques, implemented on this first set of recordings of EEG signals, to allow rejection of false positives.
  • the proposed technique operates in two complementary segregation stages: the first, based on deep learning, via a convolutional neural network for example, makes it possible to work on a large mass of input data, to keep only candidate signal portions. Then, in the second step, from the candidate signal portions, one or more signal analysis techniques are applied to determine whether or not this portion should be kept and tagged for subsequent analysis. The final objective is to provide a practitioner (or other complementary analysis device) only with the candidate portions which are most likely to comprise characteristics of interest.
  • the technique relates to a method for selecting data from an electroencephalogram (EEG), said data being in the form of a set of starting scalograms each scalogram of the set of starting scalograms being calculated from a portion of a previously acquired electroencephalographic signal, the method comprising: a step of extracting (E10), from the set of starting scalograms ( SOrig), via an artificial neural network, a set of candidate scalograms (Esc);
  • the electroencephalogram is intracranial, i.e. recorded from electrodes implanted in the cerebral cortex (stereo-electroencephalography (SEEG), which consists of implanting intracerebral electrodes at a patient, who remains hospitalized for ten days, during which his intracerebral activity is recorded continuously, on more than a hundred recording channels distributed in the cerebral structures suspected of being involved in a cerebral pathology), or on its surface
  • SEEG stereo-electroencephalography
  • the electroencephalogram can be obtained using a classic or high-density helmet (with a number of electrodes greater than 48).
  • the first step (E10) exploits the image processing capacity of a trained neural network to detect the trace of the events of interest (such as for example HFOs, FRs, non-sinusoidal shape of beta oscillations, increased power in the bands of delta (2-4Hz) and theta (4-8Hz) frequency, drop in posterior alpha (8-12Hz) and/or beta (13-30Hz) -Parkinson- or other events in the case of Alzheimer's disease or other neurodegenerative diseases) on a set of scalograms made from the signals of the electroencephalograms.
  • the trace of the events of interest such as for example HFOs, FRs, non-sinusoidal shape of beta oscillations, increased power in the bands of delta (2-4Hz) and theta (4-8Hz) frequency, drop in posterior alpha (8-12Hz) and/or beta (13-30Hz) -Parkinson- or other events in the case of Alzheimer's disease or other neurodegenerative diseases
  • the second step (E20) is implemented to verify the result at the output of the network and eliminate the false alarms (false positives).
  • This second step involves various quantitative analysis techniques of the portion of the original filtered signal having been used to create the candidate scalogram at the end of step E10.
  • characteristics of the candidate event of interest can be calculated: for example its duration, its signal to noise ratio or the number of oscillations that make up the event, the amplitude of these oscillations, the shape of the oscillations, etc. . This method works on large amounts of raw data, even noisy, at macro and micro scales.
  • the dual multi-step, multi-scale particularity of this process makes it possible to detect large quantities of events of interest without a prohibitive number of false positives contaminating the results.
  • An interpretation and/or classification (of the preselected data) can subsequently be carried out simply and quickly to characterize the zone of interest at the origin of these events of interest.
  • the method described makes it possible to use artificial intelligence processes to process, upstream, large quantities of data, delivering a set of candidate events of interest, the events of this set then being analyzed, in order to limit the amount of potential false positives. This greatly reduces the number of events that actually need to be analyzed to confirm or invalidate the presence of an anomaly.
  • the calculation of the scalograms from the signals can be more or less complex.
  • certain events such as HFOs, are characterized by an often relatively low signal-to-noise ratio (SNR). It may be necessary to reinforce the trace of these events in the “time-frequency” space and to apply a normalization of the events in question.
  • SNR signal-to-noise ratio
  • the calculation of the scalograms of the set of starting scalograms comprises: a segmentation step (A01) of an electroencephalographic signal input (SEE), according to a predetermined segmentation duration (dSp), delivering a plurality of electroencephalographic signal portions (EPSP); a spectral equalization step (A02) of each electroencephalographic signal portion of the PPSE, delivering a plurality of equalized electroencephalographic signal portions (PPSEE); a step of calculating, from each portion of equalized electroencephalographic signal, a scalogram using a wavelet transform, delivering a plurality of scalograms (PSco, SOrig).
  • the creation of the scalograms also includes a phase of association, in the marking database, of the original signal portions having served as the basis for the creation of the scalograms, so that obtaining the portion of original signal, from a candidate scalogram, is facilitated for the analytical processing of this signal portion.
  • the scalograms are obtained from the segmented signal over a short period (for example comprised between 300 ms and 500 ms, typically 400 ms).
  • the signal extraction time windows can be sliding, with an appropriate overlap period (for example 50 ms). This overlap can be reduced or increased in particular depending on the calculation resources available, just like the period of the segmented signal.
  • the raw signal can be (and often is) pre-whitened.
  • Pre-whitening also called spectral equalization, whitening or pre-emphasis
  • applied to the raw signal has the effect of removing the DC component of the signal and low frequencies.
  • FOBaD or Diff
  • x[n] x[n] — x[n — 1]
  • the power spectral densities obtained take into consideration the amplitude and the frequency of the oscillations in the signal.
  • the initial scalograms (resulting from the wavelet transform) can be normalized with the ZHO method, which has the effect of whitening the signal by equalizing the frequencies making up the background noise, which then becomes similar to white noise.
  • the ZHO parameter forces the real and imaginary coefficients to adopt a similar distribution across all frequencies.
  • This normalization technique can only be applied to short time windows. Otherwise, the normalization parameters may suffer from a bias that can cause performance deterioration.
  • the advantage of this method is that it is adaptive and does not require the definition of any baseline, which is interesting in the case of the present technique.
  • FIG. 3 illustrates the results of the processing applied to the signal portions in four different situations. More precisely, in figure 2, four events of 250 ms in the time-frequency domain. From left to right, we can observe a simultaneous intercritical spike with a fast ripple, a gamma oscillation ( ⁇ 80 Hz), a high frequency gamma oscillation (HG, 80-150 Hz) and a fast ripple alone (>200 Hz) .
  • the first line represents the raw signal, the second the pre-bleached signal.
  • the third line illustrates the raw scalogram, obtained by continuous wavelet transformation.
  • the last three lines illustrate the effect of different normalization techniques on the appearance of the scalograms.
  • ARIMA and Diff are two temporal signal pre-whitening techniques.
  • ZHO is the normalization technique applied directly to the scalogram as explained previously.
  • scalograms can suffer from a lack of information in real conditions, with misleading “patterns” (visual) resulting from non-pathological physiological variations, of artefactual origin or not. For this reason, the control of the candidate event of interest by calculating a certain number of characteristics thereof is preferred, according to the present disclosure.
  • the scalograms are supplied to a neural network, for example a convolutional neural network (CNN) whose objective is to “preselection” the scalograms potentially linked to abnormalities in the electroencephalographic signals.
  • CNN convolutional neural network
  • the convolutional neural network was previously trained. More particularly, the artificial neural network is trained on scalograms belonging to two categories: the first category comprises the events to be detected and the second category comprises events which are not those to be detected.
  • the network output layer is a layer delivering a binary result, depending on whether or not the event belongs to the category of events to be detected: "1", the event belongs to the category and "0" the event does not does not belong to the category.
  • Figure 4 illustrates an example convolutional network architecture as developed for implementing the present technique.
  • the numbers and digits represent convolutional network configuration items for this implementation.
  • the scalograms of the signal portions of the electroencephalograms to be studied are provided to the network, so that the latter classifies them in one or other of the categories previously defined.
  • the network performs a first classification (a first selection) based on the scalograms provided to it.
  • the signal portions having been used to generate the scalograms which have passed this preselection are then marked in the database (or in any other suitable data structure) and the second phase of the method is implemented: for each signal portion marked , a calculation of characteristics relating to this signal portion is performed.
  • the signal portions in question, on which these characteristics are calculated have been subjected to spectral equalization.
  • the characteristics measured depend on the anomaly considered.
  • the calculated characteristics are those which make it possible to better differentiate the event from the scalogram which has been the subject of the preselection by the neural network, considering that the scalogram is in some way an imperfect graphic representation of the event. , but a graphic representation carrying enough useful information for a preselection, insofar as it is sufficiently discriminating to eliminate the majority of the signal portions.
  • the scalogram carries global information on the signal portion. Who moreover, the preselection carried out using the proposed method, is carried out in a faster and more efficient manner than if each portion had to undergo intensive and complete calculations of multiple characteristics.
  • the threshold used to locate the remarkable events from the envelope, the sliding energy or the moving average can vary between the 95th percentile and the 99th percentile.
  • the use of the 95th percentile makes it possible to be very conservative (limit the omission of true positives), the use of the 99th percentile makes it possible to be very strict and facilitate the interpretation of the results, in particular by reducing the time necessary to sort out false alarms.
  • the points of the envelope, of the sliding energy or of the moving average which exceed the threshold can be grouped together when they are separated by less than 3 milliseconds, to form clusters.
  • the clusters of points can be kept if their total duration is within a duration that can vary from 6 to 8 ms.
  • the lower the chosen duration threshold the more conservative we are (risk of rejecting true positives decreases).
  • the higher the threshold the lower the probability of detecting false alarms.
  • the threshold can also be set automatically, so as to adapt to the dominant frequency bands in the detected event (for example automatically set at 6.6 ms for a dominant event at 600 Hz, which corresponds to 4 oscillatory cycles, or 4 peaks, at this frequency).
  • clusters can be grouped when the distance which separates them is within a duration which can vary from 2 to 8 ms.
  • This strategy has objective to consider as a single event, an "interrupted" oscillation, that is to say undergoing a more or less significant transitory loss of intensity on the filtered temporal signal, before regaining intensity.
  • the number of peaks contained in the time signal located "under" the envelope, the sliding energy or the moving average can vary between 2 and 6.
  • the portions of signal whose calculated characteristics lie within the intervals of prerequisite values are again marked in the database and labeled as candidates for further analysis.
  • This additional analysis the objective of which is to determine whether or not the signal portions are actually representative of a sought-after event, is then processed either by a practitioner (or any other authorized operator), or again analyzed and processed by an electronic device, for example implementing another neural network and/or any other suitable automated or semi-automated process.
  • the technique described makes it possible to provide them with automated tools for detecting pathophysiological anomalies, as a first approach, which reduces the number of signal portions to be analyzed by a factor of 250. In other words, one practitioner or another analysis device processes 250 times less data, without cognitive biases. Thus, out of the initial hundred million records, only four hundred thousand are processed "in depth" to determine whether or not they can be categorized as FR.
  • the FRs are distinguished from the PEIs by their low intensity, their shorter duration, their high frequency component and their periodic activity (3 or 4 periods at least). Since FRs are very short and local events, they are almost impossible to detect with the naked eye using conventional raw curve visualization tools. To observe them, it is necessary to use different types of simultaneous displays on the screen: the raw signal, the signal filtered between 200 and 600 Hz and possibly a scalogram, which quickly fills the space available on the screen. Especially since the time portions displayed are of the order of 400 to 600 ms. Only a few recording channels (3 to 6) can be viewed simultaneously, which makes the manual search for FRs very time-consuming and tedious for the user.
  • the first step is based on the visual appearance of the normalized scalograms.
  • a sequential detection in the signal is performed.
  • the scalogram is representative of an RF, it is retained as an event of interest.
  • the convolutional neural network (CNN) analyzes the scalograms, which are produced for frequencies between 200 and 600 Hz, by portions of 400 ms and sliding window (the way in which the scalograms are produced is described previously).
  • the second step of the detection process applies to reject false alarms.
  • the second step in this case of an FR, consists of a temporal signal analysis.
  • This step concerns a much smaller number of signals than the first, since it is only performed on condition that an event has passed the first filter implemented by the convolutional neural network.
  • the analysis is then carried to the location of the filtered signal concerned by the distinctive characteristic of the scalogram, to verify the oscillatory characteristics of the candidate FR.
  • Several elements are then checked: the amplitude must exceed that of the background noise, the oscillation must contain at least 4 periods and its duration must exceed 6.7 ms (4 oscillations at 600 Hz). If an event meets all the preceding criteria it is probably an FR and it is selected as such in a selection data structure created for this purpose.
  • the algorithm proceeds to this step through the quantification of the number of oscillations, the duration and the amplitude of the candidate event.
  • the Hilbert envelope of the signal is calculated over the entire time window considered, ie generally 400 ms. All the extreme points of the envelope, ie beyond the 97.5th percentile, are identified and compared. If several extreme points follow one another without interruption greater than 2 ms, they are considered as belonging to the same group. If a group of points meeting these criteria exceeds 6 ms, it is considered likely to harbor an FR under its envelope. If the average amplitude of the points of the envelope considered is at least twice greater than the amplitude of all the other points of the envelope, the second quantitative criterion is validated.
  • a peak detection function is applied to the signal portion contained under the envelope portion of interest. If the event consists of at least 4 positive peaks, the last criterion is validated. The event will be categorized as a true positive. If any of these criteria are not met, the event will be categorized as a false positive. Following this step, events categorized as “true positives” are retained and selected for further use (by a human operator or by a specialized complementary device).
  • this verification step is carried out by measuring the number of oscillations of the candidate FR and its amplitude, in order to eliminate false alarms.
  • the number of oscillations (N osc ) is estimated using a peak detection function.
  • the amplitude criterion is evaluated from the Hilbert envelope, by calculating a Z-score (Z env ) of amplitude between the average value of a portion of interest (x) and that of all the rest of the envelope (i).
  • Z env Z-score
  • the technique described makes it possible to use the micro SEEG signal, and to detect the FRs recorded at this scale in order to better map the epileptic zone.
  • this scale criterion (micro) adds an additional difficulty to an already extremely complex detection problem with the prior techniques
  • the technique of the invention makes it possible to process these data obtained using the micro electrodes without adding load. additional to the practitioner.
  • the electronic data processing device comprises a memory 51 comprising for example a buffer memory, a general processing processor 52, equipped for example with a microprocessor, and controlled by a computer program 53, and/or a secure memory 54, a secure processing processor 55, driven by a computer program 56, these processing units implementing encephalographic data processing methods as described previously to carry out pre-detection of events of interest.
  • a memory 51 comprising for example a buffer memory
  • a general processing processor 52 equipped for example with a microprocessor, and controlled by a computer program 53, and/or a secure memory 54
  • a secure processing processor 55 driven by a computer program 56, these processing units implementing encephalographic data processing methods as described previously to carry out pre-detection of events of interest.
  • the code instructions of the computer program 56 are for example loaded into a memory before being executed by the secure processing processor 55.
  • the processing processor 55 receives at least one encephalographic recording as input.
  • the secure processing processor 55 implements the steps of the method, in particular to obtain a data structure in which certain portions of encephalographic recordings are tagged according to the instructions of the computer program 56 to obtain a set of encephalographic signals that can be put available to a practitioner or a computer for viewing or additional processing.
  • the electronic encephalographic data processing device comprises, in addition to the memory 54, communication means, such as network communication modules, data transmission means and data transmission circuits between the various components of the device. data processing electronics.
  • the electronic device for processing encephalographic data (or the device implementing the techniques described) also has all the means necessary for implementing the methods, embodiments and variants described above.
  • the electronic device for processing encephalographic data comprises at least one data processing unit, one storage unit and at least one communication interface with a telecommunications network.
  • such a device comprises: these means for extracting, from a set of starting scalograms, via a previously [trained, configured] artificial neural network, a set of scalograms candidates (Esc);
  • these means can be general means or dedicated means.
  • the means of extraction, via a neural network can take the form of a dedicated and structured calculation unit for the implementation of artificial intelligence processing.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

L'invention se rapporte à un procédé de sélection de données issues d'un électroencéphalogramme (EEG), se présentant sous la forme d'un ensemble de scalogrammes de départ, chaque scalogramme étant calculé à partir d'une portion d'un signal électroencéphalographique, ledit procédé comprenant : - une étape d'extraction, par l'intermédiaire d'un réseau de neurones artificiels, d'un ensemble de scalogrammes candidats (Esc); Pour des scalogrammes candidats (Sc) de l'ensemble de scalogrammes candidats (Esc) : - une étape de calcul de caractéristiques de la portion de signal électroencéphalographique (So) correspondant au scalogramme candidat (Sc); et - lorsque la pluralité de caractéristiques se situent dans des intervalles de valeurs prérequis, une étape de sélection de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) au sein d'une structure de données de sélection de signal électroencéphalographique.

Description

TITRE : Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant
DESCRITPION
Domaine technique
L'invention se rapporte au domaine du traitement de données encéphalographiques. Plus particulièrement, l'invention se rapporte au traitement de données en provenance d'électroencéphalogrammes issus de patients afin de faciliter la recherche d'anomalies au sein de ces électroencéphalogrammes. Plus particulièrement encore, l'invention se rapporte à l'identification, à la détection et/ou au classement, au sein des signaux électroencéphalographiques, de portion de signal comprenant de potentielles anomalies.
Technique antérieure
Depuis de nombreuses années, l'électroencéphalogramme est un outil de prédilection des praticiens dans la recherche et l'identification de pathologies neurologiques, comme par exemple la maladie de Parkinson, la maladie l'Alzheimer ou encore l'Épilepsie. L'avantage de l'électroencéphalogramme est qu'il permet de disposer de signaux représentatifs de l'activité encéphalographique qui peuvent être analysés et étudiés afin de détecter des anomalies. Traditionnellement, les signaux peuvent être soit obtenus par l'intermédiaire d'électrode posées sur le cuir chevelu du patient (à l'aide d'un casque à électrode) soit à partir d'électrodes implantées sous la surface du crâne, soit à la surface soit en profondeur du tissu cérébral (on parle alors d'électroencéphalographie intracrânienne - iEEG). Ainsi, par exemple, l'étude des épilepsies pose plusieurs défis aux professionnels car elle peut prendre plusieurs formes et met en jeu des processus physiopathologiques spatiotemporels et multi-échelles complexes. Ainsi, pour localiser les zones cérébrales malades et procéder à leur éventuelle exérèse chirurgicale, les patients souffrants d'épilepsie pharmacorésistante doivent parfois être hospitalisés pendant plusieurs semaines consécutives. Leur activité encéphalographique est enregistrée par l'intermédiaire d'électrodes profondes, implantées directement à l'intérieur des structures cérébrales, dans l'objectif d'identifier une ou plusieurs zones épileptogènes (ZE). Ces enregistrements comprennent des périodes de repos et des périodes de crises qui sont enregistrées pour en étudier l'émergence, la dynamique et la sémiologie. La quantité et l'hétérogénéité des données qui sont récoltées au cours de l'hospitalisation posent un défi majeur aux praticiens pour établir un diagnostic. Jusqu'à présent, aucun outil automatisé n'existe pour les aider à réaliser des analyses parfois très longues et difficiles, en particulier sur les données d'électroencéphalographie (EEG) dont les volumes sont très importants. En effet, durant la période d'hospitalisation un objectif est d'enregistrer une ou plusieurs crises (période critique) chez le patient, de préférences spontanées, afin de caractériser le réseau épileptogène. Il est aussi possible de rechercher des marqueurs électrophysiologiques du réseau en périodes intercritiques, c'est-à-dire en dehors des crises. L'investigation de ces marqueurs est principalement réalisée manuellement, par le praticien, au travers d'explorations visuelles de l'activité cérébrale. Ces marqueurs sont des témoignages de l'activité épileptogène de régions locales ou de réseaux plus étendus. Ils servent à guider les hypothèses cliniques en délimitant les zones épileptogènes et de propagation. On distingue deux types de marqueurs intercritiques principaux : les pointes intercritiques (PEIs) et les oscillations à hautes fréquences (HFOs) et notamment des Ondulation Rapides (« Fast Riple » - FR). Des recherches récentes ont mis en évidence un lien entre des oscillations à hautes fréquences (HFOs en général et FR en particulier) apparaissant en période intercritique et un réseau épileptogène, voire un zone épileptogène elle- même. Le problème, pour le praticien, consiste à identifier ces oscillations à hautes fréquences, dans des enregistrements de plusieurs heures consécutives. En effet, un problème rencontré avec les HFOs est qu'ils prennent la forme de signaux très faibles et locaux (i.e. localisés). Plus on augmente l'échelle, plus les volumes et donc les populations neuronales capturées s'élargissent. Augmenter l'échelle rend les HFOs susceptibles d'être noyées dans le tumulte environnant, jusqu'à devenir indétectables. Ainsi, pour analyser 10 minutes d'activité cérébrale enregistrée sur 10 canaux, il faut environ 10 heures au praticien. En plus d'être chronophage cette activité est très laborieuse, difficile et soumise à des biais cognitifs plus ou moins importants de la part du praticien, entraînant des différences notables de détection entre les praticiens.
Ainsi, des méthodes de détection automatique d'anomalies, notamment des HFOs, ont été explorées ces dernières années, afin de faciliter et d'objectiver cette détection (i.e en supprimant les biais cognitifs des praticiens).
Une méthode consiste en une analyse automatique du signal, par utilisation de la technique de Déformation temporelle dynamique (an anglais Dynamic Time Warping -DTW) permettant de mesurer la similarité entre deux suites qui peuvent varier au cours du temps. Cette méthode La méthode est efficace lorsqu'il s'agit de reconnaître des patterns peu variables dans un environnement relativement stable, mais est dangereusement mise en échec à mesure que la forme du signal recherché s'éloigne de la requête. Les PEIs sont des événements qui mettent en difficulté le DTW car leur dynamique spatio-temporelle, donc leur morphologie, varie en fonction des patients et des zones cérébrales où elles sont enregistrées, mais aussi car elles se trouvent dans des signaux EEG porteurs de nombreux "faux-amis", pouvant y ressembler et tromper l'algorithme, comme les complexes-K ou les spindles en période de sommeil.
D'autres méthodes sont basées sur l'apprentissage automatique. Les méthodes d'apprentissage automatique ont l'avantage de déterminer seuls les règles à appliquer pour décider qu'un événement appartient à une catégorie ou à une autre, comme la catégorie PEI s'il a été entraîné sur un nombre d'exemples suffisamment important.
Les détecteurs automatiques de première génération, basés uniquement sur des techniques classiques de traitement du signal brut ou filtré et l'application de seuils d'amplitude fixes ou adaptatifs ont montré qu'ils pouvaient répondre en partie au problème (Staba et al., 2002; Gardner et al., 2007; Crépon et al., 2010; Zelmann et al., 2012). Néanmoins, ils ne sont pas suffisamment compétitifs vis-à-vis d'un processus de recherche manuelle. Les résultats obtenus sur données simulées sont parfois encourageants, mais déjà insuffisants sachant que les simulations utilisées fournissent un signal de qualité c'est-à-dire composé d'événements relativement "propres" et d'une ligne de base stable.
Des modèles d'apprentissage automatique ont donné naissance à une nouvelle manière d'appréhender le problème. Les paramètres discriminants des FRs sont parfois difficilement objectivables : un praticien sait qu'il y a un FR sur une portion de signal sans pouvoir forcément énoncer tous les éléments qui permettent de l'affirmer : il a appris à les reconnaître car ils sont excentriques par rapport à une norme, intégrée plus ou moins implicitement. Au cours d'un processus d'apprentissage, le modèle va lui aussi identifier et intégrer des critères discriminants qui lui permette de distinguer un événement d'intérêt comme un FR, d'autre types d'événements. Peu d'études ont encore vu le jour pour détecter des FRs, ou des marqueurs intercritiques (HFOs) en général, à partir d'algorithmes d'apprentissage automatique et encore moins à grande échelle.
Notamment un détecteur MOSSDET (Lachner-Pizaet al., 2020), a été proposé, il utilise des machines a vecteurs de support (SVM en anglais). Les performances de MOSSDET sont supérieures à celles des autres détecteurs actuellement publiés. De manière surprenante, cependant, MOSSDET détecte des événements même à un rapport signal/bruit égal à 0 dB ce qui pose un problème en conditions réelles et sur signal bruité, étant donné que ces événements dont l'intensité ou la puissance ne dépasse pas de l'activité de fond peuvent difficilement être réellement considérés comme des HFOs ou des FRs. Cet excès de sensibilité à faible rapport signal bruit se traduit par la détection de grandes quantités de faux positifs et est donc problématique. D'autres techniques à base d'apprentissage profond ont été développées également, mais ces dernières sont soit basées sur des jeux de données de très bonne qualité, soit provoquent l'émission de trop nombreux faux positifs, ce qui ne facilite pas le travail de classification ultérieur, car ces faux positifs entraînent une augmentation de la charge de travail pour le praticien.
En conclusion, les tentatives de détection automatique développées jusqu'à présent se sont heurtées à des difficultés bloquantes pour envisager à ce jour une utilisation en pratique clinique. Il est ainsi souhaitable de disposer d'une technique de détection d'anomalie qui puisse faciliter le traitement des grandes quantités de données telles qu'explicité précédemment tout en limitant la détection de faux-positifs, c'est-à-dire d'évènements du signal qui ne sont pas représentatifs des évènements que l'on cherche à détecter.
Résumé de l'invention
Un objectif de l'invention est de permettre une localisation plus aisée de zones d'intérêts au sein d'un signal électroencéphalographique étendu dans le temps. Plus particulièrement, il est proposé un procédé de sélection de données issues d'un électroencéphalogramme, lesdites données se présentant sous la forme d'un ensemble de scalogrammes de départ, chaque scalogramme de l'ensemble de scalogrammes de départ étant calculé à partir d'une portion d'un signal électroencéphalographique préalablement acquis. Un tel procédé comprend : une étape d'extraction, à partir ensemble de scalogrammes de départ, par l'intermédiaire d'un réseau de neurones artificiels, d'un ensemble de scalogrammes candidats ;
Pour au moins certains scalogrammes candidats de l'ensemble de scalogrammes candidats : une étape de calcul d'une pluralité de caractéristiques de la portion de signal électroencéphalographique correspondant au scalogramme candidat ; et lorsque la pluralité de caractéristiques de la portion de signal électroencéphalographique du scalogramme candidat se situent dans des intervalles de valeurs prérequis, une étape de sélection de la portion de signal électroencéphalographique du scalogramme candidat au sein d'une structure de données de sélection de signal électroencéphalographique.
Ainsi, à la différence d'une méthode simpliste consistant à utiliser un réseau de neurone pour différentier les caractéristiques du signal, l'invention met en œuvre un réseau de neurones sur les scalogrammes avant le calcul des caractéristiques sur les portions de signaux candidats issue de la première sélection par réseau de neurones. Cela permet de ne calculer les caractéristiques que sur un échantillon réduit de portions de signaux et contre intuitivement, d'être plus efficace sur le traitement de ces grands ensembles de données, et donc plus économes en ressources consommées. L'applicabilité de la méthode décrite ici n'est pas limitée à l'épilepsie. Plus particulièrement, la méthode peut être employée pour le traitement d'autres type de signaux électroencéphalographiques et d'autres pathologies que l'épilepsie. L'intérêt de la méthode décrite est qu'elle mixe les approches d'apprentissage profond et de traitement de signal afin d'aboutir à une diminution drastique des faux positifs, qui ont limité l'usage clinique des méthodes antérieurement décrites.
Selon une caractéristique particulière, ledit réseau de neurones artificiels est un réseau de neurones convolutif.
Selon une caractéristique particulière, ledit réseau de neurones artificiels est pré-entrainé à détecter des oscillations rapides de type « fast ripples » au sein des scalogrammes.
Plus particulièrement, dans un mode de réalisation spécifique, un objectif est de localiser des oscillations à hautes fréquences de manière simple et efficace afin de permettre une amélioration notable du processus de diagnostic des épilepsies, grâce à une localisation plus rapide et plus précise des tissus à traiter et/ou à opérer.
Selon une caractéristique particulière, les caractéristiques de la portion de signal électroencéphalographique qui sont calculées appartiennent au groupe comprenant au moins : sa durée, son ratio signal sur bruit, le nombre d'oscillations qui composent l'événement, l'amplitude de ces oscillations, la forme des oscillations.
Selon une caractéristique particulière, le calcul des scalogrammes de l'ensemble de scalogrammes de départ comprend : une étape de segmentation d'un signal électroencéphalographique d'entrée, selon une durée de segmentation prédéterminée, délivrant une pluralité de portions de signal électroencéphalographique ; une étape d'égalisation spectrale de chaque portion de signal électroencéphalographique, délivrant une pluralité de portions de signal électroencéphalographique égalisées ; une étape de calcul, à partir de chaque portion de signal électroencéphalographique égalisé, d'un scalogramme à l'aide d'une transformée par ondelette ;
Selon une caractéristique particulière, le calcul des scalogrammes de l'ensemble de scalogrammes de départ comprend en outre, pour chaque scalogramme obtenu à l'aide d'une transformée par ondelette, une étape de normalisation du scalogramme. Selon une caractéristique particulière, la pluralité de caractéristiques calculées au sein de la portion de signal électroencéphalographique correspondant au scalogramme candidat comprend : une étape de calcul d'une enveloppe d'Hilbert de la portion de signal électroencéphalographique ; une étape de sélection, au sein de l'enveloppe d'Hilbert, de l'ensemble des points situés au-delà du 97,5ème percentile, appelés ensemble des extrêmes ; une étape de sélection de l'ensemble des points extrêmes se succédant, sans interruption supérieure à 2 ms et dont la durée totale est au moins égale à 6 ms ; et une étape de calcul d'amplitude et de nombre de pics positifs du signal sur l'ensemble des points préalablement sélectionnés.
Selon une caractéristique particulière, l'étape de sélection de la portion de signal électroencéphalographique du scalogramme candidat au sein d'une structure de données de sélection de signal électroencéphalographique survient lorsque l'amplitude moyenne des points de l'ensemble des points préalablement sélectionnés est au moins deux fois supérieure à l'amplitude de tous les autres points de l'enveloppe d'Hilbert et lorsque au moins quatre pics positifs sont présents sur l'ensemble des points préalablement sélectionnés.
Selon un autre aspect, l'invention se rapporte également à un dispositif de sélection de données issues d'un électroencéphalogramme, lesdites données se présentant sous la forme d'un ensemble de scalogrammes de départ chaque scalogramme de l'ensemble de scalogrammes de départ étant calculé à partir d'une portion d'un signal électroencéphalographique préalablement acquis. Un tel dispositif comprend : des moyens d'extraction, à partir ensemble de scalogrammes de départ, par l'intermédiaire d'un réseau de neurones artificiels antérieurement [entraîné, configuré], d'un ensemble de scalogrammes candidats ;
Pour au moins certains scalogrammes candidats de l'ensemble de scalogrammes candidats : des moyens de calcul d'une pluralité de caractéristiques de la portion de signal électroencéphalographique correspondant au scalogramme candidat ; et des moyens de sélection de la portion de signal électroencéphalographique du scalogramme candidat au sein d'une structure de données de sélection de signal électroencéphalographique, lesdits moyens étant activés lorsque la pluralité de caractéristiques de la portion de signal électroencéphalographique du scalogramme candidat se situent dans des intervalles de valeurs prérequis.
L'invention vise aussi un support d'informations lisible par un processeur de données, et comportant des instructions d'un programme tel que mentionné ci-dessus.
Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une disquette (floppy disc pour le fun) ou un disque dur.
D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Selon un mode de réalisation, l'invention est mise en œuvre au moyen de composants logiciels et/ou matériels. Dans cette optique, le terme "module" peut correspondre dans ce document aussi bien à un composant logiciel, qu'à un composant matériel ou à un ensemble de composants matériels et logiciels.
Un composant logiciel correspond à un ou plusieurs programmes d'ordinateur, un ou plusieurs sous-programmes d'un programme, ou de manière plus générale à tout élément d'un programme ou d'un logiciel apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Un tel composant logiciel est exécuté par un processeur de données d'une entité physique (terminal, serveur, etc) et est susceptible d'accéder aux ressources matérielles de cette entité physique (mémoires, supports d'enregistrement, bus de communication, cartes électroniques d'entrées/sorties, interfaces utilisateur, etc).
De la même manière, un composant matériel correspond à tout élément d'un ensemble matériel (ou hardware) apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Il peut s'agir d'un composant matériel programmable ou avec processeur intégré pour l'exécution de logiciel, par exemple un circuit intégré, une carte à puce, une carte à mémoire, une carte électronique pour l'exécution d'un micrologiciel (firmware), etc.
Brève description des dessins
D'autres caractéristiques et avantages apparaîtront plus clairement à la lecture de la description suivante d'un mode de réalisation préférentiel, donné à titre de simple exemple illustratif et non limitatif, et des dessins annexés, parmi lesquels :
[Fig 1] décrit le principe général de la technique proposée ;
[Fig 2] décrit le principe de génération des scalogrammes à partir de signaux encéphalographique ;
[Fig 3] est une illustration de plusieurs évènements encéphalographiques sous la forme de scalogrammes ;
[Fig 4] est une illustration de l'architecture du réseau de neurone convolutif utilisé pour la mise en œuvre de la présente technique dans un mode de réalisation. ;
[Fig 5] décrit l'architecture simplifiée d'un dispositif de traitement de données.
Description détaillée
Rappels du principe
Comme indiqué précédemment, pour résoudre les problématiques actuellement rencontrées, notamment au niveau de la détection des faux positifs, les inventeurs ont eu l'idée de combiner à la fois des techniques d'apprentissage profond, qui permettent de d'obtenir un premier ensemble d'enregistrement de signaux d'EEG correspondant à un certain nombre de critères, et des techniques analytiques de traitement de signal, mises en œuvre sur ce premier ensemble d'enregistrement de signaux d'EEG, pour permettre un rejet des faux positifs. En d'autres termes, plutôt que de tenter, par l'intermédiaire d'une unique technique, d'obtenir un ensemble d'enregistrement comprenant uniquement des points d'intérêts effectifs, correspondants à l'ensemble des critères préétablis pour la détection de ces points ou de ces zones d'intérêt, la technique proposée fonctionne en deux étapes de ségrégation complémentaires : la première, à base d'apprentissage profond, par l'intermédiaire d'un réseau de neurones convolutif par exemple, permet de travailler sur une masse importante de données d'entrée, pour ne conserver que des portions de signal candidates. Puis, dans la deuxième étape, à partir des portions de signal candidates, on applique une ou plusieurs techniques d'analyse du signal pour déterminer si cette portion doit ou non être conserver et taguée pour une analyse ultérieure. L'objectif final est de ne fournir à un praticien (ou à un autre dispositif d'analyse complémentaire) que les portions candidates qui sont les plus susceptibles de comporter des caractéristiques d'intérêt. Cette manière de faire est contre-intuitive, puisque l'homme du métier aurait plutôt tendance à travailler d'abord sur l'analyse du signal, puis à fournir les portions analysées au réseau de neurones. Ce n'est pas la voie empruntée par les inventeurs, voie qui consiste à traiter en masse les données par l'intermédiaire d'un réseau de neurones, puis, une fois une présélection faite par ce réseau de neurones, à analyser plus finement les portions de signal candidates.
Ainsi, d'une manière générale, en relation avec la figure 1, la technique se rapporte à un procédé de sélection de données issues d'un électroencéphalogramme (EEG), lesdites données se présentant sous la forme d'un ensemble de scalogrammes de départ chaque scalogramme de l'ensemble de scalogrammes de départ étant calculé à partir d'une portion d'un signal électroencéphalographique préalablement acquis, le procédé comprenant : une étape d'extraction (E10), à partir de l'ensemble de scalogrammes de départ (SOrig), par l'intermédiaire d'un réseau de neurones artificiels, d'un ensemble de scalogrammes candidats (Esc) ;
Pour au moins certains scalogrammes candidats (Sc) de l'ensemble de scalogrammes candidats (Esc) : une étape de calcul (E20) d'une pluralité de caractéristiques (FeaSo) de la portion de signal électroencéphalographique (PSo) correspondant au scalogramme candidat (Sc) ; et lorsque la pluralité de caractéristiques de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) se situent dans des intervalles de valeurs prérequis, une étape de marquage (E30) de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) au sein d'une structure de données de marquage (StrMqSo) de signal électroencéphalographique.
En fonction des conditions de mise en œuvre opérationnelles, l'électroencéphalogramme est intracrânien, c'est-à-dire enregistré à partir d'électrode implantées dans le cortex cérébral (stéréo-électroencéphalographie (SEEG), qui consiste à implanter des électrodes intracérébrales à un patient, qui reste hospitalisé une dizaine de jours, au cours desquels son activité intracérébrale est enregistrée en continu, sur plus d'une centaine de canaux d'enregistrements répartis dans les structures cérébrales suspectées d'être impliquées dans une pathologie cérébrale), ou à la surface de celui-ci Dans l'autres situations, l'électroencéphalogramme peut être obtenu à l'aide d'un casque classique ou en haute densité (avec un nombre d'électrodes supérieur à 48). Il est ainsi proposé une approche écologique de pré-détection et ou de classification d'évènements d'intérêts en deux étapes visant à limiter par exemple le travail ultérieur visuel et manuel du praticien et/ou la charge de calcul pour un traitement automatisé ultérieur des évènements candidats. La première étape (E10) exploite la capacité de traitement des images d'un réseau de neurones entraîné à détecter la trace des évènements d'intérêt (comme par exemple HFOs, FRs, forme non sinusoïdale des oscillations bêta, puissance augmentée dans les bandes de fréquence delta (2-4Hz) et thêta (4- 8Hz), baisse de la puissance de l'alpha postérieure (8-12Hz) et/ou du bêta (13-30Hz) -Parkinson- ou autres évènements dans le cas de la maladie d'Alzheimer ou d'autres maladie neurodégénératives) sur un ensemble de scalogrammes fabriqués à partir des signaux de l'électroencéphalogrammes. Lorsqu'un évènement d'intérêt candidat est détecté par le réseau, à partir du scalogramme représentatif du signal de cet évènement d'intérêt candidat, la seconde étape (E20) est mise en œuvre pour vérifier le résultat en sortie du réseau et éliminer les fausses alarmes (faux positifs). Cette deuxième étape met en jeu différentes techniques d'analyses quantitatives de la portion du signal filtré d'origine ayant été utilisé pour créer le scalogramme candidat à l'issue de l'étape E10. Plusieurs caractéristiques de l'évènement d'intérêt candidat peuvent être calculés : par exemple sa durée, son ratio signal sur bruit ou encore le nombre d'oscillations qui composent l'événement, l'amplitude de ces oscillations, la forme des oscillations, etc. Cette méthode fonctionne sur de grandes quantités de données brutes, mêmes bruitées, aux échelles macro et micro. La double particularité multi-étapes, multi-échelles de ce procédé permet de détecter d'importantes quantités d'évènements d'intérêt sans qu'un nombre rédhibitoire de faux positifs ne contamine les résultats. Une interprétation et/ou classification (des données présélectionnées) peut ultérieurement être réalisée simplement et rapidement pour caractériser la zone d'intérêt à l'origine de ces évènements d'intérêt. Ainsi, la méthode décrite permet d'utiliser des processus d'intelligence artificielle pour traiter, en amont, de grandes quantités de données, délivrant un ensemble d'évènements d'intérêt candidats, les évènements de cet ensemble étant ensuite analysées, afin de limiter la quantité de faux positifs potentiels. On réduit ainsi fortement le nombre d'évènements devant effectivement être analysés pour confirmer ou infirmer la présence d'une anomalie. En fonction des modes de réalisation, et de l'objectif visé, le calcul des scalogrammes à partir des signaux peut être plus ou moins complexe. Par exemple, certains évènements, comme les HFOs sont caractérisées par un ratio signal sur bruit (SNR) souvent relativement faible. Il peut être nécessaire de renforcer la trace de ces évènements dans l'espace « temps-fréquence » et d'appliquer une normalisation des évènements en question. D'une manière générale, les scalogrammes sont obtenus de la façon suivante, décrite en relation avec la figure 2. Ainsi le calcul des scalogrammes de l'ensemble de scalogrammes de départ comprend : une étape de segmentation (A01) d'un signal électroencéphalographique d'entrée (SEE), selon une durée de segmentation prédéterminée (dSp), délivrant une pluralité de portions de signal électroencéphalographique (PPSE) ; une étape d'égalisation (A02) spectrale de chaque portion de signal électroencéphalographique de la PPSE, délivrant une pluralité de portions de signal électroencéphalographique égalisées (PPSEE) ; une étape de calcul, à partir de chaque portion de signal électroencéphalographique égalisé, d'un scalogramme à l'aide d'une transformée par ondelette, délivrant une pluralité de scalogrammes (PSco, SOrig).
Par ailleurs, la création des scalogrammes comprend également une phase d'association, dans la base de données de marquage, des portions de signal d'origine ayant servi de base à la création des scalogrammes, de sorte que l'obtention de la portion de signal d'origine, à partir d'un scalogramme candidat, soit facilité pour le traitement analytique de cette portion de signal.
Dans un cas général, les scalogrammes sont obtenus à partir du signal segmenté sur une période courte (par exemple comprise entre 300 ms et 500 ms, typiquement 400 ms). En fonction des modes de réalisation, les fenêtres temporelles d'extraction du signal peuvent être glissantes, avec une période de recouvrement adaptée (par exemple 50 ms). Ce recouvrement peut être diminué ou augmenté notamment en fonction des ressources de calcul disponibles, tout comme la période du signal segmenté.
Une fois segmenté, le signal brut peut être (et est souvent) pré-blanchi. Le préblanchissement, aussi appelé égalisation spectrale, blanchissement ou pré-accentuation, appliqué au signal brut a pour effet de supprimer la composante continue du signal et des basses fréquences. Plusieurs méthodes sont envisageables. Cependant, les inventeurs ont décidé de privilégier la méthode FOBaD (ou Diff) pour « first-order backward differencing », pouvant s'exprimer selon l'équation suivante où x est le signal pré-blanchi et n la position d'une valeur dans le signal. x[n] = x[n] — x[n — 1]
Des scalogrammes initiaux sont obtenus après transformation en ondelettes du signal x pré-blanchi.
Les densités spectrales de puissance obtenues prennent en considération l'amplitude et la fréquence des oscillations dans le signal.
En fonction des caractéristiques initiales des évènements à détecter, les scalogrammes initiaux (issus de la transformée par ondelettes) peuvent être normalisés avec la méthode ZHO ayant pour effet de blanchir le signal en égalisant les fréquences composant le bruit de fond, qui devient alors similaire à du bruit blanc. Plus le signal d'intérêt exhibe une puissance spectrale importante, plus sa puissance est surestimée par le z-score et sa trace renforcée, pour un SNR optimisé (N. Roehri, 2016).
Le paramètre ZHO force les coefficients réels et imaginaires à adopter une distribution similaire au travers de toutes les fréquences. Cette technique de normalisation ne peut s'appliquer qu'à de courtes fenêtres temporelles. Autrement, les paramètres de la normalisation peuvent subir un biais qui peut provoquer une détérioration de la performance. L'avantage de cette méthode est qu'elle est adaptative et ne nécessite la définition d'aucune ligne de base, ce qui est intéressant dans le cas de la présente technique.
La figure 3 illustre les résultats des traitements appliqués sur les portions de signal dans quatre situations différentes. Plus précisément, en figure 2, quatre événements de 250 ms dans le domaine temps-fréquence. De gauche à droite, on peut observer une pointe intercritique simultanée avec un fast ripple, une oscillation gamma (<80 Hz), une oscillation gamma de haute fréquence (HG, 80-150 Hz) et un fast ripple seul (>200 Hz). La première ligne représente le signal brut, la seconde le signal pré-blanchi. La troisième ligne illustre le scalogramme brut, obtenu par transformation en ondelettes continue. Les trois dernières lignes illustrent l'effet de différentes techniques de normalisation sur l'aspect des scalogrammes. ARIMA et Diff sont deux techniques de pré-blanchissement du signal temporel. ZHO est la technique de normalisation appliquée directement sur le scalogramme tel qu'exposé précédemment.
Une possibilité envisagée par les inventeurs aurait été de fournir ces scalogrammes directement à un réseau de neurones pour identification. Cependant, à eux seuls, les scalogrammes peuvent souffrir d'un manque d'informations en conditions réelles, avec des « patterns » (visuels) trompeurs issus de variations physiologiques non-pathologiques, d'origine artéfactuelle ou non. Pour cette raison, le contrôle de l'évènement d'intérêt candidat par calcul d'un certain nombre de caractéristiques de celui-ci est privilégié, selon la présente divulgation.
Une fois les scalogrammes créés, ils sont fournis à un réseau de neurones, par exemple un réseau de neurones convolutif (CNN) dont l'objectif est de « présélectionner » les scalogrammes potentiellement liés à des anomalies des signaux électroencéphalographiques. À cette fin, le réseau de neurones convolutif a préalablement été entraîné. Plus particulièrement, le réseau de neurones artificiels est entraîné sur des scalogrammes appartenant à deux catégories : la première catégorie comprend les évènements à détecter et la seconde catégorie comprend des évènements qui ne sont pas ceux à détecter. La couche de sortie du réseau est une couche délivrant un résultat binaire, selon que l'évènement appartient ou non à la catégorie de évènements à détecter : « 1 », l'évènement appartient à la catégorie et « 0 » l'évènement n'appartient pas à la catégorie.
La figure 4 illustre un exemple d'architecture de réseau convolutif tel que mis au point pour la mise en œuvre de la présente technique. Les nombres et chiffres représentent les éléments de configuration du réseau convolutif pour cette mise en œuvre.
Puis les scalogrammes des portions de signal des électroencéphalogrammes à étudier sont fournis au réseau, afin que celui-ci les classe dans l'une ou l'autre des catégories précédemment définies.
Le réseau effectue un premier classement (une première sélection) sur la base scalogrammes qui lui sont fournis. Les portions de signal ayant servi à générer les scalogrammes qui ont passé cette présélection sont alors marquées en base de données (ou dans toute autre structure de données adéquate) et la deuxième phase de la méthode est mise en œuvre : pour chaque portion de signal marquée, un calcul de caractéristiques relatives à cette portion de signal est effectué.
D'une manière générale, comme précédemment indiqué, les portions de signal en question, sur lesquelles ces caractéristiques sont calculées, ont fait l'objet d'une égalisation spectrale. Les caractéristiques mesurées dépendent de l'anomalie considérée. Ainsi, les caractéristiques calculées sont celles qui permettent de mieux différentier l'évènement par rapport au scalogramme qui a fait l'objet de la présélection par le réseau de neurones, considérant que le scalogramme est en quelque sorte une représentation graphique imparfaite de l'évènement, mais une représentation graphique porteuse de suffisamment d'informations utile à une présélection, dans la mesure où elle est suffisamment discriminante pour éliminer la plupart des portions de signal. Par ailleurs le scalogramme est porteur d'informations globales sur la portion de signal. Qui plus est, la présélection réalisée à l'aide de la méthode proposée, est effectuée de manière plus rapide et plus efficace que si chaque portion devait subir des calculs intensifs et complet de multiples caractéristiques. En d'autres termes, passer par une présélection à base de réseau de neurones permet de dépenser moins de temps et moins d'énergie à discriminer, même imparfaitement, les portions de signal que de devoir appliquer, sur chaque portion de signal, des traitement analytiques complexes. Ainsi, la technique mise au point permet d'être plus efficace et plus précis dans le traitement de ces grands ensembles de données que ne le sont les techniques existantes.
Plusieurs techniques peuvent être utilisées pour identifier les portions remarquables du signal temporel filtré : enveloppe d'Hilbert (par défaut), enveloppe de Hann, énergie glissante, moyenne mobile. Ces différentes mesures sont plus ou moins fortement corrélées, ainsi l'utilisation de l'une ou l'autre peut avoir de l'influence sur la suite des opérations, notamment en fonction des évènements qui sont activement recherchés.
En fonction des modes de réalisation, le seuil utilisé pour localiser les événements remarquables à partir de l'enveloppe, de l'énergie glissante ou de la moyenne mobile peut varier entre le 95ème percentile et le 99ème percentile. Plus le seuil est élevé, plus le nombre de fausses alarmes diminue au prix d'une perte de vrais positifs. L'utilisation du 95ème percentile permet d'être très conservateur (limiter l'omission de vrais positifs), l'utilisation du 99ème percentile permet d'être très strict et faciliter l'interprétation des résultats, en particulier en réduisant le temps nécessaire à trier les fausses alarmes.
En fonction des modes de réalisation, les points de l'enveloppe, de l'énergie glissante ou de la moyenne mobile qui dépassent le seuil peuvent être groupés lorsqu'ils sont séparés par moins de 3 millisecondes, pour former des clusters.
En fonction des modes de réalisation, les clusters de points peuvent être conservés si leur durée totale se situe dans une durée pouvant varier de 6 à 8 ms. Plus le seuil de durée choisi est faible, plus on est conservateur (risque de rejeter des vrais positifs diminue). Plus le seuil est élevé, plus on diminue la probabilité de détecter des fausses alarmes. Le seuil peut aussi être fixé automatiquement, de manière à s'adapter aux bandes de fréquences dominantes dans l'événement détecté (par exemple fixé automatiquement à 6,6 ms pour un événement dominant à 600 Hz, ce qui correspond à 4 cycles oscillatoires, ou 4 pics, à cette fréquence).
En fonction des modes de réalisation, plusieurs clusters peuvent être groupés lorsque la distance qui les sépare se situe dans une durée pouvant varier de 2 à 8 ms. Cette stratégie a pour objectif de considérer comme un événement unique, une oscillation « interrompue », c'est-à-dire subissant une perte transitoire plus ou moins importante d'intensité sur le signal temporel filtré, avant de regagner en intensité.
En fonction des modes de réalisation, le nombre de pics contenus dans le signal temporel situé « sous » l'enveloppe, l'énergie glissante ou la moyenne mobile peut varier entre 2 et 6. Plus le seuil est faible, plus on est conservateur (risque de rejeter des vrais positifs diminue). Plus le seuil est élevé, plus on diminue la probabilité de détecter des fausses alarmes.
À l'issue du calcul des caractéristiques (dont le nombre et la nature varie en fonction des évènements recherchés), les portions de signal dont les caractéristiques calculées se situent dans des intervalles de valeurs prérequis sont à nouveau marquées en base de données et étiquetées comme candidates à une analyse complémentaire. Cette analyse complémentaire, dont l'objectif est de déterminer si oui ou non les portions de signal sont effectivement représentatives d'un évènement recherché, sont ensuite traitées soit par un praticien (ou tout autre opérateur habilité), soit à nouveau analysées et traitées par un dispositif électronique, par exemple mettant en œuvre un autre réseau de neurones et/ou tout autre processus automatisé ou semi automatisé idoine.
Description d'un mode de réalisation spécifique
Dans ce mode de réalisation, on décrit spécifiquement la mise en œuvre de la méthode proposée par les inventeurs afin de détecter des portions de signal comprenant un ou plusieurs épisodes d'oscillation rapide (FR), au sein de signaux d'EEG intracrânien obtenus par l'intermédiaire de sondes intracraniène (Macro/micro). Dans cette mise en œuvre, on dispose d'enregistrements de longue durée (plusieurs dizaines d'heures, voire plusieurs centaines d'heures). À titre d'exemple, traiter une heure de signal sur 70 canaux consiste à passer en revue 504 000 portions de signal (3600 secondes x 2 fenêtres par seconde de signal x [70 canaux]). Ainsi, la quantité de données disponible pour chaque patient est énorme : lorsque l'on dispose de 200 heures d'enregistrement, comme cela peut arriver en conditions cliniques, ce sont près de 100 millions de portions de signal qui sont traitées par la technique mise au point par les inventeurs. Comme il est impensable de demander aux praticiens une étude approfondie de détection des FRs pour chaque patient car la taille des données est colossale (car contrairement aux PEIs, les FRs ne peuvent pas être utilisés dans la routine clinique car ils sont strictement invisibles à l'œil nu aux échelles utilisées habituellement), la technique décrite permet de mettre à leur disposition des outils automatisés de détection d'anomalies physiopathologiques, en première approche, qui diminue d'un facteur 250 le nombre de portions de signal à analyser. En d'autres termes, un praticien ou un autre dispositif d'analyse traite 250 fois moins de données, et ce sans biais cognitifs. Ainsi, sur les cent millions d'enregistrements initiaux, seuls quatre cent mille sont traités en « profondeurs » pour déterminer si oui ou non ils peuvent être catégorisés en tant que FR.
Dans ce mode de réalisation, les FRs se distinguent des PEIs par leur faible intensité, leur durée plus courte, leur composante de haute fréquence et leur activité périodique (3 ou 4 périodes au minimum). Les FRs étant des événements très courts et locaux, ils sont quasiment impossibles à détecter à l'œil nu en utilisant les outils classiques de visualisation des courbes brutes. Pour les observer, il faut utiliser différents types d'affichages simultanés à l'écran : le signal brut, le signal filtré entre 200 et 600 Hz et éventuellement un scalogramme, ce qui remplit rapidement l'espace disponible à l'écran. D'autant que les portions temporelles affichées sont de l'ordre de 400 à 600 ms. Seuls quelques canaux d'enregistrement (3 à 6) peuvent être visualisés simultanément, ce qui rend la recherche manuelle des FRs très longue et pénible pour l'utilisateur.
Ainsi, dans ce mode de réalisation, la première étape, mise en œuvre par le réseau de neurones, se base sur l'aspect visuel des scalogrammes normalisés. Pour optimiser la tâche de détection une détection séquentielle dans le signal, par courtes fenêtres glissantes, est effectuée. Lorsque le scalogramme est représentatif d'un FR, il est retenu en tant qu'évènement d'intérêt. Plus particulièrement, le réseau de neurones convolutif (CNN) analyse les scalogrammes, qui sont produit pour des fréquences entre 200 et 600 Hz, par portions de 400 ms et fenêtre glissante (la façon dont les scalogrammes sont produits est décrite précédemment). Lorsqu'un événement est classé dans la catégorie FR candidat, la seconde étape du processus de détection s'applique pour rejeter les fausses alarmes.
La deuxième étape, dans ce cas d'un FR, consiste en une analyse de signal temporel. Cette étape concerne un nombre de signaux beaucoup moins important que la première, puisqu'elle n'est réalisée qu'à condition qu'un événement ait passé le premier filtre mis en œuvre par le réseau de neurones convolutif. L'analyse est alors portée à l'endroit du signal filtré concerné par la caractéristique distinctive du scalogramme, pour vérifier les caractéristiques oscillatoires du FR candidat. Plusieurs éléments sont alors contrôlés : l'amplitude doit dépasser celle du bruit du fond, l'oscillation doit contenir au minimum 4 périodes et sa durée doit dépasser 6.7 ms (4 oscillations à 600 Hz). Si un événement répond à tous les critères précédents il s'agit probablement d'un FR et il est sélectionné comme tel dans une structure de données de sélection créée à cet effet.
Plus particulièrement, dans cette deuxième étape, pour le cas des FR, l'algorithme procède à cette étape au travers de la quantification du nombre d'oscillations, de la durée et de l'amplitude de l'événement candidat. Pour estimer ces valeurs, on calcule l'enveloppe d'Hilbert du signal sur l'ensemble de la fenêtre temporelle considérée, soit généralement 400 ms. Tous les points extrêmes de l'enveloppe, c'est-à- dire au-delà du 97,5ème percentile, sont identifiés et comparés. Si plusieurs points extrêmes se succèdent sans interruption supérieure à 2 ms, ils sont considérés comme appartenant à un même groupe. Si un groupe de points répondant à ces critères dépasse 6 ms, il est considéré comme susceptible d'abriter un FR sous son enveloppe. Si l'amplitude moyenne des points de l'enveloppe considérée est au moins deux fois supérieure au l'amplitude de tous les autres points de l'enveloppe, le second critère quantitatif est validé.
Enfin, une fonction de détection des pics est appliquée à la portion de signal contenue sous la portion d'enveloppe d'intérêt. Si l'événement est constitué d'au moins 4 pics positifs, le dernier critère est validé. L'événement sera catégorisé en vrai positif. Si l'un de ces critères n'est pas respecté, l'événement sera catégorisé comme un faux positif. À la suite de cette étape, les événements classés dans la catégorie « vrais positifs » sont conservés et sélectionnés pour utilisation ultérieure (par un opérateur humain ou par un dispositif complémentaire spécialisé).
En d'autres termes, dans cette deuxième étape, on suppose qu'un FR est nécessairement visible sur le scalogramme le représentant, mais le scalogramme seul est insuffisant pour assurer qu'une trace, même si elle y ressemble, est absolument un FR. C'est pourquoi d'autres indices doivent s'ajouter à la prise de décision. Ainsi, il est procédé à cette étape de vérification en mesurant le nombre d'oscillations du FR candidat et son amplitude, pour éliminer les fausses alarmes. Le nombre d'oscillations (Nosc) est estimé en utilisant une fonction de détection des pics. Le critère d'amplitude est évalué à partir de l'enveloppe d'Hilbert, en calculant un Z-score (Zenv) d'amplitude entre la valeur moyenne d'une portion d'intérêt (x) et celle de tout le reste de l'enveloppe (i ). Les valeurs appartenant à x doivent répondre à deux critères : être situées au-delà du 97,5eme percentile de l'enveloppe et être comprises dans un groupe de points séparés par moins de 2 ms et dont la durée totale (du groupe de points) doit excéder une durée que nous appellerons Dmin Sachant que Nosc doit être au minimum 4, Dmin peut être calculé en utilisant le mode spectral (À) de l'oscillation comme ceci : Dmin = (4 ) / ( Â * 1000), soit 6,7 ms pour un À à 600 Hz et 20 ms pour un À à 200 Hz, par exemple. L'équation 1 exprime le calcul du Z-score d'amplitude.
Une fois ces caractéristiques analysées et mesurées, on considère qu'une portion de signal candidat qui remplit l'ensemble des critères est probablement un FR. il est donc classé comme tel en base de données pour évaluation ultérieure (par un opérateur ou un autre dispositif électronique dédié à cette évaluation finale).
De plus, la technique décrite permet d'utiliser le signal SEEG micro, et de détecter les FRs enregistrés à cette échelle afin de mieux cartographier la zone épileptique. Bien que ce critère d'échelle (micro) ajoute une difficulté supplémentaire à un problème de détection déjà extrêmement complexe avec les techniques antérieures, la technique de l'invention permet de traiter ces données obtenues à l'aide des électrodes micros sans ajouter de charge supplémentaire au praticien.
Autre caractéristiques et avantages
On décrit, en relation avec la figure 5, un dispositif électronique de traitement de données encéphalographiques, à partir d'un ensemble d'enregistrements encéphalographiques.
Par exemple, le dispositif électronique de traitement de données comprend une mémoire 51 comprenant par exemple une mémoire tampon, un processeur de traitement général 52, équipée par exemple d'un microprocesseur, et pilotée par un programme d'ordinateur 53, et/ou une mémoire sécurisée 54, un processeur de traitement sécurisé 55, pilotée par un programme d'ordinateur 56, ces unités de traitement mettant en œuvre des procédés de traitement de données encéphalographiques tels que décrits précédemment pour effectuer pré-détection d'évènements d'intérêt.
À l'initialisation, les instructions de code du programme d'ordinateur 56 sont par exemple chargées dans une mémoire avant d'être exécutées par le processeur de traitement sécurisé 55. Le processeur de traitement 55 reçoit en entrée au moins un enregistrement encéphalographiques. Le processeur de traitement sécurisé 55 met en œuvre les étapes du procédé, pour notamment obtenir une structure de données dans lesquels certaines portions d'enregistrements encéphalographiques sont taggués selon les instructions du programme d'ordinateur 56 pour obtenir en ensemble de signaux encéphalographiques pouvant être mis à disposition d'un praticien ou d'un ordinateur pour visualisation ou traitement complémentaire. Pour cela, le dispositif électronique de traitement de données encéphalographiques comprend, outre la mémoire 54, des moyens de communications, tels que des modules de communication réseau, des moyens de transmission de données et des circuits de transmission de données entre les divers composants du dispositif électronique de traitement de données. Le dispositif électronique de traitement de données encéphalographiques (ou le dispositif mettant en œuvre les techniques décrites) dispose par ailleurs de tous les moyens nécessaires à la mise en œuvre des méthodes, modes de réalisation et variantes décrits précédemment.
De manière complémentaire, le dispositif électronique de traitement de données encéphalographiques comprend au moins une unité de traitement de données, une unité de mémorisation et au moins une interface de communication avec un réseau de télécommunication. Dans ce mode de réalisation spécifique, un tel dispositif comprend : ces moyens d'extraction, à partir ensemble de scalogrammes de départ, par l'intermédiaire d'un réseau de neurones artificiels antérieurement [entraîné, configuré], d'un ensemble de scalogrammes candidats (Esc) ;
Pour au moins certains scalogrammes candidats (Sc) de l'ensemble de scalogrammes candidats (Esc) : ces moyens de calcul d'une pluralité de caractéristiques de la portion de signal électroencéphalographique (So) correspondant au scalogramme candidat (Sc) ; et ces moyens de sélection de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) au sein d'une structure de données de sélection de signal électroencéphalographique, lesdits moyens étant activés lorsque la pluralité de caractéristiques de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) se situent dans des intervalles de valeurs prérequis.
Ces moyens peuvent être des moyens généraux u des moyens dédiés. Par exemple les moyens d'extraction, par l'intermédiaire d'un réseau de neurones peuvent se présenter sous la forme d'une unité de calcul dédiée et architecturée pour la mise en œuvre de traitements d'intelligence artificielle.

Claims

REVENDICATIONS
1. Procédé de sélection de données issues d'un électroencéphalogramme (EEG), lesdites données se présentant sous la forme d'un ensemble de scalogrammes de départ, chaque scalogramme de l'ensemble de scalogrammes de départ étant calculé à partir d'une portion d'un signal électroencéphalographique préalablement acquis, procédé mis en œuvre par un dispositif électronique, ledit procédé étant caractérisé en ce qu'il comprend : une étape d'extraction, à partir ensemble de scalogrammes de départ, par l'intermédiaire d'un réseau de neurones artificiels, d'un ensemble de scalogrammes candidats (Esc) ;
Pour au moins certains scalogrammes candidats (Sc) de l'ensemble de scalogrammes candidats (Esc) : une étape de calcul d'une pluralité de caractéristiques de la portion de signal électroencéphalographique (So) correspondant au scalogramme candidat (Sc) ; et lorsque la pluralité de caractéristiques de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) se situent dans des intervalles de valeurs prérequis, une étape de sélection de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) au sein d'une structure de données de sélection de signal électroencéphalographique.
2. Procédé de sélection de données selon la revendication 1, caractérisé en ce que ledit réseau de neurones artificiels est un réseau de neurones convolutif.
3. Procédé de sélection de données selon la revendication 1, caractérisé en ce que ledit réseau de neurones artificiels est configuré pour détecter des oscillations rapides de type « fast ripples » au sein des scalogrammes.
4. Procédé de sélection de données selon la revendication 1, caractérisé en ce que les caractéristiques de la portion de signal électroencéphalographique qui sont calculées appartiennent au groupe comprenant au moins : sa durée, son ratio signal sur bruit, le nombre d'oscillations qui composent l'événement, l'amplitude de ces oscillations, la forme des oscillations. Procédé de sélection de données selon la revendication 1, caractérisé en ce que le calcul des scalogrammes de l'ensemble de scalogrammes de départ comprend : une étape de segmentation d'un signal électroencéphalographique d'entrée, selon une durée de segmentation prédéterminée, délivrant une pluralité de portions de signal électroencéphalographique ; une étape d'égalisation spectrale de chaque portion de signal électroencéphalographique, délivrant une pluralité de portions de signal électroencéphalographique égalisées ; une étape de calcul, à partir de chaque portion de signal électroencéphalographique égalisé, d'un scalogramme à l'aide d'une transformée par ondelette ; Procédé de sélection de données selon la revendication 5, caractérisé en ce que le calcul des scalogrammes de l'ensemble de scalogrammes de départ comprend en outre, pour chaque scalogramme obtenu à l'aide d'une transformée par ondelette, une étape de normalisation du scalogramme. Procédé de sélection de données selon la revendication 1, caractérisé en ce que la pluralité de caractéristiques calculées au sein de la portion de signal électroencéphalographique (So) correspondant au scalogramme candidat (Sc) comprend : une étape de calcul d'une enveloppe d'Hilbert de la portion de signal électroencéphalographique (So) ; une étape de sélection, au sein de l'enveloppe d'Hilbert, de l'ensemble des points situés au-delà du 97,5ème percentile, appelés ensemble des extrêmes ; une étape de sélection de l'ensemble des points extrêmes se succédant, sans interruption supérieure à 2 ms et dont la durée totale est au moins égale à 6 ms ; et une étape de calcul d'amplitude et de nombre de pics positifs du signal sur l'ensemble des points préalablement sélectionnés. Procédé de sélection de données selon la revendication 7, caractérisé en ce que l'étape de sélection de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) au sein d'une structure de données de sélection de signal électroencéphalographique survient lorsque l'amplitude moyenne des points de l'ensemble des points préalablement sélectionnés est au moins deux fois supérieure à l'amplitude de tous les autres points de l'enveloppe d'Hilbert et lorsque au moins quatre pics positifs sont présents sur l'ensemble des points préalablement sélectionnés.
9. Dispositif de sélection de données issues d'un électroencéphalogramme (EEG), lesdites données se présentant sous la forme d'un ensemble de scalogrammes de départ chaque scalogramme de l'ensemble de scalogrammes de départ étant calculé à partir d'une portion d'un signal électroencéphalographique préalablement acquis, ledit dispositif étant caractérisé en ce qu'il comprend :
Des moyens d'extraction, à partir ensemble de scalogrammes de départ, par l'intermédiaire d'un réseau de neurones artificiels antérieurement [entraîné, configuré], d'un ensemble de scalogrammes candidats (Esc) ;
Pour au moins certains scalogrammes candidats (Sc) de l'ensemble de scalogrammes candidats (Esc) : des moyens de calcul d'une pluralité de caractéristiques de la portion de signal électroencéphalographique (So) correspondant au scalogramme candidat (Sc) ; et des moyens de sélection de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) au sein d'une structure de données de sélection de signal électroencéphalographique, lesdits moyens étant activés lorsque la pluralité de caractéristiques de la portion de signal électroencéphalographique (So) du scalogramme candidat (Sc) se situent dans des intervalles de valeurs prérequis.
10. Produit programme d'ordinateur téléchargeable depuis un réseau de communication et/ou stocké sur un support lisible par ordinateur et/ou exécutable par un microprocesseur, caractérisé en ce qu'il comprend des instructions de code de programme pour l'exécution d'un procédé de sélection de données selon la revendication 1, lorsqu'il est exécuté sur un ordinateur.
EP22808710.2A 2021-10-20 2022-10-20 Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant Pending EP4419007A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2111138A FR3128111A1 (fr) 2021-10-20 2021-10-20 Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant
PCT/EP2022/079304 WO2023067114A1 (fr) 2021-10-20 2022-10-20 Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant

Publications (1)

Publication Number Publication Date
EP4419007A1 true EP4419007A1 (fr) 2024-08-28

Family

ID=80225400

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22808710.2A Pending EP4419007A1 (fr) 2021-10-20 2022-10-20 Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant

Country Status (5)

Country Link
US (1) US20240398319A1 (fr)
EP (1) EP4419007A1 (fr)
CA (1) CA3235624A1 (fr)
FR (1) FR3128111A1 (fr)
WO (1) WO2023067114A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110236536A (zh) * 2019-06-04 2019-09-17 电子科技大学 一种基于卷积神经网络的脑电高频振荡信号检测系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11219405B2 (en) * 2018-05-01 2022-01-11 International Business Machines Corporation Epilepsy seizure detection and prediction using techniques such as deep learning methods
WO2020002519A1 (fr) * 2018-06-29 2020-01-02 Mybrain Technologies Procédé de classification multiclasse pour l'estimation de la qualité d'un signal eeg
WO2021226778A1 (fr) * 2020-05-11 2021-11-18 浙江大学 Système de reconnaissance d'électroencéphalogramme épileptique basé sur un réseau de neurones à convolution sur graphe hiérarchique, terminal et support de stockage
US20220015659A1 (en) * 2020-07-15 2022-01-20 X Development Llc Processing time-frequency representations of eeg data using neural networks
CN113499086B (zh) * 2021-07-14 2022-05-31 北京邮电大学 一种基于深度学习的hfo自动检测系统
CN114403898B (zh) * 2022-01-24 2023-07-14 北京师范大学 一种脑电数据的噪声去除方法、装置及电子设备
US20250127636A1 (en) * 2022-02-07 2025-04-24 Cogitat Ltd. Classification of Brain Activity Signals
CN118285747A (zh) * 2024-03-27 2024-07-05 浙江科技大学 基于机器学习的定位与分级方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110236536A (zh) * 2019-06-04 2019-09-17 电子科技大学 一种基于卷积神经网络的脑电高频振荡信号检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ABBASI HAMID ET AL: "Wavelet Spectral Deep-training of Convolutional Neural Networks for Accurate Identification of High-Frequency Micro-Scale Spike Transients in the Post-Hypoxic-Ischemic EEG of Preterm Sheep", 2020 42ND ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE & BIOLOGY SOCIETY (EMBC) IEEE, 20 July 2020 (2020-07-20), pages 1011 - 1014, XP033816383, [retrieved on 20200824], DOI: 10.1109/EMBC44109.2020.9176397 *
See also references of WO2023067114A1 *

Also Published As

Publication number Publication date
CA3235624A1 (fr) 2023-04-27
FR3128111A1 (fr) 2023-04-21
WO2023067114A1 (fr) 2023-04-27
US20240398319A1 (en) 2024-12-05

Similar Documents

Publication Publication Date Title
Leela et al. Prediction and classification of Alzheimer disease categories using integrated deep transfer learning approach
WO2018153762A1 (fr) Procédé, dispositif et programme pour déterminer au moins un réseau cérébral impliqué dans une réalisation d&#39;un processus donné
WO2017008926A1 (fr) Procede de construction d&#39;une structure de donnees representative d&#39;une reorganisation dynamique d&#39;une pluralite de reseaux cerebraux, dispositif et programme correspondant
WO2013098512A1 (fr) Procédé et dispositif de détection et de quantification de signes cutanés sur une zone de peau
CA2778682A1 (fr) Procede et dispositif d&#39;analyse d&#39;images hyper-spectrales
EP3552146B1 (fr) Détection de nerfs dans une série d&#39;images échographiques
WO2012001289A1 (fr) Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau
WO2019180393A1 (fr) Méthode de génération d&#39;un indicateur d&#39;état d&#39;une personne dans le coma
WO2024003509A1 (fr) Dispositif de détermination d&#39;une longueur de cycle d&#39;activation cardiaque
EP3422935B1 (fr) Procede de detection d&#39;elements d&#39;interet dans des signaux electrophysiologiques et detecteur
EP2754088B1 (fr) Identification par reconnaissance d&#39;iris
Welikala et al. The automated detection of proliferative diabetic retinopathy using dual ensemble classification
Criscuolo et al. Interpreting the latent space of a Convolutional Variational Autoencoder for semi-automated eye blink artefact detection in EEG signals
EP4419007A1 (fr) Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant
CA3092784A1 (fr) Dispositif informatique de detection de troubles du rythme cardiaque
WO2015044216A1 (fr) Procédé, système et programme d&#39;ordinateur pour la détection et la caractérisation de clignements oculaires par électro-encéphalographie
EP3934516B1 (fr) Dispositif et procédé d&#39;évaluation qualitative des greffons hépatiques
WO2020002573A1 (fr) Procede de modelisation pour le controle des resultats fournis par un reseau de neurones artificiels et autres procedes associes
Bansal et al. Retinal vessel segmentation techniques: A review
WO2012052642A1 (fr) Procede et appareil de prediction d&#39;un risque cardiaque et/ou de recidive en fonction d&#39;au moins une valeur d&#39;un parametre extrapolable d&#39;une onde d&#39;un electrocardiogramme
WO1992003094A1 (fr) Procede et dispositif d&#39;aide au diagnostic par analyse des bruits du c×ur
Playout Système d'Apprentissage Multitâche Dédié à la Segmentation des Lésions Sombres et Claires de la Rétine dans les Images de Fond d'Oeil
WO2025008503A1 (fr) Aide à la détection de l&#39;amylose cardiaque par l&#39;intelligence artificielle
FR3138522A1 (fr) Dispositif de détection de particules en imagerie sans lentille
BE1031382A1 (fr) Methode de classification des signaux eeg interventionnels

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240326

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20260325