FR2947933A1 - Procede de traitement de donnees permettant le filtrage d'artefacts, adapte notamment a l'electroencephalographie - Google Patents
Procede de traitement de donnees permettant le filtrage d'artefacts, adapte notamment a l'electroencephalographie Download PDFInfo
- Publication number
- FR2947933A1 FR2947933A1 FR1055473A FR1055473A FR2947933A1 FR 2947933 A1 FR2947933 A1 FR 2947933A1 FR 1055473 A FR1055473 A FR 1055473A FR 1055473 A FR1055473 A FR 1055473A FR 2947933 A1 FR2947933 A1 FR 2947933A1
- Authority
- FR
- France
- Prior art keywords
- signal
- time
- frequency
- window
- multichannel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001914 filtration Methods 0.000 title claims description 42
- 238000000537 electroencephalography Methods 0.000 title description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 230000000052 comparative effect Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000010276 construction Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 25
- 230000002490 cerebral effect Effects 0.000 claims description 21
- 238000011282 treatment Methods 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 17
- 230000003387 muscular Effects 0.000 claims description 17
- 206010015037 epilepsy Diseases 0.000 claims description 13
- 230000007170 pathology Effects 0.000 claims description 13
- 238000003672 processing method Methods 0.000 claims description 13
- 230000006641 stabilisation Effects 0.000 claims description 11
- 238000011105 stabilization Methods 0.000 claims description 11
- 230000001575 pathological effect Effects 0.000 claims description 8
- 238000010835 comparative analysis Methods 0.000 claims description 7
- 230000000926 neurological effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 102100039169 [Pyruvate dehydrogenase [acetyl-transferring]]-phosphatase 1, mitochondrial Human genes 0.000 claims description 3
- 101710126534 [Pyruvate dehydrogenase [acetyl-transferring]]-phosphatase 1, mitochondrial Proteins 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000037361 pathway Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 18
- 210000004556 brain Anatomy 0.000 description 13
- 230000007177 brain activity Effects 0.000 description 9
- 230000033764 rhythmic process Effects 0.000 description 9
- 238000000926 separation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 238000012880 independent component analysis Methods 0.000 description 5
- 210000003625 skull Anatomy 0.000 description 5
- 206010010904 Convulsion Diseases 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 230000004397 blinking Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- AIHDCSAXVMAMJH-GFBKWZILSA-N levan Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)OC[C@@H]1[C@@H](O)[C@H](O)[C@](CO)(CO[C@@H]2[C@H]([C@H](O)[C@@](O)(CO)O2)O)O1 AIHDCSAXVMAMJH-GFBKWZILSA-N 0.000 description 3
- 210000000653 nervous system Anatomy 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 210000004087 cornea Anatomy 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 208000007204 Brain death Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000004547 Hallucinations Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 208000002296 eclampsia Diseases 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 208000028329 epileptic seizure Diseases 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 230000001709 ictal effect Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000001114 myogenic effect Effects 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008430 psychophysiology Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- A61B5/40—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
L'objet de la présente invention concerne un procédé de traitement d'au moins un signal multicanaux (X) décomposé, sur une pluralité de fenêtres de temps-fréquence (P ), en une pluralité de signaux multicanaux (X j ), ledit signal multicanaux (X) résultant d'une combinaison linéaire entre au moins un signal principal (sp) issu de la mesure de données provenant d'une source de données principale (S) et au moins un signal secondaire (ss) issu de la mesure de données provenant d'une source de données secondaire (B) correspondant à au moins un artéfact, ledit procédé comportant au moins une étape d'apprentissage (S0) comprenant une analyse multicomposante comparative (AMC) consistant notamment en une comparaison d'un indice, de préférence représentatif de la puissance, dudit signal (X) sur deux fenêtres de temps-fréquence distinctes (P et P ) en sorte de séparer les composantes (w) du signal principal (sp) des composantes d'au moins une partie du signal secondaire (ss).
Description
PROCEDE DE TRAITEMENT DE DONNEES PERMETTANT LE FILTRAGE D'ARTEFACTS, ADAPTE NOTAMMENT A L'ELECTROENCEPHALOGRAPHIE Domaine technique de l'invention L'objet de la présente invention a trait au domaine du filtrage des artéfacts sur des signaux multicanaux.
L'objet de la présente invention est particulièrement adapté à l'analyse des signaux multicanaux issus de la mesure de l'activité électrique cérébrale d'un individu par électroencéphalographie.
Plus généralement, l'objet de la présente invention trouve une application avantageuse dans le domaine médical, en favorisant pour le praticien la lecture et l'analyse de l'activité électro-physiologique d'une ou des parties du corps humain ou animal, et notamment l'activité électrique du cerveau humain.
Par artéfact, on entend dans toute la présente description tous types d'altération et/ou de perturbation ayant pour origine des phénomènes extérieurs qui empêchent l'analyse précise des signaux que l'on cherche à étudier et/ou à identifier. Etat de la technique
La neurologie a pour vocation d'étudier l'anatomie, la physiologie et les pathologies du système nerveux ; la neurologie s'intéresse plus particulièrement au 20 système nerveux humain.
Parmi les différentes pathologies du système nerveux, l'épilepsie est une affection neurologique chronique qui se caractérise par des décharges excessives des neurones cérébraux.
Les symptômes d'une telle pathologie se traduisent par une hyperactivité
25 cérébrale chronique intermittente qui se manifeste notamment sous la forme de convulsions, d'éclampsies, de pertes de conscience, ou encore d'hallucinations.
Pour diagnostiquer une telle pathologie qui touche dans le monde plus de 40 millions de personnes, les neurologues doivent mesurer l'activité électrique du cerveau pendant les crises épileptiques afin de pouvoir préconiser un traitement
30 adapté.
On connaît l'électroencéphalographie qui est une méthode de mesure de l'activité électrique du cerveau dont le principe consiste à amplifier les signaux électriques recueillis à la surface du cuir chevelu d'un patient par l'intermédiaire d'un ensemble d'électrodes placées à la surface du scalp.
Il existe d'autres méthodes qui sont également intéressantes pour évaluer l'activité et la physiologie du cerveau.
On peut citer notamment les technologies liées à l'imagerie médicale telles que la méthode d'Impulsion à Résonance Magnétique plus connue sous le nom d'IRM.
Toutefois, l'électroencéphalographie de par son faible coût, son caractère non-invasif, son faible encombrement et sa haute résolution temporelle est souvent préférée et utilisée pour les diagnostiques de pathologies neurologiques de type épilepsie et/ou les examens préliminaires.
Par ailleurs, l'électroencéphalographie, de par ses caractéristiques techniques, est la seule technologie non invasive connue susceptible de révéler les anormalités pathologiques dues à l'épilepsie.
On remarque cependant qu'un électroencéphalographe standard présente de nombreux problèmes qu'il faut tenter de résoudre pour permettre au praticien une bonne analyse de l'activité électrique mesurée.
En effet, lorsqu'on utilise un électroencéphalographe, le nombre d'électrodes pouvant être mis à la surface du crâne est limité ; ceci implique une faible résolution spatiale pour l'étude de l'activité électrique du cerveau du patient.
Par ailleurs, comme évoqué ci-dessus, les électrodes sont placées en surface du crâne au niveau du cuir chevelu ; ceci implique des artéfacts et la perte de certains signaux (sources profondes, hautes fréquences, signaux propres à des zones très localisées, etc.).
On note que ces artéfacts, qui viennent contaminer les signaux électroencéphalographiques, rendent le diagnostique médical souvent très difficile pour le praticien ou le neurologue qui doit lire, analyser et interpréter ces signaux contaminés.
Pour améliorer la qualité de ces signaux, il est possible d'utiliser des électrodes en sous-cutanée ou des électrodes intracrâniennes sur la surface corticale (électrocorticogramme) ou en profondeur (électrogramme).
Néanmoins, ces méthodes invasives impliquent une intervention chirurgicale lourde ; elles sont pratiquées uniquement dans des cas exceptionnels.
II est donc nécessaire de perfectionner les électroencéphalographes existants en améliorant la qualité des signaux mesurés.
Un des principaux objectifs à atteindre est de réduire au maximum les différentes altérations et perturbations des signaux principaux dues aux artéfacts tout en conservant l'information important de ces signaux principaux.
Parmi les différents artéfacts, on relève notamment des artéfacts d'origine oculaire qui peuvent être dus aux clignements des yeux ou aux mouvements des yeux.
Les artéfacts dus aux clignements des yeux sont attribués à des altérations de conductance provenant du contact entre la paupière et la cornée.
Les artéfacts dus aux mouvements des yeux sont, quant à eux, provoqués par le globe oculaire qui agit comme un dipôle dont le pôle positif serait la cornée et le pôle négatif serait la rétine. Ainsi, les mouvements du globe oculaire entraînent un rapprochement ou un éloignement du pôle positif par rapport aux électrodes placées sur le front et les zones temporales du patient.
Ce genre d'artéfacts d'origine oculaire se situe principalement dans une bande de fréquence comprise entre 0.5 et 4 Hertz, et présente une amplitude généralement 20 comprise entre 20 et 1501JV.
Parmi les différents artéfacts, on relève également des artéfacts d'origine musculaire qui peuvent être dus, par exemple, à des serrements de mâchoires ou des plissements de fronts ou encore des artéfacts d'origine électrocardiographique.
Ces artéfacts dits musculaires provoquent des potentiels myogéniques
25 susceptibles de perturber la lecture des signaux de l'activité électrique cérébrale (amplitude variant de 0 à 200pV et fréquence >13 Hertz).
Il existe aussi des artéfacts d'origine mécanique, encore appelés artéfacts d'électrode, qui peuvent être provoqués lorsqu'une électrode et/ou le 1=11 d'une électrode bougent.
30 Ce genre d'artéfacts peut également être produit par la palpitation d'une veine, par les mouvements respiratoires ou encore par les mouvements du visage par exemple lorsque le patient parle (amplitude variable et fréquence comprise entre 0.5 et 4 Hertz).
Il existe aussi un artéfact dit de sudation galvanique qui présente les mêmes caractéristiques que ces artéfacts d'électrode.
Ces deux types d'artéfacts sont regroupés dans la suite de la description sous la même appellation, à savoir artéfact d'électrode .
Un autre type d'artéfact est également provoqué par le secteur d'alimentation de l'électroencéphalographe. En France, cet artéfact correspond à une interférence à 50 Hertz.
On comprend donc aisément qu'il est nécessaire, pour améliorer l'analyse clinique des signaux mesurés par l'électroencéphalographe, de procéder à une suppression, ou tout au moins une réduction, de ces différents types d'artéfacts tout en conservant les signaux principaux qui sont caractéristiques de l'activité cérébrale et plus particulièrement les signaux caractéristiques de la pathologie neurologique.
Ainsi, dans le cas particulier de l'épilepsie, parmi les différents signaux caractéristiques, on va chercher à conserver :
a) d'une part, le rythme normal notamment le rythme alpha qui apparaît lors de la fermeture des yeux, et
b) d'autre part, les rythmes pathologiques de type paroxysmes, pointes et ondes lentes qui peuvent tous être indicateurs de l'épilepsie.
Cependant, on remarque que les artéfacts présentent souvent une amplitude supérieure à celle de l'activité cérébrale.
Il peut donc s'avérer très difficile de faire la distinction entre un artéfact et un signal cérébral représentant une part de l'activité cérébrale.
De façon connue, les systèmes d'électroencéphalographe mettent en oeuvre des méthodes utilisant le filtrage fréquentiel pour réduire ces artéfacts.
Plus précisément, ces systèmes comportent un filtre passe-haut pour éliminer au moins partiellement les artéfacts d'origine mécanique ou oculaire, et un filtre passe-bas pour éliminer au moins partiellement les artéfacts d'origine musculaire.
Ces filtres ont pour intérêt de laisser passer une grande partie des signaux de l'activité cérébrale qui se situent généralement dans la bande passante.
Cependant, lorsqu'on règle ces filtres pour éliminer significativement les artéfacts, ceux-ci ne laissent pas forcément passer les signaux représentatifs de la pathologie recherchée.
En effet, certains signaux de l'activité cérébrale (le plus souvent ceux représentatifs de la pathologie) appartiennent à la même bande de fréquence que certains artéfacts,
Dès lors, un simple filtrage fréquentiel n'est pas suffisant.
Prenons l'exemple de deux signaux Spi et Sp2 dont les spectres sont illustrés à la figure 1. Dans cette figure 1, l'axe des ordonnées correspond à l'amplitude des signaux et l'axe des abscisses correspond à la fréquence.
Dans cet exemple, les signaux Spi et Sp2 sont représentatifs respectivement d'un artéfact et d'un signal principal.
On comprend que, dans cet exemple, il est impossible de distinguer par filtrage fréquentiel le spectre du signal principal Sp2 de celui de l'artéfact Spi dans la mesure où les deux signaux sont compris dans les mêmes bandes fréquentielles.
Pour les différentes raisons évoquées ci-dessus, le filtrage fréquentiel ne peut pas être utilisé en continu dans un environnement clinique pour permettre au praticien de déceler de façon précise et certaine les signaux symptomatiques de l'épilepsie ou de tous les autres types de pathologie neurologique.
Alternativement, il a déjà été envisagé d'utiliser un filtrage spatial utilisant la répartition des signaux sur les différentes électrodes.
Parmi les différents types de filtrage spatial connu, on peut citer l'Analyse en Composantes Indépendantes proposée par T. Jung et al dans la publication Removing electroencephalographic artifacts by Blind Source Separation , publiée en 2000 dans la revue Psychophysiology .
Ce genre de traitement implique une sélection manuelle des composantes afin de déterminer pour chacune d'entre elles si elles représentent un artéfact ou une activité cérébrale.
La demande brevet chinois CN 1 883 384 divulgue, quant à elle, un traitement utilisant l'Analyse en Composantes Indépendantes pour faire un filtrage.
On peut également citer la demande de brevet internationale WO
2006/072150 proposant un électroencéphalographe qui contient un processeur mettant en oeuvre un traitement statistique utilisant un algorithme de séparation aveugle des sources ( Blind Source Separation de type Canonical Correlation Analysis .
On constate toutefois que ce genre de traitement statistique permet de réduire uniquement les artéfacts d'origine musculaire.
Par ailleurs, ce genre de traitement statistique a pour contrainte de limiter le nombre de composantes aux nombres d'électrodes.
Ainsi, lorsque les signaux présentent beaucoup d'artéfacts, les composantes qui résultent de ce traitement représentent principalement les artéfacts, et le signal cérébral est fortement détérioré, et devient illisible.
De plus, les méthodes de filtrage spatial automatisées ne permettent généralement un filtrage que pour un seul type d'artéfact (oculaire ou musculaire).
Seul Levan, dans la publication A system for automatic artifact removal in ictal scalp EEG based on independent component analysis and Bayesian classification , publiée en 2006 dans la revue Clinical neurophysiology by Elsevier , a réussi à automatiser une méthode utilisant l'Analyse des Composantes indépendantes pour réduire tous les types d'artéfacts, et à conserver en grande partie les activités cérébrales normales et pathologiques.
Cependant, la méthode proposée par Levan présente toujours les inconvénients et les limites de l'Analyse en Composantes Indépendantes.
Plus précisément, lorsque le ou les signaux présentent trop d'artéfacts, l'analyse proposée par Levan ne permet qu'une réduction partielle des artéfacts et entraîne une diminution importante des signaux cérébraux.
Les résultats et performances ainsi obtenus ne sont pas satisfaisants et suffisants pour une application clinique courante.
Un autre inconvénient des filtres spatiaux par rapport aux filtres fréquentiels demeure que les résultats et performances restent inconstants. En effet, pour un même type d'onde, selon le reste du tracé traité, la source peut être ou non correctement caractérisée et conservée.
Il est donc difficile d'utiliser les filtres spatiaux en clinique sachant que leurs résultats et leurs performances sont aléatoires.
Samuel Boudet et al, dans les publications Filtering by optimal projection and application to automatic artifact removal from EEG et Robust method to filter various types of artifacts on long duration EEG recordings , propose une méthode de construction d'un filtre comportant une étape de comparaison d'un indice du signal sur deux périodes de temps appartenant à une même bande de fréquence. La méthode proposée dans ces deux publications offre des résultats intéressants pour filtrer des artéfacts d'origine oculaire et partiellement les artéfacts d'origine musculaire. Toutefois, les résultats obtenus avec cette méthode pour le filtrage des artéfacts d'origine musculaire ne sont pas optimaux. En effet, en référence aux figures 5C et 5D, la demanderesse soumet que les résultats obtenus ne sont pas suffisants pour permettre une lecture claire et rapide par un praticien des signaux caractéristiques de la pathologie. Le graphique illustré en figure 5C représente des signaux multicanaux artéfactés par des artéfacts d'origine musculaire, et le graphique illustré en figure 5D représente les signaux après filtrage avec la méthode proposée par Samuel Boudet et al dans les deux publications citées ci-dessus. En référence à la figure 5D, la demanderesse soumet que le filtrage obtenu par cette méthode n'est pas performant : on remarque notamment un rythme rapide présent sur T3 ainsi que sur T5 qui correspond à un résiduel d'artefact musculaire. Un tel résiduel est susceptible d'être source d'une mauvaise interprétation des signaux de la part du praticien. Par ailleurs, outre un filtrage insuffisant des artéfacts d'origine musculaire, une telle méthode ne permet pas de filtrer les artéfacts d'électrode (voir notamment 25 artéfact d'électrode en figure 5F). Un tel inconvénient trouve son origine du fait du caractère aléatoire dans la localisation et dans le temps de ce type d'artéfacts. En effet, lorsqu'un artéfact d'électrode apparaît de façon impromptue par exemple comme illustré en figure 5F (pendant la période allant des secondes 5 à 12) 30 sur un signal Fpl, il n'est pas possible avec la méthode proposée de filtrer un tel artéfact.
La demanderesse considère donc que les différents enseignements proposés dans l'état de la technique ne proposent pas de solutions satisfaisantes permettant de filtrer de façon automatique et continue tous les types d'artéfacts, à savoir notamment les artéfacts d'électrode et les artéfacts musculaires.
Objet et résumé de l'invention L'objet de l'invention est d'apporter une solution aux problèmes précités parmi d'autres problèmes. Un des problèmes techniques que résout la présente invention consiste notamment dans la réduction, voire la suppression, de façon automatisée, de tous les artéfacts, ceci tout en conservant la majeure partie des signaux cérébraux, notamment ceux qui caractérisent la pathologie. Tout d'abord, la demanderesse soumet que, généralement, une fenêtre de temps-fréquence est considérée comme la résultante de l'extraction d'un signal sur une fenêtre (ou période) de temps puis d'un filtrage fréquentiel ; ceci correspond dans les publications susmentionnées au procédé dans lequel on procède au découpage en bande de fréquence et à l'application d'une fenêtre temporel glissante. Cependant, dans la présente invention, la notion de fenêtre de temps-fréquence telle que définie ci-dessus est différente. En effet, par fenêtre de temps-fréquence d'un signal au sens de la présente invention, on entend dans toute la présente description qui suit une fonction linéaire d'un signal vers un autre signal, ce signal n'ayant pas forcément la même durée, ni la même fréquence d'échantillonnage, ni la même base (par exemple base fréquentielle). Ainsi, pour résoudre les problèmes précités ci-dessus et prendre en compte les éventuels effets de bords, l'objet de la présente concerne un procédé de traitement d'au moins un signal multicanaux décomposé, sur une pluralité de fenêtres de temps-fréquence, en une pluralité de signaux multicanaux. Selon la présente invention, la décomposition du signal multicanaux, sur une pluralité de fenêtres de temps-fréquence, en une pluralité de signaux multicanaux correspond dans la présente invention à une étape préalable consistant à extraire du signal multicanaux une pluralité de fenêtres de temps-fréquence pour obtenir une pluralité de signaux multicanaux.
Ce signal multicanaux résulte d'une combinaison linéaire entre au moins un signal principal issu de la mesure de données provenant d'une source de données principale, et au moins un signal secondaire issu de la mesure de données provenant d'une source de données secondaire correspondant à au moins un artéfact.
Le procédé selon la présente invention comporte une étape d'apprentissage comprenant une analyse multicomposante comparative consistant notamment en une première comparaison d'un indice, de préférence représentatif de la puissance, du signal sur deux fenêtres de temps-fréquence distinctes en sorte de séparer les composantes du signal principal des composantes d'au moins une partie du signal secondaire, ceci de préférence sur chacun des canaux, et pour les deux fenêtres de temps-fréquences. Selon la présente invention, cette première comparaison est réalisée pour une même fenêtre de temps sur deux fenêtres de fréquence distinctes. Cette comparaison sur ces deux fenêtres de temps-fréquence permet la formulation du mode fréquentiel telle que définie dans la suite de la description ; elle permet également d'obtenir des résultats plus pertinents en termes de filtrage. Le procédé selon la présente invention comporte en outre une étape de construction globale d'un filtre global permettant d'éliminer ou de réduire le signal secondaire.
Cette étape de construction globale d'un filtre global comprend une première étape de construction d'au moins un premier filtre, et éventuellement d'un deuxième filtre, permettant de conserver dans le signal multicanaux, et sur une troisième fenêtre de temps-fréquence, le signal principal et d'éliminer au moins une partie du signal secondaire.
Plus précisément, cette première étape de construction consiste notamment en une régression linéaire sur cette troisième fenêtre de temps-fréquence des composantes du signal principal ou desdites composantes de ladite au moins une partie du signal secondaire, éventuellement sur les deux fenêtres de temps-fréquence.
Selon l'invention, l'étape d'apprentissage comporte en outre une deuxième comparaison d'un indice du signal sur deux fenêtres de temps-fréquence distinctes de préférence, cet indice est représentatif de la puissance.
Dans ce cas, cette deuxième comparaison est réalisée pour au moins une fenêtre de fréquence, sur une fenêtre de temps au repos et sur une fenêtre de temps artéfactée.
De préférence, la fenêtre de temps au repos et la fenêtre de temps artéfactée 5 sont obtenues manuellement ou de façon automatisée à partir d'une base de données de patient préétablie.
Cette deuxième comparaison en combinaison avec la première étape de construction permet la construction d'un deuxième filtre, ce deuxième filtre permettant de conserver dans le signal multicanaux, et sur une troisième fenêtre de
10 temps-fréquence, le signal principal et d'éliminer au moins une partie du signal secondaire,
Plus précisément, cette première étape de construction consiste notamment en une régression linéaire sur cette troisième fenêtre de temps-fréquence des composantes du signal principal ou desdites composantes de ladite au moins une
15 partie du signal secondaire, éventuellement sur les deux fenêtres de temps-fréquence.
Selon une variante de réalisation préférée, l'analyse multicomposante
comparative des signaux multicanaux comprend les étapes consistant à
- calculer les matrices de covariance des signaux multicanaux sur les deux 20 fenêtres de temps-fréquence ;
- diagonaliser simultanément les deux matrices de covariances ; et
- obtenir le vecteur représentant le rapport de puissance de chaque composante entre les deux fenêtres de temps-fréquence.
De préférence, l'analyse multicomposante comparative comprend en outre une
25 étape consistant à éliminer les composantes qui ont les plus grandes valeurs propres, par exemple soit en prédéterminant une valeur seuil à ne pas dépasser, soit en prédéterminant un nombre de composantes à éliminer.
Dans une variante de réalisation dans laquelle la première étape de construction permet de déterminer un premier et d'un deuxième filtre, le filtre global
30 est obtenu par une étape de convolution des premier et deuxième filtres.
De préférence, le procédé selon la présente invention comporte une étape de filtrage consistant en l'application d'un des filtres précédemment obtenus sur les composantes du signal multicanaux pour une pluralité de fenêtres de temps-fréquence, ceci en vue d'obtenir des signaux filtrés pour chaque fenêtre de temps-fréquence.
De préférence, la troisième fenêtre temps-fréquence couvre au moins partiellement cette fenêtre de temps-fréquence utilisée lors de l'étape de filtrage. En procédant de la sorte, les signaux filtrés obtenus sont plus proches des signaux réels.
Le procédé selon la présente invention comporte en outre une étape de reconstruction d'au moins un signal sur l'ensemble de la période de temps par soustraction des signaux multicanaux pour chaque fenêtre de temps-fréquence, et en ajoutant les signaux filtrés pour chaque fenêtre de temps-fréquence.
Avantageusement, l'étape de construction globale selon la présente invention comporte une étape de stabilisation consistant notamment en une projection orthogonale des composantes d'un des filtres précédemment obtenus sur la troisième fenêtre de temps-fréquence de sorte à augmenter l'écart entre la répartition des composantes du signal secondaire et des composantes du signal principal.
De préférence, le signal multicanaux est un signal qui contient des informations électro-physiologiques.
Plus particulièrement, le signal multicanaux est le signal d'un électroencéphalographe ; ce signal résulte d'une combinaison linéaire d'au moins un signal principal issu de la mesure provenant de l'activité cérébrale, notamment l'activité cérébrale normale et l'activité cérébrale d'origine pathologique, et au moins un signal secondaire issu de la mesure provenant d'au moins un artéfact de type artéfacts mécaniques, oculaires, musculaires.
L'utilisation du procédé selon la présente invention permet ainsi d'améliorer la lecture des voies d'un électroencéphalographe, et d'améliorer la détection de pathologie neurologique de type épilepsie.
Corrélativement, l'objet de la présente invention concerne un programme d'ordinateur comportant des instructions adaptées pour l'exécution des étapes du procédé de traitement tel que décrit ci-dessus, et ce lorsque ce programme est exécuté par un ordinateur.
L'objet de la présente invention concerne également un support d'enregistrement lisible par un ordinateur sur lequel est enregistré un programme d'ordinateur comprenant des instructions pour l'exécution des étapes du procédé de traitement tel que décrit ci-dessus.
L'objet de la présente invention porte en outre sur un dispositif médical comportant des moyens adaptés pour la mise en oeuvre du procédé de traitement tel que décrit ci-dessus.
Le dispositif médical peut consister en un électroencéphalographe ou un électrocardiographe.
Ainsi, outre l'électroencéphalographie, la présente invention trouve d'autres applications avantageuses telles que des applications pour l'électrocardiographie avec, par exemple, la suppression des artéfacts pour une meilleure analyse de l'activité électrique du coeur et un meilleur diagnostic des troubles cardiaques tels que l'arythmie.
Brève description des dessins
D'autres caractéristiques et avantages de la présente invention ressortiront de la description ci-dessous, en référence aux figures 2 à 5 annexées qui en illustrent un exemple de réalisation dépourvu de tout caractère limitatif et sur lesquelles :
- La figure 2 représente un dispositif conforme à l'invention, dans un mode particulier de réalisation.
- La figure 3 représente schématiquement le positionnement en vue de dessus des électrodes du dispositif à la surface du crâne d'un patient.
- La figure 4 représente, sous forme d'organigramme, les principales étapes du procédé de traitement conforme à un mode de réalisation particulier de l'invention.
- Les figures 5A à 5G représentent des exemples de résultats obtenus en clinique avant et après le filtrage en utilisant le procédé selon la présente invention. Description détaillée d'un mode de réalisation
Un dispositif médical de type électroencéphalographe et un procédé de traitement conformes à un mode particulier de l'invention vont maintenant être décrits en référence aux figures 2 à 5.
L'invention est décrite ici dans le contexte particulier du traitement des signaux d'un électroencéphalographe pour améliorer et faciliter l'analyse et l'interprétation par un praticien de l'activité cérébrale d'un patient qui souffre d'une pathologie neurologique de type épilepsie, cet électroencéphalographe pouvant être un simple appareil de lecture des signaux et/ou un simple appareil de traitement des signaux. L'électroencéphalographe EEG De façon connue et comme illustré aux figures 2 et 3, l'électroencéphalographe, dénommé ici EEG, comporte une pluralité de capteurs de mesure E adaptés pour être positionnés à la surface du crâne d'un patient en sorte de mesurer l'activité électrique de son cerveau. Dans le mode de réalisation décrit ici, les capteurs de mesure E consistent notamment en des électrodes. De préférence, et comme illustré sur la figure 3, un système 10/20 à 21 électrodes est utilisé dans le mode de réalisation de la présente invention, ceci pour un positionnement précis de chacune des électrodes à la surface du crâne du patient en sorte d'obtenir une mesure précise de l'activité cérébrale du cerveau. Dans ce système bien connu, les lettres de chacune des électrodes indiquent respectivement le lobe cérébral sur lequel chacune des électrodes est positionnée : FP pour Front Polaire, F pour Frontal, P pour Pariétal, C pour Central, T pour Temporal, et O pour Occipital. Ensuite, un chiffre pair est ajouté derrière cette lettre pour chacune des électrodes positionnées sur la partie droite, et un chiffre impair est ajouté derrière cette lettre pour chacune des électrodes positionnées sur la partie gauche.
Un suffixe z est ajouté derrière chacune des lettres pour les électrodes positionnées sur la ligne médiane. L'électroencéphalographe EEG comporte en outre un module M1 adapté pour acquérir les signaux multicanaux représentatifs de la mesure de l'activité électrique du cerveau.
Ces signaux multicanaux sont matérialisés par une matrice X de dimensions (m, n) où les m lignes représentent les voies del' électroencéphalographe EEG et les n colonnes représentent les échantillons temporels.
De façon générale, on peut considérer que le ou les signaux multicanaux X d'un électroencéphalographe EEG résultent d'une combinaison linéaire entre au moins un signal principal sp issu de la mesure de données provenant d'une source de données principale S correspondant ici à l'activité cérébrale (activité cérébrale normale et éventuellement anormalités pathologiques), et au moins un signal secondaire ss issu de la mesure de données provenant d'une source de données secondaire B correspondant à au moins un artéfact.
Plus particulièrement, il est possible de supposer que ces signaux multicanaux X résultent d'une simple somme entre les signaux de ces différents types de sources principales S et secondaires B.
L'électroencéphalographe EEG peut également comporter un module d'affichage M3 permettant l'affichage d'une représentation graphique de cette activité cérébrale.
Ainsi, le ou les signaux qui seront traités selon le procédé de la présente invention, puis affichés par l'intermédiaire du module M3 sur l'électroencéphalographe EEG, pourront être analysés, par exemple visuellement par le praticien ou automatiquement, de sorte à permettre
- la détection des pointes pathologique de l'épilepsie,
- la détection anticipée ou précoce des crises d'épilepsie, - la caractérisation des phases de sommeil,
- l'analyse bi-spectral (anesthésie), ou encore
- la détection de douleur pour les patients inconscients.
Ce module d'affichage M3 permet également le biofeedback qui peut notamment aider le patient à se relaxer.
Bien évidemment, l'affichage peut être effectué sur un autre dispositif que l'électroencéphalographe EEG, un ordinateur connecté à l'électroencéphalographe par exemple.
Cette analyse visuelle permet donc de détecter et de caractériser les troubles neurologiques dans le cadre de l'épilepsie, ou encore dans le cadre de démence, de sclérose en plaques, ou de tous autres types de pathologie neurologique.
Un tel électroencéphalographe EEG peut également permettre de déceler la mort cérébrale chez des patients comateux.
De façon avantageuse, l'électroencéphalographe EEG selon la présente invention comporte en outre un module de traitement M2 numérique qui coopère avec un microprocesseur pP, ou éventuellement un microcontrôleur, comprenant un programme d'ordinateur PG.
Ce programme d'ordinateur PG comporte des instructions adaptées pour l'exécution des étapes d'un procédé de traitement permettant d'obtenir un filtre apte à filtrer les signaux multicanaux X en sorte de conserver les signaux principaux sp représentatifs de l'activité cérébrale S tout en supprimant partiellement, voire totalement, les signaux secondaires ss caractéristiques des artéfacts B.
L'objet de la présente invention consiste donc à implanter sur un électroencéphalographe EEG classique un tel microprocesseur pP.
De préférence, le microprocesseur pP est en outre agencé pour commander les modules M1 et M3.
Dans d'autres variantes de réalisation, une partie des traitements peut également s'effectuer de façon analogique.
Procédé selon la présente invention
Les différentes étapes du procédé de traitement selon la présente invention vont maintenant être décrites dans ce qui suit en référence directement à la figure 4.
Le principe général de la présente invention repose sur une dualité entre le temps et la fréquence ; cette dualité permettant de filtrer les différents types de signaux secondaires ss correspondant aux artéfacts B.
Ainsi, de façon caractéristique, grâce à cette dualité entre le temps et la fréquence, il est possible de procéder aux différentes étapes du procédé en remplaçant le temps par la fréquence et inversement, et obtenir un filtre permettant de filtrer la plupart des artéfacts tout en conservant les signaux principaux caractéristiques de l'activité principale.
Plus précisément, l'invention consiste à décomposer les signaux multicanaux X en un ou plusieurs signaux multicanaux 'Tf sur une ou plusieurs fenêtres de temps-fréquence [T;];-1.,,p, puis à construire un ensemble de filtres spatiaux [F;]1 1...p (matrices m x m).
La construction de tels filtres [l=;];~1...P nécessite notamment une étape SO consistant en l'utilisation d'une méthode dite d'analyse multicomposante comparative AMC et d'une étape de construction globale S1, S2, S3 consistant notamment en une régression linéaire ; ces différentes étapes seront décrites plus en détails ci-dessous. Chaque filtre FF obtenu est ensuite appliqué lors d'une étape de filtrage S4 sur la fenêtre de temps-fréquence Ti du signal multicanaux XT. ; l'application d'un tel filtre FF sur un signal multicanaux xli consistant à effectuer l'opération x' TF = FF xT, La méthode comporte ensuite une étape de reconstruction S5. Une telle reconstruction peut être considérée comme un filtrage d'une fenêtre de temps-fréquence Ti consistant à extraire le signal multicanaux xTi de cette fenêtre Ti, le filtrer spatialement selon la formule x'TF = FixTF, puis le réintroduire x' =x-x +x' dans le signal d'origine de sorte à obtenir un signal X' égal à : Ti Ti De façon générale, l'étape de reconstruction S5 peut être considérée comme une fonction de recomposition Fr définie telle que x Fr(XT, ...,X7 x j, cette fonction étant appliquée pour recomposer au moins partiellement le ou les signaux principaux sp sans artefactx = Fr(x',...,x'T{,...,x'Te). Le fenêtrage temps/fréquence Comme évoqué ci-dessus, le procédé implanté sur le microprocesseur pP de l'électroencéphalographe EEG permet un traitement du ou des signaux multicanaux X sur une période de temps T ; cette période de temps T étant décomposée en une pluralité de fenêtres de temps-fréquence [T;1=1...p. Par fenêtre de temps-fréquence d'un signal, on entend dans toute la présente description une fonction linéaire d'un signal vers un autre signal ; ce signal n'ayant pas forcément la même durée, ni la même fréquence d'échantillonnage, ni la même base (par exemple base fréquentielle).
De manière préférentielle, une fenêtre de temps-fréquence correspond à la résultante de l'extraction d'un signal sur une fenêtre (ou période) de temps, puis d'un filtrage fréquentiel. Selon la présente invention, l'application d'une fenêtre de temps-fréquence pour un signal multicanaux consiste alors à appliquer la même fenêtre temps-30 fréquence pour chacun des canaux.
Dans ce cas, on note donc xT, le signal multicanaux résultant de l'application de la fenêtre de temps-fréquence Ti sur le signal multicanaux X.
Une décomposition d'un signal X en fenêtres de temps-fréquence consiste ainsi à extraire une pluralité de fenêtres temps-fréquence de ce signal.
On peut noter que ces fenêtres de temps-fréquence sont définies de telles sortes qu'il existe une fonction permettant de reconstruire au moins partiellement le signal d'origine à partir uniquement des signaux des fenêtres de temps-fréquence. Il existe donc une fonction de recomposition Fr qui permet de définir le signal final X à partir de la décomposition en signaux multicanaux xTi : De manière préférentielle, la décomposition en fenêtres de temps-fréquence selon la présente invention consiste à décomposer le signal en différentes fenêtres temporelles disjointes, puis à le filtrer dans différentes fenêtres fréquentielles disjointes par des filtres à déphasage nul (par exemple des filtres de type FIR symétrique ou IIR, appliqués dans un sens puis dans l'autre).
De préférence, la fonction de recomposition Fr est une somme.
Définition d'un filtre spatial
Un filtre spatial F selon la présente peut être représenté par une matrice (m, m) idempotente ; c'est-à-dire une matrice dont le produit donne le résultat suivant FF=F Par ailleurs, une matrice idempotente se caractérise du fait qu'elle est diagonalisable, et que ces valeurs propres ne peuvent être que 1 et O.
Par conséquent, une telle matrice peut s'obtenir en recherchant ses deux sous-espaces propres à droite El et Eo correspondant respectivement aux valeurs propres 1 et 0, ou par ses deux sous-espaces propres à gauche Fi et Fr i.
Or, de façon caractéristique, les sous-espaces propres à droite et à gauche sont tels que FI = Fo et Fp = Ei ; EL désignant l'unique espace orthogonal à E. La diagonalisation peut donc s'écrire sous la forme F = mDW avec m = w-i matrice de passage : Fù( BEI BE0 ) B1 0T 0 ~~11T où BE (a=0 ou 1) est une matrice de dimension (m. x m) dont les vecteurs colonnes forment une base de Eî, un sous espace vectoriel de dimension m , et BE J est une matrice de dimension matrice (m û m x m) dont les vecteurs colonnes forment une base de Eai, un sous espace vectoriel de dimension m û ma.
Il faut noter que n'importe quelle base de El et En donne la même matrice de filtrage, de même pour n'importe quelle base de F,i et F..
Plus précisément, dans le mode de réalisation décrit ici, E. représente le sous-espace vectoriel de mélange (ou de répartition) des artéfacts ; et, El représente le sous-espace vectoriel de mélange (ou la répartition) des sources principales.
Fo = EiL représente le sous-espace vectoriel de séparation des artéfacts ; et,
= Eä représente, quant à lui, le sous-espace vectoriel de séparation des sources principales.
Sur le plan lexical, il est déterminant de bien distinguer la répartition des sources qui correspond à la répartition des sources sur les différentes voies de
l'électroencéphalographe, et la séparation des sources qui correspond à la manière dont on obtient ces sources à partir des différentes voies.
Le procédé selon la présente invention consiste donc à rechercher, pour chaque fenêtre de temps-fréquence, les bases des sous-espaces vectoriels E e et Ei (ou E t et Eo), ceci afin de définir le filtre FF .
Plus précisément, l'invention consiste à définir BEô (ouEEl~) par une étape d'apprentissage S0, puis BEL (ou 0E1ô) par une première étape de construction SI, en
B ~B T F =I ùB (B T sorte de construire un filtre F = E= E'1 (ou - Ea Ei ) où Im désignant la matrice identité de dimension (m x m). Etape SO : Détermination de BEÔ~(ouBE )
L'étape SO selon la présente invention consiste à rechercher un ensemble de composantes représentant le ou les signaux principaux sp issus de la mesure de l'activité cérébrale S (ou le ou les signaux secondaires ss représentant les artéfacts B) ; ces composantes formant une base BE, (ouEEi1) d'un sous-espace vectoriel E J-1. (ou Be ).
Par composante, il faut entendre dans toute la présente description une combinaison linéaire qui se représente par un vecteur w de dimension m, la source étant un signal qui est le résultat de la combinaison linéaire w d'un signal multicanaux : s = wrx.
A cet effet, une méthode d'analyse multicomposante comparative AMC est appliquée sur les signaux xp, et xP~ de deux fenêtres de temps-fréquences 41 et PV préalablement définies. De façon générale, une telle méthode AMC entre deux signaux multicanaux xe et xp:2 consiste ainsi à rechercher les composantes dont l'écart d'indice entre les deux signaux multicanaux xF et xp~ est maximal (ou minimal) ; cet indice étant représentatif de la puissance par exemple. Analyse Multicomposante Comparative De façon générale, l'analyse multicomposante comparative AMC consiste à définir deux signaux multicanaux Xa1 et Xp2 sur deux fenêtres de temps-fréquence p1 et 1V, et à chercher les composantes de ceux-ci. A cet effet, on détermine un indice du signal que nous calculons pour xgL et Xvz, cet indice pouvant être la puissance, la variance, la matrice de covariance, l'auto-corrélation, l'espérance, un moment d'ordre quelconque, le kurtosis, ou tous autres types d'indice représentatif d'un signal.
Les composantes doivent avoir un écart d'indice maximum ou minimum entre les deux signaux multicanaux Xpi et Xpz, ceci en fonction de l'objectif visé et de l'écart choisi. Par écart, on entend ici une différence, un rapport, ou une autre fonction entre les deux indices.
Selon une première variante de réalisation, l'analyse multicomposante comparative AMC de deux signaux multicanaux xoi et xpâ correspond à la méthode dite CSP pour Common Spatial Pattern dont le but est de trouver des composantes maximisant (ou minimisant) un rapport de variance sur les composantes entre les signaux multicanaux Xp. et XPz.
Cette première variante de réalisation consiste notamment à : - calculer les matrices de covariance cx 1 et ('x;2 des signaux multicanaux Xir1 et Xp? sur deux fenêtres de temps-fréquence Pi et P? ;
- diagonaliser simultanément les deux matrices de covariances c 1 et c:,-?;, C -1C7 , = PDPù1 où P est la matrice de passage et D est la matrice diagonale des valeurs propres triées dans l'ordre croissant ; et
- obtenir le vecteur v représentant le rapport de puissance de chaque composante entre les signaux Xpi- et Xp, ce vecteur v correspondant à la diagonale de la matrice D ; et enfin
B .1 B .1 - obtenir les composantes de Eb (ou El ) par les vecteurs colonnes de P qui ont les plus grandes valeurs propres (ou plus petites), par exemple soit en prédéterminant une valeur seuil sur v à ne pas dépasser, soit en prédéterminant un nombre de composantes à éliminer. Selon une deuxième variante de réalisation, l'analyse multicomposante 15 comparative AMC des deux signaux multicanaux Xpt et Xp correspond à une méthode dite ACP pour Analyse en Composantes Principales qui consiste notamment à calculer la différence des matrices de covariance de la façon suivante : CAP' - CFA = PDP-1 i c
Selon une troisième variante de réalisation, l'analyse multicomposante 20 comparative AMC des deux signaux multicanaux X,,, et Xei consiste notamment à effectuer la méthode dite ACI pour Analyse en Composantes Indépendantes, puis à comparer l'indice calculé sur les composantes entre Xit et X. Etape SI : Détermination de $E. (ouBE: ) Une fois la base BEt(ouBEii) déterminée par cette analyse multicomposante 25 comparative AMC, une nouvelle fenêtre de temps-fréquence Pi' est considérée, et une première étape de construction Si consistant notamment en une régression linéaire des sources est appliquée sur les différents canaux pour cette fenêtre de temps-fréquence P' afin de reconstruire une portion du signal. Plus précisément, la régression linéaire consiste à calculer B i= Cx B yT B Cx B -1 $ i= Cx B 7-(B i Cx B ~ 7) Si F( -eh \ Eh p &Ô (ou a .P? Fi p3 Ei où cc est la matrice de covariance du signal multicanaux xpa sur la fenêtre 42. La matrice permettant cette régression linéaire contient des vecteurs colonnes 5 qui sont une base de E1 (ou EE ). F peut alors être considéré comme le sous-espace vectoriel qui est c -1-orthogonal à Egi (ou Ej, le sous-espace vectoriel c, C. -1 -orthogonal à En. Choix des fenêtres temps-fréquence La dualité temps-fréquence évoquée ci-dessus est déterminante dans le choix 10 des fenêtres de temps-fréquence, ce choix étant spécifique aux signaux électrophysiologiques dans le mode de réalisation relatif à l'électroencéphalographe l'EEG Deux modes de réalisation différents permettent alors de filtrer des artéfacts différents : le mode fréquentiel et le mode temporel. Dans ces deux modes, les fenêtres de temps-fréquence pa et Ti sont 15 identiques ; P3 pouvant éventuellement tenir compte des effets de bord. Mode fréquentiel Comme évoqué ci-dessus, les artéfacts mécaniques sont non-constants dans le temps ; toutefois, ces derniers se caractérisent par une très faible fréquence comparée à celle des sources principales. 20 Ainsi, afin d'obtenir un filtre spatial Fi pour les éliminer, il est possible de déterminer les composantes dont la majeure partie du signal se situe dans les très faibles fréquences. Ce mode peut également être utilisé pour filtrer les artéfacts musculaires qui ont pour caractéristique de porter une grande partie de leur puissance dans les 25 hautes fréquences. Dans ce mode fréquentiel, les fenêtres temporelles des fenêtres temps-fréquence e, et 7', sont identiques (sauf effets de bord pour Pis) ; par contre, leurs fenêtres fréquentielles sont différentes. La construction du filtre selon la présente comporte donc une étape 30 d'apprentissage SO consistant à appliquer une analyse multicomposante comparative AMC comparant un indice des signaux multicanaux xp et sur deux fenêtres ) fréquentielles différentes pour une même fenêtre de temps ; de préférence entre 0 et 2Hz et entre 4 et 8Hz pour le filtrage des artéfacts mécaniques.
Plus précisément, les composantes d'artéfacts mécaniques peuvent être considérées comme celles dont la puissance dans la bande 0-2Hz est supérieure à la puissance dans la bande 4-8Hz.
Préalablement, l'extraction d'une fenêtre de fréquence d'au moins un signal multicanaux nécessite l'application de filtres fréquentiels de type passe-haut, passe-bas, et/ou passe-bande ou tous autres types de filtres fréquentiels, et notamment ceux résultant d'une optimisation ayant pour but de séparer au maximum les signaux principaux des signaux secondaires.
Le procédé comporte en outre une étape Si consistant notamment à reconstruire le signal par régression linéaire sur la fenêtre de temps-fréquence Pt3 (correspondant à Ti) avec éventuellement une fenêtre temporelle un peu plus large pour éviter des effets de bords. .
On remarque que le nombre de composantes de la bases DES-(ou sEpeut varier en fonction des composantes à filtrer sur la fenêtre fréquentielle.
Cette première étape de construction Si permet ainsi de déterminer un deuxième filtre Fz permettant une caractérisation spatiale des sources à éliminer qui correspondent à des artéfacts mécaniques (ou artéfact d'électrode) et/ou musculaires.
Mode temporel
Dans ce mode, les fenêtres fréquentielles des fenêtres de temps-fréquence P'z, pd3, et Ti sont identiques ; par contre, leurs fenêtres temporelles sont différentes.
En d'autres termes, pour au moins une fenêtre fréquentielle déterminée (par exemple A (0-4Hz), 8 (4-8Hz), a (8-13Hz) ou p (>13Hz)), on va considérer une fenêtre M. sur une fenêtre temporelle correspondant à une période de repos (dénommée ici fenêtre de temps au repos), cette fenêtre présentant un minimum de signaux secondaires ss, mais durant laquelle les signaux principaux sp sont actifs.
Pour chacune des fenêtres fréquentielles ci-dessus, on va ensuite considérer une fenêtre de temps-fréquence P'Î sur une fenêtre temporelle correspondant à une période artéfactée (dénommée ici fenêtre de temps artéfactée) durant laquelle les signaux secondaires ss sont actifs.
Le présent mode repose sur l'hypothèse selon laquelle la répartition des artéfacts (ou mélange des signaux secondaires) est la même sur les fenêtres M. et P't, et sur toutes les fenêtres T de cette même fenêtre fréquentielle ; ceci même si les artéfacts sont inactifs.
Afin de définir cette fenêtre dite artéfactée P', le procédé de traitement selon une première variante de réalisation prévoit un protocole opératoire que le patient doit effectuer.
Plus précisément, avant chaque enregistrement, ce dernier doit effectuer une série de mouvements (ex. pour l'EEG : clignements d'yeux, mouvements de la mâchoire, étirement du front, sourires, etc.) pour simuler des artéfacts, de préférence pendant deux minutes, de sorte à pouvoir déterminer la fenêtre de temps artéfactée P' pour tout i.
Dans cette première variante, le patient devra également simuler une période de repos afin de déterminer la fenêtre de temps au repos
Selon une deuxième variante de réalisation, il est possible d'éviter ce protocole et de sélectionner, manuellement ou automatiquement, des fenêtres artéfactées et/ou au repos directement sur l'enregistrement ou à partir d'un ensemble d'enregistrements, et d'utiliser une base de données d'artéfacts préétablie.
Initier le procédé par une étape d'apprentissage afin de déterminer la répartition spatiale des artéfacts pour laquelle la répartition est constante dans le temps est caractéristique de la présente invention.
Ainsi, une fois la fenêtre de temps au repos et la fenêtre de temps artéfactée déterminées par l'une de ces deux variantes, le procédé de traitement comporte une étape d'apprentissage SO comprenant une analyse multicomposante comparative AMC qui compare, pour chacune des fenêtres fréquentielles, notamment les fenêtres fréquentielles ^ (0-4Hz), 0 (4-8Hz), a (8-13Hz) et (3 (>13Hz), un indice, représentatif de la puissance par exemple, du signal multicanaux pour les deux fenêtres temporelles, ces deux fenêtres temporelles correspondant respectivement à une période de temps au repos et à une période de temps artéfactée.
Plus précisément, cette étape d'apprentissage SO consiste notamment à :
calculer un indice, de préférence représentatif de la puissance, pour les composantes sur les signaux multicanaux xp= et xDz respectivement sur les fenêtre de temps-fréquence P1- et par exemple le calcul des matrices de
covariance Cm;, 1 et Cr ; puis F7
- à maximiser ou minimiser un écart entre les indices, de préférence le rapport entre ces indices.
Grâce à cette analyse multicomposante comparative AMC, il est possible de déterminer les composantes des signaux multicanaux X qui ont un écart (de puissance) à peu près constant entre les deux fenêtres de temps-fréquence P' et P,2 En d'autres termes, les composantes correspondant à la séparation des sources principales sont celles dont l'indice augmente le moins entre les deux fenêtres temporelles étudiées.
Il est à noter que déterminer la répartition spatiale de la ou des sources secondaires est équivalent à déterminer la séparation de la ou des sources principales.
De préférence, pour l'ensemble des fenêtres de temps Ti correspondant à une même fenêtre fréquentielle, les fenêtres P'Î et sont identiques et par conséquent les bases des sous-espaces vectoriels BEÔ(ouBEl:) sont identiques.
Une fois cette étape d'apprentissage SO réalisée sur chaque fenêtre de temps
Ti, il est possible de reconstruire l'ensemble du signal sur la fenêtre de temps-
fréquence.
A cet effet, le procédé selon la présente invention comporte une première 25 étape de construction S1 consistant notamment en une régression linéaire avec P'3 correspondant à T,, avec éventuellement une fenêtre temporelle un peu plus large
pour éviter des effets de bords.
Ainsi, il est possible de déterminer la répartition des sources principales en fonction de l'instant courant.
30 Plus particulièrement, cette première étape de construction SI permet de déterminer un premier filtre Fi permettant de filtrer les artéfacts dont la répartition25 est constante dans le temps ; à savoir principalement les artéfacts oculaires et certains artéfacts musculaires.
Toutefois, on constate que les artéfacts mécaniques ne sont pas filtrés ; ces artéfacts mécaniques se caractérisant par leur répartition aléatoire sur les électrodes.
Combinaison de filtres
Ensuite, dans le mode de réalisation décrit ici, il est possible de combiner les caractéristiques des premier et deuxième filtres Fi et Fi' précédemment obtenus de sorte à obtenir un filtre global F; capable de filtrer simultanément les différents types d'artéfacts : mécaniques, musculaires, oculaires, etc.
Dans une première variante de réalisation, l'obtention d'un tel filtre F- consiste notamment à combiner le premier filtre Fi du mode fréquentiel et le deuxième filtre Fi' du mode temporel, précédemment décrits.
Pour ce faire, on considère PZ et P' deux fenêtres permettant d'apprendre la répartition d'un premier type d'artéfacts, et P'1 et P' deux fenêtres permettant d'apprendre la répartition d'un deuxième type d'artéfact.
On considère en outre P3 et P'3 les fenêtres utilisées pour apprendre la répartition des signaux principaux. De manière préférentielle, P = et correspond à Ti mais avec des bords en plus.
Dans le mode de réalisation décrit ici, pour une fenêtre de temps-fréquence
Ti, on calcule un premier filtre Fi en appliquant les étapes d'analyse multicomposante comparative SO et de régression linéaire Si sur P=', Pt' et P? ; puis on calcule un deuxième filtre Fi' en appliquant les étapes d'analyse multicomposante comparative
SO et de régression linéaire S1 sur P'z et P!3 On calcule ensuite le filtre globale Pz* par une étape de convolution S3 des premier et deuxième filtres F, et F_' selon la formule F: = FFF'. Dans cette première variante, l'étape de combinaison inclut l'étape d'apprentissage SO et l'étape de régression linéaire S1.
Dans une deuxième variante de réalisation, la construction du premier filtre FE comporte une étape de combinaison consistant à rechercher s ~:l(ou s ~.l) à partir Eo E des fenêtres de temps-fréquence P et P , deux fenêtres permettant d'apprendre la repartions d'un premier type d'artefact) et P'- et P'î (deux fenêtres permettant d'apprendre la répartition d'un deuxième type d'artefact). Cette variante de réalisation consiste notamment à - effectuer l'analyse multicomposante comparative de X sur Fil et P, afin 5 d'obtenir gEi1 de sorte à déterminer les composantes ne comportant pas d'artefact 0 d'un premier type mais éventuellement des artefacts d'un deuxième type ; - définir un nouveau signal multicanaux x' = BEilTx correspondant aux sources de ces composantes ; - effectuer l'analyse multicomposante comparative AMC de X' sur P' et P' 10 afin d'obtenir Berl afin d'extraire les composantes ne comportant pas d'artefact du 0 deuxième type ; puis - définir B i :l = B iyB Erg E e E E Dans cette deuxième variante, l'étape de combinaison inclut l'étape d'apprentissage S0. 15 L'étape Si est ensuite appliquée normalement sur Pi3 = P' afin de construire Fi. Bien évidemment, tous autres types de méthode permettant la combinaison des premier et deuxième filtres F3 et Fg' pour obtenir un filtre global FFr pourront être utilisés dans la présente invention. 20 De façon générale, on remarque qu'il est possible de calculer le filtre inverse afin d'inverser les hypothèses en remplaçant ce filtre Fx par I-Fx ; ceci est équivalent à remplacer EQ par E1, et E par E. On obtient ainsi un filtre qui conserve les signaux dont la répartition est constante dans le temps et qui éliminerait les signaux dont la répartition varie. 25 Stabilisation Le filtre global Fi- ainsi obtenu n'est cependant pas optimal. En effet, la répartition réelle des artéfacts sur une fenêtre courante Ti peut être légèrement différente de la répartition des artéfacts sur les fenêtres d'apprentissage Pi'. et P;2. 30 Si tel est le cas, la méthode risque de chercher à reconstruire le ou les signaux secondaires ss (artéfacts) au lieu de reconstruire le ou les signaux principaux sp (sources cérébrales), les signaux secondaires pouvant être beaucoup plus importants que les signaux principaux.
Cette instabilité se matérialise par un écart entre le sous-espace vectoriel EQ, espace de répartition des artéfacts, et le sous-espace vectoriel El, espace de répartition des sources cérébrales.
De préférence, la mesure de l'écart entre En et El peut être considérée comme un angle minimal.
Pour éviter cette instabilité, l'étape de construction globale S1, S2, S3 selon une première variante de réalisation comporte avantageusement une étape
supplémentaire de stabilisation S2 consistant en une orthogonalisation, éventuellement progressive, de la matrice de filtrage par projection de composantes sur l'espace des composantes principales.
Cette étape de stabilisation S2 s'effectue sur le principe de la méthode d'Analyse des Composantes Principales dite ACP.
Plus précisément, cette étape de stabilisation S2 consiste à augmenter l'écart (de préférence l'angle minimal) entre E~ l'espace de répartition des artéfacts et Ej l'espace de répartition des sources cérébrales, ceci jusqu'à ce que ce dernier soit supérieur à un seuil.
Pour ce faire, cette étape de stabilisation S2 consiste en une projection
orthogonale du sous-espace vectoriel EE sur les composantes principales de P3 de sorte à réduire l'écart entre la véritable répartition spatiale des sources secondaires ss et son estimation pour la majeure partie du signal.
Ainsi, afin d'obtenir la matrice de filtrage F=, après avoir déterminé si. par l'étape S0, on effectue l'Analyse des composantes principales ACP sur la fenêtre P`3 25 de X.
Plus précisément, on calcule c la matrice de covariance de cette fenêtre, P
puis on la diagonalise c ?c = PiDi' -x où D est la matrice diagonale des valeurs propres triées dans l'ordre décroissant et P la matrice de passage.
On désigne P7 la matrice formée par les k premières colonnes de la matrice 30 de passage Pi.
Pour effectuer cette projection, il est nécessaire de définir une base de 4 nommée B i et de la projeter orthogonalement sur Pk: Bki1 = PikP B il. E, Eo Ea
Une fois cette étape effectuée, on calcule à nouveau une base de l'espace orthogonal Bkil et on effectue l'étape de régression linéaire SI avec cette nouvelle E^ base afin de construire la matrice de filtrage du premier filtre selon la formule : T 1 Fi = B`1(B1 c B~1 B Pr Ei Ei Pr Ei De façon avantageuse, l'étape de stabilisation S2 est répétée en faisant décroitre k jusqu'à ce qu'un écart (de préférence l'angle minimal) entre les deux sous-espaces vectoriels e et E ' soit supérieur à un seuil, par exemple un angle supérieure à 16°.
Cette stabilisation est particulièrement utile pour le filtrage des artéfacts oculaires, car les signaux dans les basses fréquences rendent difficile l'estimation de la matrice de covariance.
Dans une deuxième variante de réalisation sensiblement équivalente, afin d'obtenir la matrice de filtrage F;-, et après avoir déterminé BE1, on effectue l'analyse en composantes principales ACP sur la fenêtre P de X.
A cet effet, on calcule ch i la matrice de covariance de cette fenêtre puis on la diagonalise cA.ps = P,D,p:-1 où Di est la matrice diagonale des valeurs propres triées dans l'ordre décroissant et Pi la matrice de passage.
Ensuite, on effectue une étape consistant en projeter orthogonalement sur les k premières composantes de l'analyse en composantes principales ACP (De manière préférentiel k est initialement fixé à m et décroit progressivement).
On désigne ensuiteptk, la matrice formée par les k premières colonnes de Pi et Pk la matrice formée par les n-k dernières.
Pour effectuer cette projection, il est également nécessaire de définir une base
de E nommé B et de la mettre dans une autre base formée par la matrice de passage pi .
Les n-k dernières composantes (Ptk) sont conservées telles quelles, et les k premières (Pb forment un nouvel espace de travail dans lequel on effectue la régression linéaire. On calcule donc BEC = P.krBEi correspondant à une base de s dans la base e des k premières composantes de l'analyse en composantes principales ACP. On calcule ensuite Bk une base de l'orthogonal de Béé k ; la régression linéaire étant alors effectuée sur les signaux multicanaux Pi 7- xifs5 (de matrice de i covariance cA = PtkTcx Pte`) et à partir des composantes skiik afin d'obtenir la pi Eo B 1 ~T matrice Ftk} (Ftk' = tt k it ~Bk it x Bkt1 . Fi Eo Ep Pi Eo ! Eo Enfin, la matrice de filtrage dans la base d'origine est donnée par Ftw = Pkptkr t ptkFkYPtkr (les composantes Pz sont conservées telles quelles et l'étape de régression linéaire SI est appliquée sur les composantes pt'r). Bien évidemment, tous autres types de méthode permettant la stabilisation pourront être utilisés dans la présente invention.
En ce qui concerne le filtrage de l'EEG cette stabilisation est particulièrement utile pour le filtrage des artéfacts oculaires. En effet, les signaux de basses fréquences rendent difficile l'estimation de la matrice de covariance. Résultats Les figures 5A et 5C représentent différents enregistrements de signaux 20 multicanaux mesurés sur un patient pendant une crise épileptique. La lecture de ces enregistrements et le diagnostique de l'épilepsie est manifestement difficile pour un neurologue dans ces deux cas, ces enregistrements étant particulièrement artéfactés. L'utilisation du filtre obtenu par le procédé selon la présente invention sur les 25 signaux illustrés en figure 5A et 5C permet d'obtenir des signaux filtrés illustrés en figures 5B et 5E. La demanderesse soumet que ces résultats sont bons : En effet, sur ces signaux filtrés, la majeure partie des artéfacts est supprimée tandis que le rythme cérébral L est conservé relevant la position du foyer.
On peut également discerner la propagation de la crise. Les résultats obtenus avec un tel procédé sont particulièrement avantageux : on remarque une baisse de 80% de l'amplitude des artéfacts oculaires et musculaires, tandis que les amplitudes des signaux cérébraux sont correctement conservées (95% des rythmes a, 80% des rythmes 0, 70% des rythmes A, 90% des pointes, et 75% des pointes-ondes sont conservés). Plus précisément, les signaux avant filtrage illustrés en figure 5C correspondent à des signaux multicanaux mesurés sur un patient épileptique montrant un signe pathologique de type paroxysme.
Considérant ces signaux avant filtrage : en comparant les figures 5D et 5E, la demanderesse soumet que les résultats obtenus après le filtrage selon la présente invention (illustrés en figure 5E) sont nettement plus fins que les résultats (illustrés en figure 5D) obtenus après le filtrage selon la méthode proposée dans les publications dans les publications Filtering by optimal projection and application to automatic artifact removal from EEG et Robust method to filter various types of artifacts on long duration EEG recordings . Par ailleurs, considérant les signaux avant filtrage illustrés en figure 5F : comme évoqué précédemment, dans l'état de la technique et notamment avec la méthode proposée dans les publications ci-dessous, il est impossible de filtrer l'artéfact d'électrode enregistrée sur l'électrode Fpl. Avec la méthode selon la présente invention, comme illustré en figure 5G, il est possible de retirer efficacement cet artéfact tout en conservant le rythme cérébral, et ce alors même que les spectres fréquentiels de ces deux signaux sont très proches.
La demanderesse estime que les résultats obtenus permettent ainsi une utilisation fiable dans un environnement clinique et facilitent pour le neurologue la lecture des voies de l'électroencéphalographe EEG. Il devra être observé que cette description détaillée porte sur un exemple de réalisation particulier de la présente invention, mais qu'en aucun cas cette description ne revêt un quelconque caractère limitatif à l'objet de l'invention ; bien au contraire, elle a pour objectif d'ôter toute éventuelle imprécision ou toute mauvaise interprétation des revendications qui suivent. 31
Claims (17)
- REVENDICATIONS1. Procédé de traitement d'au moins un signal multicanaux (X) décomposé, sur une pluralité de fenêtres de temps-fréquence (Ri), en une pluralité de signaux multicanaux (xp;), ledit signal multicanaux (X) résultant d'une combinaison linéaire entre au moins un signal principal (sp) issu de la mesure de données provenant d'une source de données principale (S) et au moins un signal secondaire (ss) issu de la mesure de données provenant d'une source de données secondaire (B) correspondant à au moins un artéfact, ledit procédé de traitement comportant au moins : - une étape d'apprentissage (SO) comprenant une analyse multicomposante comparative (AMC) consistant notamment en une première comparaison d'un indice, de préférence représentatif de la puissance, dudit signal (X) sur deux fenêtres de temps-fréquence distinctes (P' et P') en sorte de séparer les composantes du signal principal (sp) des composantes d'au moins une partie du signal secondaire (ss) sur chacun des canaux et pour lesdites deux fenêtres de temps-fréquence (Pi et 41) ; et - une étape de construction globale (SI, S2, S3) d'un filtre global (F=') permettant d'éliminer ou de réduire le signal secondaire (ss), ladite étape de construction globale (SI, S2, S3) comprenant une première étape de construction (Si) d'au moins un premier filtre (Fi) consistant notamment en une régression linéaire sur une troisième fenêtre de temps-fréquence (1v) desdites composantes dudit signal principal (sp) ou desdites composantes de ladite au moins une partie du signal secondaire (ss), ledit procédé de traitement étant caractérisé en ce que la première comparaison de l'étape d'apprentissage (SO) est réalisée pour une même fenêtre de temps sur deux fenêtres de fréquences distinctes du signai multicanaux (X) en sorte que ledit premier filtre (.) obtenu lors de la première étape de construction (SI) permet de conserver, dans ledit signal (X) et sur ladite troisième fenêtre de temps-fréquence (Pi'), le signal principal (sp) et d'éliminer au moins une partie du signal secondaire (ss).
- 2. Procédé de traitement selon la revendication 1, l'étape d'apprentissage (S0) comprenant une analyse multicomposante comparative (AMC) consistant notamment en une deuxième comparaison d'un indice, de préférence représentatif de la puissance, dudit signal (X) sur deux fenêtres de temps-fréquence distinctes (P'1 et P'z) et la première étape de construction (Si) étant une étape de construction d'un premier et d'un deuxième filtre (Fi et Fi'), caractérisé en ce que la deuxième comparaison est réalisée pour au moins une fenêtre de fréquence du signal multicanaux (X) sur une fenêtre de temps au repos et sur une fenêtre de temps artéfactée en sorte de permettre la construction du deuxième filtre (Fi').
- 3. Procédé de traitement selon la revendication 2, caractérisé en ce que la fenêtre de temps au repos et la fenêtre de temps artéfactée sont obtenues manuellement ou de façon automatisée à partir d'une base de données de patient préétablie.
- 4. Procédé de traitement selon la revendication 3 ou 4, caractérisé en ce que la première étape de construction (SI) du deuxième filtre (Fi') consiste notamment en une régression linéaire desdites composantes dudit signal principal (sp) ou desdites composantes de ladite au moins une partie du signal secondaire (ss). 20
- 5. Procédé de traitement selon l'une quelconque des revendications précédentes, caractérisé en ce que l'analyse multicomposante comparative (AMC) des signaux multicanaux (X) comprend les étapes consistant à : - calculer les matrices de covariance (cr 1 et c7 ,) des signaux multicanaux (x et -pT 25 x ) sur les deux fenêtres de temps-fréquence (p1 et P2, ou 41r et 1v') ; - diagonaliser simultanément les deux matrices de covariances (c 1 et e}_, ) : C i-1C , = PDP-1 où P est la matrice de passage et D est la matrice diagonale des valeurs propres triées dans l'ordre croissant ; et15- obtenir le vecteur (v) représentant le rapport de puissance de chaque composante entre les deux fenêtres de temps-fréquence (1' et P2, ou p1' et P2'), ce vecteur (v) correspondant à la diagonale de la matrice D.
- 6. Procédé de traitement selon la revendication 5, caractérisé en ce que l'analyse multicomposante comparative (AMC) comprend en outre une étape consistant à éliminer de la matrice diagonale D les composantes qui ont les plus grandes valeurs propres, par exemple soit en prédéterminant une valeur seuil à ne pas dépasser, soit en prédéterminant un nombre de composantes à éliminer.
- 7. Procédé de traitement selon l'une quelconque des revendications 1 à 6, la première étape de construction (Si) étant une étape de construction d'un premier et d'un deuxième filtre (F; et F;+), caractérisé en ce que le filtre global (F est obtenu par une étape de convolution (S3) desdits premier et deuxième filtres (F; et F;').
- 8. Procédé de traitement selon l'une quelconque des revendications précédentes, la première étape de construction (Si) étant une étape de construction d'un premier et d'un deuxième filtre (Fi et Fi'), caractérisé en qu'il comporte en outre une étape de filtrage (S4) par application d'un desdites premier et deuxième filtres, ou dudit filtre global (F-, Fz' ou F "), sur les signaux multicanaux (XTi) du signal multicanaux (X) pour une pluralité de fenêtres de temps-fréquence (Ti) en vue d'obtenir des signaux filtrés (x'' ) pour chaque fenêtre de temps-fréquence (T ).
- 9. Procédé de traitement selon la revendication 8, caractérisé en ce que la troisième 25 fenêtre de temps-fréquence (F) couvre au moins partiellement la fenêtre de temps (T,).
- 10. Procédé de traitement selon l'une quelconque des revendications 8 ou 9, caractérisé en ce qu'il comporte en outre une étape de reconstruction (55) d'au 30 moins un signal (X') sur l'ensemble de la période de temps (T) par soustraction des signaux multicanaux (XT=) pour chaque fenêtre de temps-fréquence (T) du signalmulticanaux (X), et en ajoutant les signaux filtrés (\"Ti) pour chaque fenêtre de temps-fréquence (TÉ ), en sorte d'obtenir : x' û x û x~.= } x'T
- 11. Procédé de traitement selon l'une quelconque des revendications précédentes, la première étape de construction (Si) étant une étape de construction d'un premier et éventuellement d'un deuxième filtre (FF et Fi , caractérisé en ce que l'étape de construction globale (Si, S2, S3) comporte en outre une étape de stabilisation (S2) consistant notamment en une projection orthogonale des composantes d'un desdits premier et/ou deuxième filtres (Fi, P ou F7) sur la troisième fenêtre de temps- fréquence (P) de sorte à augmenter l'écart entre la répartition des composantes du signal secondaire (ss) et des composantes du signal principale (sp).
- 12. Procédé de traitement selon l'une quelconque des revendications précédentes, caractérisé en ce que le signal multicanaux (X) est un signal qui contient des informations électro-physiologiques.
- 13. Procédé de traitement selon l'une quelconque des revendications précédentes, caractérisé en ce que le signal multicanaux (X) est le signal d'un électroencéphalographe (EEG) qui résultent d'une combinaison linéaire d'au moins un signal principal (sp) issu de la mesure provenant de l'activité cérébrale, notamment l'activité cérébrale normale et l'activité cérébrale d'origine pathologique, et au moins un signal secondaire (ss) issu de la mesure provenant d'au moins un artéfact de type artéfacts mécaniques, oculaires, musculaires.
- 14. Procédé selon l'une quelconque des revendications précédentes pour améliorer la lecture des voies d'un électroencéphalographe (EEG), et permettre notamment la détection de pathologie neurologique de type épilepsie.
- 15. Programme d'ordinateur (PG) comportant des instructions adaptées pour l'exécution des étapes du procédé de traitement selon l'une quelconque des revendications 1 à 14 lorsque ledit programme est exécuté par un ordinateur.
- 16. Support d'enregistrement lisible par un ordinateur sur lequel est enregistré un programme d'ordinateur (PG) comprenant des instructions pour l'exécution des étapes du procédé de traitement selon l'une quelconque des revendications 1 à 14.
- 17. Dispositif médical comportant des moyens adaptés pour la mise en oeuvre du procédé de traitement selon l'une quelconque des revendications 1 à 14.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/FR2009/051340 WO2011004078A1 (fr) | 2009-07-07 | 2009-07-07 | Procede de traitement de donnees permettant le filtrage d'artefacts, adapte notamment a l'electroencephalographie |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR2947933A1 true FR2947933A1 (fr) | 2011-01-14 |
| FR2947933B1 FR2947933B1 (fr) | 2014-02-07 |
Family
ID=41426943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1055473A Expired - Fee Related FR2947933B1 (fr) | 2009-07-07 | 2010-07-06 | Procede de traitement de donnees permettant le filtrage d'artefacts, adapte notamment a l'electroencephalographie |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP2451346A1 (fr) |
| FR (1) | FR2947933B1 (fr) |
| WO (1) | WO2011004078A1 (fr) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3335630A1 (fr) * | 2016-12-15 | 2018-06-20 | Mensia Technologies | Indice de qualité de signal améliorée de bio-signal multicanal utilisant la géométrie de riemann |
| CN107616792B (zh) * | 2017-09-15 | 2020-01-03 | 中国科学技术大学 | 一种万级数量通道的脑神经信号采集处理电路 |
| CN112842357B (zh) * | 2019-11-26 | 2024-04-09 | 阿里健康信息技术有限公司 | 脑部生理数据的处理方法、设备及存储介质 |
-
2009
- 2009-07-07 EP EP09736609A patent/EP2451346A1/fr not_active Withdrawn
- 2009-07-07 WO PCT/FR2009/051340 patent/WO2011004078A1/fr active Application Filing
-
2010
- 2010-07-06 FR FR1055473A patent/FR2947933B1/fr not_active Expired - Fee Related
Non-Patent Citations (3)
| Title |
|---|
| "Extraction of Fetal Cardiac Signals from an Array of Maternal Abdominal Recordings", 1 July 2008, INSTITUT POLYTECHNIQUE DE GRENOBLE, FRANCE, Grenoble, article REZA SAMENI: "Extraction of Fetal Cardiac Signals from an Array of Maternal Abdominal Recordings", pages: 1 - 149, XP055050923 * |
| BOUDET ET AL: "Filtering by optimal projection and application to automatic artifact removal from EEG", SIGNAL PROCESSING, ELSEVIER SCIENCE PUBLISHERS B.V. AMSTERDAM, NL, vol. 87, no. 8, 19 April 2007 (2007-04-19), pages 1978 - 1992, XP022034419, ISSN: 0165-1684 * |
| BOUDET S ET AL: "A Robust Method to Filter Various Types of Artifacts on Long Duration EEG Recordings", BIOINFORMATICS AND BIOMEDICAL ENGINEERING, 2008. ICBBE 2008. THE 2ND INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 16 May 2008 (2008-05-16), pages 2357 - 2360, XP031267808, ISBN: 978-1-4244-1747-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2451346A1 (fr) | 2012-05-16 |
| FR2947933B1 (fr) | 2014-02-07 |
| WO2011004078A1 (fr) | 2011-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mammone et al. | Automatic artifact rejection from multichannel scalp EEG by wavelet ICA | |
| Zhao et al. | The reorganization of human brain networks modulated by driving mental fatigue | |
| Sanei et al. | EEG signal processing | |
| Al-Shargie et al. | Simultaneous measurement of EEG-fNIRS in classifying and localizing brain activation to mental stress | |
| Liu et al. | Spontaneous blinks activate the precuneus: characterizing blink-related oscillations using magnetoencephalography | |
| Congedo et al. | Spatio-temporal common pattern: A companion method for ERP analysis in the time domain | |
| WO2006072150A1 (fr) | Suppression d’artefacts musculaires sur des encephalogrammes | |
| FR2947933A1 (fr) | Procede de traitement de donnees permettant le filtrage d'artefacts, adapte notamment a l'electroencephalographie | |
| Turnip | Automatic artifacts removal of EEG signals using robust principal component analysis | |
| Anastasiadou et al. | Detection and removal of muscle artifacts from scalp EEG recordings in patients with epilepsy | |
| EP3422935B1 (fr) | Procede de detection d'elements d'interet dans des signaux electrophysiologiques et detecteur | |
| WO2019180393A1 (fr) | Méthode de génération d'un indicateur d'état d'une personne dans le coma | |
| Pavithran et al. | Index of Theta/Alpha ratio to quantify visual-spatial attention in dyslexics using Electroencephalogram | |
| Qi | EOG artifacts removal in EEG measurements for affective interaction with brain computer interface | |
| Arrubla et al. | Methods for pulse artefact reduction: experiences with EEG data recorded at 9.4 T static magnetic field | |
| Peiris et al. | Fractal dimension of the EEG for detection of behavioural microsleeps | |
| Rodríguez-González et al. | Towards automatic artifact rejection in resting-state MEG recordings: Evaluating the performance of the SOUND algorithm | |
| Mazher et al. | Classification of resting and cognitive states using EEG-based feature extraction and connectivity approach | |
| Romero et al. | Quantitative evaluation of automatic ocular removal from simulated EEG signals: regression vs. second order statistics methods | |
| Sharma et al. | Diagnosis of Vascular Cognitive Impairment Using EEG. | |
| EP3048948B1 (fr) | Procédé, système et programme d'ordinateur pour la détection et la caractérisation de clignements oculaires par électro-encéphalographie | |
| Campos-Arteaga et al. | Classifying brain states and pupillary responses associated with the processing of old and new information | |
| Bhuiyan et al. | A subband correlation-based method for the automatic detection of epilepsy and seizure in the dual tree complex wavelet transform domain | |
| Turnip | Noise reduction and brain mapping based robust principal component analysis | |
| Guttmann-Flury et al. | Preliminary results on a new algorithm for blink correction adaptive to inter-and intra-subject variability |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 7 |
|
| PLFP | Fee payment |
Year of fee payment: 8 |
|
| PLFP | Fee payment |
Year of fee payment: 9 |
|
| PLFP | Fee payment |
Year of fee payment: 11 |
|
| ST | Notification of lapse |
Effective date: 20220305 |