FR3128111A1 - 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 Download PDFInfo
- Publication number
- FR3128111A1 FR3128111A1 FR2111138A FR2111138A FR3128111A1 FR 3128111 A1 FR3128111 A1 FR 3128111A1 FR 2111138 A FR2111138 A FR 2111138A FR 2111138 A FR2111138 A FR 2111138A FR 3128111 A1 FR3128111 A1 FR 3128111A1
- Authority
- FR
- France
- Prior art keywords
- scalograms
- candidate
- scalogram
- electroencephalographic signal
- electroencephalographic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000010355 oscillation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims 7
- 238000001514 detection method Methods 0.000 description 8
- 230000002397 epileptogenic effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 206010015037 epilepsy Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 229920002873 Polyethylenimine Polymers 0.000 description 3
- 229920001601 polyetherimide Polymers 0.000 description 3
- 206010010904 Convulsion Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000537 electroencephalography Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000001654 Drug Resistant Epilepsy Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002566 electrocorticography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000001519 tissue 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
- A61B5/40—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
- 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
- A61B5/7264—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
- A61B5/24—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
- A61B5/4082—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
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. Figure 1.
Description
DESCRITPION
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.
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, entrainant 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 entrainent 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.
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.
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 [entrainé, 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.
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 :
-
-
-
-
-
Claims (10)
- 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) ;
- 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.
- Procédé de sélection de données selon la revendication 1, caractérisé en ce que ledit réseau de neurones artificiels est un réseau de neurones convolutif.
- 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.
- 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.
- 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 [entrainé, configuré], d’un 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.
- 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.
Priority Applications (3)
| 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 |
| CA3235624A CA3235624A1 (fr) | 2021-10-20 | 2022-10-20 | Procede de selection de portion de signal encephalographique, 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 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2111138 | 2021-10-20 | ||
| FR2111138A FR3128111A1 (fr) | 2021-10-20 | 2021-10-20 | Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3128111A1 true FR3128111A1 (fr) | 2023-04-21 |
Family
ID=80225400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2111138A Pending FR3128111A1 (fr) | 2021-10-20 | 2021-10-20 | Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant |
Country Status (3)
| Country | Link |
|---|---|
| CA (1) | CA3235624A1 (fr) |
| FR (1) | FR3128111A1 (fr) |
| WO (1) | WO2023067114A1 (fr) |
-
2021
- 2021-10-20 FR FR2111138A patent/FR3128111A1/fr active Pending
-
2022
- 2022-10-20 CA CA3235624A patent/CA3235624A1/fr active Pending
- 2022-10-20 WO PCT/EP2022/079304 patent/WO2023067114A1/fr active Application Filing
Non-Patent Citations (4)
| Title |
|---|
| BURNOS SERGEY ET AL: "The morphology of high frequency oscillations (HFO) does not improve delineating the epileptogenic zone", CLINICAL NEUROPHYSIOLOGY, ELSEVIER, AMSTERDAM, NL, vol. 127, no. 4, 21 January 2016 (2016-01-21), pages 2140 - 2148, XP029460947, ISSN: 1388-2457, DOI: 10.1016/J.CLINPH.2016.01.002 * |
| LAI DAKUN ET AL: "Automated Detection of High Frequency Oscillations in Intracranial EEG Using the Combination of Short-Time Energy and Convolutional Neural Networks", IEEE ACCESS, vol. 7, 9 July 2019 (2019-07-09), pages 82501 - 82511, XP011733397, DOI: 10.1109/ACCESS.2019.2923281 * |
| LAI DAKUN ET AL: "Channel-Wise Characterization of High Frequency Oscillations for Automated Identification of the Seizure Onset Zone", IEEE ACCESS, IEEE, USA, vol. 8, 3 March 2020 (2020-03-03), pages 45531 - 45543, XP011777740, DOI: 10.1109/ACCESS.2020.2978290 * |
| WONG SIMEON M ET AL: "Detection of high-frequency oscillations in electroencephalography: A scoping review and an adaptable open-source framework", SEIZURE, BAILLIERE TINDALL, LONDON, GB, vol. 84, 17 November 2020 (2020-11-17), pages 23 - 33, XP086444490, ISSN: 1059-1311, [retrieved on 20201117], DOI: 10.1016/J.SEIZURE.2020.11.009 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023067114A1 (fr) | 2023-04-27 |
| CA3235624A1 (fr) | 2023-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| CA2607049C (fr) | Detection automatisee d'etats de sommeil et de veille | |
| Rutishauser et al. | Online detection and sorting of extracellularly recorded action potentials in human medial temporal lobe recordings, in vivo | |
| Wilson et al. | Spike detection: a review and comparison of algorithms | |
| Vermaercke et al. | Functional specialization in rat occipital and temporal visual cortex | |
| Alhaddad et al. | Diagnosis autism by fisher linear discriminant analysis FLDA via EEG | |
| US20170065229A1 (en) | Neural oscillation monitoring system | |
| US20110289030A1 (en) | Method and system for classifying brain signals in a bci | |
| EP3586339A1 (fr) | Procédé, dispositif et programme pour déterminer au moins un réseau cérébral impliqué dans une réalisation d'un processus donné | |
| WO2010045724A1 (fr) | Procédé et extracteur de rythme pour la détection et l’isolement de caractéristiques de signal rythmiques à partir d’un signal d’entrée au moyen d’une transformée en paquets d’ondelettes | |
| Cuesta–Frau et al. | Noisy EEG signals classification based on entropy metrics. Performance assessment using first and second generation statistics | |
| Toulni et al. | Electrocardiogram signals classification using discrete wavelet transform and support vector machine classifier | |
| EP3422935B1 (fr) | Procede de detection d'elements d'interet dans des signaux electrophysiologiques et detecteur | |
| Anastasiadou et al. | Detection and removal of muscle artifacts from scalp EEG recordings in patients with epilepsy | |
| CN112057068A (zh) | 一种癫痫病理数据分类方法、装置及存储介质 | |
| Klempíř et al. | Identification of microrecording artifacts with wavelet analysis and convolutional neural network: an image recognition approach | |
| FR3128111A1 (fr) | Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant | |
| CN111643076A (zh) | 一种基于多通道脑电信号的bect棘波智能检测方法 | |
| Egambaram et al. | Online detection and removal of eye blink artifacts from electroencephalogram | |
| Congedo et al. | Event-related potentials: General aspects of methodology and quantification | |
| Lage-Castellanos et al. | A zero-training algorithm for EEG single-trial classification applied to a face recognition ERP experiment | |
| Wu et al. | SCNet: A spatial feature fused convolutional network for multi-channel EEG pathology detection | |
| CN116035594B (zh) | 一种基于分割-降噪网络的脑电伪迹去除方法 | |
| US11694117B2 (en) | Waveform generation identification method and computer-readable medium | |
| Ehtemami et al. | Analyzing and Clustering of baseline and non-baseline EEG signal using MATLAB toolboxes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230421 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |