WO2017008926A1 - Procede de construction d'une structure de donnees representative d'une reorganisation dynamique d'une pluralite de reseaux cerebraux, dispositif et programme correspondant - Google Patents

Procede de construction d'une structure de donnees representative d'une reorganisation dynamique d'une pluralite de reseaux cerebraux, dispositif et programme correspondant Download PDF

Info

Publication number
WO2017008926A1
WO2017008926A1 PCT/EP2016/057140 EP2016057140W WO2017008926A1 WO 2017008926 A1 WO2017008926 A1 WO 2017008926A1 EP 2016057140 W EP2016057140 W EP 2016057140W WO 2017008926 A1 WO2017008926 A1 WO 2017008926A1
Authority
WO
WIPO (PCT)
Prior art keywords
connectivity
networks
network
vector
sources
Prior art date
Application number
PCT/EP2016/057140
Other languages
English (en)
Inventor
Fabrice Wendling
Mahmoud Hassan
Original Assignee
Universite De Rennes 1
Institut National De La Sante Et De La Recherche Medicale
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universite De Rennes 1, Institut National De La Sante Et De La Recherche Medicale filed Critical Universite De Rennes 1
Priority to EP16723662.9A priority Critical patent/EP3320480A1/fr
Priority to US15/743,511 priority patent/US10588535B2/en
Publication of WO2017008926A1 publication Critical patent/WO2017008926A1/fr

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/378—Visual stimuli
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/22—Source localisation; Inverse modelling

Definitions

  • the present technique relates to the field of medical imaging.
  • the present technique is more particularly aimed at brain imaging.
  • Brain imaging refers to the set of medical imaging techniques used to observe the brain, especially when an individual is performing a cognitive task.
  • the present technique relates to functional brain imaging, which aims to perceive the functioning of the brain during the execution of a task, such as a cognitive task. This class of brain imaging can, for example, make it possible to locate functional deficiencies in the functioning of the brain.
  • One objective of functional imaging is to model the brain in action.
  • This imaging class is designed to determine brain function and may be of great value in the determination of functional brain disorders.
  • the traditional use of functional brain imaging is to have an individual perform a cognitive task and measure the signal produced by brain activity.
  • the cognitive tasks conventionally used there is notably the task of image naming.
  • Functional medical imaging is subdivided into several types depending on the imaging technology used. These include:
  • fMRI functional magnetic resonance imaging
  • PET positron emission tomography
  • EEG electroencephalography
  • Magnetoencephalography provides information that is relatively similar to EEG, but measures the magnetic fields induced by brain activity.
  • MEG Magnetoencephalography
  • the EEG on the other hand, is considered as imprecise, in particular because of a certain diffusion of the electrical signal at the level of the cranial surface, and this independently of the number of electrodes used.
  • the MEG offers better results, in terms of precision, as to the location of the sources of emission of the signals.
  • MEG requires heavy and bulky equipment that is not necessarily suitable for all measurement situations. Indeed, unlike the EEG, for which it is sufficient to have electrodes to be able to measure the electrical signal, the MEG requires to have a solenoid headset, which has the disadvantage of being bulky and bulky.
  • the invention does not have the drawbacks of the prior art. More particularly, the invention offers a solution that is both precise and economical and that makes it possible to characterize the processing of information, for example in the context of an image naming task.
  • the present technique relates to a method for determining an activation sequence of a set of brain networks, during a predetermined cognitive task, a method implemented via an electronic device comprising means for obtaining data of encephalographic activities.
  • Such a method comprises:
  • a step of determining a connectivity between cortical sources for each measurement vector, a step of determining a connectivity between cortical sources, said cortical sources being obtained from measurements of a measurement vector, delivering a connectivity network;
  • said step of obtaining a time series comprises:
  • a plurality of step of associating said value with a given cortical source delivering said set comprising at least one vector of sources per sample.
  • the number of signal capturing devices is greater than 128. According to a particular embodiment, said sampling value is between 0.2 ms and 30 ms.
  • said step of determining a connectivity between cortical sources of a vector comprises:
  • a step of detecting sources from which the signals of said vector originate said detection step implementing an estimation of the weighted minimum standard (wMNE), delivering a vector of sources;
  • wMNE weighted minimum standard
  • PS phase synchronization method
  • said step of grouping the connectivity networks according to a similarity parameter comprises at least one iteration of the following steps:
  • the invention also relates, to an electronic device for determining an activation sequence of a set of brain networks, during a predetermined cognitive task, an electronic device comprising means for obtaining of encephalographic activity data.
  • Such a device comprises:
  • the various steps of the methods according to the invention are implemented by one or more software or computer programs, comprising software instructions intended to be executed by a processor of a computing device, such as a terminal, according to the invention and being designed to control the execution of the different steps of the processes.
  • the invention is also directed to a program that can be executed by a computer or a data processor, which program includes instructions for controlling the execution of the steps of a method as mentioned above.
  • This program can use any programming language, and be in the form of source code, object code, or intermediate code between source code and object code, such as in a partially compiled form, or in any other form desirable shape.
  • the invention also provides a data carrier readable by a data processor, and including instructions of a program as mentioned above.
  • the information carrier may be any entity or device capable of storing the program.
  • the medium may comprise storage means, such as a ROM, for example a CD ROM or a microelectronic circuit ROM, or a magnetic recording medium, for example a floppy disk (“floppy disk”) or a hard disc.
  • the information medium may be a transmissible medium such as an electrical or optical signal, which may be conveyed via an electrical or optical cable, by radio or by other means.
  • the program according to the invention can be downloaded in particular on an Internet type network.
  • the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.
  • the invention is implemented by means of software and / or hardware components.
  • module may correspond in this document as well to a software component, a hardware component or a set of hardware and software components.
  • a software component corresponds to one or more computer programs, one or more subroutines of a program, or more generally to any element of a computer program.
  • program or software capable of implementing a function or a set of functions, as described below for the module concerned.
  • Such a software component is executed by a data processor of a physical entity (terminal, server, gateway, router, etc.) and is capable of accessing the hardware resources of this physical entity (memories, recording media, bus communication cards, input / output electronic cards, user interfaces, etc.).
  • a hardware component corresponds to any element of a hardware set (or hardware) able to implement a function or a set of functions, as described below for the module concerned. It may be a hardware component that is programmable or has an integrated processor for executing software, for example an integrated circuit, a smart card, a memory card, an electronic card for executing a firmware ( firmware), etc.
  • FIG. 2 briefly describes the data used in the present technique
  • Figure 3 depicts an embodiment in the case of dense electroencephalogram
  • FIG. 4 describes a device, such as a brain imaging device, capable of implementing a resource according to the present technique.
  • any cognitive process involves the activation of a functional brain network on a large scale.
  • this network is characterized by an increase in the synchronization of cortical oscillations (in the gamma frequency range, particularly, but not only) across sets of neurons distant distributed on separate brain areas.
  • FIG. 1 represents the method generally and FIG. 2 represents the manipulated data.
  • the invention relates to a method and a device for obtaining a data representative of an activation of at least one cerebral network, activated during a predetermined task, the method comprising the following steps:
  • obtaining 10 a data structure representative of cortical source activation (StrSC); these data correspond to signals, picked up by an extra device cranial (DspEC), affixed to the skull of the individual: it may be an EEG electrode headset or a magnetoencephalogram; at a given instant, an overall measurement, represented by a measurement vector ( ⁇ v 2 , v 3 , ... v ,, ... v n ), representing a set of transmitted signals (signal vectors), is obtained ; the frequency of obtaining these signals (that is to say the number of vectors) emitted depends on the measuring device on the one hand and the time required (t) for accomplishing the task on the other hand;
  • DspEC extra device cranial
  • a measurement vector or signal vector
  • a source vector that is, a connectivity network
  • the source vector comprises phase values associated with the sources of the perceived signal and not with the capture device (electrodes): the number of sources is therefore a priori different from the number of capture devices; thus, to determine the connectivity, a first calculation consists of estimating the sources from the signals; the sources ultimately represent the points of interest (ROI); o the connectivity network is obtained (calculated) from the sources and not from the signal (ie the connectivity network is not calculated directly from the measurement vector, but from an intermediate source vector);
  • the frequency of obtaining, for a given subject, the data structures representative of the cortical sources is a function, on the one hand, of the device that makes it possible to obtain these data and, on the other hand, the predetermined cognitive task.
  • the frequency can be between 1ms and 30ms.
  • the frequency may be different, for example between 0.2 ms and 1 ms.
  • the successively obtained data structures ( ⁇ v 2 , v 3 , ... v ,, ... v n ) can be grouped into a single data structure (StrSC), which contains all the data obtained during the realization. of the task by the subject.
  • the data can be stored in a table or matrix, one dimension of which relates to the number of samples and the other dimension comprises the number of measurements made for a sample.
  • a step is made to determine a connectivity between the sources, delivering, for each a network, determined at a time t, which is the instant considered by the original vector.
  • a connectivity between the sources delivering, for each a network, determined at a time t, which is the instant considered by the original vector.
  • the determination of connectivity between sources may include additional data processing steps depending on the objective to be achieved and the number of subjects involved.
  • each subject “produces” 1000 connectivity networks (for a 1 second task sampled every millisecond). It is then necessary to average the networks obtained. This is done by averaging the networks at the times considered: an average of the first 20 networks is measured at 1 ms, then an average of the following 20 networks at 2 ms, etc. until averaging all the networks of the 20 subjects of the statistical study. At the end, we obtain 1000 networks, each of these thousand networks representing an average of 20 subjects of the statistical study.
  • the measurement relates only to a single subject, for example, to determine the behavior of this subject with regard to a previously determined statistical atlas (ie the atlas obtained at the end of the application of the first case, for example), it is not necessary to modify the networks.
  • the results of this only subject if the subject to be studied has carried out 10 similar cognitive tasks (for example 10 cognitive tasks of naming an object: cup, watch, glasses, pencil, card, keys, computer, bottle, spoon, sheet, ... ), it is conceivable to average the networks corresponding to these 10 tasks, which a priori call the same networks and the same transitions). In this case, the average calculation is substantially the same as that made in the context of 20 subjects and a single task.
  • the next step is to group these networks together, by similarity.
  • the objective of this grouping is not trivial: it makes it possible to obtain essential information (often missing or inaccurate) from current techniques (in particular those based on the EEG or the MEG), ie to determine, in the time, the different networks activated, and the transitions between these networks.
  • the different activated networks and their transitions are representative of the cortical zones implemented and the interaction of these cortical zones between them to perform the given cognitive task.
  • connectivity analysis of EEG sources is used to track the spatio-temporal dynamics of large-scale networks associated with cognitive activity.
  • high spatial resolution EEG data is collected during the implementation of an image naming task.
  • Functional networks are reconstructed both in their spatial and temporal dimensions, over the entire duration of the cognitive process (from the perception of the image to the motor response) using a method that combines i) the solution of the inverse EEG problem; ii) estimation of cerebral connectivity from phase-locked values; and iii) functional network segmentation using a clustering method.
  • Figure 3 briefly describes the implementation of the present technique in the case of high density EEG: A) dense EEGs (256 electrodes) are recorded during the image naming task. Structural I M images are segmented and subject to anatomical fragmentation, for example using software
  • Freesurfer to get 148 regions are subdivided using Brainstorm to obtain a higher spatial resolution (about 1,000 regions of interest).
  • the inverse problem is solved using the weighted minimum normal estimation algorithm.
  • the time series of reconstructed sources are obtained.
  • Functional connectivity between reconstructed sources is calculated using the phase lock value method.
  • a high resolution functional connectivity matrix is obtained and the corresponding functional brain network is visualized.
  • B) This procedure is performed at the millisecond scale and a large number of functional connectivity matrices are obtained.
  • a k-means approach is used to obtain the brain network states (BNS) using for example a segmentation algorithm detailed hereinafter.
  • brain activity is recorded using a high spatial resolution 256-electrode EEG system (EGI, "Electrical Geodesy”). Inc. ").
  • EEG Electronic Geodesy
  • the main feature of this system is the large coverage of the subject's head by surface electrodes to improve the analysis of intra-cerebral activity from non-invasive measurements obtained on the scalp, compared to standard systems with 32 to 128 electrodes.
  • the EEG signals are acquired at a sampling frequency of 1 kHz and the bandpass filter is defined between 3 and 45 Hz.
  • the size of a vector is 256 thus comprising 256. signal values.
  • Vector data is spatially localized (this is where the electrode is positioned) and has a signal value.
  • the high spatial resolution EEG is used. It is quite possible to use other methods of obtaining the data, the important thing being that these data are present. Thus, MEG can also be used, as can other methods.
  • a crucial step in performing the connectivity analysis of EEG sources is the choice of three factors: the method used to solve the inverse problem, the method used to calculate the functional connectivity between time series of reconstructed sources and the number of measurements (for example the number of electrodes used on the scalp in this case).
  • the number of measurements for example the number of electrodes used on the scalp in this case.
  • wMNE weighted minimum standard
  • the EEG signals S (t) measured from the Q channels can be expressed by linear combinations of dipole sources of time-varying current P, D (t):
  • G and B (t) are respectively the matrix containing the main fields of the dipole sources and the added noise.
  • the inverse problem consists in finding an estimate of D (t) of the parameters of dipole sources (generally, position, orientation and amplitude), given the EEG signals S (t) and taking into account the gain matrix G.
  • This matrix can be calculated from a multilayer head model (volume conductor) and from the position of the electrodes.
  • the finite element finite method is a numerical method traditionally used in the case of realistic head models.
  • the source distribution can be limited to a field of current dipoles homogeneously distributed over the cortex, and normal to the cortical surface.
  • the EEG signals are generated by macro-columns of pyramidal cells located in the cortical mantle and aligned orthogonally with respect to its surface.
  • the electrical contribution of each macro-column to the electrodes on the scalp can be represented by a current dipole located at the center of gravity of each triangle of the 3D mesh and oriented normally towards the surface of the triangle.
  • the weighted minimum standard estimation (wMN E) method only estimates the moment of the dipole sources.
  • W s matrix adjusts the properties of the solution by reducing the inherent bias of minimum normal estimation solutions (MN E).
  • MN E minimum normal estimation solutions
  • W s is a diagonal matrix constructed from the matrix G with non-zero terms inversely proportional to the normal of the main field vectors.
  • the value of ⁇ is calculated relative to the signal-to-noise ratio for each signal calculated as the ratio between the post-stimulus period and the pre-stimulus period (200 ms).
  • the value ⁇ is between 0.1 and 0.3.
  • the sources are reconstructed for each test (same number of sources for each test) and the functional connectivity is then calculated between the reconstructed sources using the phase synchronization (PS) method.
  • PS phase synchronization
  • the first step in estimating phase synchronization is to extract the instantaneous phase of each signal. To do this, the method based on the Hilbert transform is used.
  • the second step is the definition of an appropriate index to measure the degree of synchronization between the estimated instantaneous phases.
  • z-score normalization procedure
  • ⁇ and ⁇ be the mean and the standard deviation calculated from a reference pre-stimulus of 200 ms.
  • Normalized phase lock (PLV) values are then defined by:
  • PLV1 (i) (PLVi (i) - / i) / ff: Functional connectivity is calculated in the low gamma frequency band (30 to 45 Hz). This frequency band is most relevant in the context of the cognitive task performed, namely a task of naming objects. Other cognitive tasks may require functional connectivity calculations in other frequency bands. This, however, does not detract from the general method of calculation as it is proposed.
  • phase-locked values are then averaged for all subjects:
  • Determination of brain network states - implementation of clustering, (application of a segmentation algorithm).
  • an algorithm for decomposing a cognitive task into brain network states (BNS: Brain) is implemented.
  • Network State characterized by significantly high functional connectivity values in a sufficiently long window of time.
  • the objective of this algorithm is to identify clusters among the T networks N (t).
  • the proposed algorithm is based on the k-means clustering of the connectivity networks obtained by the previously presented PLV method. This approach allows brain networks to be summarized to a limited number of dominant networks over a given period of time.
  • the process of determining brain network states is based on the connectivity networks (represented by connectivity matrices) previously obtained (and averaged when data from more than one subject is taken into account).
  • Networks K (ranging from 3 to 12) are chosen randomly and spatial correlations are calculated between the K networks previously selected and all the other networks T (the remaining networks). A spatial correlation value is obtained for each K at each time interval and for any one of the T networks, only one of the K networks produces the highest spatial correlation. Finally, the cross-validation criterion is used to determine the optimal number of networks that best explains the current cognitive task.
  • Presence of networks calculates the ratio (in%) of networks / clusters identified in all subjects.
  • the segmentation algorithm is described here in more detail, in the case of an applicability to a group of subjects. It is entirely applicable to data that would come from only one subject.
  • the objective of this algorithm is to identify clusters among the T networks N (t).
  • the proposed algorithm is based on three main steps:
  • Equation 1 C is normalized by the variance of the N and N k networks. Thus, C is between 0 and 1. High values indicate networks with a high similarity. Conversely, low values indicate a low similarity between the networks.
  • N (t) is then assigned to the cluster for which the spatial correlation was the highest.
  • the affected clusters are defined by N k :
  • N k ⁇ N (t): C _ ⁇ C _V l ⁇ k ' ⁇ K ⁇ (2)
  • GV global variance
  • the new N centroids are updated by averaging all the networks giving the same cluster.
  • steps 2 and 3 are repeated 500 times.
  • the set of centroids leading to the highest overall variance (GV) is retained.
  • the algorithm converges (reaching the highest overall variance (GV))
  • the method described above is a group average approach, which means that this method was based on the calculation of the spatial correlation between the networks on the averaged PLV (t) proximal matrices obtained from all the subjects. Nevertheless, the algorithm does not ignore inter-subject variability.
  • the same type of calculation (mainly step 2) can be performed between the single subject PLV (t) and the clusters that are obtained by the clustering algorithm applied to PLV (t) p years this case auss j ⁇ cna q ue time point is marked according to the graph with which it is best correlated, giving a measure of the "network presence.” This procedure is particularly useful for analyzing, extracting and identifying spatio-temporal behaviors that are common among subjects.
  • the k-means based segmentation algorithm produces a number of functional connectivity states (clusters). These clusters are assumed to reflect changes in cognitive state. To verify this hypothesis, we compare our results with an appropriate null model. The identified clusters are compared to those obtained by rearranging the original data using substitutes.
  • Tp Spatial distributions (Sd) and temporal profiles (Tp) of the original clusters are compared with those obtained using substitutes.
  • Tp when a cluster is significant (that is, linked to the cognitive process and not randomly), the value of Tp for the substitution data (Tp surr ) will be different from that of the cluster. origin (Tp org ).
  • Tp org origin
  • the underlying null hypothesis is that the clusters obtained are distinctly different from parasitic network states that can still be observed in random data or white noise.
  • the null hypothesis is tested by comparing the Tp surr and Tp org using a statistical test. The "ranking test" is used to reject or accept the null hypothesis.
  • [Tp org ; Tp surr ] is sorted in ascending order and the ranking index for the org Tp is returned.
  • n_surr 1,000 for example
  • a similar test is used for spatial distributions (Sd).
  • Bonferroni correction test which is considered the simplest and most conservative method to control the problem of FWER.
  • Freesurfer is used to record a labeled mesh of an average brain, where each tag corresponds to one of the 148 anatomical cortical regions.
  • This output provided a standardized partition of the cortex in 148 regional areas. Each of these areas was then subdivided into a set of small subregions using Brainstorm, yielding 1000 areas of interest (ROI) covering the entire cortex.
  • ROI areas of interest
  • This segmentation provides high resolution connection matrices.
  • regions of interest (ROI) were then taken into account in order to obtain a parsimonious, weighted, undirected graph, the thresholds of the matrices of proximities are determined. For each matrix, 10,000 edges are retained. All the corresponding weight values were positive.
  • the strength measurement is used to characterize the nodes in the weighted networks obtained.
  • This measurement is defined by the sum of all the arc weights for each node.
  • the resistance k TM is defined by: where N is the set of all the nodes in the graph and W y- is the connection weight between two nodes / ' and j. 5.5.3.
  • the previously presented technique allows to characterize the spatiotemporal dynamics of brain networks for a brief cognitive task ( ⁇ 1 second) from EEG data obtained on the scalp.
  • the results show that the appropriate processing of high spatial resolution EEG recordings can identify the networks that are in agreement with the brain regions involved in the same cognitive task and identified from other modalities (mainly the I Mf and PET,).
  • these results go beyond those obtained with conventional neuroimaging techniques, because the proposed method offers the unique advantage of following the dynamics of the network at a high temporal resolution (of the order of ms) and spatial ( ⁇ 1,000 regions of interest (ROI)).
  • the good performance of this treatment can be explained by the three steps allowing the obtaining of networks concerned, in terms of time and space characteristics.
  • the first step is the reconstruction of cortical sources distributed on a high resolution mesh solving the inverse problem of EEG.
  • the second step is the estimation of functional connectivity using phase synchronization between the gamma oscillations present in the evolution over time of reconstructed sources.
  • the results demonstrate that this step is crucial for identifying networks with high specificity for the task performed.
  • a multifactorial analysis was previously performed to examine the effect of different factors involved in the connectivity analysis of EEG sources. This methodological study has shown that the wMNE algorithm associated with the phase lock value using a dense network of electrodes (180 electrodes on the scalp) gives optimal results.
  • the third step is the segmentation, over time, of the cognitive process into brain network states (BNS).
  • BNS brain network states
  • an algorithm is applied, originally applied at the level of EEG on the scalp. This algorithm is used for the first time on networks at the cortical level.
  • This segmentation procedure automatically leads to a timing that strongly corresponds to the previously reported successive stages of brain processing from the perception of the image to its naming.
  • This "switching behavior" of functional connectivity networks is reported very recently for rest state data using a modeling approach.
  • the fundamental difference between the two approaches is that source localization totally ignores all possible interactions between brain regions.
  • the sources with the highest amplitude are traditionally retained.
  • this approach neglects the possible contribution of "low energy” sources.
  • the threshold process can significantly alter the results of the location. For example, when only sources with the highest amplitudes of 50 or 75% are maintained in the wMNE algorithm, the temporal lobe is not retained as active although it has been reported that it participates in semantic processing in the exact same task.
  • the assumption on which the network-based approach is based is that sources can be synchronized regardless of their magnitude.
  • the results show that the edges represented in the identified networks correspond to connections both among the sources having a large amplitude (occipital) and the sources having a low amplitude (temporal).
  • the network-based approach reveals networks that are more specific to the task being performed.
  • An illustrative example is the absence of the dorso-lateral prefrontal cortex in the networks identified during the first 200 ms while this region is particularly active throughout the duration of the task in approaching the localization of sources, probably because of the sustained attentional processes that are not strictly related to the visualization, decoding and naming of the image.
  • the entire processing is performed on the average data of a group of subjects (and not a single subject).
  • the connectivity matrix is calculated using the phase lock value (PLV) method at each time interval for each subject and all matrices are averaged for each all subjects in the group, giving a mean connectivity matrix of the group to each time sample of the post-stimulus response.
  • the segmentation algorithm is applied to these averaged data.
  • the main advantage of this approach is that it preserves networks common to all subjects in the group and reduces inter-individual variability. Therefore, the results obtained from this analysis represent the spatio-temporal dynamics of the networks that occur most consistently within the group of subjects.
  • BNS brain network state
  • k-means clustering provides the most appropriate results for grouping event-related voltage topography maps into "micro-EEG states” compared to other classification approaches ( clustering). It has also been adopted to identify functional connectivity states at rest from the I Mf. However, other algorithms could be evaluated such as the Modified Hierarchical Ascending Classification "CAH”.
  • the PLV method provides high performance for detecting synchronization between tests at each time interval.
  • the PLV method requires a relatively high number of stimuli (148 in our case for each subject) to estimate correctly. Therefore, this method can not easily be applied to an ongoing activity, such as for idle network analysis, for example.
  • the second step is the "clustering" or anatomical fragmentation, which consists of reconstructing the sources on a mesh of the cortex with high spatial resolution, then calculating the average dynamics of the localized sources in the same regions of interest (ROI). ). Connectivity is then calculated between these averaged sources.
  • the same approach is used when performing connectivity analysis of MEG sources.
  • the advantage of this average is i) to increase the distance between the positions of the regions of interest (ROI) defined by their center of mass, and ii) to reduce the "artificial" correlations of very close sources localized in the same regions of interest (ROI).

Abstract

L'invention se rapporte à un procédé de détermination d'une séquence d'activation d'un ensemble de réseaux cérébraux, au cours d'une tâche cognitive prédéterminée, procédé mis en œuvre par l'intermédiaire d'un dispositif électronique comprenant des moyens d'obtention de données d'activités encéphalographiques. Un tel procédé comprend : - une étape d'obtention (10) d'au moins une série temporelle de données d'activités encéphalographiques, selon une valeur d'échantillonnage prédéterminée, lesdites données d'activité étant représentatives d'un signal capté à la surface crânienne par au moins un dispositif de captation, lors de l'exécution de ladite tâche cognitive prédéterminée par au moins un individu, étape délivrant un ensemble comprenant au moins un vecteur de mesures par échantillon de la série temporelle; - pour chaque vecteur de mesures, une étape de détermination (20) d'une connectivité entre des sources corticales, lesdites sources corticales étant obtenues à partir de mesures d'un vecteur de mesure, délivrant un réseau de connectivité; - une étape de regroupement (30) des réseaux de connectivité en fonction d'un paramètre de ressemblance délivrant un ensemble de groupes de réseaux de connectivités regroupés, chacun étant représentatif, à un instant donné, d'une activité d'un réseau cérébral donné.

Description

PROCEDE DE CONSTRUCTION D'UNE STRUCTURE DE DONNEES REPRESENTATIVE D'UNE REORGANISATION DYNAMIQUE D'UNE PLURALITE DE RESEAUX CEREBRAUX, DISPOSITIF ET
PROGRAMME CORRESPONDANT
1. Domaine
La présente technique se rapporte au domaine de l'imagerie médicale. La présente technique vise plus particulièrement l'imagerie cérébrale. L'imagerie cérébrale désigne l'ensemble des techniques issues de l'imagerie médicale qui permettent d'observer le cerveau, en particulier lorsqu'un individu exécute une tâche cognitive. Il existe deux grandes classes d'imagerie cérébrale : l'imagerie structurelle et l'imagerie fonctionnelle. La présente technique se rapporte à l'imagerie cérébrale fonctionnelle, qui vise à percevoir le fonctionnement du cerveau lors de l'exécution d'une tâche, comme une tâche cognitive. Cette classe d'imagerie cérébrale peut par exemple permettre de localiser des déficiences fonctionnelles du fonctionnement du cerveau. 2. Art antérieur
Un objectif de l'imagerie fonctionnelle est de modéliser le cerveau en action. Cette classe d'imagerie vise à déterminer quel est le fonctionnement du cerveau et peut être d'une grande utilité dans la détermination de troubles fonctionnels cérébraux.
L'usage traditionnel de l'imagerie cérébrale fonctionnelle consiste à faire effectuer une tâche cognitive à un individu et à mesurer le signal produit par l'activité cérébrale. Suivant les techniques et les outils employés, il est possible de retrouver, avec une précision variable, quelle région du cerveau était particulièrement active et à quel moment de la tâche cognitive. Parmi les tâches cognitives classiquement utilisées, on trouve notamment la tâche de nommage d'image.
L'imagerie médicale fonctionnelle est subdivisée en plusieurs types en fonction de la technologie d'imagerie utilisée. On peut notamment citer :
l'imagerie par résonance magnétique fonctionnelle (IRMf) consiste à mesurer un signal dit
« BOLD » (de l'anglais blood-oxygen-level dépendent, « dépendant du niveau d'oxygène sanguin ») qui reflète le taux d'oxygénation du sang dans le cerveau ;
la tomographie par émission de positrons (TEP) consiste à mesurer les modifications du débit sanguin au moyen d'un traceur radioactif : il faut préalablement injecter ce traceur par voie intraveineuse ;
l'électroencéphalographie (EEG) effectue une mesure directe de l'activité électrique à la surface crânienne ;
la magnétoencéphalographie (MEG) offre une information relativement similaire à l'EEG, mais elle mesure les champs magnétiques induits par l'activité cérébrale. Chacune de ces techniques présente des avantages et des inconvénients. Ainsi, par exemple, l'IRMf est considérée comme peu réactive. En effet, de par la technologie employée et de par la mesure effectuée, il est difficile de mesurer, à l'aide de cette technique, les changements rapides intervenant dans l'activité cérébrale : on dispose, avec cette technique, au mieux d'une mesure de l'activité toute les secondes. Or, il est connu que les processus cognitifs mis en œuvre sont bien plus rapides. Dès lors, cette technique n'est pas utilisable pour caractériser des processus cognitifs rapides. Des problèmes du même ordre sont rencontrés avec la TEP : la diffusion des marqueurs radioactifs est relativement lente et il est difficile d'avoir accès, avec cette technique, à la dynamique des processus cognitifs. L'EEG, pour sa part est considéré comme peu précis, notamment à cause d'une certaine diffusion du signal électrique au niveau de la surface crânienne, et ce indépendamment du nombre d'électrodes utilisées. La MEG, quant à elle, offre de meilleurs résultats, en termes de précision, quant à la localisation des sources d'émission des signaux. En revanche, la MEG nécessite un appareillage lourd et encombrant qui n'est pas nécessairement adapté à toutes les situations de mesure. En effet, à la différence de l'EEG, pour laquelle il suffit de disposer d'électrodes pour pouvoir mesurer le signal électrique, la MEG nécessite de disposer d'un casque de solénoïdes, qui présente le désavantage d'être volumineux et encombrant.
Outre ces problématiques d'encombrement ou de précisions, il existe également des problématiques d'interprétation des résultats obtenus. En effet, en fonction de la technique d'imagerie utilisée, les résultats obtenus sont différents, d'une part à cause de l'échantillonnage des mesures effectuées (on comprend qu'un échantillonnage d'une seconde pour l'IRMf ne donne pas des résultats équivalents à un échantillonnage de 50Hz ou de 100Hz) et d'autre part à cause de l'interprétation des résultats. Plus spécifiquement, il apparaît que les méthodes d'imagerie actuelles peinent à fournir une représentation dynamique de l'activité cérébrale. Plus particulièrement, il apparaît que les méthodes actuelles peinent à caractériser la dynamique du traitement de l'information, plus particulièrement lors de tâches cognitives prédéterminées, comme la tâche de nommage d'image.
Il existe donc un besoin d'une part de fournir une technique d'imagerie cérébrale qui soit précise et simple à mettre en œuvre et dont les résultats caractérisent de manière précise la dynamique de traitement de l'information au travers du cerveau. 3. Résumé
L'invention ne présente pas les inconvénients de l'art antérieur. Plus particulièrement, l'invention offre une solution qui est à la fois précise, économique et qui permet de caractériser le traitement de l'information, par exemple dans le cadre d'une tâche de nommage d'image.
Plus précisément, la présente technique se rapporte à un procédé de détermination d'une séquence d'activation d'un ensemble de réseaux cérébraux, au cours d'une tâche cognitive prédéterminée, procédé mis en œuvre par l'intermédiaire d'un dispositif électronique comprenant des moyens d'obtention de données d'activités encéphalographiques.
Un tel procédé comprend :
- une étape d'obtention d'au moins une série temporelle de données d'activités encéphalographiques, selon une valeur d'échantillonnage prédéterminée, lesdites données d'activité étant représentatives d'un signal capté à la surface crânienne par au moins un dispositif de captation, lors de l'exécution de ladite tâche cognitive prédéterminée par au moins un individu, étape délivrant un ensemble comprenant au moins un vecteur de mesures par échantillon de la série temporelle ;
pour chaque vecteur de mesures, une étape de détermination d'une connectivité entre des sources corticales, lesdites sources corticales étant obtenues à partir de mesures d'un vecteur de mesure, délivrant un réseau de connectivité ;
une étape de regroupement des réseaux de connectivité en fonction d'un paramètre de ressemblance délivrant un ensemble de groupes de réseaux de connectivités regroupés, chacun étant représentatif, à un instant donné, d'une activité d'un réseau cérébral donné. Selon une caractéristique particulière, ladite étape d'obtention d'une série temporelle comprend :
une pluralité d'étapes d'obtention d'une pluralité de valeurs de signaux captés à la surface crânienne dudit au moins un individu, ladite pluralité de valeur étant représentative d'un nombre de dispositifs de captation de signal, ladite pluralité d'étape d'obtention de ces pluralités de valeurs étant fonction d'une durée de ladite tâche cognitive prédéterminée et dudit échantillonnage prédéterminé ;
une pluralité d'étape d'association desdites valeur à une source corticale donnée, délivrant ledit ensemble comprenant au moins un vecteur de sources par échantillon.
Selon un mode de réalisation particulier, le nombre de dispositifs de captation de signal est supérieur à 128. Selon un mode de réalisation particulier, ladite valeur d'échantillonnage est comprise entre 0,2 ms et 30 ms.
Selon une caractéristique particulière, ladite étape de détermination d'une connectivité entre des sources corticales d'un vecteur, comprend :
- une étape de détection de sources dont sont issus les signaux dudit vecteur, ladite étape de détection mettant en œuvre une estimation de la norme minimale pondérée (wMNE), délivrant un vecteur de sources ;
une étape de calcul d'une connectivité fonctionnelle entre les sources précédemment détectées, à l'aide d'une méthode de synchronisation de phase (PS), délivrant, pour le vecteur de sources, un réseau de connectivité.
Selon une caractéristique particulière, ladite étape de regroupement des réseaux de connectivité en fonction d'un paramètre de ressemblance comprend au moins une itération des étapes suivantes :
sélection, parmi l'ensemble des réseaux de connectivité, d'un nombre prédéterminé K de réseaux ;
calcul, pour chaque réseau parmi le nombre K de réseaux de précédemment sélectionné, d'une corrélation spatiale entre ce réseau, et l'ensemble des réseaux de connectivité ; sélection du réseau dont la corrélation spatiale est la plus élevée et affectation à ce réseau, des réseaux les plus proches spatialement.
Selon un autre aspect, l'invention se rapporte aussi, à un dispositif électronique de détermination d'une séquence d'activation d'un ensemble de réseaux cérébraux, au cours d'une tâche cognitive prédéterminée, dispositif électronique comprenant des moyens d'obtention de données d'activités encéphalographiques.
Un tel dispositif comprend :
- des moyens d'obtention d'au moins une série temporelle de données d'activités encéphalographiques, selon une valeur d'échantillonnage prédéterminée, lesdites données d'activité étant représentatives d'un signal capté à la surface crânienne par au moins un dispositif de captation, lors de l'exécution de ladite tâche cognitive prédéterminée par au moins un individu, étape délivrant un ensemble comprenant au moins un vecteur de mesures par échantillon de la série temporelle ;
des moyens de détermination, pour chaque vecteur de mesures, d'une connectivité entre des sources corticales, lesdites sources corticales étant obtenues à partir de mesures d'un vecteur de mesure, délivrant un réseau de connectivité ; des moyens de regroupement des réseaux de connectivité en fonction d'un paramètre de ressemblance délivrant un ensemble de groupes de réseaux de connectivités regroupés, chacun étant représentatif, à un instant donné, d'une activité d'un réseau cérébral donné.
Selon une implémentation spécifique, les différentes étapes des procédés selon l'invention sont mises en œuvre par un ou plusieurs logiciels ou programmes d'ordinateur, comprenant des instructions logicielles destinées à être exécutées par un processeur d'un dispositif informatique, tel qu'un terminal, selon l'invention et étant conçu pour commander l'exécution des différentes étapes des procédés.
En conséquence, l'invention vise aussi un programme, susceptible d'être exécuté par un ordinateur ou par un processeur de données, ce programme comportant des instructions pour commander l'exécution des étapes d'un procédé tel que mentionné ci-dessus.
Ce programme peut utiliser n'importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n'importe quelle autre forme souhaitable.
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 dise ») 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, passerelle, routeur, 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.
Chaque composante du système précédemment décrit met bien entendu en œuvre ses propres modules logiciels.
Les différents modes de réalisation mentionnés ci-dessus sont combinables entre eux pour la mise en œuvre de l'invention.
4. Dessins
D'autres caractéristiques et avantages de l'invention 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 :
la figure 1 présente un synoptique de la technique proposée ;
la figure 2, décrit succinctement les données mises en œuvre dans la présente technique ; la figure 3 décrit un mode de réalisation dans le cas d'électroencéphalogramme denses; la figure 4 décrit un dispositif, tel qu'un dispositif d'imagerie cérébrale, apte à mettre en œuvre une ressource selon la présente technique.
5. Description
5.1. Rappel du principe
Pour un traitement efficace de l'information au cours de l'activité cognitive, les réseaux cérébraux fonctionnels doivent se réorganiser rapidement et de façon dynamique à une échelle de temps inférieure à la seconde. Le suivi de la dynamique spatio-temporelle des réseaux à grande échelle sur cette courte durée est une question très difficile. En effet, tout processus cognitif implique l'activation d'un réseau cérébral fonctionnel à grande échelle. Dans les processus de la vision, de l'attention et de la mémoire, ce réseau est caractérisé par une augmentation de la synchronisation des oscillations corticales (dans la plage de fréquence gamma, en particulier, mais pas uniquement) à travers des ensembles de neurones éloignés distribués sur des aires cérébrales distinctes.
Le suivi précis de la dynamique spatio-temporelle des réseaux à grande échelle sur la durée (souvent aussi courte que quelques centaines de millisecondes) des processus cognitifs est délicat. Un certain nombre de théories sont élaborées pour expliquer ces dynamiques spatiotemporelles. Il est émis l'hypothèse que les réseaux cérébraux fonctionnels se livrent à des transitions rapides entre les états transitoirement stables, chacun étant caractérisé par un réseau avec une dynamique intrinsèque et des relations fonctionnelles spécifiques entre les ensembles de neurones. Selon cette théorie, le substrat des processus cognitifs devrait correspondre à une séquence de commutateurs entre les réseaux et, par conséquent, à des fluctuations dépendant du temps et de l'espace dans les propriétés de nœud et d'arc du réseau global.
La validation de ces hypothèses pour les données liées à la tâche nécessite le suivi des processus cérébraux à une échelle de temps de l'ordre de la milliseconde. Cela peut difficilement être réalisé en utilisant des données d'I Mf pour une raison simple et bien connue : même s'ils sont caractérisés par une excellente résolution spatiale, les signaux BOLD reflètent la réponse métabolique et hémodynamique des ensembles de neurones (au niveau du voxel). Cette réponse lente (secondes) est évidemment liée à la dynamique rapide des oscillations corticales qui ont lieu sur les ensembles de neurones interconnectés et qui définissent des réseaux fonctionnels, mais indirectement (c'est-à-dire par le biais du couplage neuro-glio-vasculaire).
Dans la présente, on aborde ce problème en utilisant l'électroencéphalographie (EEG) à haute résolution spatiale, par exemple enregistrée lors d'une tâche de dénomination d'image. Par l'intermédiaire d'une méthode spécifique, décrite ci-après, on détermine la dynamique des réseaux successivement mis en œuvre pour la réalisation de la tâche cognitive. Le principe général de l'invention est présenté en relation avec les figures 1 et 2. La figure 1 représente le procédé d'une manière générale et la figure 2 représente les données manipulées.
Ainsi, l'invention porte sur un procédé et un dispositif d'obtention d'une donnée représentative d'une activation d'au moins un réseau cérébral, activé au cours d'une tâche prédéterminée, procédé comprenant les étapes suivantes :
obtention (10) d'une structure de données représentatives d'activation de sources corticales (StrSC) ; ces données correspondent à des signaux, captés par un dispositif extra crânien (DspEC), apposé sur le crâne de l'individu : il peut s'agir d'un casque à électrodes pour EEG ou d'un magnétoencéphalogramme ; à un instant donné, une mesure globale, représentée par un vecteur de mesure (ν v2, v3,... v,,... vn), représentant un ensemble de signaux émis (vecteurs de signaux), est obtenu ; la fréquence d'obtention de ces signaux (c'est-à-dire le nombre de vecteurs) émis dépend du dispositif de mesure d'une part et du temps nécessaire (t) à l'accomplissement de la tâche d'autre part ;
o dans un vecteur de mesure (ou vecteur de signaux), on dispose d'autant de mesures de signal qu'il y a d'électrodes : si par exemple on effectue une mesure avec 256 électrodes, on dispose dans le vecteur de mesures, de 256 valeurs.
- détermination (20) d'une connectivité entre les sources d'un même réseau : pour chaque vecteur (ν v2, v3,... v,,... vn), qui représente un réseau, on cherche à déterminer la connectivité des différentes composantes du vecteur entre elles ; en d'autres termes, on cherche à mesurer l'interaction d'une composante du vecteur avec d'autres composantes du vecteur afin de déterminer si ces composantes sont liées entre elles ; à l'issue de cette phase, on obtient un réseau de connectivité (r1( r2, r3,... r,,... rn), qui, pour l'instant considéré, est considéré comme actif ;
o dans un vecteur de sources (c'est-à-dire un réseau de connectivité), on ne dispose pas nécessairement de 256 sources ; comme cela est explicité par la suite, le vecteur de source comprend des valeurs de phase associées aux sources du signal perçu et non au dispositif de captation (électrodes) : le nombre de sources est donc a priori différent du nombre de dispositifs de captations ; ainsi, pour déterminer la connectivité, un premier calcul consiste à estimer les sources à partir des signaux ; les sources représentent finalement les points d'intérêt (ROI) ; o le réseau de connectivité est obtenu (calculé) à partir des sources et non pas à partir du signal (c'est-à-dire que le réseau de connectivité n'est pas calculé directement à partir du vecteur de mesure, mais à partir d'un vecteur de sources intermédiaire) ;
regroupement (30) des réseaux de connectivité (r1( r2, r3,... r,,... rn) entre eux en fonction de leurs ressemblances, délivrant des groupes de réseaux de connectivités (gr1( gr2, gr3,... grj,... grm).
La fréquence d'obtention, pour un sujet donné, des structures de données représentatives des sources corticales est fonction d'une part du dispositif qui permet l'obtention de ces données et d'autre part de la tâche cognitive prédéterminée. Par exemple, pour une tâche de dénomination d'image, la fréquence peut être comprise entre 1ms et 30ms. Pour une tâche mettant en œuvre l'écoute d'un son, la fréquence peut être différente, par exemple comprise entre 0,2 ms et 1ms. Les structures de données successivement obtenues (ν v2, v3,... v,,... vn) peuvent être regroupées en une seule structure de données (StrSC), qui contient l'ensemble des données obtenues pendant la réalisation de la tâche par le sujet. Ainsi, dans un mode de réalisation particulier, les données peuvent être stockées dans un tableau ou une matrice dont une des dimensions se rapporte au nombre d'échantillons et l'autre dimension comprend le nombre de mesures réalisées pour un échantillon.
À titre d'exemple, lorsque qu'une tâche cognitive dure une seconde et qu'un échantillonnage d'une milliseconde est réalisé, on obtient 1000 vecteurs de signaux : il s'agit donc de mille structures de données représentatives d'activations successives de sources corticales.
Pour chacune de ces structures, on réalise une étape de détermination d'une connectivité entre les sources, délivrant, pour chacune un réseau, déterminé à un instant t, qui est l'instant considéré par le vecteur d'origine. On obtient donc, à l'issue de la détermination de la connectivité, 1000 réseaux (en considérant l'exemple précédent d'une tâche cognitive de 1 seconde, échantillonnée à 1ms).
La détermination de la connectivité entre les sources peut comprendre des étapes de traitement des données complémentaires en fonction de l'objectif à atteindre et du nombre de sujets impliqués.
Ainsi, lorsque l'on souhaite effectuer une étude statistique, sur un nombre important de sujets, il convient, pour éliminer les biais, de moyenner les différents résultats (i.e. les différents réseaux) obtenus à partir de tous les sujets. En reprenant l'exemple précédent, si l'on suppose que la tâche cognitive est effectuée par vingt sujets, chaque sujet « produit » 1000 réseaux de connectivité (pour une tâche de 1 seconde échantillonnée toute les millisecondes). Il convient alors de moyenner les réseaux obtenus. Cela est réalisé en effectuant une moyenne des réseaux aux temps t considérés : on effectue une moyenne des 20 premiers réseaux à 1 ms, puis une moyenne des 20 réseaux suivant à 2ms, etc. jusqu'à avoir moyenné l'ensemble des réseaux des 20 sujets de l'étude statistique. À l'issue, on obtient donc 1000 réseaux, chacun de ces mille réseaux représentant une moyenne des 20 sujets de l'étude statistique.
Au contraire, lorsque la mesure ne porte que sur un seul sujet, afin par exemple, de déterminer le comportement de ce sujet au regard d'un atlas statistique préalablement déterminé (i.e. l'atlas obtenu à l'issu de l'application du premier cas de figure, par exemple), il n'est pas nécessaire de modifier les réseaux. Tout au plus on peut moyenner les résultats de ce seul sujet : si le sujet à étudier a effectué 10 tâches cognitives similaires (par exemple 10 tâches cognitives de dénomination d'un objet : tasse, montre, lunettes, crayon, carte, clés, ordinateur, bouteille, cuillère, feuille,...), il est envisageable de moyenner les réseaux correspondant à ces 10 taches, qui font a priori appel aux mêmes réseaux et aux mêmes transitions). Auquel cas, le calcul de moyenne est sensiblement identique à celui effectué dans le cadre de 20 sujets et d'une seule tâche.
L'opération suivante consiste à regrouper ces réseaux, par ressemblance. L'objectif de ce regroupement n'est pas anodin : il permet d'obtenir une information essentielle (souvent manquante ou imprécise) des techniques actuelles (notamment celles basées sur l'EEG ou la MEG) c'est à dire de déterminer, dans le temps, les différents réseaux activés, et les transitions entre ces réseaux. Les différents réseaux activés et leurs transitions sont représentatifs des zones corticales mises en œuvre et de l'interaction de ces zones corticales entre elles pour effectuer la tâche cognitive données.
En d'autres termes, on utilise l'analyse de connectivité des sources d'EEG pour suivre la dynamique spatio-temporelle des réseaux à grande échelle associée à l'activité cognitive. Pour ce faire, on recueille par exemple des données d'EEG à haute résolution spatiale lors de la mise en œuvre d'une tâche de dénomination d'image. On reconstruit les réseaux fonctionnels à la fois dans leurs dimensions spatiale et temporelle, sur toute la durée du processus cognitif (à partir de la perception de l'image jusqu'à la réponse motrice) en utilisant une méthode qui combine i) la solution du problème inverse d'EEG, ii) l'estimation de la connectivité cérébrale à partir des valeurs de verrouillage de phase et iii) la segmentation des réseaux fonctionnels en utilisant une méthode de classification (clustering). La figure 3 décrit succinctement la mise en œuvre de la présente technique dans le cas d'un EEG haute densité : A) des EEG denses (256 électrodes) sont enregistrés au cours de la tâche de nommage d'image. Les images I M structurelles sont segmentées et soumises à une parcellisation anatomique par exemple en utilisant le logiciel
Freesurfer pour obtenir 148 régions. Ces 148 régions sont subdivisées en utilisant Brainstorm pour obtenir une résolution spatiale plus élevée (environ 1 000 régions d'intérêt). Le problème inverse est résolu en utilisant l'algorithme de l'estimation normale minimale pondérée. Les séries temporelles de sources reconstruites sont obtenues. La connectivité fonctionnelle entre les sources reconstruites est calculée en utilisant la méthode de la valeur de verrouillage de phase.
Une matrice de connectivité fonctionnelle à haute résolution est obtenue et le réseau cérébral fonctionnel correspondant est visualisé. B) Cette procédure est effectuée à l'échelle de la milliseconde et un grand nombre de matrices de connectivité fonctionnelle sont obtenues. Une approche par k-moyennes est utilisée pour obtenir les états de réseau cérébral (BNS) en utilisant par exemple un algorithme de segmentation détaillé ci-après dans la présente.
5.2. Obtention d'une structure de données représentatives d'activation de sources corticales Dans ce mode de réalisation, l'activité cérébrale est enregistrée à l'aide d'un système d'EEG à haute résolution spatiale, 256 électrodes (EGI, « Electrical Géodésie Inc. »). La principale caractéristique de ce système est la grande couverture de la tête du sujet par des électrodes de surface permettant l'amélioration de l'analyse de l'activité intra-cérébrale à partir des mesures non invasives obtenues sur le cuir chevelu, par rapport à des systèmes standards à 32 à 128 électrodes. Les signaux d'EEG sont acquis à une fréquence d'échantillonnage de 1 kHz et le filtre passe-bande est défini entre 3 et 45 Hz. Ainsi, dans ce mode de réalisation, la taille d'un vecteur est de 256 comprenant donc 256 valeurs de signal. Une donnée du vecteur est localisée spatialement (il s'agit de l'endroit où l'électrode est positionnée) et possède une valeur de signal.
On note que dans ce mode de réalisation, l'EEG à haute résolution spatiale est utilisé. Il est tout à fait envisageable d'utiliser d'autres méthodes d'obtention des données, l'important étant que ces données soient présentes. Ainsi, la MEG peut également être utilisée, tout comme d'autres méthodes.
5.3. Détermination de la Connectivité des sources d'EEG pour chaque vecteur.
Comme indiqué précédemment, pour chaque vecteur de données de base, on cherche à déterminer la présence d'un réseau. Pour ce faire, on effectue un calcul permettant de déterminer une connectivité entre les sources d'un même vecteur. Autrement dit, on cherche à vérifier que telle ou telle valeur de vecteur est associée à telle ou telle autre valeur du vecteur par une relation prédéterminée. Cela est fait par le calcul de synchronisation de phases entre ces deux vecteurs.
Une étape cruciale lors de la réalisation de l'analyse de connectivité des sources d'EEG est le choix de trois facteurs : la méthode utilisée pour résoudre le problème inverse, la méthode utilisée pour calculer la connectivité fonctionnelle entre les séries temporelles des sources reconstruites et le nombre de mesures (par exemple le nombre d'électrodes utilisées sur le cuir chevelu dans le cas présent). Très récemment, il a été décrit une étude comparative de ces facteurs. Il est apparu que la combinaison de l'estimation de norme minimale pondérée (wMNE) avec la valeur de verrouillage de phase (PLV) en utilisant l'EEG à haute résolution est la meilleure combinaison parmi les combinaisons testées. Cette combinaison est utilisée dans la présente.
Ainsi, pour obtenir les réseaux de connectivité, on met en œuvre : une étape de construction des sources à partir des valeurs des signaux mesurées lors de la tâche cognitive en utilisant l'estimation de norme minimale pondérée (wMNE) ;
une étape de calcul de la connectivité fonctionnelle entre les sources reconstruites à l'aide de la méthode de la synchronisation de phase (PS).
5.3.1. Reconstruction des sources
Selon le modèle de dipôle de courant équivalent discret linéaire, les signaux d'EEG S(t), mesurés à partir des canaux Q peuvent être exprimés par des combinaisons linéaires de sources dipolaires de courant variant dans le temps P, D(t) :
S = G. D+B
où G et B(t) sont respectivement la matrice contenant les champs principaux des sources dipolaires et le bruit ajouté. Dans le cas général, le problème inverse consiste à trouver une estimation de D (t) des paramètres des sources dipolaires (généralement, la position, l'orientation et l'amplitude), étant donné les signaux d'EEG S(t) et compte tenu de la matrice de gain G. Cette matrice peut être calculée à partir d'un modèle de tête multicouche (conducteur de volume) et à partir de la position des électrodes. Par exemple, la méthode des éléments finis de frontière est une méthode numérique traditionnellement utilisée dans le cas de modèles de têtes réalistes.
Comme ce problème est mal posé (P»Q), des contraintes physiques et mathématiques doivent être ajoutées pour obtenir une solution unique parmi les nombreuses solutions qui minimisent le terme résiduel dans l'agencement de signaux d'EEG mesurés. En utilisant des données d'I RM segmentée, la distribution des sources peut être limitée à un champ de dipôles de courant distribués de façon homogène sur le cortex, et normaux à la surface corticale.
Techniquement, dans le modèle de sources, on suppose que les signaux d'EEG sont générés par des macro-colonnes de cellules pyramidales se trouvant dans le manteau cortical et alignées orthogonalement par rapport à sa surface. Ainsi, la contribution électrique de chaque macro-colonne aux électrodes sur le cuir chevelu peut être représentée par un dipôle de courant situé au centre de gravité de chaque triangle du maillage 3D et orienté normalement vers la surface du triangle. En utilisant cet espace de sources, la méthode de l'estimation de norme minimale pondérée (wMN E) ne permet d'estimer que le moment des sources de dipôle. La méthode wMN E compense la tendance de l'estimation normale minimale (MN E) traditionnelle à favoriser des sources faibles et en surface. Ceci se fait en introduisant une matrice de pondération Ws : DWMNE = (GTWSG + 1I)-1GTWSS
où la matrice Ws ajuste les propriétés de la solution en réduisant le biais inhérent aux solutions d'estimation normale minimale (MN E). Traditionnellement, Ws est une matrice diagonale construite à partir de la matrice G avec des termes non nuls inversement proportionnels à la normale des vecteurs des champs principaux. La valeur de λ est calculée relativement au rapport signal sur bruit pour chaque signal calculé comme le ratio entre la période post-stimuli et la période pré-stimulus (200 ms). La valeur λ est comprise entre 0,1 et 0,3.
Les sources sont reconstruites pour chaque essai (même nombre de sources pour chaque essai) et la connectivité fonctionnelle est alors calculée entre les sources reconstruites à l'aide de la méthode de la synchronisation de phase (PS).
5.3.2. Calcul de la connectivité fonctionnelle
La première étape de l'estimation de la synchronisation de phase (PS) consiste à extraire la phase instantanée de chaque signal. On utilise, pour ce faire, la méthode basée sur la transformée de Hil bert.
La deuxième étape est la définition d'un indice approprié pour mesurer le degré de synchronisation entre les phases instantanées estimées. Pour mesurer la synchronisation de phase (PS), une méthode de valeur de verrouillage de phase (PLV) est utilisée. Pour chaque paire de sources, x et y, à l'instant t (t = tlt. ., tT où T = D * fs ; D et fs désignent la longueur de signal par rapport à l'apparition et à la fréquence d'échantillonnage, respectivement) pour les essais Tr et pour le sujet j (j = 1 ... M, où M désigne le nombre de sujets), la valeur de verrouillage de phase (PLV) est définie par :
N
PLV (t) = ∑Ç>x (t) - <Py (!)
Tr n=l
Pour réduire l'effet des corrélations entre les électrodes proches, on applique une procédure de normalisation (score z) de sorte que les valeurs PLV sont comparées avec la référence de base de 200 ms précédant la présentation de l'image. Soit μ et σ la moyenne et l'écart-type calculé à partir d'un pré-stimulus de référence de 200 ms. Les valeurs de verrouillage de phase (PLV) normalisées sont alors définies par :
PLVÏ(i) = (PLVi(i)- /i)/ff: La connectivité fonctionnel le est calculée dans la bande de fréquence gamma basse (30 à 45 Hz). Cette bande de fréquence est la plus pertinente dans le contexte de la tâche cognitive effectuée, à savoir une tâche de dénomination d'o bjets. D'autres tâches cognitives pourraient nécessiter un calcul de connectivité fonctionnelle dans d'autres bandes de fréquences. Cela n'enlèverait cependant rien à la méthode générale de calcul tel le qu'el le est proposée.
À l' issue de cette étape, la connectivité fonctionnelle est déterminée pour chacun des vecteurs d'origine et l'on dispose de réseaux de connectivité. En reprenant l'exemple précédent, pour un sujet donné, on dispose, à l' issue de cette étape, de 1000 réseaux de connectivité individuels, réseaux que l'on va chercher par la suite à regrouper, afin de déterminer des périodes d'activation et de transition entre ces réseaux tout au long de la tâche cognitive (il s'agit de l'algorithme de segmentation) .
5.3.3. Moyenne des connectivités fonctionnelles
Cependant, avant de réal iser la segmentation, il existe des possibilités de traitement supplémentaire des données obtenues, comme cela est mentionné précédemment, en fonction de l'o bjectif poursuivi et du nom bre de sujets impl iqués.
Ainsi, dans le cas d'u ne appl ication « multi sujets », dans le but de réaliser u ne étude statistique, les valeurs de verrouillage de phase (PLV) sont alors moyennées pour tous les sujets : M
PLYxy (t) =—∑PLVJ (t)
M ^ où PLV y(i) représente le terme général de la matrice de connectivité moyenne PLV(t) qui définit un réseau de connectivité fonctionnelle N à chaque instant t, N = {N(t), t = l, .., T} , calculé pour les V paires des sources x et y, où V est égal à {Nc.{Nc-l)/2)) et Ne est le nombre de régions d'intérêt (ROI).
5.4. Détermination des États de réseau cérébral - mise en œuyre du regroupement, (application d'un algorithme de segmentation).
Pour effectuer cette dernière étape, dans ce mode de réalisation, on met en œuvre un algorithme de décomposition d'une tâche cognitive en des états de réseau cérébral (BNS : Brain Network State) caractérisés par des valeurs de connectivité fonctionnelle significativement élevées dans une fenêtre de temps suffisamment longue.
L'objectif de cet algorithme consiste à identifier des clusters parmi les T réseaux N(t) .
L'algorithme proposé est basé sur la classification (clustering) par k-moyennes (k-means) des réseaux de connectivité obtenus par la méthode de valeur de verrouillage de phase (PLV) précédemment présentée. Cette approche permet de résumer les réseaux cérébraux à un nombre limité de réseaux dominants sur une période de temps donnée.
D'une manière générale, le processus de détermination des états de réseau cérébral est basé sur les réseaux de connectivité (représentés par des matrices de connectivité) précédemment obtenues (et moyennées lorsque les données de plusieurs sujets sont prises en compte).
Des réseaux K (variant de 3 à 12) sont choisis de façon aléatoire et des corrélations spatiales sont calculées entre les réseaux K choisis précédemment et tous les autres réseaux T (les réseaux restants). On obtient une valeur de corrélation spatiale pour chaque K à chaque intervalle de temps et pour l'un quelconque des réseaux T, seul l'un des réseaux K produit la corrélation spatiale la plus élevée. En dernier lieu, le critère de validation croisée est utilisé pour déterminer le nombre optimal de réseaux qui explique le mieux la tâche cognitive en cours.
Lorsque plusieurs sujets participent à l'étude statistique, pour étudier la variabilité entre les sujets, on ajoute un indice appelé « présence de réseaux » qui calcule le rapport (en %) des réseaux/clusters identifiés chez tous les sujets.
L'algorithme de segmentation est décrit ici plus en détail, dans le cas d'une applicabilité à un groupe de sujets. Il est tout à fait applicable à des données qui ne proviendraient que d'un seul sujet.
L'objectif de cet algorithme consiste à identifier des clusters parmi les T réseaux N(t). L'algorithme proposé est basé sur trois étapes principales :
1. Initialisation
Pour commencer, K réseaux
Figure imgf000017_0001
k = ti et I est choisi de manière aléatoire dans [1,T\ {K varie de 3 à 12 et k varie de 1 à K). 2. Affectation
La corrélation spatiale Ck (t) entre N (t) et Nk est ensuite calculée comme suit :
Figure imgf000018_0001
Où /' désigne le ieme arrête dans N(t) et Nk . Comme représenté dans l'équation 1, C est normalisé par la variance des réseaux N et Nk. Ainsi, C est compris entre 0 et 1. Des valeurs élevées indiquent des réseaux présentant une grande similarité. Inversement, des valeurs basses indiquent une faible similarité entre les réseaux.
Chaque réseau N(t) est alors affecté au cluster pour lequel la corrélation spatiale était la plus haute. Les clusters affectés sont définis par Nk :
Nk = {N(t) : C _≥C _ V l≤k '≤K} (2)
A partir de ces valeurs de corrélation spatiale, la variance globale (GV) est calculée comme telle :
K
GV =∑GVk (3)
GV =∑(-c N(t)^) - N(t)^ ou rN{t) > = a i/ N w* (4) t=l
3. Mise à jour
A chaque itération, les nouveaux centroïdes N sont mis à jour en calculant la moyenne de tous les réseaux donnant le même cluster.
J N'eNk
Pour chaque K, les étapes 2 et 3 sont répétées 500 fois. L'ensemble des centroïdes conduisant à la plus haute variance globale (GV) est retenu. Lorsque l'algorithme converge (atteignant la plus haute variance globale (GV)), les réseaux K +1 N sont ensuite choisis de manière aléatoire et toute la procédure ci-dessus (de l'étape 2 à l'étape 3) est répétée jusqu'à ce que K = 12.
Pour choisir le nombre optimal de clusters, nous avons utilisé une méthode basée sur le critère de la validation croisée (CV) qui est un rapport entre la variance globale (GV) et les degrés de liberté pour un ensemble donné de graphiques. Comme indiqué, le minimum global de ce critère donne le nombre optimal de segments.
Enfin, la méthode décrite ci-dessus est une approche de la moyenne par groupe, ce qui signifie que cette méthode se fondait sur le calcul de la corrélation spatiale entre les réseaux sur les matrices de proximités PLV(t) moyennées obtenues à partir de tous les sujets. Néanmoins, l'algorithme n'ignore pas la variabilité inter-sujet. Pour analyser la contribution de sujet unique, le même type de calcul (principalement l'étape 2) peut être effectué entre la PLV (t) de sujet unique et les clusters qui sont obtenus par l'algorithme de classification (clustering) appliqué à PLV(t) pans ce cas aussj^ cnaque point temporel est marqué selon le graphique avec lequel il est le mieux mis en corrélation, donnant une mesure de la « présence de réseau ». Cette procédure est particulièrement utile pour analyser, extraire et identifier les comportements spatio-temporels qui sont communs parmi les sujets.
5.5. Autres caractéristiques et avantages
5.5.1. Tests statistiques
L'algorithme de segmentation basée sur des k-moyennes produit un certain nombre d'états de connectivité fonctionnelle (clusters). On suppose que ces clusters reflètent les changements dans l'état cognitif. Pour vérifier cette hypothèse, on compare nos résultats avec un modèle nul approprié. Les clusters identifiés sont comparés à ceux obtenus par le réarrangement des données d'origine en utilisant des substituts. Pour résumer, on utilise des substituts de transformée de Fourier multivariée (nsur = 1 000) générés à partir des données d'EEG d'origine pour tous les essais. Ces substituts correspondent aux prises de conscience de processus stationnaire linéaire avec des caractéristiques de corrélation automatique et croisée conservées. Les mêmes étapes de traitement sont effectuées sur ces substituts que sur les données d'origine : filtrage dans la bande de fréquence gamma : 30 à 45 Hz, calcul de la connectivité fonctionnelle en utilisant des valeurs de verrouillage de phase dans cette bande de fréquences, seuillage des matrices de connectivité et segmentation en clusters en utilisant l'algorithme des k-moyennes. On compare les distributions spatiales (Sd) et les profils temporels (Tp) des clusters d'origine avec ceux obtenus en utilisant des substituts. Concernant le Tp, lorsqu'un cluster est significatif (c'est-à-dire lié au processus cognitif et non pas au hasard), la valeur de Tp pour les données de substitution (Tpsurr) sera différente de celle du cluster d'origine (Tporg). L'hypothèse sous-jacente nulle est que les clusters obtenus sont nettement différents des états de réseaux parasites qui peuvent toujours être observés dans les données aléatoires ou le bruit blanc. L'hypothèse nulle est testée en comparant les Tpsurr et Tporg à l'aide d'un test statistique. Le « test de classement » est utilisé pour rejeter ou accepter l'hypothèse nulle. Fondamentalement, [Tporg ; Tpsurr] est trié dans l'ordre croissant et l'indice de classement pour le Tporg est retourné. Avec un certain nombre de substituts (n_surr = 1 000 par exemple), si ce rang est > 990 et < 10 (niveau de signification à 99 %), cela signifie qu'il se trouve dans la queue de la distribution, et que l'hypothèse nulle peut être rejetée (test bilatéral) avec une signification de p = 2*(1/ (n_surr+l)) = 0,002. Un test similaire est utilisé pour les distributions spatiales (Sd). Pour de multiples tests et pour prendre en charge le taux d'erreur au niveau de la famille (FWE ), on utilise le test de correction de Bonferroni, qui est considéré comme la méthode la plus simple et la plus conservatrice pour contrôler le problème du FWER.
5.5.2. Régions d'intérêt et mesures de réseau
On utilise Freesurfer pour consigner un maillage étiqueté d'un cerveau moyen, où chaque étiquette correspond à l'une des 148 régions corticales anatomiques. Cette sortie a fourni une partition standardisée du cortex en 148 aires régionales. Chacune de ces aires a ensuite été subdivisée en un ensemble de petites sous-régions en utilisant Brainstorm, donnant 1 000 régions d'intérêt (ROI) couvrant l'ensemble du cortex. Cette segmentation fourni des matrices de connexion à haute résolution. Ces régions d'intérêt (ROI) ont alors été prises en compte afin d'obtenir un graph parcimonieux, pondéré, non orienté, les seuils des matrices de proximités sont déterminés. Pour chaque matrice, 10 000 arrêtes sont retenus. Toutes les valeurs de poids correspondantes étaient positives. Ensuite, la mesure de force (strength) est utilisée pour caractériser les nœuds dans les réseaux pondérés obtenus. Cette mesure est définie par la somme de tous les poids d'arc pour chaque nœud. Pour un nœud quelconque /', la résistance k™ est définie par :
Figure imgf000020_0001
où N est l'ensemble de tous les nœuds dans le graphique et W y- est le poids de connexion entre deux nœuds /' et j. 5.5.3. Autres caractéristiques méthodologiques
Le traitement approprié des EEG denses révèle la dynamique spatio-temporelle des réseaux cérébraux fonctionnels.
La technique précédemment présentée permet de caractériser la dynamique spatiotemporelle des réseaux du cerveau pour une tâche cognitive de courte durée (< 1 seconde) à partir de données d'EEG obtenues sur le cuir chevelu. Les résultats montrent que le traitement approprié des enregistrements d'EEG à haute résolution spatiale permet d'identifier les réseaux qui sont en accord avec les régions du cerveau impliquées dans la même tâche cognitive et identifiées à partir d'autres modalités (principalement l'I Mf et la TEP,). Toutefois, ces résultats vont au-delà de ceux obtenus avec les techniques de neuro-imagerie classiques, car la méthode proposée offre l'avantage unique de suivre la dynamique du réseau à une haute résolution temporelle (de l'ordre de ms) et spatiale (~ 1 000 régions d'intérêt (ROI)).
La bonne performance de ce traitement peut être expliquée par les trois étapes permettant à l'obtention de réseaux concernés, en termes de caractéristiques de temps et d'espace. La première étape est la reconstruction de sources corticales distribuées sur un maillage haute résolution en résolvant le problème inverse d'EEG. La deuxième étape est l'estimation de la connectivité fonctionnelle en utilisant la synchronisation de phase entre les oscillations gamma présentes dans l'évolution dans le temps de sources reconstruites. Les résultats démontrent que cette étape est cruciale pour l'identification des réseaux présentant une grande spécificité à l'égard de la tâche effectuée. Une analyse multifactorielle est précédemment réalisée pour examiner l'effet des différents facteurs qui interviennent dans l'analyse de connectivité des sources d'EEG. Cette étude méthodologique a montré que l'algorithme wMNE associé à la valeur de verrouillage de phase en utilisant un réseau dense d'électrodes (180 électrodes sur le cuir chevelu) donne des résultats optimaux. La troisième étape est la segmentation, dans le temps, du processus cognitif en des états de réseau cérébral (BNS). En se basant sur la classification (clustering) par k-moyennes des réseaux du cerveau à l'échelle de la ms, on met en œuvre un algorithme, appliqué à l'origine au niveau d'EEG sur le cuir chevelu ). Cet algorithme est utilisé pour la première fois sur les réseaux au niveau cortical. Cette procédure de segmentation conduit automatiquement à un minutage qui correspond fortement aux étapes successives précédemment rapportées du traitement cérébral depuis la perception de l'image jusqu'à son nommage. Ce « comportement de commutation » des réseaux de connectivité fonctionnelle est rapporté très récemment pour les données des états au repos en utilisant une approche de modélisation.
Connectivité fonctionnelle des sources par rapport à la localisation des sources
Une question majeure qui est abordée dans le présent document se rapporte à la différence entre l'approche proposée basée sur les réseaux et l'approche utilisée précédemment visant à localiser les sources de régions activées lors de tâches cognitives. Bien que les deux méthodes (basée sur les sources et basée sur les réseaux) donnent des résultats similaires pour certains réseaux, ce n'est pas le cas pour d'autres.
Du point de vue conceptuel, la différence fondamentale entre les deux approches est que la localisation des sources ignore totalement toutes les interactions possibles entre les régions du cerveau. Lorsqu'on a effectué une analyse de la localisation des sources, les sources ayant la plus haute amplitude (moyennée à la période de temps donnée ou calculées au moment de l'amplitude de crête du signal) sont traditionnellement retenues. Cependant, dans une certaine mesure (selon le seuil), cette approche néglige la contribution possible de sources de « faible énergie ». Le processus de seuil peut considérablement modifier les résultats de la localisation. Par exemple, lorsque seules les sources ayant les plus hautes amplitudes de 50 ou 75 % sont maintenues dans l'algorithme wMNE, le lobe temporal n'est pas retenu comme étant actif bien qu'il ait été rapporté qu'il participe au traitement sémantique dans la même tâche exacte.
A l'inverse, l'hypothèse sur laquelle l'approche basée sur les réseaux est fondée est que les sources peuvent être synchronisées indépendamment de leur amplitude. Les résultats montrent que les arrêtes représentés dans les réseaux identifiés correspondent à des connexions à la fois parmi les sources ayant une grande amplitude (occipitales) et les sources ayant une faible amplitude (temporales). Ainsi, l'approche basée sur les réseaux permet de révéler des réseaux qui sont plus spécifiques à la tâche effectuée. Un exemple d'illustration est l'absence du cortex préfrontal dorso-latéral dans les réseaux identifiés au cours des 200 premières ms tandis que cette région est particulièrement active pendant toute la durée de la tâche dans l'approche de la localisation des sources, probablement en raison des processus attentionnels soutenus qui ne sont pas strictement liés à la visualisation, au décodage et au nommage de l'image.
Considérations méthodologiques
Dans la présente, pour au moins un mode de réalisation, l'ensemble du traitement est effectué sur les données moyennes d'un groupe de sujets (et non d'un sujet unique). La matrice de connectivité est calculée en utilisant la méthode de la valeur de verrouillage de phase (PLV) à chaque intervalle de temps pour chaque sujet et toutes les matrices sont moyennées pour les tous les sujets du groupe, donnant une matrice de connectivité moyenne du groupe à chaque échantillon de temps de la réponse post-stimulus. L'algorithme de segmentation est appliqué à ces données moyennées. Le principal avantage de cette approche est qu'elle préserve les réseaux communs à tous les sujets du groupe et réduit la variabilité inter-individuelle. Par conséquent, les résultats obtenus à partir de cette analyse représentent la dynamique spatio-temporelle des réseaux qui se produisent le plus constamment au sein du groupe de sujets. Il est également intéressant de noter qu'il est supposé i) qu'il existe une correspondance anatomique chez les sujets (un modèle de maillage 3D est utilisé comme modèle source) et ii) que les transitions entre les états de connectivité fonctionnelle se produisent d'une manière reproductible entre les sujets. Cependant, la variabilité inter-sujet n'a pas été totalement ignorée. L'indice « présence de réseau » de chaque état de réseau cérébral (BNS) est calculé chez tous les sujets. Les résultats montrent que les trois premiers états de réseau cérébral (BNS) ont la présence la plus élevée de réseaux (80 %, 82 % et 81 % pour BNS1, BNS2 et BNS3, respectivement). A l'inverse, les valeurs de présence de réseau ont diminué après BNS3 pour atteindre 64 %, 62 % et 41 % pour BNS4, BNS5 et BNS6, respectivement.
Il est démontré que la classification (clustering) par k-moyennes donne les résultats les plus appropriés pour regrouper les cartes de topographies de voltages liées aux événements en des « micro-états d'EEG » par rapport à d'autres approches de classification (clustering). Il a également été adopté pour identifier les états de connectivité fonctionnelle au repos à partir de l'I Mf. Cependant, d'autres algorithmes pourraient être évalués tels que la Classification Ascendante Hiérarchique Modifiée « CAH ».
En ce qui concerne la mesure de connectivité fonctionnelle, la méthode PLV qui offre une haute performance pour détecter la synchronisation entre les essais à chaque intervalle de temps. Cependant, la méthode PLV nécessite un nombre relativement élevé de stimuli (148 dans notre cas pour chaque sujet) à estimer correctement. Par conséquent, cette méthode ne peut pas être facilement appliquée à une activité en cours, comme pour l'analyse des réseaux des états au repos, par exemple.
Bien que la connectivité des sources d'EEG réduise le problème de propagation de champ dans une certaine mesure (comparée à la connectivité d'EEG sur le cuir chevelu), elle ne fournit pas encore une solution parfaite. L'effet de propagation de champ est une question ouverte ; il s'agit en effet de l'un des principaux défis lors de l'exécution de la solution inverse d'EEG/MEG. Dans le contexte de la connectivité, le principal effet de la propagation de champ est représenté par les corrélations « artificielles » possibles qui peuvent exister entre des sources très proches. Ainsi, afin de résoudre l'effet de propagation de champ, il a tout d'abord été décidé d'utiliser la méthode PLV, qui s'avère réduire la propagation de champ. La deuxième étape est la « classification » (clustering) ou la parcellisation anatomique, qui consiste à reconstruire les sources sur un maillage du cortex à haute résolution spatiale, puis à calculer la dynamique moyenne des sources localisées dans les mêmes régions d'intérêt (ROI). La connectivité est ensuite calculée entre ces sources moyennées. La même approche est utilisée lors de la réalisation de l'analyse de connectivité des sources de MEG. L'avantage de cette moyenne est i) d'augmenter la distance entre les positions des régions d'intérêt (ROI) définies par leur centre de masse, et ii) de réduire les corrélations « artificielles » de sources très proches localisées dans les mêmes régions d'intérêt (ROI).
Quelques approches sont proposées récemment pour résoudre la fuite des sources, soit par la normalisation des pondérations des arcs par la distance entre les nœuds soit par la suppression des arcs très proches. Bien que ces approches offrent certains avantages, il est démontré que, dans la plupart des cas, elles suppriment aussi des connexions « réelles ».

Claims

REVENDICATIONS
Procédé de détermination d'une séquence d'activation d'un ensemble de réseaux cérébraux, au cours d'une tâche cognitive prédéterminée, procédé mis en œuvre par l'intermédiaire d'un dispositif électronique comprenant des moyens d'obtention de données d'activités encéphalographiques, procédé caractérisé en ce qu'il comprend : une étape d'obtention (10) d'au moins une série temporelle de données d'activités encéphalographiques, selon une valeur d'échantillonnage prédéterminée, lesdites données d'activité étant représentatives d'un signal capté à la surface crânienne par au moins un dispositif de captation, lors de l'exécution de ladite tâche cognitive prédéterminée par au moins un individu, étape délivrant un ensemble comprenant au moins un vecteur de mesures par échantillon de la série temporelle ;
pour chaque vecteur de mesures, une étape de détermination (20) d'une connectivité entre des sources corticales, lesdites sources corticales étant obtenues à partir de mesures d'un vecteur de mesure, délivrant un réseau de connectivité ;
une étape de regroupement (30) des réseaux de connectivité en fonction d'un paramètre de ressemblance délivrant un ensemble de groupes de réseaux de connectivités regroupés, chacun étant représentatif, à un instant donné, d'une activité d'un réseau cérébral donné.
Procédé de détermination selon la revendication 1, caractérisée en ce que ladite étape d'obtention d'une série temporelle comprend :
une pluralité d'étapes d'obtention d'une pluralité de valeurs de signaux captés à la surface crânienne dudit au moins un individu, ladite pluralité de valeur étant représentative d'un nombre de dispositifs de captation de signal, ladite pluralité d'étape d'obtention de ces pluralités de valeurs étant fonction d'une durée de ladite tâche cognitive prédéterminée et dudit échantillonnage prédéterminé ;
une pluralité d'étape d'association desdites valeur à une source corticale donnée, délivrant ledit ensemble comprenant au moins un vecteur de sources par échantillon.
3. Procédé de détermination selon la revendication 2, caractérisée en ce que le nombre de dispositifs de captation de signal est supérieur à 128. Procédé de détermination selon la revendication 1, caractérisée en ce que ladite valeur d'échantillonnage est comprise entre 0,2 ms et 30 ms.
Procédé de détermination selon la revendication 1, caractérisée en ce que ladite étape de détermination d'une connectivité entre des sources corticales d'un vecteur, comprend : une étape de détection de sources dont sont issus les signaux dudit vecteur, ladite étape de détection mettant en œuvre une estimation de la norme minimale pondérée (wMNE), délivrant un vecteur de sources ;
une étape de calcul d'une connectivité fonctionnelle entre les sources précédemment détectées, à l'aide d'une méthode de synchronisation de phase (PS), délivrant, pour le vecteur de sources, un réseau de connectivité.
Procédé de détermination selon la revendication 1, caractérisée en ce que ladite étape de regroupement des réseaux de connectivité en fonction d'un paramètre de ressemblance comprend au moins une itération des étapes suivantes :
sélection, parmi l'ensemble des réseaux de connectivité, d'un nombre prédéterminé K de réseaux ;
calcul, pour chaque réseau parmi le nombre K de réseaux de précédemment sélectionné, d'une corrélation spatiale entre ce réseau, et l'ensemble des réseaux de connectivité ; sélection du réseau dont la corrélation spatiale est la plus élevée et affectation à ce réseau, des réseaux les plus proches spatialement.
Dispositif électronique de détermination d'une séquence d'activation d'un ensemble de réseaux cérébraux, au cours d'une tâche cognitive prédéterminée, dispositif électronique comprenant des moyens d'obtention de données d'activités encéphalographiques, dispositif caractérisé en ce qu'il comprend :
des moyens d'obtention (10) d'au moins une série temporelle de données d'activités encéphalographiques, selon une valeur d'échantillonnage prédéterminée, lesdites données d'activité étant représentatives d'un signal capté à la surface crânienne par au moins un dispositif de captation, lors de l'exécution de ladite tâche cognitive prédéterminée par au moins un individu, étape délivrant un ensemble comprenant au moins un vecteur de mesures par échantillon de la série temporelle ; des moyens de détermination (20), pour chaque vecteur de mesures, d'une connectivité entre des sources corticales, lesdites sources corticales étant obtenues à partir de mesures d'un vecteur de mesure, délivrant un réseau de connectivité ;
des moyens de regroupement (30) des réseaux de connectivité en fonction d'un paramètre de ressemblance délivrant un ensemble de groupes de réseaux de connectivités regroupés, chacun étant représentatif, à un instant donné, d'une activité d'un réseau cérébral donné.
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 détermination selon la revendication 1, lorsqu'il est exécuté sur un ordinateur.
PCT/EP2016/057140 2015-07-10 2016-03-31 Procede de construction d'une structure de donnees representative d'une reorganisation dynamique d'une pluralite de reseaux cerebraux, dispositif et programme correspondant WO2017008926A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP16723662.9A EP3320480A1 (fr) 2015-07-10 2016-03-31 Procede de construction d'une structure de donnees representative d'une reorganisation dynamique d'une pluralite de reseaux cerebraux, dispositif et programme correspondant
US15/743,511 US10588535B2 (en) 2015-07-10 2016-03-31 Method of constructing a data structure representative of a dynamic reorganization of a plurality of brain networks, corresponding device and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1556586 2015-07-10
FR1556586 2015-07-10

Publications (1)

Publication Number Publication Date
WO2017008926A1 true WO2017008926A1 (fr) 2017-01-19

Family

ID=56024227

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2016/057140 WO2017008926A1 (fr) 2015-07-10 2016-03-31 Procede de construction d'une structure de donnees representative d'une reorganisation dynamique d'une pluralite de reseaux cerebraux, dispositif et programme correspondant

Country Status (3)

Country Link
US (1) US10588535B2 (fr)
EP (1) EP3320480A1 (fr)
WO (1) WO2017008926A1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109589113A (zh) * 2018-10-26 2019-04-09 天津大学 一种多电极阵列神经元放电序列的时空网络构建方法
CN112641450A (zh) * 2020-12-28 2021-04-13 中国人民解放军战略支援部队信息工程大学 面向动态视频目标检测的时变脑网络重构方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3512415A4 (fr) 2016-09-13 2020-08-19 Ohio State Innovation Foundation Systèmes et procédés de modélisation d'architecture neurale
US10588561B1 (en) * 2017-08-24 2020-03-17 University Of South Florida Noninvasive system and method for mapping epileptic networks and surgical planning
CN110353666A (zh) * 2019-06-13 2019-10-22 浙江师范大学 一种基于脑电波的构建动态脑功能网络方法
CN111227828A (zh) * 2020-02-14 2020-06-05 广东司法警官职业学院 一种大脑功能网络的建立方法
CN112401905B (zh) * 2020-11-11 2021-07-30 东南大学 一种基于源定位和脑网络的自然动作脑电识别方法
CN112716477B (zh) * 2020-12-28 2024-03-08 聊城大学 一种模块化大脑功能连接网络的估计方法
CN114463607B (zh) * 2022-04-08 2022-07-26 北京航空航天大学杭州创新研究院 基于h无穷滤波方式构建因效脑网络的方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9883812B2 (en) * 2010-06-28 2018-02-06 The Regents Of The University Of California Enhanced multi-core beamformer algorithm for sensor array signal processing by combining data from magnetoencephalography
US9044596B2 (en) * 2011-05-24 2015-06-02 Vanderbilt University Method and apparatus of pulsed infrared light for central nervous system neurons

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MAHMOUD HASSAN ET AL: "EEG Source Connectivity Analysis: From Dense Array Recordings to Brain Networks", PLOS ONE, vol. 9, no. 8, 12 August 2014 (2014-08-12), pages e105041, XP055281987, DOI: 10.1371/journal.pone.0105041 *
MHEICH A ET AL: "A new algorithm for spatiotemporal analysis of brain functional connectivity", JOURNAL OF NEUROSCIENCE METHODS, vol. 242, 10 January 2015 (2015-01-10), pages 77 - 81, XP029198221, ISSN: 0165-0270, DOI: 10.1016/J.JNEUMETH.2015.01.002 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109589113A (zh) * 2018-10-26 2019-04-09 天津大学 一种多电极阵列神经元放电序列的时空网络构建方法
CN109589113B (zh) * 2018-10-26 2021-04-20 天津大学 一种多电极阵列神经元放电序列的时空网络构建方法
CN112641450A (zh) * 2020-12-28 2021-04-13 中国人民解放军战略支援部队信息工程大学 面向动态视频目标检测的时变脑网络重构方法
CN112641450B (zh) * 2020-12-28 2023-05-23 中国人民解放军战略支援部队信息工程大学 面向动态视频目标检测的时变脑网络重构方法

Also Published As

Publication number Publication date
US10588535B2 (en) 2020-03-17
EP3320480A1 (fr) 2018-05-16
US20180199848A1 (en) 2018-07-19

Similar Documents

Publication Publication Date Title
EP3320480A1 (fr) Procede de construction d&#39;une structure de donnees representative d&#39;une reorganisation dynamique d&#39;une pluralite de reseaux cerebraux, dispositif et programme correspondant
FR2962822A1 (fr) Procede et systeme de classification de signaux neuronaux, et procede de selection d&#39;electrodes pour commande neuronale directe
EP3586339A1 (fr) Procédé, dispositif et programme pour déterminer au moins un réseau cérébral impliqué dans une réalisation d&#39;un processus donné
FR3024569A1 (fr) Procede de localisation d&#39;une activite cerebrale associee a une tache
WO2019048525A1 (fr) Decodage de l&#39;attention visuelle d&#39;un individu a partir de signaux electroencephalographiques
FR3025037A1 (fr) Procede de localisation d&#39;une activite cerebrale associee a une tache
CA3092784A1 (fr) Dispositif informatique de detection de troubles du rythme cardiaque
EP3768154A1 (fr) Méthode de génération d&#39;un indicateur d&#39;état d&#39;une personne dans le coma
EP3422935B1 (fr) Procede de detection d&#39;elements d&#39;interet dans des signaux electrophysiologiques et detecteur
FR3037496A1 (fr) Systeme et procede pour estimer un parametre physiologique d&#39;un volume elementaire
WO2009136021A1 (fr) Procede et systeme non invasif de detection et d&#39;evaluation de l&#39;activite electrophysiologique neuronale
Higgins et al. Adaptation in the sensory cortex drives bistable switching during auditory stream segregation
WO2023067114A1 (fr) Procédé de sélection de portion de signal encéphalographique, dispositifs et programme correspondant
Zilber ERF and scale-free analyses of source-reconstructed MEG brain signals during a multisensory learning paradigm
FR2983055A1 (fr) Detection et estimation du complexe qrs pour le suivi d&#39;une activite cardiaque et pulmonaire
EP2921867A1 (fr) Méthode pour extraire des signaux de puissance électrique d&#39;un signal mélangé alimentant une pluralité d&#39;appareils électriques distincts
WO2015044216A1 (fr) Procédé, système et programme d&#39;ordinateur pour la détection et la caractérisation de clignements oculaires par électro-encéphalographie
EP4274477A1 (fr) Procédé pour une surveillance et une analyse de l&#39;état cardiaque d&#39;un individu
WO2024003509A1 (fr) Dispositif de détermination d&#39;une longueur de cycle d&#39;activation cardiaque
Coatanhay et al. Classification en temps-fréquence à partir de données expertisées
FR3102591A1 (fr) Prédiction d’état et commande d’un dispositif en fonction d’un état estimé
EP4315352A1 (fr) Procede de selection de descripteurs electrophysiologiques
FR3133691A1 (fr) Procédé de labellisation de données pour construire une base de données pour configurer, valider et/ou tester une application de surveillance du niveau de fatigue d’un individu
FR3103611A1 (fr) Procédé et dispositif de suivi de l’activité d’une personne en perte d&#39;autonomie
FR3070591A1 (fr) Procede et module adaptes pour identifier et quantifier les emotions ressenties par au moins un individu

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16723662

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15743511

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2016723662

Country of ref document: EP