WO2019180393A1 - Méthode de génération d'un indicateur d'état d'une personne dans le coma - Google Patents

Méthode de génération d'un indicateur d'état d'une personne dans le coma Download PDF

Info

Publication number
WO2019180393A1
WO2019180393A1 PCT/FR2019/050664 FR2019050664W WO2019180393A1 WO 2019180393 A1 WO2019180393 A1 WO 2019180393A1 FR 2019050664 W FR2019050664 W FR 2019050664W WO 2019180393 A1 WO2019180393 A1 WO 2019180393A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
predefined
probability
patient
generating
Prior art date
Application number
PCT/FR2019/050664
Other languages
English (en)
Inventor
David HOLCMAN
Adrien DOUMERGUE
Nathalie KUBIS
Alexandra RICHARD
Aymeric FLOYRAC
Original Assignee
Paris Sciences Et Lettres - Quartier Latin
Centre National De La Recherche Scientifique
Assistance Publique Hopitaux De Paris
École Normale Supérieure
Université Paris Diderot - Paris 7
INSERM (Institut National de la Santé et de la Recherche Médicale)
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 Paris Sciences Et Lettres - Quartier Latin, Centre National De La Recherche Scientifique, Assistance Publique Hopitaux De Paris, École Normale Supérieure, Université Paris Diderot - Paris 7, INSERM (Institut National de la Santé et de la Recherche Médicale) filed Critical Paris Sciences Et Lettres - Quartier Latin
Priority to EP19719344.4A priority Critical patent/EP3768154A1/fr
Priority to US16/982,174 priority patent/US20210022638A1/en
Publication of WO2019180393A1 publication Critical patent/WO2019180393A1/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
    • A61B5/38—Acoustic or auditory stimuli
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to methods of generating an indicator for assessing the probability of waking a patient in coma.
  • the invention is particularly applicable to the analysis of electrophysiological signals and more particularly electroencephalographic signals.
  • the field of the invention relates to the methods of generating graphical indicators and the representation of these indicators in a two-dimensional graph.
  • the post-anoxic encephalopathy and its prognosis is evaluated by G electroencephalogram, said EEG.
  • G electroencephalogram said EEG.
  • the absence of an N20 response to somatosensory evoked potentials after stimulation of the median nerve has a specificity almost equal to 100% to predict the absence of awakening in the adult.
  • the real lack of response in ICU patients is difficult to assert because of the electrical environment that generates many artifacts making it extremely difficult to interpret the low amplitude response of the evoked potential in the child and the traumatized head.
  • auditory evoked potentials are recorded with electrodes placed on the scalp translating the brain response to repeated and averaged auditory stimulations.
  • the "MisMatch Negativity" method known as the MMN, allows to represent a cerebral integration of automatic detection of these infrequent and random stimulations in a continuous series of sounds.
  • the MMN method does not represent either a reliable predictive method or easy to use in resuscitation services. It is therefore desirable to define a method for generating a predictive indicator of the state of a patient in a coma, in particular to evaluate a probability of awakening.
  • the present invention relates to a method of generating a status indicator of a given patient in a coma, comprising the steps of:
  • generating at least one auditory stimulation by generating a sequence of auditory stimuli, said sequence producing evoked potentials in the given patient;
  • the estimation of at least one pair of values corresponding to a first parameter and a second parameter extracted from the first acquired signal the calculation of the first parameter comprising an estimate of the variance of the amplitude of the first signal in a predefined time window, the calculation of the second parameter comprising an estimation of the correlation of two segments of the first signal; generating a state indicator defined by the pair of values of the first and second parameters, said values defining coordinates of a point in a reference base.
  • An advantage is to determine a representation in which a status indicator of a patient can be used to classify it vis-à-vis a repository with other status indicators corresponding to other patients.
  • At least one stimulation comprises at least one auditory stimulus sequence comprising at least one periodic pattern of predefined frequency.
  • One advantage is to determine a sequence to optimize the relevance of the indicator.
  • such a stimulus is easily reproducible and can serve as a reference for a set of patients.
  • the calculation of the first parameter comprises the following steps:
  • An advantage of filtering is to obtain a signal whose exploitation is improved.
  • the advantage of segmentation is to determine a portion of signal that can be averaged.
  • An advantage of the average is to remove a set of artifacts that can disturb the calculation of the variance.
  • the calculation of the second parameter comprises the following steps:
  • first segmentation of the first signal segment on a third time window generating a plurality of epochs of duration corresponding to the duration of the third window, each of said epochs having a predefined duration and being synchronized with a stimulus of at least one sequence of auditory stimuli;
  • second segmentation of the second signal segment on the third time window generating a plurality of epochs of duration corresponding to the duration of the third window, each of said epochs having a predefined duration and being synchronized with a stimulus of at least one sequence of auditory stimuli;
  • the first time window and the third time window are of the same duration, corresponding to the inverse of the predefined frequency.
  • One advantage is to homogenize the representation of the pair of selected points.
  • the second time window and the fourth time window are of substantially equal duration and between 20 ms and 320 ms.
  • the duration of the first and second segments is between 5 minutes and 25 minutes, preferably of the order of 10 minutes.
  • the generation of the state indicator for said given patient comprises calculating a probability that said state indicator belongs to a predefined class of states from a Gaussian estimator and rules. from Bayes.
  • the generation of the state indicator for said given patient comprises calculating a probability that said state indicator belongs to a predefined class of states from the k-neighbor method.
  • the method comprises a step of measuring a first distance between said state indicator and a first set of points having coordinates represented in the same reference base and measuring a second distance between said status indicator and a second set of points having coordinates represented in the same reference base.
  • the method comprises a step of comparing the first distance and the second distance.
  • the state indicator is associated with a probability calculated from a probability classification model or a supervised learning classification method.
  • the classification comprises two classes.
  • the steps are repeated for a second patient and / or other patient associated with an electroencephalographic signal or recorded data of a database and further comprises:
  • said method comprises:
  • the present invention furthermore relates to a device comprising a memory for storing data, in particular coordinates of a graph having previously been calculated, and a computer for carrying out operations on signals acquired by a measuring means such as an electrode.
  • said calculator making it possible, in particular, to carry out comparison, average calculation or signal correlation operations, characterized in that it implements the steps of the method.
  • the present invention further relates to a device for generating a status indicator of a given patient in a coma, comprising:
  • a stimulation module configured to generate at least one auditory stimulation by generating a sequence of auditory stimuli, said sequence producing evoked potentials in the given patient;
  • an acquisition module configured for acquiring a first electroencephalographic signal produced by said given patient from at least one electrode
  • a calculation module configured for estimating at least one pair of values corresponding to a first parameter and a second parameter extracted from the first acquired signal, comprising the estimation of a first pair of values such as the calculation of the first parameter includes an estimate of the variance of the amplitude of the first signal in a predefined time window and the computing the second parameter includes estimating the correlation of two segments of the first signal;
  • a generation module configured to generate a status indicator for the or each pair of values of the first and second parameters, said values defining coordinates of a point in a reference base.
  • At least one stimulation generated by the stimulation module comprises at least one auditory stimulus sequence comprising at least one periodic pattern of predefined frequency.
  • the calculation module is configured to calculate the first parameter of the first pair of values according to the following steps:
  • the calculation module is configured to calculate the second parameter of the first pair of values according to the following steps:
  • first segmentation of the first signal segment on a third time window (1 s) generating a plurality of epochs of duration corresponding to the duration of the third window, each of said epochs having a predefined duration and being synchronized with a stimulus of less a sequence of auditory stimuli;
  • second segmentation of the second signal segment on the third time window (1 s) generating a plurality of epochs of duration corresponding to the duration of the third window, each of said epochs having a predefined duration and being synchronized with a stimulus of less a sequence of auditory stimuli;
  • the calculation module is configured for estimating a second pair of values extracted from the first acquired signal, such that the calculation of the first parameter comprises an estimate of the number of local extrems in the first signal in a predefined time window and the calculation of the second parameter comprises the sum of the absolute values of the potential value differences of the first signal between two successive local extremums in a predefined time window, allowing the generation of a second state indicator defined by the second pair of values of the first and second parameters.
  • the first time window and the third time window are of the same duration, corresponding to the inverse of the predefined frequency.
  • the generation module is configured to generate the status indicator for said given patient from the calculation of a probability that said state indicator belongs to a predefined class of states from a Gaussian estimator, Bayes rules and / or a support vector machine.
  • the generation module is configured to generate the status indicator for said given patient from the calculation of a probability that said state indicator belongs to a predefined class of states from the k nearest neighbors method. According to one embodiment, the generation module is configured to generate the state indicator for said given patient from the calculation of a probability that said state indicator belongs to a predefined class of states from the minimum between the probabilities estimated from the k nearest neighbor method, the k nearest weighted neighbor method, the Gaussian estimator, the Bayes rules and / or the support vector machine.
  • the generation module is configured to generate the status indicator for said given patient from the calculation of a probability that the first state indicator belongs to a predefined class of states from the k nearest neighbors method; and calculating a probability that the second state indicator belongs to a predefined class of states from the k nearest weighted neighbor method.
  • the probability that the patient belongs to a predefined class of states is estimated as the minimum between the probability calculated for the first indicator from the k nearest neighbors method and the calculated probability for the second indicator. state from the k nearest weighted neighbor method.
  • a calculation module is configured to measure a first distance between said status indicator and a first set of points having coordinates represented in the same reference base and measuring a second distance between said indicator. state and a second set of points having coordinates represented in the same reference base.
  • a calculation module is configured to compare the first distance and the second distance.
  • the state indicator is associated with a probability calculated from a probability classification model or a supervised learning classification method.
  • the classification comprises two classes.
  • a calculation module is configured to repeat the steps for a second patient and / or other patient associated with an electroencephalographic signal or stored data of a database and further implement the following steps:
  • the present invention further relates to a system comprising an auditory stimulus generator emitted with a predefined period of time for a predefined duration and an electrode assembly for measuring a cerebral electrical activity of a patient, which system comprises a device for the generation of a status indicator of said patient as described above.
  • a subject refers to a mammal, preferably a human.
  • a subject may be a "patient", i.e., a warm-blooded animal, more preferably a human, who is waiting for or receiving medical attention or has been / is / will be subject of a medical procedure, or is monitored for the development of a disease.
  • the subject is an adult (eg, a subject over the age of 18).
  • the subject is a child (e.g., a subject under the age of 18).
  • the subject is a man.
  • the subject is a woman.
  • stimulus or stimuli means any physical, chemical or biological element or any other event, such as an audible or audible or visual event, capable of triggering phenomena in the body, including electrical phenomena, electrophysiological, muscular or endocrine nerves. More particularly, in the context of the invention a stimulus or stimuli will be sound sequences broadcast to a patient in a coma.
  • coma refers to a physiological condition of a subject, or patient, who has lost consciousness. In particular, it denotes a prolonged loss of consciousness and / or alertness.
  • Figure 1 is a diagram of an embodiment of the system of the invention, showing the main elements implementing the steps of the method of the invention.
  • FIG. 2 is a two-dimensional graph according to one embodiment of the invention comprising a distribution of the awakening probabilities according to the invention in which a point generated by the method of the invention is displayed.
  • FIG. 3 is a flowchart of one embodiment of the invention in which the main steps of the method of the invention are represented, this embodiment involving a step of comparing data from a patient with a patient. Corpus of recorded data.
  • FIG. 4 is a flowchart of an embodiment of the invention in which the main steps of the method of the invention are represented, this embodiment involving a step of graphically representing data from a patient with a corpus of data generated on the same representation.
  • Figure 5A is a representation of a signal acquired in the context of the method of the invention.
  • Fig. 5B is a representation of a filtered signal resulting from the signal filtering of Fig. 1A in accordance with a step of the method of the invention.
  • Figure 5C is a representation of an averaged signal resulting from the averaging of the filtered signal of Figure 5B in accordance with a step of the method of the invention.
  • Figure 5D is a representation of a signal resulting from the average of signals acquired from a plurality of electrodes.
  • Figure 5E is a representation of a filtered signal resulting from filtering the average signal of Figure 5D in accordance with a step of the method of the invention.
  • Figure 5F is a representation of a mean signal resulting from the average in a 500 ms window of the filtered signal of Figure 5E in accordance with a step of the method of the invention.
  • FIG. 6A is a two-dimensional graph according to an embodiment of the invention comprising a wake-up probability distribution according to a Gaussian-Bayesian classification method in which a point (s (X), R (X, Y)) generated by the method of the invention is displayed.
  • FIG. 6B is a two-dimensional graph according to an embodiment of the invention comprising a wakeup probability distribution according to a k-neighbor classification method in which a point (s (X), R (X, Y)) generated by the method of the invention is displayed.
  • FIG. 6C is a two-dimensional graph according to an embodiment of the invention comprising a distribution of the awakening probabilities according to a Gaussian-Bayesian classification method in which a point (NE,
  • FIG. 6D is a two-dimensional graph according to an embodiment of the invention comprising a distribution of the awakening probabilities according to a k-Neighbor classification method in which a point (NE,
  • FIG 1 shows an embodiment of the system of the invention.
  • the system of the invention comprises an GEN SA auditory stimulating generator.
  • the generated GSA auditory stimuli are preferably repeated or periodically transmitted.
  • a loudspeaker, an enclosure or any other device making it possible to emit a sound or a sound sequence may be used.
  • the generator GEN_SA is preferably arranged next to a patient H during its use.
  • the system of the invention comprises a set of ELEC electrodes intended to be affixed in contact with a patient, such as a patient H.
  • the ELEC electrodes are intended to measure a cerebral activity of the patient H. They make it possible, in particular, to acquire signals Si, Si, Sn and deliver the acquired signals to a calculator K.
  • the system of the invention comprises said computer K. The latter is configured to execute instructions for deriving output parameters of the acquired signals Si, Si, Sn by the electrodes ELEC.
  • the system of the invention further comprises an AF F display for displaying points in a representation of wakeup probability distributions of a plurality of patients who have been in coma or are still in coma.
  • the AFF display makes it possible to display processed data previously acquired from a plurality of patients H having been in the co. These data make it possible to consolidate a distribution of probabilities of awakening or not of a set of patients.
  • the AFF display makes it possible to directly deduce a conclusion by reading the position of the generated point within the probability distribution.
  • the comparison of a generated point with the position of the other points can be performed with the naked eye by an operator or can be performed automatically by means of a calculator from the calculation of the distance between said points.
  • One of the advantages of the invention is to generate a graph in a coordinate system whose axes correspond to parameters deduced from the acquired signals.
  • Figure 2 gives an example of a possible representation of a wakeup probability distribution.
  • the COORD coordinate system employed may be defined on the abscissa and on the ordinate by spectral parameters or resulting from a processing of the signals acquired by the electrodes.
  • the parameters may result from one or more operations on the acquired signals, namely averages, maximum values, standard deviations, variances, correlations, or comparisons or superimpositions of acquired signals.
  • the invention relates to a method for estimating a waking indicator of a patient in a coma.
  • the method includes generating at least one auditory stimulation by generating a sequence of GSA auditory stimuli.
  • the sequence produces evoked potentials in the given patient H in coma.
  • Figure 3 shows this step denoted GSA.
  • the auditory stimulation is configured to induce a cognitive process in the stimulated subject.
  • the human brain is able to extract models or regularities in its environment, for example object A is always followed by object B but never by object C.
  • the brain can detect transition probabilities automatically that is, even when the subject's attention is distracted or when the stimuli are presented below the consciousness threshold. Automatic brain responses to a violation of a rule (or regularity) can also be detected if the stimuli are in a near or local time neighborhood (i.e., a few seconds). Incompatible responses can be produced with complex sequences such as a melody or rhythm, even in unconscious subjects.
  • the auditory stimulation is caused by the emission of a predefined sound sequence.
  • the sequence includes, for example, a series of sounds emitted at regular intervals with the same spectral content.
  • the sounds are emitted with a preset fo frequency.
  • the repetition period may be for example 1 second. According to various embodiments, the period may be between a few milliseconds and several minutes.
  • the sound sequence comprises spectral patterns that evolve as a series of sounds ranging from high notes to low notes or vice versa.
  • the sequence is then repeated according to a period of sequences that may range from a few seconds to several hours.
  • the transmitted sequence may include noises of different frequencies.
  • the sequence can be repeated identically with a few random and infrequent modifications (i.e. deviant stimuli), for example from 10 to 20% of the standard sequences.
  • the auditory stimulation comprises a plurality of auditory tests having a predefined test interval, each auditory test consisting of N consecutive auditory stimuli having a predefined duration with a predefined interval between the auditory stimuli.
  • the auditory stimulation has a first percentage of standard local tests comprising N identical auditory stimuli and a second percentage of locally deviant tests comprising the same first identical auditory stimuli and the same auditory stimulus as the previous N1 stimuli.
  • a sequence is thus composed of a standard sound repeated a number of times, followed by a deviant sound. The comparison to a condition in which all the sounds of the sequence are standard generally reveals the occurrence of the negativity of the discordance.
  • the deviant sequence is very common in stimulation, subjects expect the last sound to be deviant.
  • the sequence may comprise the emission of a succession of five identical regularly spaced sounds and a note (ie non-deviant stimuli) or a sound having a different spectral content (ie deviant stimulus) .
  • a note ie non-deviant stimuli
  • a sound having a different spectral content ie deviant stimulus
  • An interest in producing a wide variety of sequences is to test different sources of stimulation to constitute a library of sequences to be adapted to the use of the invention. Another interest is to make it possible to produce comparable sequences from one patient to another in order to validate or invalidate particular sequences.
  • the method of the invention comprises the acquisition of an electroencephalographic signal, said EEG signal, produced by said patient from at least one electrode system comprising for example at least one active electrode and a reference electrode.
  • Figure 3 and Figure 4 show this step denoted ACQ.
  • the means for measuring the electroencephalographic signals comprise at least two surface electrodes.
  • a first front reference electrode and a second central active electrode (Cz) are arranged on the cranial surface of a patient.
  • the means for measuring the electroencephalographic signals comprise at least the electrodes Fz, Cz, C3, C4, T3, T4 according to the system 10-20.
  • the electrodes are electrodes intended to be mounted, for example, on a helmet which itself is intended to be worn by a patient.
  • the method comprises a step of estimating at least one pair of values corresponding to a first parameter Pi and a second parameter P2. This step is written EST in FIG. 3 and FIG. 4.
  • the first parameter Pi and the second parameter P2 are extracted from the first acquired signal Si or from the processed signal after its acquisition, for example, by filtering or averaging. They can for example restore properties of the signals over shorter or shorter times.
  • the first parameter Pi can be developed so as to restore a property of the signal over a short period corresponding for example to the duration of the cognitive tasks.
  • the first parameter Pi can then be perceived as a local property of the subject's responses.
  • the second parameter P2 can be elaborated or chosen by considering properties of the signal over longer periods.
  • the first parameter Pi is estimated by performing different operations on an acquired signal Si. It can notably be filtered, segmented, averaged to define a pattern in which a selection of a signal extract is used to calculate an amplitude variance.
  • the method comprises a step of filtering the acquired EEG signals.
  • FIG 5 A illustrates a representation of an EEG signal acquired 10 wherein displaying the ordinate "P”, the values of the potentials to the electrode Cz, and the abscissa "t", the time in seconds. On the graph are also represented the moments at which the stimulations 12 are generated.
  • Figure 5B shows the filtered signal 1 1.
  • FIG. 5C represents an averaged response 13 brought back to G time interval [0; 1s] to define epochs.
  • the time interval [0; 1s] defines a first time window Fl.
  • This first window F1 is configurable according to the embodiment envisaged.
  • This preliminary step makes it possible to average the responses in order to highlight the response of P EEG to the stimulations.
  • the epochs extracted are all synchronized with the frequency fo at which the stimulations are produced. 8
  • the filtering and averaging steps are steps involved for G estimation of the parameter Pi
  • an extracted parameter corresponds to the variance s (X) of the amplitude of the signal X (t) in the time interval of 20 to 320 ms. This interval defines a second time window F
  • the variance of the amplitude can be calculated from a calculating means such as a calculator.
  • the time scale chosen advantageously corresponds to response time scales of neural networks involved in cognitive tasks.
  • the time scales considered may be more selective, for example from 60 ms to 200 ms.
  • the time interval is divided into different sub-ranges, for example [20; 120 ms], [120 ms; 220ms], [220 ms; 320 ms].
  • This subdivision makes it possible, for example, to refine the analyzes by segmenting the responses of the neural networks to differentiated cognitive tasks.
  • intermediate calculations of amplitude variances can be made and then combined.
  • the calculation of the amplitude variance is carried out over the range of durations ranging from 20 ms to 320 ms.
  • the calculation of the variance of the amplitude accounts for the amplitude of the fluctuations represented by the basal activity of the neural networks.
  • Variance is used to analyze evoked signals generated by a response to standard periodic auditory stimuli.
  • FIG. 2 represents in ordinate the parameter corresponding to the variance of the amplitude of the signal acquired or processed after filtering and averaging.
  • the averaging step makes the calculation more reliable because of the different measures taken into account.
  • the filtering stage makes it possible to overcome the noise and artefacts that would not result directly from the electrical activity produced by the stimulations.
  • the parameter estimation step comprises estimating a parameter rendering a property of the signals over a longer period. It is an indicator resulting from a correlation of two segments SEGi and SEGr of the acquired or processed signals.
  • the acquisition time DA is 20 minutes. According to other examples, it may be between a few minutes and several minutes. Preferably the duration chosen is between 10 min and 40 min.
  • the acquisition time DA is segmented into two ranges of duration D! substantially equal.
  • the two ranges [1; 10] min and [10; 20] min can define two successive ranges for segmenting the first signal Si.
  • the number of segmentations can be from three ranges to a few tens of ranges.
  • the method includes a step of segmenting each duration segment Di into a plurality of segmented epochs in a predefined time window. This is a third time window Fr. This window is advantageously of the same duration as the first window which made it possible to calculate the parameter Pi.
  • the estimation step of the parameter P2 comprises the averaging of the epochs on each of the segmented time windows defined in the preceding paragraph.
  • G estimation of the second parameter P2 comprises a generation of two signals, denoted X (t) and Y (t).
  • the epochs are defined in the time interval [0; 1] s.
  • the normalization of the window Fr may be shorter or longer, such as for example a half-second or two seconds.
  • the step of estimating the parameter P2 comprises a calculation of the temporal correlation of these two signals by the function R (X, Y) over a time window F 4 .
  • the time window F 4 has a duration substantially equal to that of the second time window F2, that is to say in the interval [20, 320] ms.
  • a portion of the signal averaged over the window Fs is used to calculate the temporal correlation R (X, Y).
  • the correlation function R can be written as:
  • R (X, Yfi [ ⁇ (X (t) - m (X)) ⁇ (Y (t) - m (Y)>] / [ ⁇ X (t) 2 > ⁇ Y (t) 2 >], or ⁇ .> represents the time average and m (X) is the average of the variable X.
  • deviant stimuli represent approximately one tenth of the evoked responses.
  • the acquired signals of several electrodes are summed and then the average signal obtained is filtered and averaged over a predefined time window F5.
  • FIG. 5D illustrates a representation of an average signal resulting from the average of the acquired signals of electrodes Cz, C3, C4 and Fz as a function of time in seconds. On the graph is also represented the moment at which the deviant stimulus is generated, by a vertical line.
  • FIG. 5F represents an averaged response brought back to the time interval [0-500 ms] following the emission of a deviating stimulus.
  • an extracted parameter corresponds to the number of local extrems NE in said average signal.
  • an extracted parameter corresponds to the sum of the absolute values of the differences, between two local and successive extremums, of the potential of the average signal V (ei) according to the formula
  • parameters calculated on a time window of 500 ms following a deviant stimulus, make it possible to evaluate the response of the subject to the deviant stimuli.
  • the method of the invention makes it possible to define coordinates from a pair of values (Ps; P).
  • the point of coordinates ⁇ Pi, P2 ⁇ is generated in a reference base.
  • the reference base constitutes a standardized reference frame
  • the reference base is materialized by a graph comprising a reference to two axes (Ox), (Oy) defining an abscissa and a ordered.
  • the method of the invention makes it possible to define a first coordinate system from the value pair (s (X), R (X, Y) ⁇ and / or a second coordinate system from the value pair ⁇ NE, jAVj ⁇
  • the first system is associated with responses to non-deviant stimuli and the second system is associated with the responses evoked by deviant stimuli.
  • the method of the invention comprises generating a graph comprising a plurality of points defining a reference base displayed on the same graph.
  • Figure 2 shows a first set of ENS J points defining black triangles and belonging to a given first class of states Ci of patients, and a second set ENS? points defining white squares and belonging to a second class C? of given states of patients.
  • the two-dimensional representation of the data is obtained by generating a point for a patient H given from the values of the parameters Pi and P? which have been obtained following a phase of auditory tests and measurement of brain activity. This step is denoted GGR in FIGS. 3 and 4.
  • FIG. 2 thus represents a plurality of points, each point corresponding to a test performed for a given patient H.
  • Figure 2 shows a distribution of H patients who have been in coma or are still in the cornus.
  • two time windows of 10 min have been configured with one measurement, in particular by considering the electrode Cz.
  • the Ox axis, the correlation R (X, Y), and along the axis Qy, the standard deviation s (X) of the noise that is to say, the fluctuations of the averaged EEG signal.
  • the deceased patients are represented by black triangles and constitute the ENSi set.
  • Patients who have survived and woke up are represented by white squares and constitute the ENS2 set.
  • Figure 3 shows the main steps of an embodiment of the method for generating a status indicator.
  • FIG. 4 represents an embodiment of the method of the invention comprising additional steps for associating a probability with the status indicator.
  • the invention makes it possible to assign to the state indicator a probability of awakening of the patient H, that is to say a probability that he is coming out of the coma.
  • the method of the invention therefore comprises a representation of probabilities on a graph making it possible to assign a given probability as a function of the position of point 2 in the graph.
  • the method includes identifying the region of interest RJ for which a subset of selected patients shares an identical probability of belonging to the same class of the classification. predefined, for example in this case Ci or C2. This step is noted ID in Figure 4.
  • the method is then able to deduce an association between the point generated on the graph and a waking probability according to the position of the point.
  • the method may then comprise an automatic generating step, denoted GPROB, of a probability PR that the first patient H belongs to one class or another.
  • FIGS. 6A, 6B, 6C and 6D show the following detailed examples of representations of the probabilities making it possible to calculate the chances that a patient H has to wake up or not from his coma.
  • the graph represents a distribution of probabilities and thus generates an indicator in a graph without specifically allowing to deduce a diagnosis.
  • the invention does not include generation of a two-dimensional representation but an alternative step which comprises calculating a distance between a new generated point 2 and a set of points ENSi or ENS? of a given class of state.
  • a distance such as a Euclidean distance or any other distance that can be used in the context of the invention.
  • the distance di d (2, ENSi) defining the distance between point 2 of FIG. 2 from a new patient H and the set ENSi is calculated.
  • the distance d 2 d (2, ENS?) Defining the distance between the point 2 of Figure 2 of a new patient H and the EN82 set.
  • the two distances di, d2 are then compared and a coefficient is assigned to point 2 which can be, for example, weighted by the measure of the distance or a ratio of the two distances ds, ⁇
  • the coefficient can also be interpreted as a probability.
  • the method of the invention comprises a step of defining so-called survival regions. This step improves the accuracy of the calculation of the probability that will be assigned to a new point generated in the graph. It also allows you to weight the distance when it is used.
  • FIGS. 6A and 6C show a first embodiment in which a statistical classifier is applied in order to be able to assign a probability at any point of the card, or which would be added to the two-dimensional representation Ox and Oy as defined previously with Pi and P 2 .
  • the two-dimensional representation is based on the coordinate system js (X), fX, Y) associated with responses to non-deviant stimuli, and in Fig.
  • n the mean and the estimated covariance matrix for the two classes Ci (patient alive) and C2 (deceased patient) are represented.
  • the probability of each class is calculated empirically using, for example, a maximum likelihood estimator: n
  • ns is the number of surviving H patients and n is the number of H patients who died.
  • the X (x, y) points associated with surviving patients follow a normal multidimensional distribution.
  • conditional probability of having X e Ci and having the coordinates of the point associated with a subject (patient) equal to x, with a probability for class C i (patient alive), is given by: p - - n 1 - n s + n d
  • Figures 6B and 6D represent an alternative for establishing a probability distribution on a two-dimensional graph.
  • the two-dimensional representation is based on the coordinate system ⁇ s (X), R (X, Y) ⁇ associated with the responses to the non-deviant stimuli, and in FIG. 6D it is based on the coordinate system (NE). ,
  • the nearest-k method involves taking k the nearest neighbors into account by calculating a ratio for the probability of belonging to a class.
  • the probability of belonging to the class Ci of "survivors" being given the distribution of points x is calculated as the number of neighboring points belonging to the class of "survivors" on the total of K neighboring points. This probability can be calculated empirically by the following relation:
  • the method therefore makes it possible to assign a tracking probability to a given patient, for example by visualizing the position of the corresponding point on a two-dimensional representation as shown in FIG. 6A, 6B, 6C or 6D.
  • an alternative for establishing a probability distribution on a two-dimensional graph consists in using a supervised learning method, in particular a vector support machine (SVM).
  • SVMs solve problems of discrimination, that is, decide which class a sample belongs to.
  • the SVM is used to determine the separator hyperplane that best separates the classes Ci and CL.
  • the kernel trick is used to overcome the absence of a linear separator present in the species problem, which consists of reconsidering the problem in a larger dimension space. In this higher dimension space, the points associated with the two classes are well separated. If the classes are not well separated, a penalty is associated with each misclassified point.
  • the k nearest neighbor method is used to classify responses to deviant stimuli.
  • an alternative classification method is used to classify responses to non-deviant stimuli.
  • a weighted nearest neighbor method can be used by adding distance-related weights to the points in the data-base.
  • ) in a given class among classes Cl and C2 is calculated on the basis of the number of k nearest neighbors Nk (Pt) belonging to the given class which are selected, from the set of pre-existing points, from the Euclidean distance between Pt and each pre-existing point weighted by a weight.
  • the weight of each pre-existing point corresponds to the inverse of the distance between Pt and this point.
  • the probability distribution of the point Pt associated with the patient H belonging to the class Ci of "survivors” is calculated for each patient H for the coordinates Pts in the first system of the coordinates (s (X), R (X, Y) ⁇ and for the coordinates Pt2 in the second coordinate system ⁇ NE,
  • calculating a probability that said state indicator 2 belongs to a predefined class of states Ci, C2 is defined as the minimum between the probabilities estimated from the method of the k nearest neighbors, the weighted k nearest neighbor method, Gaussian estimator, Bayes rules and / or support vector machine.
  • the method may comprise a statistical validation step. This step is performed by considering a predetermined number of patients H, for example 20, 30 or 40. In this data validation step, the data corresponding to the new patient is then excluded.
  • An interest of the method is to generate a variable that can correspond to a probability of awakening.
  • the method when implemented by a computer can then define a prediction tool to predict the survival rate of H patients in coma.

Abstract

Cette méthode de génération d'un indicateur d'état d'un patient donné (H) dans le coma comprend : la génération d'au moins une stimulation auditive par la génération d'une séquence de stimuli auditifs (GSA), ladite séquence produisant des potentiels évoqués chez le patient donné (H); l'acquisition d'un premier signal électroencéphalographique (S1) produit par ledit patient donné (H) à partir d'au moins une électrode; l'estimation d'au moins un couple de valeurs correspondant à un premier paramètre et un deuxième paramètre extraits du premier signal (S1) acquis, comprenant l'estimation d'un premier couple de valeurs telle que le calcul du premier paramètre comprend une estimation de la variance de l'amplitude du premier signal (S1) dans une fenêtre temporelle prédéfinie et le calcul du deuxième paramètre comporte une estimation de la corrélation de deux segments du premier signal (S1); la génération d'un indicateur d'état pour le ou chaque couple de valeurs des premier et deuxième paramètres, lesdites valeurs définissant des coordonnées d'un point dans une base de référence.

Description

MÉTHODE DE GÉNÉRATION D’UN INDICATEUR D’ÉTAT D’UNE
PERSONNE DANS LE COMA
DOMAINE DE L’INVENTION
La présente invention concerne les méthodes de génération d’un indicateur permettant d’évaluer la probabilité d’éveil d’un patient dans le coma. L’invention s’applique particulièrement à l’analyse de signaux électrophysiologiques et plus particulièrement de signaux électroencéphalographiques. Le domaine de l’invention se rapporte aux méthodes de génération d’indicateurs graphiques et à la représentation de ces indicateurs dans un graphique bidimensionnel.
ÉTAT DE LA TECHNIQUE
Il existe un intérêt à évaluer l’état de patients dans le coma, et en particulier à pronostiquer les probabilités d’éveil du cas clinique traité. L’encéphalopathie post-anoxique après arrêt cardiaque est une cause fréquente d’admission pour corna en réanimation A partir de cette base d’étude de patients en coma post-anoxique, des modalités de traitements et d’essais ont été effectuées. Un enjeu est de pronostiquer les possibilités d’éveil d’un patient et d’évaluer les dommages neurologiques afin d’établir un pronostic neurologique. Parmi les méthodes d’évaluation, ü existe une évaluation clinique réalisée par le médecin et possiblement une évaluation électrophysiologique reposant sur des analyses de signaux physiologiques, par exemple, en réponse à des stimuli. Il existe également des évaluations réalisées à partir de marqueurs biologiques, par exemple les marqueurs de type protéines S 100 bêta ou NSE
L’encéphalopathie post anoxique et son pronostic est évaluée par G électroencéphalogramme, dit EEG. L’absence de réponse N20 aux potentiels évoqués somesthésiques après stimulation du nerf médian a une spécificité presque égale à 100% pour prédire l’absence de réveil chez l’adulte. Cependant, l’absence réelle de réponse chez les patients en service de soins intensifs est difficile à affirmer en raison de l’environnement électrique qui génère de nombreux artéfacts rendant ainsi extrêmement difficile l’interprétation de la réponse de faible amplitude du potentiel évoqué, chez l’enfant et le traumatisé crânien.
Une solution envisageable pour améliorer le pronostic de réveil de patients repose sur l’analyse des potentiels évoqués auditifs. Les potentiels évoqués auditifs sont enregistrés avec des électrodes placées sur le cuir chevelu traduisant la réponse cérébrale à des stimulations auditives répétées et moyennées. La méthode « MisMatch Negativity », dite MMN, permet de représenter une intégration cérébrale de détection automatique de ces stimulations peu fréquentes et aléatoires dans une série continue de sons.
Cependant, l’analyse et la reconnaissance de la présence ou non d’indicateur permettant de pronostiquer le réveil d’un patient est difficile chez les patients en soins intensifs. En effet, dans ce cas, de nombreux artéfacts ainsi qu’une possible réduction drastique de l’amplitude des potentiels évoqués rendent le traitement visuel des signaux difficile. Un autre inconvénient de cette méthode est la perte d’information inhérente aux mécanismes de moyennage des signaux acquis.
En tout état de cause, la méthode MMN ne représente pas non plus une méthode prédictive fiable ou facile à utiliser dans les services de réanimation. Il est donc souhaitable de définir une méthode permettant de générer un indicateur prédictif de l’état d’un patient dans le coma, notamment pour évaluer une probabilité d’éveil.
Figure imgf000004_0001
La présente invention concerne une méthode de génération d’un indicateur d’état d’un patient donné dans le coma, comprenant les étapes suivantes :
- génération d’au moins une stimulation auditive par la génération d’une séquence de stimuli auditifs, ladite séquence produisant des potentiels évoqués chez le patient donné ;
--- acquisition d’un premier signal électroencéphalographique produit par ledit patient donné à partir d’au moins une électrode ;
- estimation d’au moins un couple de valeurs correspondant à un premier paramètre et un deuxième paramètre extraits du premier signal acquis, le calcul du premier paramètre comprenant une estimation de la variance de l’amplitude du premier signal dans une fenêtre temporelle prédéfinie, le calcul du deuxième paramètre comportant une estimation de la corrélation de deux segments du premier signal ; - génération d’un indicateur d’état défini par le couple de valeurs des premier et deuxième paramètres, lesdites valeurs définissant des coordonnées d’un point dans une base de référence.
Un avantage est de déterminer une représentation dans laquelle un indicateur d’état d’un patient peut permettre de le classer vis-à-vis d’un référentiel comportant d’autres indicateurs d’état correspondant à d’autres patients.
Selon un mode de réalisation, au moins une stimulation comprend au moins une séquence de stimuli auditifs comportant au moins un motif périodique de fréquence prédéfinie.
Un avantage est de déterminer une séquence permettant d’optimiser la pertinence de l’indicateur. En outre, un tel stimulus est facilement reproductible et peut servir de référence à un ensemble de patients.
Selon un mode de réalisation, le calcul du premier paramètre comprend les étapes suivantes :
- filtrage du premier signal acquis ;
- segmentation du premier signal selon une première fenêtre temporelle afin de générer une pluralité d’époques synchronisées avec la fréquence prédéfinie, lesdites époques étant moyennées sur la même fenêtre temporelle ;
- extraction d’une époque moyennée dans une deuxième fenêtre temporelle prédéfinie, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
- calcul de la variance en amplitude du signal moyenné sur la deuxième fenêtre prédéfinie.
Un avantage du filtrage est d’obtenir un signal dont l’exploitation est améliorée. L’avantage de la segmentation est de déterminer une portion de signai qu’il est possible de moyenner. Un avantage de la moyenne est de supprimer un ensemble d’artefacts pouvant perturber le calcul de la variance. Selon un mode de réalisation, le calcul du deuxième paramètre comprend les étapes suivantes :
- sélection d’au moins un premier et un deuxième segment de signa! à partir du signal éiectroencéphalographique acquis, lesdits premier et deuxième segments ayant une même durée ;
- première segmentation du premier segment de signal sur une troisième fenêtre temporelle générant une pluralité d’époques de durée correspondant à la durée de la troisième fenêtre, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
- deuxième segmentation du deuxième segment de signal sur la troisième fenêtre temporelle générant une pluralité d’époques de durée correspondant à la durée de la troisième fenêtre, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
--- génération d’un premier signa! résultant du moyennage des époques de la première segmentation et génération d’un deuxième signal résultant du moyennage des époques de la deuxième segmentation ;
génération du deuxième paramètre à partir du calcul de la corrélation temporelle entre le premier signal moyen et le deuxième signal moyen sur une quatrième fenêtre temporelle.
Selon un mode de réalisation, la première fenêtre temporelle et la troisième fenêtre temporelle sont de même durée, correspondant à l’inverse de la fréquence prédéfinie.
Un avantage est d’homogénéiser la représentation du couple de points choisis.
Selon un mode de réalisation, la deuxième fenêtre temporelle et la quatrième fenêtre temporelle sont de durées sensiblement égales et comprises entre 20 ms et 320 ms. Selon un exemple, la durée des premier et deuxième segments est comprise entre 5 min et 25 min, de préférence de l’ordre de 10 min.
Un avantage est de définir une fenêtre temporelle spécialement adaptée aux réponses à des stimuli auditifs. Selon un mode de réalisation, la génération de l’indicateur d’état pour ledit patient donné comprend le calcul d’une probabilité que ledit indicateur d’état appartienne à une classe d’états prédéfinie à partir d’un estimateur Gaussien et des règles de Bayes.
Selon un mode de réalisation, la génération de l’indicateur d’état pour ledit patient donné comprend le calcul d’une probabilité que ledit indicateur d’état appartienne à une classe d’états prédéfinie à partir de la méthode des k- voisin.
Selon un mode de réalisation, la méthode comprend une étape de mesure d’une première distance entre ledit indicateur d’état et un premier ensemble de points ayant des coordonnées représentées dans la même base de référence et de mesure d’une deuxième distance entre ledit indicateur d’état et un deuxième ensemble de points ayant des coordonnées représentées dans la même base de référence.
Selon un mode de réalisation, la méthode comprend une étape de comparaison de la première distance et de la deuxième distance.
Selon un mode de réalisation, l’indicateur d’état est associé à une probabilité calculée à partir d’un modèle de classification de probabilités ou une méthode de classification par apprentissage supervisé.
Selon un mode de réalisation, la classification comprend deux classes.
Selon un mode de réalisation, les étapes sont répétées pour un deuxième patient et/ou tout autre patient associé à un signal électroencéphalographique ou à des données enregistrées d’une base de données et comprennent en outre :
a) génération d’un graphique pour une pluralité de coordonnées provenant d’une population de patients, dans laquelle chaque patient est associé à des coordonnées ;
b) identification d’au moins une région d’intérêt du graphique pour lequel un sous- ensemble de patients sélectionnés partage une même classe de la classification prédéfinie ;
c) association d’une probabilité à l’une des classes de la classification pour chacune des régions d’intérêt identifiées ; et d) génération d’une probabilité associée à l’indicateur d’état du premier patient sur la base des coordonnées.
Selon un mode de réalisation, pour la constitution d’une base de référence pour l’évaluation d’une probabilité d’éveil d’un patient dans le coma, ladite méthode comprend :
a) génération d’un indicateur d’état d’un nouveau patient ;
b) enregistrement de l’ensemble de coordonnées dans une mémoire, lesdites coordonnées étant associées à un indicateur d’état dudit premier patient ;
c ) mise à jour d’un ensemble de données de référence de réveil enregistrées dans une mémoire.
La présente invention concerne en outre un dispositif comportant une mémoire pour le stockage de données notamment de coordonnées d’un graphique ayant préalablement été calculées, et un calculateur pour réaliser des opérations sur des signaux acquis par un moyen de mesure tel qu’une électrode, ledit calculateur permettant de réaliser notamment des opérations de comparaison, de calcul de moyenne ou encore de corrélation de signaux, caractérisé en ce qu’il met en œuvre les étapes de la méthode.
La présente invention concerne en outre un dispositif de génération d’un indicateur d’état d’un patient donné dans le coma, comprenant :
- un module de stimulation configuré pour générer au moins une stimulation auditive par la génération d’une séquence de stimuli auditifs, ladite séquence produisant des potentiels évoqués chez le patient donné ;
--- un module d’acquisition configuré pour l’acquisition d’un premier signal électroencéphalographique produit par ledit patient donné à partir d’au moins une électrode ;
- un module de calcul configuré pour l’estimation d’au moins un couple de valeurs correspondant à un premier paramètre et un deuxième paramètre extraits du premier signal acquis, comprenant l’estimation d’un premier couple de valeurs telle que le calcul du premier paramètre comprend une estimation de la variance de l’amplitude du premier signal dans une fenêtre temporelle prédéfinie et le calcul du deuxième paramètre comporte une estimation de la corrélation de deux segments du premier signal ;
- un module de génération configuré pour générer un indicateur d’état pour le ou chaque couple de valeurs des premier et deuxième paramètres, lesdites valeurs définissant des coordonnées d’un point dans une base de référence.
Selon un mode de réalisation, au moins une stimulation générée par le module de stimulation comprend au moins une séquence de stimuli auditifs comportant au moins un motif périodique de fréquence prédéfinie.
Selon un mode de réalisation, le module de calcul est configuré pour calculer le premier paramètre du premier couple de valeurs selon les étapes suivantes :
- filtrage du premier signal acquis ;
--- segmentation du premier signal selon une première fenêtre temporelle afin de générer une pluralité d’époques synchronisées avec la fréquence prédéfinie (ls), lesdites époques étant moyennées sur la même fenêtre temporelle ;
- extraction d’une époque moyennée dans une deuxième fenêtre temporelle prédéfinie [20 ms-320 ms], chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
- calcul de la variance en amplitude du signal moyenné sur la deuxième fenêtre prédéfinie.
Selon un mode de réalisation, le module de calcul est configuré pour calculer le deuxième paramètre du premier couple de valeurs selon les étapes suivantes :
- sélection d’au moins un premier et un deuxième segment de signal à partir du signal électroencéphalographique acquis, lesdits premier et deuxième segments ayant une même durée ;
- première segmentation du premier segment de signal sur une troisième fenêtre temporelle (1 s) générant une pluralité d’époques de durée correspondant à la durée de la troisième fenêtre, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ; - deuxième segmentation du deuxième segment de signal sur la troisième fenêtre temporelle (1 s) générant une pluralité d’époques de durée correspondant à la durée de la troisième fenêtre, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
- génération d’un premier signal X(t) résultant du moyennage des époques de la première segmentation et génération d’un deuxième signal Y(t) résultant du moyennage des époques de la deuxième segmentation ;
- génération du deuxième paramètre à partir du calcul de la corrélation temporelle R(X,Y) entre le premier signal moyen X(t) et le deuxième signai moyen Y(t) sur une quatrième fenêtre temporelle ([20 ms-320 ms]).
Selon un mode de réalisation, le module de calcul est configuré pour l’estimation d’un deuxième couple de valeurs extraits du premier signal acquis, telle que le calcul du premier paramètre comprend une estimation du nombre d’extremums locaux dans le premier signal dans une fenêtre temporel le prédéfinie et le calcul du deuxième paramètre comporte la somme des valeurs absolues des différences de valeur de potentiel du premier signal entre deux extremums locaux successifs dans une fenêtre temporelle prédéfinie, permettant la génération d’un deuxième indicateur d’état défini par le deuxième couple de valeurs des premier et deuxième paramètres.
Selon un mode de réalisation, la première fenêtre temporelle et la troisième fenêtre temporelle sont de même durée, correspondant à l’inverse de la fréquence prédéfinie.
Selon un mode de réalisation, le module de génération est configuré pour générer l’indicateur d’état pour ledit patient donné à partir du calcul d’une probabilité que ledit indicateur d’état appartienne à une classe d’états prédéfinie à partir d’un estimateur Gaussien, des règles de Bayes et/ou d’une machine à vecteur de support.
Selon un mode de réalisation, le module de génération est configuré pour générer l’indicateur d’état pour ledit patient donné à partir du calcul d’une probabilité que ledit indicateur d’état appartienne à une classe d’états prédéfinie à partir de la méthode des k plus proches voisins. Selon un mode de réalisation, le module de génération est configuré pour générer l’indicateur d’état pour ledit patient donné à partir du calcul d’une probabilité que ledit indicateur d’état appartienne à une classe d’états prédéfinie à partir du minimum entre les probabilités estimées à partir la méthode des k plus proches voisins, la méthode des k plus proches voisins pondérés, l’estimateur Gaussien, les règles de Bayes et/ou la machine à vecteur de support.
Selon un mode de réalisation, le module de génération est configuré pour générer l’indicateur d’état pour ledit patient donné à partir du calcul d’une probabilité que le premier indicateur d’état appartienne à une classe d’états prédéfinie à partir de la méthode des k plus proches voisins et le calcul d’une probabilité que le deuxième indicateur d’état appartienne à une classe d’états prédéfinie à partir de la méthode des k plus proches voisins pondérés.
Selon un mode de réalisation, la probabilité que le patient appartienne à une classe d’états prédéfinie est estimée comme le minimum entre la probabilité calculée pour le premier indicateur à partir de la méthode des k plus proches voisins et la probabilité calculée pour le deuxième indicateur d’état à partir de la méthode des k plus proches voisins pondérés.
Selon un mode de réalisation, un module de calcul est configuré pour mesurer une première distance entre ledit indicateur d’état et un premier ensemble de points ayant des coordonnées représentées dans la même base de référence et de mesure d’une deuxième distance entre ledit indicateur d’état et un deuxième ensemble de points ayant des coordonnées représentées dans la même base de référence.
Selon un mode de réalisation, un module de calcul est configuré pour comparer la première distance et la deuxième distance.
Selon un mode de réalisation, l’indicateur d’état est associé à une probabilité calculée à partir d’un modèle de classification de probabilités ou une méthode de classification par apprentissage supervi sé .
Selon un mode de réalisation, la classification comprend deux classes. Selon un mode de réalisation, un module de calcul est configuré pour répéter les étapes pour un deuxième patient et/ou tout autre patient associé à un signal électroencéphalographique ou à des données enregistrées d’une base de données et implémenter en outre les étapes suivantes :
--- génération d’un graphique pour une pluralité de coordonnées provenant d’une population de patients, dans laquelle chaque patient est associé à des coordonnées [(PI) ;( P2)]i ;
- identification d’au moins une région d’intérêt du graphique pour lequel un sous- ensemble de patients sélectionnés partage une même classe de la classification prédéfinie ;
- association d’une probabilité à l’une des classes de la classification pour chacune des régions d’intérêt identifiées ;
- génération d’une probabilité associée à l’indicateur d’état du premier patient sur la base des coordonnées [(PI) ;( P2)j.
La présente invention concerne en outre un système comportant un générateur de stimulations auditives émises avec une période prédéfinie pendant une durée prédéfinie et un ensemble d’électrodes pour mesurer une activité électrique cérébrale d’un patient, ce système comprenant un dispositif pour la génération d’un indicateur d’état dudit patient tel que décrit ci-dessus.
Figure imgf000012_0001
Le terme « sujet » se réfère à un mammifère, de préférence un humain. Dans un mode de réalisation, un sujet peut être un « patient », c'est-à-dire un animal à sang chaud, plus préférentiellement un humain, qui attend la réception ou reçoit des soins médicaux ou a été / est / sera l'objet d’une procédure médicale, ou est surveillé pour le développement d'une maladie. Dans un mode de réalisation, le sujet est un adulte (par exemple un sujet âgé de plus de 18 ans). Dans un autre mode de réalisation, le sujet est un enfant (par exemple un sujet de moins de 18 ans). Dans un mode de réalisation, le sujet est un homme. Dans un autre mode de réalisation, le sujet est une femme. Le terme « stimulus », ou « stimuli », désigne tout élément physique, chimique ou biologique ou tout autre évènement, tel qu’un évènement audible ou sonore ou visuel, capable de déclencher des phénomènes dans l'organisme, notamment des phénomènes électriques, électrophysiologiques, nerveux musculaires ou endocriniens. Plus particulièrement, dans le cadre de l’invention un stimulus ou des stimuli seront des séquences sonores diffusées auprès d’un patient dans le coma.
Le terme « coma » désigne un état physiologique d’un sujet, ou patient, qui a perdu connaissance. 11 désigne plus particulièrement une perte prolongée de la conscience et/ou de la vigilance.
BRÈVE DESCRIPTION DES FIGURES
La Figure 1 est un schéma d’un mode de réalisation du système de l’invention, représentant les principaux éléments mettant en œuvre les étapes du procédé de l’invention.
La Figure 2 est un graphique bidimensionnel selon un mode de réalisation de l’invention comportant une distribution des probabilités de réveil selon l’invention dans laquelle un point généré par la méthode de l’invention est affiché.
La Figure 3 est un organigramme d’un mode de réalisation de l’invention dans lequel les principales étapes du procédé de l’invention sont représentées, ce mode de réalisation, faisant intervenir une étape de comparaison des données issues d’un patient avec un corpus de données enregistrées.
La Figure 4 est un organigramme d’un mode de réalisation de l’invention dans lequel les principales étapes du procédé de l’invention sont représentées, ce mode de réalisation, faisant intervenir une étape de représentation graphique des données issues d’un patient avec un corpus de données généré sur une même représentation.
La Figure 5A est une représentation d’un signal acquis dans le cadre de la méthode de G invention. La Figure 5B est une représentation d’un signal filtré résultant du filtrage du signal de la figure SA conformément à une étape de la méthode de l’invention.
La Figure 5C est une représentation d’un signal moyenné résultant du moyennage du signal filtré de la figure 5B conformément à une étape de la méthode de l’invention. l .a Figure 5D est une représentation d’un signal résultant de la moyenne des signaux acquis à partir de plusieurs électrodes.
La Figure 5E est une représentation d’un signal filtré résultant du filtrage du signal moyen de la figure 5D conformément à une étape de la méthode de l’invention.
La Figure 5F est une représentation d’un signal moyen résultant de la moyenne dans une fenêtre de 500 ms du signal filtré de la figure 5E conformément à une étape de la méthode de G invention.
La Figure 6A est un graphique bidimensionnel selon un mode de réalisation de l’invention comportant une distribution des probabilités de réveil selon une méthode de classification Gaussienne-Bayésienne dans laquelle un point (s(X), R(X, Y)) généré par la méthode de l’invention est affiché.
La Figure 6B est un graphique bidimensionnel selon un mode de réalisation de l’invention comportant une distribution des probabilités de réveil selon une méthode de classification k-Voisin dans laquelle un point (s(X), R(X, Y)) généré par la méthode de l’invention est affiché.
La Figure 6C est un graphique bidimensionnel selon un mode de réalisation de l’invention comportant une distribution des probabilités de réveil selon une méthode de classification Gaussienne-Bayésienne dans laquelle un point (NE, |AV|) généré par la méthode de l’invention est affiché.
La Figure 6D est un graphique bidimensionnel selon un mode de réalisation de l’invention comportant une distribution des probabilités de réveil selon une méthode de classification k-Voisin dans laquelle un point (NE, |DU|) généré par la méthode de l’i vention est affiché.
Figure imgf000015_0001
La description suivante sera mieux comprise à la lecture des dessins, dans lesquels des modes de réalisation préférés de l’invention sont représentés, à titre purement illustratif. Bien entendu, la présente demande n’est pas limitée aux agencements, structures, caractéristiques, modes de réalisation ou apparences décrits et représentés. Les dessins ne sont pas dessinés à l'échelle et ne sont pas destinés à limiter la portée des revendications aux seuls modes de réalisation représentés sur ces dessins. Par conséquent, il doit être compris que lorsque des caractéristiques mentionnées dans les revendications sont suivies de références, lesdites références sont inclues uniquement en vue d’améliorer la compréhension des revendications et ne limitent en aucun cas la portée de ces revendications.
Dans la présente description, on parlera indifféremment d’un éveil ou d’un réveil d’un coma d’un patient donné. On traitera le cas générai d’un « indicateur d’état », pouvant être interprété dans un cas d’application de l’invention à un « indicateur d’éveil ». En outre, l’exemple de réalisation décrit deux classes d’état Ci, C2, mais selon d’autres exemples de réalisation, plusieurs classes d’états peuvent être compatibles avec l’invention.
La figure 1 montre un mode de réalisation du système de l’invention.
Le .système de l’invention comprend un générateur de stimulations auditives GEN SA. Les stimulations auditives GSA générées sont de préférence répétées ou émises de manière périodique. A cet effet, un haut-parleur, une enceinte ou tout autre dispositif permettant d’émettre un son ou une séquence sonore peut être utilisé. Le générateur GEN_SA est préférentiellement disposé à côté d’un patient H lors de son utilisation.
Le système de l’invention comprend un ensemble d’électrodes ELEC destinées à être apposées au contact d’un patient, tel qu’un patient H. Les électrodes ELEC sont destinées à mesurer une activité cérébrale du patient H. Elles permettent notamment d’acquérir des signaux Si, Si, Sn et de délivrer les signaux acquis à un calculateur K. Le système de l’invention comprend ledit calculateur K. Ce dernier est configuré pour exécuter des instructions afin de déduire des paramètres de sortie des signaux acquis Si , Si, Sn par les électrodes ELEC.
Le système de l’invention comprend, en outre, un afficheur AF F permettant d’afficher des points dans une représentation de distributions de probabilités de réveil d’une pluralité de patients ayant été dans le coma ou l’étant encore. Ainsi, l’afficheur AFF permet d’afficher des données traitées précédemment acquises d’une pluralité de patients H ayant été dans le co a. Ces données permettent de consolider une répartition de probabilités d’éveil ou non d’un ensemble de patients.
En conséquence, l’afficheur AFF permet de déduire directement une conclusion par la lecture de la position du point généré au sein de la distribution de probabilités. La comparaison d’un point généré avec la position des autres points peut être réalisée à l’œil nu par un opérateur ou peut être réalisée automatiquement au moyen d’un calculateur à partir du calcul de la distance entre les lesdits points.
Un des avantages de l’invention est de générer un graphique dans un repère dont les axes correspondent à des paramètres déduits des signaux acquis. La figure 2 donne un exemple de représentation possible d’une distribution de probabilités de réveil. Le système de coordonnées COORD employé peut être défini en abscisse et en ordonnée par des paramètres spectraux ou résultant d’un traitement des signaux acquis par les électrodes. Les paramètres peuvent résulter d’une ou plusieurs opérations sur les signaux acquis, à savoir des moyennes, des valeurs maximales, des écarts-types, des variances, des corrélations, ou encore des comparaisons ou des superpositions de signaux acquis.
En outre, l’invention concerne une méthode d’estimation d’un indicateur d’éveil d’un patient dans le coma.
Selon un mode de réalisation, la méthode comprend la génération d’au moins une stimulation auditive par la génération d’une séquence de stimuli auditifs GSA. La séquence produit des potentiels évoqués chez le patient donné H dans le coma. La figure 3 représente cette étape notée GSA. La stimulation auditive est configurée pour induire un processus cognitif chez le sujet stimulé. Le cerveau humain est capable d'extraire des modèles ou des régularités dans son environnement, par exemple l'objet A est toujours suivi par l'objet B mais jamais par l’objet C. Le cerveau peut détecter les probabilités de transition de manière automatique, c'est-à-dire même lorsque l’attention du sujet est distraite ou lorsque les stimuli sont présentés sous le seuil de conscience. Des réponses cérébrales automatiques à une violation d'une règle (ou d'une régularité) peuvent également être détectées si les stimuli se trouvent dans un voisinage temporel proche ou local (c'est-à-dire à quelques secondes). Des réponses incompatibles peuvent être produites avec des séquences complexes telles qu’une mélodie ou un rythme, même chez des sujets inconscients.
Selon un premier exemple, la stimulation auditive est provoquée par l’émission d’une séquence de sons prédéfinie. La séquence comprend, par exemple, une suite de sons émis à des intervalles réguliers avec un même contenu spectral. Les sons sont émis avec une fréquence fo prédéfinie. La période de répétition peut être par exemple de 1 seconde. Selon différents modes de réalisation, la période peut être comprise entre quelques millisecondes et plusieurs minutes.
Selon un exemple de réalisation, la séquence sonore comporte des motifs spectraux qui évoluent comme une suite de sons allant de notes aiguës vers des notes graves ou l’inverse. La séquence est alors répétée selon une période de séquences pouvant aller de quelques secondes à plusieurs heures. La séquence émise peut comporter des bruits de fréquences différentes. Selon un mode de réalisation, la séquence peut se répéter à l’identique avec quelques modifications aléatoires et peu fréquentes (i.e. stimuli déviants), par exemple de 10 à 20% des séquences standards.
Selon un mode de réalisation, la stimulation auditive comprend plusieurs essais auditifs ayant un intervalle entre essais prédéfini, chaque essai auditif étant formé de N stimuli auditifs consécutifs ayant une durée prédéfinie avec un intervalle prédéfini entre les stimuli auditifs. Dans ce mode de réalisation, la stimulation auditive a un premier pourcentage d'essais locaux standard comprenant N stimuli auditifs identiques et un deuxième pourcentage d'essais localement déviants comprenant les premiers N-l stimuli auditifs identiques et le ême stimulus auditif différents des N-l précédents stimuli auditifs, où N est égal ou supérieur à 2. Une telle séquence est donc composée d’un son standard répété un certain nombre de fois, suivi d'un son déviant. La comparaison à une condition dans laquelle tous les sons de la séquence sont standard révèle généralement l’occurrence de la négativité de la discordance. Point crucial, si la séquence déviante est très fréquente dans une stimulation, les sujets s’attendent à ce que le dernier son soit déviant.
Selon un exemple de réalisation, la séquence peut comprendre l’émission d’une succession de cinq sons identiques régulièrement espacés et d’une note (i.e. stimuli non- déviants) ou d’un son ayant un contenu spectral différent (i.e. stimulus déviant). Ainsi, de nombreuses séquences peuvent être utilisées dans le cadre de l’invention.
Un intérêt de produire une grande variété de séquences est de tester différentes sources de stimulations afin de constituer une bibliothèque de séquences permettant d’être adapté à l’usage de l’invention. Lin autre intérêt est de permettre de produire des séquences comparables d’un patient à l’autre afin de valider ou d’invalider des séquences particulières.
Selon un mode de réalisation, la méthode de l’invention comprend l’acquisition d’un signal éleclroencéphalographique, dit signal EEG, produit par ledit patient à partir d’au moins un système d’électrodes comportant par exemple au moins une électrode active et une électrode de référence. La figure 3 et la figure 4 représentent cette étape notée ACQ.
Selon un mode de réalisation, les moyens de mesure des signaux éleetroencéphalographiques comprennent au moins deux électrodes de surface. Selon un exemple de réalisation, une première électrode de référence frontale et une deuxième électrode active centrale (Cz) sont agencées sur la surface crânienne d’un patient.
Selon un mode de réalisation, les moyens de mesure des signaux éleetroencéphalographiques comprennent au moins les électrodes Fz, Cz, C3, C4, T3, T4 selon le système 10-20.
Selon un mode de réalisation, les électrodes sont des électrodes destinées à être montées, par exemple, sur un casque qui lui-même est destiné à être porté par un patient. Selon un mode de réalisation, le procédé comporte une étape d’estimation d’au moins un couple de valeurs correspondant à un premier paramètre Pi et un deuxième paramètre P2. Cette étape est notée EST sur la figure 3 et la figure 4. Le premier paramètre Pi et le deuxième paramètre P2 sont extraits du premier signai Si acquis ou du signal traité après son acquisition, par exemple, par un filtrage ou un moyennage. Ils peuvent par exemple restituer des propriétés des signaux sur des temps plus ou moins courts. A titre d’exemple, le premier paramètre Pi peut être élaboré de manière à restituer une propriété du signal sur une période courte correspondant par exemple à la durée des tâches cognitives. Le premier paramètre Pi peut alors être perçu comme une propriété locale des réponses du sujet. Le deuxième paramètre P2 peut être élaboré ou choisi en considérant des propriétés du signal sur de plus longues périodes.
Le premier paramètre Pi est estimé en réalisant différentes opérations sur un signal acquis Si. Il peut être notamment filtré, segmenté, moyenné afin de définir un motif dans lequel une sélection d’un extrait du signal est utilisée pour calculer une variance en amplitude.
Selon un mode de réalisation, le procédé comprend une étape de filtrage des signaux EEG acquis.
La figure 5 A illustre une représentation d'un signal EEG 10 acquis dans laquelle figurent, en ordonnée « P », les valeurs des potentiels à l’électrode Cz, et en abscisse « t », le temps en secondes. Sur le graphique sont également représentés les moments auxquels les stimulations 12 sont générées.
La figure 5B représente le signal filtré 1 1. Dans cet exemple, le signal est filtré avec un filtre passe-bande Butterworth de rang n=4 sur la plage de fréquence 0.1-50Hz
La figure 5C représente une réponse moyennée 13 ramenée sur G intervalle de temps [0; 1s] afin de définir des époques. L’intervalle de temps [0; 1s] définit une première fenêtre temporelle Fl . Cette première fenêtre Fl est configurable en fonction du mode de réalisation envisagé. Dans cet exemple, le temps t==:0 correspond au moment auquel les stimuli auditifs sont produits. Cette étape préliminaire permet de moyenner les réponses afin de faire ressortir la réponse de P EEG aux stimulations. Les époques extraites son t toutes synchronisées avec la fréquence fo à laquelle les stimulations sont produites. 8
Selon un mode de réalisation, les étapes de filtrage et de moyetmage sont des étapes intervenant pour G estimation du paramètre Pi
Selon un premier exemple de réalisation, un paramètre extrait correspond à la variance s(X) de l’amplitude du signal X(t) dans l'intervalle de temps de 20 à 320 ms. Cet intervalle défini une deuxième fenêtre temporelle F La variance de l’amplitude peut être calculée à partir d’un moyen de calcul tel qu’un calculateur.
L’échelle de temps choisie correspond avantageusement à des échelles de temps de réponses de réseaux de neurones impliqués dans des tâches cognitives. Selon d’autres modes de réalisation, les échelles de temps considérées peuvent être plus sélectives, par exemple de 60 ms à 200 ms.
Selon un autre mode de réalisation, l’intervalle de temps est divisé en différentes sous- gammes, comme par exemple [20; 120 ms], [120 ms; 220ms], [220 ms; 320 ms]. Cette subdivision permet par exemple d’affiner les analyses en segmentant les réponses des réseaux de neurones à des tâches cognitives différentiées. Selon un exemple, des calculs intermédiaires de variances d’amplitude peuvent être réalisés et combinés ensuite. Selon un mode préféré, le calcul de la variance d’amplitude est réalisé sur la plage de durées allant de 20 ms à 320 ms.
Selon un mode de réalisation, le calcul de la variance de l’amplitude rend compte de l’amplitude des fluctuations que représente l’activité basale des réseaux de neurones. La variance permet d’analyser les signaux évoqués générés par une réponse aux stimuli auditifs périodiques standard.
La figure 2 représente en ordonnée le paramètre correspondant à la variance de l’amplitude du signal acquis ou traité après filtrage et moyennage.
L’étape de moyennage permet de rendre le calcul plus fiable du fait des différentes mesures prises en compte. L’étape de filtrage permet de s’affranchir du bruit et des artefacts qui ne résulteraient pas directement de l’activité électrique produite par les stimulations. Selon un mode de réalisation, l’étape d’estimation des paramètres comprend estimation d’un paramètre restituant une propriété des signaux sur une plus longue période. Il s’agit d’un indicateur résultant d’une corrélation de deux segments SEGi et SEGr des signaux acquis ou traités.
Selon un exemple de réalisation, le temps d’acquisition DA est de 20 minutes. Selon d’autres exemples, il peut être compris entre quelques minutes et plusieurs minutes. De préférence la durée choisie est comprise entre 10 min et 40 min.
Selon un mode de réalisation, le temps d’acquisition DA est segmenté en deux plages de durée D! sensiblement égale. Par exemple les deux plages [1; 10] min et [10; 20] min peuvent définir deux plages successives permettant de segmenter le premier signal Si. Selon d’autres modes de réalisation, le nombre de segmentations peut être de trois plages à quelques dizaines de plages.
Le procédé comprend une étape segmentation de chaque segment de durée Di en une pluralité d’époques segmentées dans une fenêtre temporelle prédéfinie. Il s’agit d’une troisième fenêtre temporelle Fr. Cette fenêtre est avantageusement de même durée que la première fenêtre ayant permis de calculer le paramètre Pi.
Selon un exemple de réalisation, Fi = Fr = 1 s, c’est-à-dire, dans cet exemple, l’inverse de fo.
L’étape d’estimation du paramètre P2 comprend le moyennage des époques sur chacune des fenêtres de temps segmentées définies au paragraphe précédent.
Selon un mode de réalisation, G estimation du deuxième paramètre P2 comprend une génération de deux signaux, notés X(t) et Y(t) Selon un exemple de réalisation, les époques sont définies dans l’intervalle de temps [0; 1] s. Selon d’autres exemples, la normalisation de la fenêtre Fr peut être plus courte ou plus longue, comme par exemple une demi-seconde ou deux secondes.
L’étape d’estimation du paramètre P2 comprend un calcul de la corrélation temporelle de ces deux signaux par la fonction R(X, Y) sur une fenêtre temporelle F4. Selon un mode de réalisation, la fenêtre temporelle F4 est de durée sensiblement égale à celle de la deuxième fenêtre temporelle F2, c’est-à-dire comprise dans l’intervalle [20, 320] ms. Avantageusement, une partie du signal moyenné sur la fenêtre Fs est utilisée pour calculer la corrélation temporelle R(X, Y). La partie utilisée, comme précédemment, correspond avantageusement à l’échelle de temps de la réponse neuronale aux stimulations.
Selon un exemple de réalisation, la fonction de corrélation R peut s’écrire :
R(X, Yfi =[<(X(t) - m(X)) · (Y(t) - m(Y)>] / [<X(t)2><Y(t)2>], ou <.> représente la moyenne temporelle et m(X) la moyenne de la variable X.
Comme expliqué précédemment, les stimuli déviants représentent approximativement un dixième des réponses évoqués. Selon un mode de réalisation, pour analyser ces réponses, les signaux acquis de plusieurs électrodes sont sommés et ensuite le signal moyen obtenu est filtré et moyenné sur une fenêtre temporelle prédéfinie F5.
La figure 5D illustre une représentation d’un signal moyen résultant de la moyenne des signaux acquis des électrodes Cz, C3, C4 et Fz en fonction du temps en secondes. Sur le graphique est également représenté le moment auquel le stimulus déviant est généré, par une ligne verticale.
La figure 5E représente un exemple dans lequel le signal est filtré avec un filtre passe-bas Butterworth de rang n=2 avec un seuil à 10 Hz.
La figure 5F représente une réponse moyennée ramenée sur l’intervalle de temps [0- 500 ms] suivant l’émission d’un stimulus déviant.
Selon un mode de réalisation, au moins deux paramètres sont extraits de ce signal moyen sur l’intervalle de temps [0; 500 ms]. Selon un premier exemple de réalisation, un paramètre extrait correspond au nombre d’extremums locaux NE dans ledit signai moyen. Selon un deuxième exemple de réalisation, un paramètre extrait correspond à la somme des valeurs absolues des différences, entre deux extremums locaux et successifs, du potentiel du signal moyen V(ei) selon la formule |DU| ::: J j V(A) - Vfiv 0 j. Les paramètres NE et |AV|, étant calculés sur une fenêtre temporale de 500 ms suivant un stimulus déviant, permettent d’évaluer la réponse du sujet aux stimuli déviants.
Selon un mode de réalisation, le procédé de l’invention permet de définir des coordonnées à partir d’un couple de valeur (Ps ; P } Selon un exemple, le point de coordonnées {Pi, P2} est généré dans une base de référence BREF. Selon un mode de réalisation, la base de référence constitue un référentiel normalisé. Selon un exemple de réalisation, la base de référence est matérialisée par un graphique comportant un référentiel à deux axes (Ox), (Oy) définissant une abscisse et une ordonnée.
Selon un mode de réalisation, le procédé de l’ invention permet de définir un premier système de coordonnées à partir du couple de valeur (s(X), R(X, Y)} et/ou un deuxième système de coordonnées à partir du couple de valeur {NE, jAVj} . Le premier système est associé aux réponses aux stimuli non-déviants et le deuxième système est associé aux réponses évoquées par les stimuli déviants.
Dans l’exemple de la figure 2, en abscisse est représenté le paramètre P2 et en ordonnée le paramètre Pi. Les coordonnées du point 2 correspondent à celles d’un nouveau patient et sont notées GCOOR.
Selon un exemple de réalisation, le procédé de l’invention comprend la génération d’un graphique comportant une pluralité de points définissant une base de référence affichée sur un même graphique. La figure 2 représente un premier ensemble de points ENS J définissant des triangles noirs et appartenant à une première classe d’états donnée Ci de patients, et un deuxième ensemble ENS? de points définissant des carrés blancs et appartenant à une deuxième classe C? d’états donnée de patients.
Selon un exemple de réalisation, la représentation bidimensionnelle des données est obtenue en générant un point pour un patient H donné à partir des valeurs des paramètres Pi et P? qui ont été obtenues consécutivement à une phase de tests auditifs et de mesure d’ une activité cérébrale. Cette étape est notée GGR sur les figures 3 et 4.
Selon un premier exemple de réalisation, selon l’axe Oy, la variance de l’amplitude s(X) est calculée sur l’ensemble de l’échantillon de 20 minutes. Selon l’axe Ox, la fonction de la corrélation R(X, Y) est calculée comme détaillé précédemment. Enfin, un point Pt donné a pour coordonnées : Pt = (x,y) = (s(X), R(X, Y)). Selon un deuxième exemple de réalisation, un point Pt donné a pour coordonnées : Pt = (x,y) = (NE, |DU|).
L’invention permet donc de générer une cartographie pour un ensemble de patients H. La figure 2 représente ainsi une pluralité de points, chaque point correspondant à un test effectué pour un patient H donné.
La figure 2 représente une distribution de patients H ayant été dans le coma ou étant encore dans le corna. Dans cet exemple, deux fenêtres de temps de 10 min ont été configurées avec une mesure, notamment en considérant l’électrode Cz. On retrouve selon l’axe Ox, la corrélation R(X, Y), et selon l’axe Qy, l’écart-type s(X) du bruit, c’est- à-dire des fluctuations du signal EEG moyenné. Les patients décédés sont représentés par des triangles noirs et constituent l’ensemble ENSi Les patients ayant survécu et s’étant réveillés sont représentés par des carrés blancs et constituent l’ensemble ENS2.
L’invention permet donc visuellement de détecter à quel ensemble un nouveau point 2 généré peut appartenir. La figure 3 représente les principales étapes d’un mode de réalisation du procédé permettant de générer un indicateur d’état.
La figure 4 représente un mode de réalisation du procédé de l’invention comportant des étapes supplémentaires visant à associer une probabilité à l’indicateur d’état.
Selon un mode de réalisation, l’invention permet d’affecter à l’indicateur d’état une probabilité d’éveil du patient H, c’est-à-dire une probabilité qu’il sorte du coma.
Le procédé de l’invention comporte donc une représentation de probabilités sur un graphique permettant d’affecter une probabilité donnée en fonction de la position du point 2 dans le graphique.
Lorsque le graphique comporte des zones identifiées comme d’iso-probabilité, le procédé comprend l’identification de la région d’intérêt RJ pour lequel un sous-ensemble de patients sélectionnés partage une probabilité identique d’appartenir à une même classe de la classification prédéfinie, par exemple dans le cas présent Ci ou C2. Cette étape est notée ID sur la figure 4. Le procédé est donc alors en mesure de déduire une association entre le point généré sur le graphique et une probabilité d’éveil selon la position du point. Le procédé peut alors comprendre une étape automatique de génération, notée GPROB, d’une probabilité PR que le premier patient H appartienne à une classe ou à une autre.
Les figures 6 A, 6B, 6C et 6D représentent des exemples détaillés ci-après de représentations des probabilités permettant de calculer les chances qu’un patient H a de se réveiller ou non de son coma.
Le graphique représente une distribution de probabilités et génère donc un indicateur dans un graphique sans spécifiquement permettre de déduire un diagnostic.
Selon une autre variante, P invention ne comprend pas de génération d'une représentation bidimensionnelle mais une étape alternative qui comprend le calcul d’une distance entre un nouveau point 2 généré et un ensemble de points ENSi ou ENS? d’une classe donnée d’état.
Il est alors possible de définir une distance, telle qu’une distance euclidienne ou tout autre distance pouvant être utilisée dans le cadre de l’invention.
On calcule la distance di = d(2, ENSi ) définissant la distance entre le point 2 de la figure 2 d’un nouveau patient H et l’ensemble ENSi. D’autre part, on mesure la distance d 2= d(2, ENS?.) définissant la distance entre le point 2 de la figure 2 d’un nouveau patient H et l’ensemble EN82.
Les deux distances di, d2 sont ensuite comparées et un coefficient est affecté au point 2 qui peut être, par exemple, pondéré par la mesure de la distance ou un rapport des deux distances ds, ώ Le coefficient peut également être interprété comme une probabilité.
Selon un mode de réalisation, le procédé de l’invention comporte une étape de définition de régions dites de survie. Cette étape permet d’améliorer la précision du calcul de la probabilité qui sera affectée à un nouveau point généré dans le graphique. Elle permet également de pondérer la distance lorsque cette dernière est utilisée. Les figures 6A et 6C représentent un premier mode de réalisation dans lequel un classificateur statistique est appliqué pour pouvoir attribuer une probabilité en tout point de la carte, ou qui viendrait se rajouter sur la représentation bidimensionnelle Ox et Oy telles que définies précédemment avec Pi et P2. En figure 6A, la représentation bidimensionnelle est basée sur le système de coordonnées js(X), fX, Y)} associé aux réponses aux stimuli non-déviants, et en figure 6C elle est basée sur le système de coordonnées {NE, |DU|} associé aux réponses aux stimuli déviants. Selon ce mode de réalisation, une classification Bayésienne basée sur l’hypothèse que chaque classe est indépendante, c’est-à-dire sans corrélation statistique, est utilisée. Dans l’exemple de réalisation représenté, le nombre de classes est égal à deux. Ces deux classes correspondent par exemple au cas « patient décédé » ou « patient en vie ».
Dans le cas d’un estimateur Gaussien, la moyenne et la matrice de covariance estimée sur les deux classes Ci (patient en vie) et C2 (patient décédé) sont représentées. La probabilité de chacune des classes est calculée empiriquement en utilisant par exemple un estimateur du maximum de vraisemblance : n
PiC )
n + n où ns est le nombre de patients H ayant survécu et na le nombre de patients H décédés. Les points X=(x,y) associés aux patients qui ont survécu suivent une loi normale multidimensionnelle .
La probabilité associé à un point X=(x,y) est donc :
Figure imgf000026_0001
où la moyenne mi et la variance åi sont calculées sur l’échantillon de la base de données des patients ayant survécu :
Figure imgf000026_0002
Un calcul similaire est utilisé pour calculer la moyenne et la variance de la base de données des patients H décédés.
En utilisant les règles de Bayes, la probabilité conditionnelle d’avoir X e Ci et d’avoir les coordonnées du point associé à un sujet (patient) égales à x, avec une probabilité pour la classe C i (patient en vie), est donnée par : p - - n 1 - ns + nd
Il découle alors la probabilité conditionnelle suivante :
Figure imgf000027_0001
Les figures 6B et 6D représentent une alternative pour établir une distribution de probabilités sur un graphe bidimensionnel. En figure 6B, la représentation bidimensionnelle est basée sur le système de coordonnées {s(X), R(X, Y)} associé aux réponses aux stimuli non-déviants, et en figure 6D elle est basée sur le système de coordonnées (NE, |AV|) associé aux réponses aux stimuli déviants
La méthode des k plus proches voisins, « k-voisin », consiste à prendre en compte les k plus proches voisins en calculant un ratio pour la probabilité d’appartenir à une classe.
Selon un exemple de réalisation, pour un point y, la probabilité d’appartenir à la classe Ci de « survivants » étant donnée, la distribution de points x est calculée comme le nombre de points voisins appartenant à la classe de « survivants » sur le total de K points voisins. Cette probabilité peut être calculée empiriquement par la relation suivante :
Figure imgf000027_0002
où kr est le nombre de points voisins appartenant à la classe de « survivants » sur un total de K points voisins. Le résultat de cette analyse est une carte de probabilités telle que celle illustrée à la figure 6B. A chaque fois qu’un nouveau patient H est ajouté à la base de données, une nouvelle moyenne mo, mi et les matrices de covariances åo, åi sont recalculées.
Le point 2 sur les figures 6A et 6B représente respectivement un point correspondant à la probabilité p=G 62 et p=0 83.
Le procédé permet donc d’attribuer une probabilité de suivie à un patient donné, par exemple en visualisant la position du point lui correspondant sur une représentation bidimensionnelle comme cela est représenté à la figure 6A, 6B, 6C ou 6D.
Selon un mode de réalisation, une alternative pour établir une distribution de probabilités sur un graphe bidimensionnel consiste dans G utilisation d’une méthode d’apprentissage supervisé, notamment une machine à vecteur de support (« support vector machine » ou SVM en anglais). Les SVM permettent des résoudre des problèmes de discrimination, c'est-à-dire décider à quelle classe appartient un échantillon. Selon un exemple de réalisation, le SVM est utilisé pour déterminer l’hyperplan séparateur qui sépare le mieux les classes Ci et CL. Dans cet exemple, l'astuce du noyau (en anglais kernel trick) est utilisée pour surmonter l’absence de séparateur linéaire présent dans le problème d’espèce, consistant à reconsidérer le problème dans un espace de dimension supérieure. Dans cet espace de dimension supérieure, les points associés aux deux classes sont bien séparés. Si les classes ne sont pas bien séparées, une pénalité est associée à chaque point mal classé.
Selon un mode de réalisation, la méthode des k plus proches voisins est utilisée pour classifier les réponses aux stimulï déviants.
Selon un mode de réalisation, une méthode de classification alternative est utilisée pour classifier les réponses aux stimuli non-déviants. Une méthode des k plus proches voisins pondérés peut être utilisée en ajoutant des poids relatifs à la distance aux points dans la hase de données. La probabilité de classification du point Pt ::: (NE, i AV|) dans une classe donnée parmi les classes Cl et C2 est calculée sur la base du nombre de k plus proches voisins Nk(Pt) appartenant à la classe donnée qui sont sélectionnés, parmi l’ensemble des points préexistants, à partir de la distance Euclidienne entre Pt et chaque point préexistant pondérée par un poids. Selon un mode de réalisation, le poids de chaque point préexistant correspond à l’inverse de la distance entre Pt et ce point.
Selon un mode de réalisation, la distribution de probabilités du point Pt associé au patient H d’appartenir à la classe Ci de « survivants » est calculée pour chaque patient H pour les coordonnées Pts dans le premier système des coordonnés (s(X), R(X, Y)} et pour les coordonnées Pt2 dans le deuxième système de coordonnées {NE, |AV|} selon la formule suivante : p&’c (Pt e Cs jPt) = min(p(Pti e Ci j Pfi), p(Pt2 e C |Pt2)), dans laquelle la probabilité p(Pti e Ci] Pti) est estimée à partir de la méthode des k plus proches voisins et la probabilité p(Pt2 e Ci | Pt2) est estimée à partir de la méthode des k plus proches voisins pondérés.
Selon un mode de réalisation, le calcul d’une probabilité que ledit indicateur d’état 2 appartienne à une classe d’états prédéfinie Ci, C2 est défini comme le minimum entre les probabilités estimées à partir la méthode des k plus proches voisins, la méthode des k plus proches voisins pondérés, l’estimateur Gaussien, les règles de Bayes et/ou la machine à vecteur de support.
Selon un mode de réalisation, le procédé peut comprendre une étape de validation statistique. Cette étape est réalisée en considérant un nombre prédéterminé de patients H, par exemple 20, 30 ou 40. Dans cette étape de validation d’une donnée, la donnée correspondant au nouveau patient est alors exclue.
Il est alors possible de comparer la probabilité de survie d’un patient H vis-à-vis d’une survie effective.
Un intérêt de la méthode est de générer une variable qui peut correspondre à une probabilité de réveil. La méthode lorsqu’elle est mise en œuvre par un ordinateur peut alors définir un outil de prédiction pour prédire le taux de survie de patients H dans le coma. Bien que divers modes de réalisation aient été décrits et illustrés, la description détaillée ne doit pas être considérée comme étant limitée à ces derniers. Diverses modifications peuvent être apportées aux modes de réalisation par l'homme du métier sans s'écarter du véritable esprit et de la portée telle que définie par les revendications.

Claims

Figure imgf000031_0001
1, Méthode de génération d’un indicateur d’état (2) d’un patient donné (H) dans le corna, comprenant les étapes suivantes :
- génération d’au moins une stimulation auditive par la génération d’une séquence de stimuli auditifs (G SA), ladite séquence produisant des potentiels évoqués chez le patient donné (H) ;
- acquisition (ACQ) d’un premier signal électroencéphalographique (Si) produit par ledit patient donné (H) à partir d’au moins une électrode ;
- estimation (EST) d’au moins un couple de valeurs correspondant à un premier paramètre (Pi) et un deuxième paramètre (P2) extraits du premier signal (Si) acquis, comprenant l’estimation d’un premier couple de valeurs (Pi, P?.) telle que le calcul du premier paramètre (Pi) comprend une estimation de la variance de l’amplitude du premier signai (Si) dans une fenêtre temporelle prédéfinie (Fi) et le calcul du deuxième paramètre (P2) comporte une estimation de la corrélation de deux segments du premier signal (Si) ;
- génération d’un indicateur d’état (2) pour le ou chaque couple de valeurs des premier et deuxième paramètres (Pi, P2), lesdites valeurs définissant des coordonnées (GCOOR) d’un point dans une base de référence (BREF).
2, Méthode selon la revendication 1, dans laquelle au moins une stimulation comprend au moins une séquence de stimuli auditifs (GSA) comportant au moins un motif périodique de fréquence prédéfinie (fo).
3, Méthode selon la revendication 2, dans laquelle le calcul du premier paramètre (Pi) du premier couple de valeurs (Pi, P2) comprend les étapes suivantes :
a. filtrage du premier signal acquis (Si) ;
b . segmentation du premier signal (Si) selon une première fenêtre temporelle (Fi, 1 s) afin de générer une pluralité d’époques synchronisées avec la fréquence prédéfinie (fo), lesdites époques étant moyennées sur la même fenêtre temporelle (Fi) ; c. extraction d’une époque moyetmée dans une deuxième fenêtre temporelle prédéfinie (F , [20 ms-320 ms]), chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
d. calcul de la variance (VA) en amplitude du signal moyenne sur la deuxième fenêtre prédéfinie (F2).
4. Méthode selon l’une quelconque des revendications 1 à 3, dans lequel le calcul du deuxième paramètre (P2) du premier couple de valeurs (Pi, P2) comprend les étapes suivantes :
- sélection d’au moins un premier et un deuxième segment (SEGi, 8EG2) de signal à partir du signal éleetroencéphalographique acquis (S 1), lesdits premier et deuxième segments (SEGJ , SEG2) ayant une même durée (Di) ;
- première segmentation du premier segment (SEGi) de signal sur une troisième fenêtre temporelle (Fs, 1 s) générant une pluralité d’époques de durée correspondant à la durée de la troisième fenêtre, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
- deuxième segmentation du deuxième segment (SEG2) de signal sur la troisième fenêtre temporelle (Fs, 1 s) générant une pluralité d’époques de durée correspondant à la durée de la troisième fenêtre, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
- génération d’ un premier signal (X(t)) résultant du moyennage des époques de la première segmentation et génération d’un deuxième signal (Y(t)) résultant du moyennage des époques de la deuxième segmentation ;
- génération du deuxième paramètre (P2) à partir du calcul de la corrélation temporelle (R(X,Y)) entre le premier signal moyen (X(t)) et le deuxième signal moyen (Y(t)j sur une quatrième fenêtre temporelle (F4, [20 ms- 320 ms]). 5, Méthode selon l’une quelconque des revendications 1 à 4, dans laquelle l’étape d’estimation (EST) comprend l’estimation d’un deuxième couple de valeurs (Ps ; P2) correspondant à un premier paramètre (Pi) et un deuxième paramètre (P2) extraits du premier signal (Si) acquis, telle que le calcul du premier paramètre (Pi) comprend une estimation du nombre d’extremums locaux (NE) dans le premier signal (Si) dans une fenêtre temporelle prédéfinie (Fs) et le calcul du deuxième paramètre (P2) comporte la somme des valeurs absolues des différences de valeur de potentiel du premier signal (Si) entre deux extremums locaux successifs dans une fenêtre temporelle prédéfinie (Fs), permettant la génération d’un deuxième indicateur d’état défini par le deuxième couple de valeurs des premier et deuxième paramètres (Pi, P?.).
6, Méthode selon la revendication 4, caractérisée en ce que la première fenêtre temporelle (Fi) et la troisième fenêtre temporelle (Fs) sont de même durée, correspondant à l’inverse de la fréquence prédéfinie (fo).
7, Méthode selon l’une quelconque des revendications 1 à 6, dans laquelle la génération de l’indicateur d’état (2) pour ledit patient donné (H) comprend le calcul d’une probabilité que ledit indicateur d’état (2) appartienne à une classe d’états prédéfinie (Ci, C2) à partir d’un estimateur Gaussien, des règles de Bayes et/ou d’une machine à vecteur de support.
8, Méthode selon l’une quelconque des revendications 1 à 7, dans laquelle la génération de l’indicateur d’état (2) pour ledit patient donné (H) comprend le calcul d’une probabilité que ledit indicateur d’état (2) appartienne à une classe d’états prédéfinie (Ci, C2) à partir de la méthode des k plus proches voisins.
9, Méthode selon l’une quelconque des revendications 1 à 8, dans laquelle l’étape de génération de l’indicateur d’état (2) pour ledit patient donné (H) comprend le calcul d’une probabilité que ledit indicateur d’état (2) appartienne à une classe d’états prédéfinie (Ci, C2) à partir du minimum entre les probabilités estimées à partir la méthode des k plus proches voisins, la méthode des k plus proches voisins pondérés, l’estimateur Gaussien, les règles de Bayes et/ou la machine à vecteur de support.
10. Méthode selon l’une quelconque des revendications 1 à 9, dans laquelle l’étape de génération d’au moins un indicateur d’état (2) pour ledit patient donné (H) comprend le calcul d’une probabilité que le premier indicateur d’état appartienne à une classe d’états prédéfinie (Ci , C2) à partir de la méthode des k plus proches voisins et le calcul d’une probabilité que le deuxième indicateur d’état appartienne à une classe d’états prédéfinie (Ci, C2) à partir de la méthode des k plus proches voisins pondérés.
11. Méthode selon l’une quelconque des revendications 7 à 10, dans laquelle la probabilité que le patient (H) appartienne à une classe d’états prédéfinie (Ci, C2) est estimée comme le minimum entre la probabilité calculée pour le premier indicateur à partir de la méthode des k plus proches voisins et la probabilité calculée pour le deuxième indicateur d’état à partir de la méthode des k plus proches voisins pondérés.
12. Méthode selon l’une quelconque des revendications 1 à 6, caractérisée en ce qu’elle comprend une étape de mesure d’une première distance (ds) entre ledit indicateur d’état (2) et un premier ensemble de points (ENSi) ayant des coordonnées représentées dans la même base de référence (BREF) et de mesure d’une deuxième distance (d2) entre ledit indicateur d’état (2) et un deuxième ensemble de points (ENS?.) ayant des coordonnées représentées dans la même base de référence (BREF).
13. Méthode selon l’une quelconque des revendications 1 à 6, caractérisée en ce qu’elle comprend une étape de comparaison de la première distance (di) et de la deuxième distance (d?).
14. Méthode selon l’une quelconque des revendications 1 à 9, caractérisée en ce que l’indicateur d’état (2) est associé à une probabilité calculée à partir d’un modèle de classification de probabilités ou une méthode de classification par apprentissage supervisé.
15. Méthode selon la revendication 14, caractérisée en ce que la classification comprend deux classes (Ci, C?). 16, Méthode selon l’une quelconque des revendication 1 à 15, dans laquelle les étapes sont répétées pour un deuxième patient (H2) et/ou tout autre patient (Hi) associé à un signal électroencéphalographique ou à des données enregistrées d’une base de données et comprennent en outre :
a. génération d’un graphique (GGR) pour une pluralité de coordonnées provenant d’une population de patients (Hi), dans laquelle chaque patient (Hi) est associé à des coordonnées [(Pi) ; ( e ) j· ;
b. identification (ID) d’au moins une région d’intérêt (RI) du graphique pour lequel un sous-ensemble de patients sélectionnés partage une même classe de la classification prédéfinie ;
c association d’une probabilité à l’une des classes de la classification pour chacune des régions d’intérêt (RI) identifiées ;
d génération (GPROB) d’une probabilité associée à l’indicateur d’état (2) du premier patient (H) sur la base des coordonnées [(Pi) ; ( P2)].
17, Méthode pour la constitution d’une base de référence pour l’évaluation d’une probabilité d’éveil d’un patient (H) dans le coma, ladite méthode comprenant : a génération d’un indicateur d’état (2) d’un nouveau patient (H) selon la méthode de lime quelconque des revendications 1 à 16 ; b enregistrement de l’ensemble de coordonnées dans une mémoire lesdites coordonnées étant associées à un indicateur d’état (2) dudit premier patient ;
c mise à jour d’un ensemble de données de référence de réveil (DRR) enregistrées dans une mémoire.
18, Dispositif de génération d’un indicateur d’état (2) d’un patient donné (H) dans le co a, comprenant ;
- un module de stimulation configuré pour générer au moins une stimulation auditive par la génération d’une séquence de stimuli auditifs (GSA), ladite séquence produisant des potentiels évoqués chez le patient donné (H) ; - un module d’acquisition configuré pour l’acquisition (ACQ) d’un premier signal électroencéphalographique (Si) produit par ledit patient donné (H) à partir d’au moins une électrode ;
- un module de calcul configuré pour l’estimation (EST) d’au moins un couple de valeurs correspondant à un premier paramètre (Pi ) et un deuxième paramètre ( 1¾) extraits du premier signal (Si) acquis, comprenant G estimation d’un premier couple de valeurs (Pi, P2) telle que le calcul du premier paramètre (Pi) comprend une estimation de la variance de l’amplitude du premier signai (Si) dans une fenêtre temporelle prédéfinie (Fl) et le calcul du deuxième paramètre (P2) comporte une estimation de la corrélation de deux segments du premier signai (Si) ;
- un module de génération configuré pour générer un indicateur d’état (2) pour le ou chaque couple de valeurs des premier et deuxième paramètres (Pi, P2), lesdites valeurs définissant des coordonnées (GCOOR) d’un point dans une base de référence (BREF).
19, Dispositif selon la revendication 18, dans lequel au moins une stimulation générée par le module de stimulation comprend au moins une séquence de stimuli auditifs (GSA) comportant au moins un motif périodique de fréquence prédéfinie (fo).
20. Dispositif selon la revendication 19, dans lequel le module de calcul est configuré pour calculer le premier paramètre (Pi) du premier couple de valeurs (Pi, P2) selon les étapes suivantes :
a. filtrage du premier signal acquis (Si) ;
b. segmentation du premier signal (Si) selon une première fenêtre temporelle (Fi, 1 s) afin de générer une pluralité d’époques synchronisées avec la fréquence prédéfinie (fo), lesdites époques étant moyennées sur la même fenêtre temporelle (Fi) ;
c. extraction d’une époque moyennée dans une deuxième fenêtre temporelle prédéfinie (F2, [20 ms-320 ms]), chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ; d. calcul de la variance (VA) en amplitude du signal moyenne sur la deuxième fenêtre prédéfinie (F2). , Dispositif selon l’une quelconque des revendications 18 à 20, dans lequel le module de calcul est configuré pour calculer le deuxième paramètre (P2) du premier couple de valeurs (P , P2) selon les étapes suivantes :
- sélection d’au moins un premier et un deuxième segment (SEGi, 8EG2) de signal à partir du signal électroencéphalographique acquis (Si), lesdits premier et deuxième segments (SEGJ , SEG2) ayant une même durée (Di) ;
- première segmentation du premier segment (SEGi) de signal sur une troisième fenêtre temporelle (Fs, 1 s) générant une pluralité d’époques de durée correspondant à la durée de la troisième fenêtre, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
- deuxième segmentation du deuxième segment (SEG2) de signal sur la troisième fenêtre temporelle (Fi, 1 s) générant une pluralité d’époques de durée correspondant à la durée de la troisième fenêtre, chacune desdites époques ayant une durée prédéfinie et étant synchronisée avec un stimulus d’au moins une séquence de stimuli auditifs ;
- génération d’ un premier signal (X(t)) résultant du moyennage des époques de la première segmentation et génération d’un deuxième signai (Y(t)) résultant du moyennage des époques de la deuxième segmentation ;
- génération du deuxième paramètre (P2) à partir du calcul de la corrélation temporelle (R(X,Y)) entre le premier signal moyen (X(t)) et le deuxième signal moyen (Y(t)j sur une quatrième fenêtre temporelle (F4, [20 ms- 320 ms]). , Dispositif selon l’une quelconque des revendications 18 à 21 , dans lequel le module de calcul est configuré pour l’estimation d’un deuxième couple de valeurs (P ;P2) extraits du premier signal (Si) acquis, telle que le calcul du premier paramètre (Pi) comprend une estimation du nombre d’extremimis locaux (NE) dans le premier signal (Si) dans une fenêtre temporelle prédéfinie (Fs) et le calcul du deuxième paramètre (P?.) comporte la somme des valeurs absolues des différences de valeur de potentiel du premier signal (Si) entre deux extremums locaux successifs dans une fenêtre temporelle prédéfinie (F5), permettant la génération d’un deuxième indicateur d’état défini par le deuxième couple de valeurs des premier et deuxième paramètres (Pi, P2). , Dispositif selon la revendication 21, dans lequel la première fenêtre temporelle (Fi) et la troisième fenêtre temporelle (F?) sont de même durée, correspondant à l’inverse de la fréquence prédéfinie (fo). , Dispositif selon l’une quelconque des revendications 18 à 23, dans lequel le module de génération est configuré pour générer l’indicateur d’état (2) pour ledit patient donné (H) à partir du calcul d’une probabilité que ledit indicateur d’état (2) appartienne à une classe d’états prédéfinie (Ci, C2) à partir d’un estimateur Gaussien, des règles de Bayes et/ou d’une machine à vecteur de support. , Dispositif selon l’une quelconque des revendications 18 à 24, dans lequel le module de génération est configuré pour générer l’indicateur d’état (2) pour ledit patient donné (H) à partir du calcul d’une probabilité que ledit indicateur d’état (2) appartienne à une classe d’états prédéfinie (Ci, C2) à partir de la méthode des k plus proches voisins. , Dispositif selon l’une quelconque des revendications 18 à 25, dans lequel le module de génération est configuré pour générer l’indicateur d’état (2) pour ledit patient donné (H) à partir du calcul d’une probabilité que ledit indicateur d’état (2) appartienne à une classe d’états prédéfinie (Ci, C2) à partir du minimum entre les probabilités estimées à partir la méthode des k plus proches voisins, la méthode des k plus proches voisins pondérés, l’estimateur Gaussien les règles de Bayes et/ou la machine à vecteur de support. , Dispositif selon I’une quelconque des revendications 18 à 26, dans lequel le module de génération est configuré pour générer l’indicateur d’état (2) pour ledit patient donné (H) à partir du calcul d’une probabilité que le premier indicateur d’état appartienne à une classe d’états prédéfinie (Ci, C2) à partir de la méthode des k plus proches voisins et le calcul d’une probabilité que le deuxième indicateur d’état appartienne à une classe d’états prédéfinie (Ci, C2) à partir de la méthode des k plus proches voisins pondérés.
28. Dispositif selon l’une quelconque des revendications 24 à 27, dans lequel la probabilité que le patient (H) appartienne à une classe d’états prédéfinie (Ci, C2) est estimée comme le minimum entre la probabilité calculée pour le premier indicateur à partir de la méthode des k plus proches voisins et la probabilité calculée pour le deuxième indicateur d’état à partir de la méthode des k plus proches voisins pondérés.
29. Dispositif selon l’une quelconque des revendications 18 à 23, dans lequel un module de calcul est configuré pour mesurer une première distance (di) entre ledit indicateur d’état (2) et un premier ensemble de points (ENSi) ayant des coordonnées représentées dans la même base de référence (BREF) et de mesure d’une deuxième distance (d2> entre ledit indicateur d’état (2) et un deuxième ensemble de points (ENS2) ayant des coordonnées représentées dans la même base de référence (BREF).
30. Dispositif selon l’une quelconque des revendications 18 à 23, dans lequel un module de calcul est configuré pour comparer la première distance (di) et la deuxième distance (d2).
31. Dispositif selon l’une quelconque des revendications 18 à 30, dans lequel l’indicateur d’état (2) est associé à une probabilité calculée à partir d’un modèle de classification de probabilités ou une méthode de classification par apprentissage supervisé.
32. Dispositif selon la revendication 31, dans lequel la classification comprend deux classes (Ci, C2).
33. Dispositif selon l’une quelconque des revendications 18 à 32, dans lequel un module de calcul est configuré pour répéter les étapes pour un deuxième patient (H2) et/ou tout autre patient (Hi) associé à un signal électroencéphalographique ou à des données enregistrées d’une base de données et implémenter en outre les étapes suivantes :
a. génération d’un graphique (GGR) pour une pluralité de coordonnées provenant d’une population de patients (Hi), dans laquelle chaque patient (Hi) est associé à des coordonnées [(Pi) ;( l32)]i ;
b. identification (ID) d’au moins une région d’intérêt (RI) du graphique pour lequel un sous-ensemble de patients sélectionnés partage une même classe de la classification prédéfinie ;
c. association d’une probabilité à l’une des classes de la classification pour chacune des régions d’intérêt (RI) identifiées ;
d. génération (GPROB) d’une probabilité associée à l’indicateur d’état (2) du premier patient (H) sur la base des coordonnées [(Pi) ;( P2)].
34. Système comportant un générateur de stimulations auditives émises avec une période prédéfinie pendant une durée prédéfinie et un ensemble d’électrodes (ELEC) pour mesurer une activité électrique cérébrale d’un patient (H), le système comprenant un dispositif selon l’une quelconque des revendications 18 à 33 pour la génération d’un indicateur d’état (2) dudit patient.
PCT/FR2019/050664 2018-03-22 2019-03-22 Méthode de génération d'un indicateur d'état d'une personne dans le coma WO2019180393A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP19719344.4A EP3768154A1 (fr) 2018-03-22 2019-03-22 Méthode de génération d'un indicateur d'état d'une personne dans le coma
US16/982,174 US20210022638A1 (en) 2018-03-22 2019-03-22 Method of generation of a state indicator of a person in coma

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1852473 2018-03-22
FR1852473A FR3079129B1 (fr) 2018-03-22 2018-03-22 Methode de generation d’un indicateur d’etat d’une personne dans le coma

Publications (1)

Publication Number Publication Date
WO2019180393A1 true WO2019180393A1 (fr) 2019-09-26

Family

ID=63683955

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2019/050664 WO2019180393A1 (fr) 2018-03-22 2019-03-22 Méthode de génération d'un indicateur d'état d'une personne dans le coma

Country Status (4)

Country Link
US (1) US20210022638A1 (fr)
EP (1) EP3768154A1 (fr)
FR (1) FR3079129B1 (fr)
WO (1) WO2019180393A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230178215A1 (en) * 2021-12-07 2023-06-08 Unitedhealth Group Incorporated Audio stimulus prediction machine learning models
CN117497150A (zh) * 2023-11-08 2024-02-02 首都医科大学附属北京天坛医院 一种症状检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100030096A1 (en) * 2006-07-12 2010-02-04 The University Of Queensland Method of acquiring a physiological response
US20120197153A1 (en) * 2006-05-11 2012-08-02 Nina Kraus Systems and methods for measuring complex auditory brainstem response

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6054054B2 (ja) * 1978-03-15 1985-11-28 旭メデイカル株式会社 人工腎臓透析状態検出装置
WO2005072459A2 (fr) * 2004-01-29 2005-08-11 Everest Biomedical Instruments Procede et appareil de codage de signaux de reponses evoquees

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120197153A1 (en) * 2006-05-11 2012-08-02 Nina Kraus Systems and methods for measuring complex auditory brainstem response
US20100030096A1 (en) * 2006-07-12 2010-02-04 The University Of Queensland Method of acquiring a physiological response

Also Published As

Publication number Publication date
FR3079129B1 (fr) 2023-06-30
FR3079129A1 (fr) 2019-09-27
EP3768154A1 (fr) 2021-01-27
US20210022638A1 (en) 2021-01-28

Similar Documents

Publication Publication Date Title
Karthikeyan et al. Detection of human stress using short-term ECG and HRV signals
JP6124140B2 (ja) 患者の認知機能の評価
Aydın et al. The impact of musical experience on neural sound encoding performance
Liyakat et al. Development of Machine Learning based Epileptic Seizureprediction using Web of Things (WoT)
US20200205712A1 (en) Assessment of risk for major depressive disorder from human electroencephalography using machine learned model
CN109589493A (zh) 一种基于经颅直流电刺激的注意力调控方法
WO2018153762A1 (fr) Procédé, dispositif et programme pour déterminer au moins un réseau cérébral impliqué dans une réalisation d&#39;un processus donné
US20210298687A1 (en) Systems and methods for processing retinal signal data and identifying conditions
WO2018217994A1 (fr) Technologie et procédés de détection du déclin cognitif
EP3768154A1 (fr) Méthode de génération d&#39;un indicateur d&#39;état d&#39;une personne dans le coma
Li et al. Driver distraction from the EEG perspective: A review
Gisler et al. Towards glaucoma detection using intraocular pressure monitoring
EP4031005B1 (fr) Système de détermination d&#39;une émotion d&#39;un utilisateur
FR3038509A1 (fr) Systeme et procede de caracterisation du sommeil d&#39;un individu
Nancy et al. A brain EEG classification system for the mild cognitive impairment analysis
Corsi Electroencephalography and Magnetoencephalography
Tiwari Physiological features for mental state monitoring in real life conditions
González Towards an Automated Portable Electroencephalography-based System for Alzheimer’s Disease Diagnosis
Zhu Neurophysiological Variations and Pattern Recognition in Food Decision-Making Process
Sopic Monitoring of Cardiovascular and Neurological Diseases Using Wearable Devices
Chesnaye Optimising objective detection methods for the auditory brainstem response
Grabenhorst et al. Neural correlates of temporal anticipation
Kshirsagar Diagnosis of Autism with EEG Analysis Using Discrete Wavelet Transform
Ghosh Hajra Brain vital signs: Towards next generation neurotechnologies for rapid brain function assessments at point-of-care
WO2024084391A1 (fr) Procédé de classification de données électroencéphalographiques à l&#39;aide de réseaux neuronaux artificiels

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: 19719344

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2019719344

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2019719344

Country of ref document: EP

Effective date: 20201022