Détection de réseaux et étude de la dynamique des connectivités fonctionnelles cérébrales en EEG couplée avec l'IRMf

Large-scale functional networks detection and study of dynamics of functional connectivity in EEG and fMRI

• Auteur / Autrice : Stéphane Sockeel
• Direction : Habib Benali
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance en 2012
• Etablissement(s) : Paris 6

Mots clés

Mots clés contrôlés

Analyse en composantes indépendantes

Engrammes

Électroencéphalographie

Résumé

L'objectif de cette thèse était de répondre aux deux problématiques suivantes : est-il possible de détecter des réseaux fonctionnels en électroencéphalographie (EEG) ? Que peut apporter l'EEG dans l'étude des dynamiques de connectivité ? Nous avons proposé une méthode originale, propre à l'EEG pour détecter des réseaux fonctionnels sous l'hypothèse communément admise que la puissance du signal EEG et le signal BOLD de l'imagerie par résonance magnétique fonctionnelle (IRMf) sont corrélés. L'originalité principale de cette méthode est l'utilisation d'une analyse en composantes indépendantes spatialement (ACIs). Cette méthode se décompose en six principales étapes : prétraitement de l'EEG, localisation des sources, calcul des puissances dans 5 bandes de fréquences, ACIs sur chaque sujet, étude de groupe, régression sur l'IRMf. Les points forts de la méthode sont une approche non supervisée, une analyse individuelle couplée à une étude de groupe, une analyse multifréquentielle dans la détection des réseaux. Cette méthode a été validée par comparaison avec l'IRMf lors d'une étude sur une population de sujet sain, au repos et durant des tâches motrices et visuelles. Les réseaux liés à ces tâches détectés en EEG et en IRMf se recouvrent : l'EEG et l'IRMf colportent une information similaire de réseaux fonctionnels. La dynamique des connectivités au sein des réseaux extraits a été étudiée via plusieurs mesures de connectivités. La précision temporelle de l'EEG permet d’évaluer finement les liens et le flux d'information entre les régions, notamment de manière fréquentielle. Cette étude fait apparaître quelques résultats intéressants, notamment la détection d'une trace mnésique.

The main goal of this work is answering this two questions: could electroencephalography (EEG) detect large-scale functional networks? What contribution could bring EEG in the study of dynamics of connectivity? We have developed an original method specifically for EEG to detect large-scale functional networks in the brain. We first assume that BOLD signal in fMRI is correlated with the power of EEG signal and then, we applied a spatial Independent Components Analysis (sICA). Our method can be divided in six steps : preprocessing of EEG data, sources localization, power computation in five frequency bands, sICA for each subject, hierarchical clustering (group analysis), stepwise regression with fMRI templates. The main advantages in regards of the other classic methods (seed-based methods, atlas, …) are: a fully data-driven method, use of individual sICA and a group analysis, multifrequency analysis. We validated our method with a comparison with a fMRI study on healthy subjects during resting states and visual tasks. The networks detected with EEG and fMRI overlap. Then, we have studied the dynamics of connectivity inside the extracted EEG networks using three connectivity measures. The temporal precision of EEG can evaluate connection and information flow between this regions and give us acces to a frequency scale similar to that of brain's rythmes. This study has provided some interesting and promising results, for example a memory trace after a visual task in the visual network