Traitement des signaux d’électroencéphalogrammes à 256 capteurs chez l’enfant épileptique

Signal processing of electroencephalograms with 256 sensors in epileptic children

• Auteur / Autrice : Mohamad El Sayed Hussein Jomaa
• Direction : Anne Humeau, Patrick Van Bogaert
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance le 03/12/2019
• Etablissement(s) : Angers
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Equipe de recherche : Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS
• Jury : Président / Présidente : Régine Le Bouquin Jeannès
• Jury : Examinateurs / Examinatrices : Xavier de Tiège
• Jury : Rapporteurs / Rapporteuses : Christian Bénar, François Jouen

Mots clés

Mots clés contrôlés

Connectivité fonctionnelle

Neurostimulation

Entropie

Électroencéphalographie

Chez l'enfant

Épilepsie

Mots clés libres

Entropie

Épilepsie

Complexité

Électroencéphalographie

Information Mutuelle

Connectivité Fonctionnelle

Entropy

Epilepsy

Complexity

Electroencephalography

Mutual Information

Functional Connectivty

Résumé

Dans cette thèse, nous proposons des méthodes de traitement du signal et les appliquons à des signaux d’électro-encéphalographie (EEG) enregistrés chez des patients épileptiques. L’objectif est de pouvoir quantifier l’état du patient et d’étudier l’évolution du trouble neurologique au cours du temps. Les méthodes que nous avons développées sont basées sur des mesures d’entropie. Ainsi, nous introduisons la « multivariate Improved Weighted Multi-scale Permutation Entropy» (mvIWMPE) que nous appliquons à des signaux EEG d’enfants sains et épileptiques. Elle donne des résultats prometteurs. Nous proposons également une approche multivariée pour la « Sample Entropy». Les résultats montrent qu’elle permet de traiter correctement un plus grand nombre de canaux que la méthode existante. Nous présentons aussi une mesure de complexité temps-fréquence variable dans le temps, basée sur la « Singular Value Decomposition » et la « Rényi Entropy ». Ces mesures, appliquées sur l’EEG d’enfants épileptiques avant et 4-6 semaines après un traitement, conduisent à des résultats qui sont en accord avec le diagnostic clinique quant à l’évolution de la pathologie. La dernière partie de la thèse porte sur les mesures de connectivité fonctionnelle. Nous proposons une méthode de connectivité fonctionnelle basée sur la mvIWMPE et l’information mutuelle. Elle est appliquée sur des signaux EEG d’enfants sains au repos. A l’aide de mesures de réseau, nous pouvons identifier des régions cérébrales actives dans des réseaux précédemment découverts grâce à l’imagerie par résonance magnétique fonctionnelle. La méthode est également utilisée pour étudier les réseaux chez des enfants épileptiques.

In this thesis, our focus is to develop signal processing methods to be used on electroencephalography (EEG) signals recorded from epileptic patients. The aim of these methods is to be able to quantify the state of the patient with epilepsy and to study the progress of the neurological disorder over time. The methods we developed are based on entropy. From previous permutation entropy methods we introduce the multivariate Improved Weighted Multi-scale Permutation Entropy (mvIWMPE). This method is applied on EEG signals of both healthy and epileptic children and gives promising results. We also introduce a new multivariate approach for sample entropy and, when tested and compared with the existing multivariate approach, we find that the introduced approach is much betterin handling a larger numbers of channels. We also introduce a time-varying time frequency complexity measure based on Singular Value Decomposition and Rényi Entropy. These measures are applied on EEG of epileptic children before and after 4-6 weeks of treatment. The results come in correspondence with the clinical diagnosis from the hospital on whether the patients improve or not. The final part of the thesis focuses on functional connectivity measures. We introduce a new functional connectivity method based on mvIWMPE and Mutual Information. The method is applied on EEG signals of healthy children at rest. Using network measures, we are able to identify regions in the brain that are active in networks previously found using functional magnetic resonance imaging. The method is also used to study the networks of epileptic children at several points throughout the treatment.