Électroencéphalographie et machines à vecteurs de support dans le diagnostic différentiel des pathologies neuropsychiatriques : état des lieux, enjeux et applications

Electroencephalography and support vector machines in the differential diagnosis of neuropsychiatric pathologies : overview, challenges and applications

• Auteur / Autrice : Coralie Joucla
• Direction : Emmanuel Haffen, Damien Gabriel, Juan-Pablo Ortega
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 07/12/2020
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Environnements, Santé (Dijon ; Besançon ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de neurosciences : intégratives et cliniques (Besançon) - Laboratoire de Neurosciences Intégratives et Cliniques
• Partenaire(s) de recherche : Site de préparation : Université de Franche-Comté (1971-....)
• Jury : Président / Présidente : Carmen Schröder
• Jury : Examinateurs / Examinatrices : Emmanuel Haffen, Damien Gabriel, Juan-Pablo Ortega, Carmen Schröder, Séverine Samson, Eric Fakra, Fabien Perrin
• Jury : Rapporteurs / Rapporteuses : Séverine Samson, Eric Fakra

Mots clés

Mots clés contrôlés

Maladies

Neuropsychiatrie

Coma

Dépression

Musique (loisirs)

Alzheimer, Maladie d'

Électroencéphalographie

Machines à vecteurs de support

Mots clés libres

SVM

EEG

Musique

Alzheimer

Dépression

Coma

Music

Résumé

Les difficultés diagnostiques sont fréquentes dans les disciplines neurologiques et psychiatriques, où les cliniciens manquent de marqueurs physiologiques pour caractériser certaines maladies, en particulier dans leurs formes débutantes. Depuis quelques années, le recours à l'électroencéphalographie et plus spécifiquement haute résolution (EEG-HR) devient plus courant dans l'exploration clinique des pathologies cérébrales, telles que la dépression, le coma ou les maladies neurodégénératives comme la maladie d'Alzheimer. L'activité cérébrale est aisément enregistrée avec l’EEG, et l'identification de cette activité permet d'isoler les zones du cerveau et le décours temporel déclenché par des stimuli spécifiques. L’analyse du signal EEG, et donc son traitement, reste relativement complexe en raison d’un faible rapport signal sur bruit. Dans les études conventionnelles, ces problèmes sont surmontés en faisant la moyenne d'un grand nombre d'essais chez des individus différents. Toutefois, ces méthodes sont difficiles à transposer à une approche clinique où un seul sujet doit être examiné, du fait d’une forte variabilité inter-individuelle. Ce constat appelle le développement d'approches plus robustes pour pallier un rapport signal sur bruit extrêmement défavorable. Les méthodes d'apprentissage automatique, en particulier les Machines à Vecteurs de Support (SVM) ont la capacité de distinguer des événements EEG qui sont difficilement, voire non distinguables, avec les techniques conventionnelles. Elles offrent dès lors la possibilité de passer de résultats statistiques au niveau du groupe à un résultat personnalisé et par conséquent à un diagnostic donné. Nous proposons dans ce travail de thèse une exploration de la meilleure façon d'extraire les informations pertinentes des enregistrements EEG. Dans un premier temps, nous présentons une revue systématique de la littérature concernant l’application du SVM à l’EEG. Nous mettons en évidence la nécessité d’explorer l’ensemble des paramètres du SVM et d’extraction des caractéristiques du signal pour une performance optimale et reproductible. Nous établissons ensuite si les neuromarqueurs de l'apprentissage de nouvelles chansons sont affectés ou non par l'appréciation musicale via une analyse de groupe, dans le cadre du diagnostic différentiel dépression et maladie d’Alzheimer. Puis nous appliquons le SVM à nos données pour construire des modèles de classification individuels, et nous étudions l’influence de l’optimisation des hyperparamètres. Enfin, nous examinons la fiabilité d’un algorithme génétique pour optimiser l’extraction des caractéristiques avant une classification SVM, pour le diagnostic différentiel des états de conscience pathologiques.

Diagnostic difficulties are common in neurological and psychiatric disciplines, where clinicians lack physiological markers to characterise some diseases, especially in their early forms. In recent years, the use of electroencephalography and more specifically high resolution (EEG-HR) has become more common in the clinical exploration of brain pathologies such as depression, coma or neurodegenerative diseases such as Alzheimer's disease. Brain activity is easily recorded with the EEG, and the identification of this activity makes it possible to single out areas of the brain and the time course triggered by specific stimuli. The analysis of the EEG signal, and therefore its processing, remains relatively complex due to a low signal-to-noise ratio. In conventional studies, these problems are overcome by averaging a large number of trials in different individuals. However, these methods are difficult to transpose to a clinical approach where only one subject has to be examined, due to a high inter-individual variability. This observation calls for the development of more robust approaches to overcome an extremely unfavourable signal-to-noise ratio. Machine learning methods, in particular Support Vector Machines (SVMs), have the ability to distinguish EEG events that are difficult or even impossible to distinguish with conventional techniques. They thus offer the possibility to go from statistical results at group level to a personalised result and consequently to a given diagnosis. In this thesis work we propose an exploration of how best to extract relevant information from EEG recordings. As a preliminary step, we present a systematic review of the literature regarding the application of SVM to the EEG. We highlight the necessity to explore the full range of SVM parameters and to extract signal characteristics for optimal and reproducible performance. We then establish whether the neuromarkers of new song learning are affected or not by music liking through group analysis, as part of the differential diagnosis of depression and Alzheimer's disease. We then apply SVM to our data to construct individual classification models, and we study the influence of hyperparameters optimisation. Finally, we examine the reliability of a genetic algorithm to optimise feature extraction prior to SVM classification, for the differential diagnosis of pathological states of consciousness.