Approches d'apprentissage en profondeur pour la détection des troubles neurologiques basée sur l'analyse de l'activité cérébrale

Deep learning approaches for neurological disorders detection based on brain activity analysis

• Auteur / Autrice : Asma Baghdadi
• Direction : Patrick Siarry, Mohamed Adel Alimi
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Automatique
• Date : Soutenance le 09/12/2021
• Etablissement(s) : Paris Est en cotutelle avec Université de Sfax (Tunisie)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Images, Signaux et Systèmes Intelligents (Créteil) - Laboratoire Images- Signaux et Systèmes Intelligents / LISSI
• Jury : Président / Présidente : Ahmed Ben Hamida
• Jury : Examinateurs / Examinatrices : Patrick Siarry, Mohamed Adel Alimi, Laetitia Jourdan, Mohamed Hédi Bedoui, Su Ruan, Yassine Aribi
• Jury : Rapporteurs / Rapporteuses : Laetitia Jourdan, Mohamed Hédi Bedoui

Mots clés

Mots clés contrôlés

Apprentissage profond

Réseaux neuronaux graphiques

Automatisation

Électroencéphalographie

Mots clés libres

Apprentissage en profondeur

Eeg

Troubles neurologiques

Classification des crises

Prédiction des crises

Détection de l'anxiété

Anxiety detection

Eeg

Deep learning

Seizure classifictaion

Seizure prediction

Explainability

Résumé

L’électroencéphalographie est une technique d’enregistrement des signaux électriques du cerveau. Cet outil est intensivement utilisé dans le service de neurologie et de psychiatrie. L’analyse de l’activité cérébrale est une étape critique, qui apporte des informations sur les états émotionnel, mental et neurologique d’un patient.Un état d’anxiété légère ou sévère altère l’activité cérébrale d’un individu. Les changements qui peuvent se manifester lors d’un état d’anxiété sont détectables par l’analyse de l’activité cérébrale. C’est aussi le cas pour le diagnostic de l’épilepsie, qui repose essentiellement sur l’électroencéphalogramme, qui aide les neurologues à diagnostiquer l’épilepsie et appliquer le traitement adéquat. Plusieurs recherches ont montré l’efficacité les signaux EEG à refléter les changements émotionnels, mentaux et les problèmes neurologiques.La lecture des enregistrements EEG par l’expert du domaine est considérée comme un processus chronophage et fastidieux. L’automatisation de ce processus dans le but de détecter un état mental ou une maladie est de haute importance pour les neurologues. Les systèmes de reconnaissance intelligente, basée sur l’analyse de l’activité cérébrale, peuvent servir ainsi, pour les patients à domicile, à surveiller leur état, afin de se contrôler et d’avoir des préventions utiles.Nous avons suivi l’approche typique utilisée en neuroscience pour le diagnostic des troubles cérébraux reposant sur les signaux EEG. La première étape est la collecte des données physiologiques à l’aide d’un casque EEG, suivie par le prétraitement. L’étape d’extraction des caractéristiques est appliquée après le prétraitement. Cependant, les données sont modélisées afin d’en extraire les informations pertinentes. Les caractéristiques les plus puissantes sont sélectionnées pour passer à l’étape de classification.Etant donnée la nature des signaux EEG, qui sont réellement des séries temporelles, l’utilisation d’un réseau de neurones récurrents semble la manière la plus adéquate pour gérer ces signaux. Dans ce travail, trois contributions sont proposées, afin d’extraire une meilleure représentation des séries temporelles (pré-traitées et brutes) et de les classifier. Tout au long de ce travail, nous avons accentué la richesse des signaux EEG bruts, l’importance des méthodes d’apprentissage profond et l’importance de l’analyse des résultats, pour fournir aux médecins des modèles interprétables et affermir leur confiance en cette technologie. Tout concept lié à la détection du niveau d’anxiété, à la classification des types de crises ou bien à la prédiction des crises a été évoqué. En fait, la diversité des techniques de décomposition, d’apprentissage de caractéristiques et le domaine d’application rendent assez difficile notre contribution utilisant une nouvelle approche. De plus, la comparaison avec les travaux existants n’est pas aisée, vu que, dans chaque travail, un contexte bien défini a été considéré comme type d’expérimentation : modèle pour chaque participant ou modèle pour tous les participants, nombre de participants fixé, durée de l’expérimentation, nombre d’électrodes, et sélection des caractéristiques.Puisque l’extraction manuelle des caractéristiques est chronophage et nécessite un expert du domaine pour trouver la technique la plus convenable, l’apprentissage en profondeur a été proposé essentiellement pour faire l’apprentissage automatique des caractéristiques par le réseau de neurones. Dans les trois contributions, nous proposons une architecture basée sur l’apprentissage profond, suivi d’une étape d’interprétabilité du modèle créé. L’interprétabilité des résultats valorise le travail et donne des explications radicales aux médecins concernant le comportement caché du modèle. Pour comparer les techniques, nous avons aussi implémenté des méthodes basées sur l’extraction manuelle des caractéristiques.

Electroencephalography is considered as the first step in the diagnosis of epilepsy. It is also employed for anxiety disorders. In order to respect the clinical process of neurological disorders diagnosis, EEG recorders are considered as the single modality in this thesis. The three major contribution of this dissertation are based on the intelligent analysis of the brain activity aiming to concept a computational model for recognition, detection and prediction. Multi-channel EEG signals are gathered using neuro-headset or neuro-caps including a set of sensors. The recorded brain activity is used by real-time application in many fields.In this thesis, we explore the theoretical basis, models, algorithms, and experimental validation of some models conceptualized for Health-related AI applications. The main contributions are as follows.During our first contribution, a modernistic approach to anxiety stimulation following a face-to-face psychological incitement was presented. We constructed a dataset comprising EEG data that we gathered during the trial. We then presented insights in order to analyze acquired data demonstrating the efficiency of the pursued approach. The strategy showed success in inciting anxiety levels, which were then validated by HAM-A Test Scores, calculated before and after the test.A varied series of emotion recognition features based on EEG signals, in particular anxiety and stress, are reviewed and applied.In the second contribution, an automated seizure classification system is proposed aiming to assist clinical professionals in diagnosing the disease, reducing time and potentially improves accuracy and reliability. This paper proposes a novel Region-wise attention-based LSTM model and demonstrates the capability of the attention layer and the calculated weights related to the channels contribution enhancing the classification performances. As such, the model and results are more explainable showing correlations between neurological interpretation by an expert and the reading of the Heatmaps of deduced outputs of our model.Along with the second contribution, we further enhance the feature learning by introducing the ConvLSTM neural Network to demonstrate its capabilities in learning spatio-temporal information. Also we have implemented a LSTM model for the learning of temporal dependencies in order to show the improvement achieved by the novel Spatio-temporal ConvLSTM model.The leading purpose of this contribution is designing deep learning models for patient-independent epileptic seizure prediction. Said models can be utilized in situations where subjects in the dataset have fewer classified examples (EEG recordings). We noticed that this is a common case in Intensive Care Unit monitoring scenarios where an acceptable number of samples cannot be obtained to train a prediction model.