Détection automatique et analyse des oscillations à haute fréquence en EEG-HD de surface

Scalp HD-EEG High Frequency Oscillations automatic detection and analysis

• Auteur / Autrice : Gaëlle Milon-Harnois
• Direction : Pierre Chauvet, Nisrine Jrad, Daniel Schang
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images, Neurosciences
• Date : Soutenance le 19/12/2023
• Etablissement(s) : Angers
• Ecole(s) doctorale(s) : École doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) - Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS
• Jury : Président / Présidente : Sophie Achard
• Jury : Examinateurs / Examinatrices : Christian Bénar, Anna Kaminska
• Jury : Rapporteurs / Rapporteuses : Sophie Achard, François Jouen

Mots clés

Mots clés contrôlés

Apprentissage automatique

Traitement du signal

Électroencéphalographie

Fréquences des oscillations

Épilepsie

Mots clés libres

Epilepsie

Electro-Encéphalogramme à Haute Densité (EEG- HD)

Oscillations à Hautes Fréquences (HFO)

Traitement du signal

Apprentissage automatique profond

Epilepsy

High-Density Electroencephalogram (HD-EEG)

High Frequency Oscillations (HFO)

Signal processing

Machine Learning (ML)

Deep Learning

Résumé

Un tiers des épileptiques ne voient pas d'amélioration avec les traitements actuels, poussant les médecins à envisager la chirurgie pour enlever la zone cérébrale générant les crises. Les Oscillations à Haute Fréquence (HFO) émergent comme biomarqueur pour localiser ces zones épileptogènes, mais leur détection est difficile en raison de leur rareté et de leur brièveté. En EEG de scalp la faible amplitude du signal complexifie la tâche. Cette thèse vise à automatiser la détection de HFO dans des signaux EEG-HD enregistrés à 1 KHz sur 256 électrodes chez 5 patients. Après marquage visuel des HFO, des modèles de classification entre HFO et bruit de fond ont été explorés. Les connaissances du traitement de signal ont été exploitées pour extraire des caractéristiques du domaine temporel ou fréquentiel. Les caractéristiques les plus pertinentes statistiquement ont été sélectionnées et soumises à des algorithmes supervisés classiques (Régression logistique, forêt aléatoire, MLP, gradient boosting). Ces méthodes ont été comparées à des algorithmes profonds (CNN, LSTM, Attention) générant automatiquement les caractéristiques du signal dans le domaine temporel 1D ou celles des cartes 2D temps fréquence. Tous les modèles montrent des résultats probants, les algorithmes profonds 1D étant plus efficaces avec une sensibilité de 91% et une spécificité de 87%, surpassant les détecteurs d’HFO de surface publiés. L’exécution des meilleurs modèles sur la totalité du signal pour détecter automatiquement les HFO a affiché des résultats prometteurs mais cette partie du travail reste à améliorer pour pallier la rareté des HFO dans les données. Plusieurs pistes de recherche sont proposées.

Conditions of a third of epileptics are not improved with current treatments, pushing doctors to consider surgery to remove the brain area generating seizures. High Frequency Oscillations (HFO) are emerging as a biomarker to localize these epileptogenic zones, but their detection is difficult due to their rarity and brevity. In scalp EEG the low amplitude of the signal complicates the task. This thesis aims to automate the detection of HFO in EEG-HD signals recorded at 1 KHz on 256 electrodes in 5 pediatric patients. After visual marking of HFO, classification models between HFO and background noise were explored. Signal processing knowledge has been exploited to extract features from time or frequency domain. The most statistically relevant features were selected and submitted to classic supervised algorithms (Logistic regression, random forest, MLP, gradient boosting). These methods were compared to deep algorithms (CNN, LSTM, Attention) automatically generating signal characteristics in the 1D time domain or those of 2D time-frequency maps. All models show convincing results, with the deep 1D algorithms being more efficient reaching 91% sensitivity and 87% specificity, outperforming previously published surface HFO detectors. Running the best models on the entire signal to automatically detect HFO showed promising results but this part of the work remains to be improved to overcome the HFO rarity in the data. Several lines of research are suggested.