Localization of brain oscillatory sources from (S)EEG recordings

Localisation de sources oscillatoires cérébrales à partir d'enregistrements (S)EEG

• Auteur / Autrice : Viviana del Rocío Hernández Castañón
• Direction : Radu Ranta, Steven Le Cam
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance le 08/02/2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en automatique (Nancy)
• Jury : Président / Présidente : Théodore Papadopoulo
• Jury : Examinateurs / Examinatrices : Radu Ranta, Steven Le Cam, Bertrand Rivet, Régine Le Bouquin Jeannès, Valérie Louis-Dorr
• Jury : Rapporteur / Rapporteuse : Bertrand Rivet, Régine Le Bouquin Jeannès

Mots clés

Mots clés contrôlés

Problèmes inverses (équations différentielles)

Représentation parcimonieuse

Traitement du signal -- Techniques numériques

Analyse temps-fréquence

Perception des visages

Localisation cérébrale

Mots clés libres

Problème direct

Perception des visages

Sparsité

Localisation des sources

Problème inverse

Forward modeling

Face perception

Sparsity

Source localization

Inverse problem

Résumé

Nous avons abordé dans cette thèse le problème de la localisation des sources oscillatoires, dans le domaine temporel ou en fréquentiel, en considérant des enregistrements EEG et stéréo-EEG (SEEG). L'application visée est l'identification des structures cérébrales répondant aux protocoles de stimulation visuelle périodique rapide (FPVS). Ces protocoles induisent des activités cérébrales à la même fréquence que la stimulation (avec d'éventuelles harmoniques). Ces signaux sont généralement noyées dans le bruit, mais ils apparaissent clairement lors du passage en fréquentiel. Outre cette sparsité fréquentielle, l'une des principales hypothèses de travail est la sparsité spatiale : la solution reconstruite doit être parcimonieuse en termes de nombre de sources estimées, car peu de structures cérébrales sont supposées répondre aux protocoles. Après un chapitre introductif et une revue de la littérature, nous présentons nos contributions. Dans le chapitre 3, nous commençons par analyser les signaux réels des protocoles FPVS et justifions le modèle utilisé dans le reste de la thèse, à savoir un mélange de peu de sources dipolaires ayant une orientation fixe et un contenu fréquentiel très spécifique. Nous formalisons et analysons ensuite les difficultés particulières de la localisation dans le cas de ce type de sources. Nous mettons en avant le problème d'ambiguïté qui se pose lorsqu'on cherche à distinguer plusieurs sources oscillatoires partageant le même support fréquentiel et nous quantifions, en simulation, le risque d'obtenir des données équivalentes avec un nombre de sources moindre et donc le risque de leurrer les algorithmes de localisation de sources favorisant la sparsité. Dans les chapitres suivants, nous avons évalué les performances des algorithmes parcimonieux de localisation de sources, dans deux situations : pour un modèle de tête défini par une matrice lead-field avec une orientation fixe connue (e.g., , dipôles orthogonaux à la surface du cerveau - chapitre 4) ou avec une orientation inconnue, qui doit être estimée pendant le processus d'inversion (chapitre 5). Nous avons proposé, pour chaque modèle de lead-field, deux algorithmes de régression itérative (OLS et SBR) que nous avons comparés aux méthodes MUSIC itératives connues pour favoriser la sparsité. Si dans le 4ème chapitre, les deux algorithmes proposés sont facilement adaptables à la localisation (chaque colonne de la matrice lead-field correspond à un élément du dictionnaire de régression), les algorithmes proposés dans le 5ème chapitre sont originaux. Ils mettent en œuvre une régression itérative sur un dictionnaire de matrices 3D (pour chaque position les orientations sont libres) sous la contrainte d'une orientation fixe. Dans les deux chapitres, nous analysons les performances de ces algorithmes et illustrons leurs avantages et inconvénients par rapport aux approches de type MUSIC en utilisant différentes configurations de simulation, avec des niveaux de sparsité (en espace et en fréquence) et de bruit variables. Deux versions de chaque algorithme ont été évaluées, en temporel et en fréquentiel. Les résultats montrent que, dans des configurations “sparse” (peu de sources et/ou peu de fréquences), les nouveaux algorithmes proposés sont plus performants que RAP et TRAP MUSIC, surtout lorsqu'ils sont appliqués dans le domaine fréquentiel, tandis qu'en temporel et dans des configurations moins contraintes, (T)RAP-MUSIC reste plus performant, sauf pour des niveaux de bruit élevés. Nous présentons également, principalement à des fins d'illustration, des résultats de localisation sur des données FPVS réelles, à la fois en EEG et SEEG. Bien que nous ne puissions pas valider ces résultats en l'absence d'une vérité terrain ou d'une base de données plus importante, nous pouvons noter qu'ils sont cohérents avec les connaissances neuroscientifiques sur les régions impliquées dans les protocoles FPVS cognitifs utilisés.

We have addressed in this thesis the problem of oscillatory source localization both in time and frequency domains, by considering EEG as well as Stereo-EEG (SEEG) recordings. The targeted application is the identification of brain structures responding to Fast Periodic Visual Stimulation (FPVS) protocols. These protocols induce brain source activities responding at the same frequency as the stimulation (with possible harmonics). These sources have low amplitudes in time and they are usually buried in noise, but they appear clearly when transforming the data in the frequency domain. Moreover, along with this frequency sparsity, one of the main working hypothesis is the spatial sparsity: the reconstructed solution should be sparse in terms of number of estimated sources, as few brain structures are assumed to respond to the protocols. After an introductory chapter and the literature review, we structure our contributions as follows. In chapter 3, we start by analyzing real signals recorded during FPVS protocols and justify the model used further in this thesis, ie a mixture of few dipolar sources having a fixed orientation and very specific frequency contents. We next formalize and analyze the particular difficulties of source localization in the case of this type of sources. We put forward the ambiguity problem arising when trying to distinguish between several oscillatory sources sharing the same frequency support and we quantified, in simulation, the risk of obtaining equivalent data with a far less number of sources, and thus the risk of luring sparsity promoting source localization algorithms. In the next chapters, we evaluated in simulation and on real data the performances of sparse source localization algorithms, in two situations: for a head model defined by a lead-field matrix with fixed known orientation (eg, dipoles orthogonal to the brain surface - chapter 4) or with unknown orientation, that has to be estimated during the inversion process (chapter 5). We have proposed, for each lead-field model, two step-wise regression algorithms (OLS and SBR) that we compared against iterative MUSIC methods known to promote sparsity. If in the 4th chapter, the two proposed algorithms are easily adapted to source localization (each column of the lead-field matrix correspond to an element in the regression dictionary), the algorithms proposed in the 5th chapter are original. They implement a step-wise regression on a dictionary of 3D matrices (for each position the orientations are free) under the constraint of fixed orientation. In both chapters, we analyze the performances of these algorithms and illustrate their advantages and drawbacks when compared to MUSIC-like approaches using different simulation setups, with varying sparsity (in space and frequency) and noise levels. Two versions of each algorithm were evaluated, in time and in frequency domains. The results show that, in sparse situations, the newly proposed algorithms outperform RAP and TRAP MUSIC, especially when applied in frequency domain, while in time domain and less sparse setups, MUSIC performs better, except for high noise levels. We also present, mainly for illustrative purposes, source localization results on real FPVS data, both in EEG and SEEG. While we cannot validate these results in the absence of a ground truth or a larger database, we can note that they are coherent with the neuroscientific knowledge about the regions involved in the used cognitive FPVS protocols.