Caractérisation temporelle, spectrale et non-linéaire des signaux EEG du cycle veille-sommeil dans la narcolepsie, l'hypersomnie idiopathique et les parasomnies du sommeil lent

Temporal, spectral and nonlinear characterization of sleep-wake cycle states in narcolepsy, idiopathic hypersomnia and slow-wave sleep parasomnias

• Auteur / Autrice : Xiaoxi Ren
• Direction : Sofiane Ramdani, Yves Dauvilliers
• Type : Projet de thèse
• Discipline(s) : SYAM - Systèmes Automatiques et Micro-Électroniques
• Date : Inscription en doctorat le 01/12/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, de Robotique et de Micro-électronique de Montpellier
• Partenaire(s) de recherche : Equipe de recherche : Département Robotique

Mots clés

Mots clés libres

Neurosciences

Traitement du signal

Apprentissage automatique

Analyse non-linéaire

Sommeil

Narcolepsie

Neuroscience

Signal processing

Machine Learning

Nonlinear analysis

Sleep

Narcolepsy

Résumé

Le sommeil est un état physiologique indispensable à la vie, présent chez tous les organismes vivant disposant d'un réseau neuronal et glial. Les troubles du sommeil sont fréquents et diverses, pouvant affecter un quart de la population générale adulte. Ces différentes troubles du sommeil ont un impact sur le fonctionnement diurne et la qualité de vie [1]. Nous nous intéresserons plus particulièrement à trois pathologies primaires du sommeil : narcolepsie [2,3], hypersomnie idiopathique [4,5], parasomnie [6,7]. Un outil puissant pour étudier l'activité cérébrale lors du cycle veille sommeil est l'électroencéphalographie (EEG) qui permet d'enregistrer l'activité électrique synchronisée des neurones corticaux. Les oscillations des signaux EEG peuvent révéler différents niveaux d'organisation et leurs fréquences sont associées à des états physiologiques. Dans le cadre du sommeil, l'EEG joue un rôle majeur dans la distinction du sommeil lent et paradoxal, du fait de leur régime oscillatoire très différent. Pour ce projet, nous prévoyons d'enregistrer les signaux EEG en haute densité, c'est-à-dire avec de nombreuses électrodes, afin de comparer les activités localement de chaque zone du cerveau et de mettre aussi en évidence les interactions entre les différents réseaux neuronaux, quantifiés par des corrélations ou des mesures de causalité. Les méthodes classiques d'exploration des signaux EEG sont essentiellement basées sur des estimations de densité spectrale de puissance et sont donc linéaires par nature. Cependant, des approches plus récentes qui s'appuient sur les théories des systèmes dynamiques non-linéaires et de l'information ont montré leur intérêt et leur capacité à fournir de nouvelles mesures sensibles et discriminantes [8-10]. Ces méthodes dites d'analyse non-linéaire [11] sont particulièrement adaptés à l'exploration de l'activité des neurones dont le comportement dynamique non-linéaire est clairement établi. Dans le cadre de ce projet de thèse, nous envisageons d'exploiter des mesures non-linéaires (appelées aussi mesures de complexité) de façon complémentaire aux caractéristiques fréquentielles pour définir des signatures plus complètes des signaux EEG expérimentaux. En particulier, nous nous focaliserons sur des mesures de récurrence pour lesquelles nous avons déjà obtenu des résultats sur les plans méthodologique et computationnel, notamment dans le domaine des signaux EEG [12,13]. Les caractéristiques ainsi obtenues pourront alimenter les algorithmes d'apprentissage machine pour améliorer les performances en termes de classification ou de prédiction. Le projet s'articule autour de trois différents axes. Un premier volet consistera à caractériser la cataplexie, symptôme de la narcolepsie, chez l'homme et son lien (et ses différences) avec le sommeil paradoxal, avec qui elle est souvent assimilée. Les analyses viseront à étudier d'une part le système nerveux autonome durant les stades du sommeil et la cataplexie, et d'autre part à identifier des marqueurs électroencéphalographiques de la cataplexie. Une seconde étude se concentrera sur l'hypersomnie idiopathique et l'organisation du sommeil lent profond ainsi que l'inertie du réveil en incluant des données EEG en haute densité (EEG 128 canaux). Enfin, le troisième axe sera consacré à la collecte des données en haute densité dans les parasomnies du sommeil lent profond, comme le somnambulisme afin de préciser les structures endormies et éveillées pendant ces épisodes moteurs dissociés.

Sleep is a physiological state essential to life, present in all living organisms with a neuronal and glial network. Sleep disorders are frequent and diverse, affecting up to a quarter of the general adult population. These various sleep disorders have an impact on daytime functioning and quality of life [1]. We focus on three primary sleep disorders: narcolepsy [2,3], idiopathic hypersomnia [4,5] and parasomnia [6,7]. A powerful tool for studying brain activity during the sleep-wake cycle is electroencephalography (EEG), which records the synchronized electrical activity of cortical neurons. The oscillations of EEG signals can reveal different levels of organization, and their frequencies are associated with physiological states. In the context of sleep, EEG plays a major role in distinguishing between slow-wave and REM sleep, due to their very different oscillatory regimes. For this project, we plan to record EEG signals at high density, i.e. with numerous electrodes, in order to compare activities locally in each brain area and also to highlight interactions between different neural networks, quantified by correlations or causality measures. Classical methods for exploring EEG signals are essentially based on power spectral density estimates and are therefore linear in nature. However, more recent approaches based on theories of nonlinear dynamical systems and information have demonstrated their interest and ability to provide new, sensitive and discriminating measurements [8-10]. These so-called nonlinear analysis methods [11] are particularly well suited to exploring the activity of neurons whose nonlinear dynamic behavior has been clearly established. In this thesis project, we plan to exploit non-linear measures (also known as complexity measures) in a complementary way to frequency characteristics to define more complete signatures of experimental EEG signals. In particular, we will focus on recurrence measures for which we have already obtained methodological and computational results, notably in the field of EEG signals [12,13]. The features thus obtained can be fed into machine learning algorithms to improve performance in terms of classification or prediction. The project has three main focuses. The first is to characterize cataplexy, a symptom of narcolepsy, in humans, and how it relates to (and differs from) REM sleep, with which it is often equated. Analyses will aim to study the autonomic nervous system during sleep stages and cataplexy, and to identify electroencephalographic markers of cataplexy. A second study will focus on idiopathic hypersomnia and the organization of deep slow-wave sleep and waking inertia, including high-density EEG data (128-channel EEG). Finally, the third axis will be devoted to the collection of high-density data in deep slow-wave sleep parasomnias, such as sleepwalking, in order to specify which structures are asleep and awake during these dissociated motor episodes.