Apport des méthodes statistiques et déterministes à la réduction d'artefacts et de bruits dans les signaux EEG épileptiques
Institution:
Rennes 1Disciplines:
Directors:
Abstract EN:
The electroencephalogram signals are essential for the diagnosis of epilepsy. However, EEG signals are affected by myogenic activities resulting from the head’s muscle contractions. The muscle artifacts are characterized by high amplitude, broad spectral distribution and variable topographical distribution. Our goal is to compare the performance of the most well known methods, dedicated to the elimination of muscular artifacts affecting EEG signals : Independent Component Analysis (ICA), Canonical Correlation Analysis (CCA), Empirical Mode Decomposition (EMD) and the Wavelet Transform (WT). EEG signals with interictal and ictal activities have been generated by a physiological realistic model and they have been artificially affected by different levels of real myogenic activities. The first step was to compare 10 different algorithms of ICA in estimating both the Normalized Mean Square Error (NMSE) and computational complexity. The efficiency of the CCA, CoM2, and InfoMax for correcting muscle artifacts was then evaluated by estimating the EQMN. In addition, each of these approaches has been tested on real EEG data containing epileptic spikes and ictal activities to assess their usefulness in a clinical purpose. The results obtained from the simulations have shown that lnfoMax and CoM2 offer the best performance among the 10 ICA algorithms. Regarding the interictal signals, the results obtained from the simulations and real data have shown that the performance of EMD exceeded those of the other algorithms. Regarding the ictal signals, the results showed that the BSS methods are the best choice for denoising this type of signal. The results presented in the thesis have highlighted the importance of denoising the EEG signals as preprocessing step and suggest that the performance of methods for correcting muscle artifact depends greatly on the level of noise of data and the configuration of the underlying epileptic sources of the EEG.
Abstract FR:
Les signaux électroencéphalographiques (EEG) sont indispensables pour le diagnostic de l'épilepsie. La perturbation de ces signaux induite par l'activité myogénique est très difficile à corriger, puisque ces artefacts se caractérisent par une forte amplitude, une large distribution spectrale et une distribution topographique variable. Notre objectif consiste à comparer la performance des différentes méthodes, parmi les plus connues, dédiées a l'élimination des artefacts musculaires affectant les signaux EEG: deux approches stochastiques de Séparation Aveugle de Sources (SAS), l'AnaIyse en Composantes Indépendantes (ICA) et l'analyse de Corrélation Canonique (CCA) et deux approches déterministes à savoir la Décomposition en Mode Empirique (EMD) et la transformée en ondelettes (TOD). Une première étape a consisté à comparer 10 algorithmes différents d'lCA en estimant à la fois l'EQMN et la complexité numérique. En ce qui concerne les signaux EEG présentant des activités intercritiques l'efficacité de la CCA, CoM2, TOD et l'EMD pour la correction des artefacts musculaires a été évaluée d'une part en calculant l'Erreur Quadratique Moyenne Normalisée (EQMN) et d'autre part en comparant les résultats de la localisation des sources après traitement. En ce qui concerne les signaux EEG critiques, l'efficacité de la CCA, CoM2, et InfoMax pour la correction des artefacts musculaires ont été évaluée en calculant FEQMN. Les résultats obtenus à partir des simulations ont montré qu'InfoMax et CoMZ offrent la meilleure performance parmi les 10 algorithmes d'ICA. En ce qui concerne les signaux intercritiques, les résultats obtenus grâce aux simulations et les données réelles ont montré que la performance des EMD a dépassé celles des autres algorithmes. En ce qui concerne les signaux critiques, les résultats ont montré que les méthodes de SAS sont le meilleur choix pour le débruitage de ce type de signal. Ces résultats ont mis en évidence l'importance de débruitage des signaux EEG comme étape de prétraitement.