Copie Finale1

Rpublique Tunisienne Ministre de lEnseignement Suprieur, et de la Recherche Scientifique
Ecole Doctorale Sciences et Technologies Mmoire de MASTERE
Universit de Sfax cole Nationale dIngnieurs de Sfax
Mastre lectronique
N dordre: 200? ??nn
MEMOIRE
Prsente
Lcole Nationale dIngnieurs de Sfax

En vue de lobtention du
MASTERE
Dans la discipline Electronique
Par
Tarek LAJNEF
(Matrise en instrumentation et techniques de communications)
Dtection de lpilepsie par EEG

(Implmentation et comparaison de trois mthodes de dtection)
Soutenu le 28 septembre 2010, devant le jury compos de :
M. M. M. Mme.
Mohamed BEN MASAOUD (Matre de confrence) Mounir SAMET (Professeur) Abedennaceur KACHOURI (Matre de confrence) Lamia BEN MANSOUR (Assistante CHU Hedi chaker Sfax)
Prsident Membre Encadreur Invite
Ddicaces
Remerciements
Ce travail a t effectu au sein de laboratoire dlectronique et des technologies de linformation (LETI) lcole nationale dingnieurs de Sfax (ENIS). Mes sincres remerciements sadressent M.Abdennaceur Kachouri matre de confrences lInstitut Suprieur des Systmes Industriels (ISIG) pour son encadrement efficace, pour lintrt quil a manifest ce travail et pour ses prcieux conseils quil na cess de maccorder Mes remerciements sadressent aussi M. Samet Mounir professeur lENIS et M. Ben Masoud Mohamed matre de confrences lENIS pour lhonneur quils mont accord en acceptant de juger mon travail Je tiens aussi remercier Mme. Ben Mansour Lamia assistante lhpital universitaire Hedi Cheker pour son aide prcieux dans llaboration de ce rapport. Mes remerciements vont galement tous les enseignants qui ont particip ma formation et tous le corps administratif de lENIS.
Sommaire
Introduction gnrale.................................................................................................................. 9 Chapitre I :Contexte mdical sur lpilepsie & Llectroencphalographie ............................ 11 1. 2. Introduction ................................................................................................................... 12 Lpilepsie ..................................................................................................................... 12 2.1. Historique et antiquits .......................................................................................... 12 2.2. Dfinition ............................................................................................................... 13 2.2.1. Crise pileptique ............................................................................................. 13 2.2.2. Epilepsie ......................................................................................................... 13 2.2.3. Classification des pilepsies ........................................................................... 14 2.3. Traitement .............................................................................................................. 15 2.4. Les mthodes dinvestigation ................................................................................ 16 2.4.1. Les donnes cliniques ..................................................................................... 16 2.4.2. Imagerie crbrale .......................................................................................... 16 2.4.3. Les donnes lctrophysiologiques ................................................................ 16 2.4.3.1. Electro-gense crbrale ............................................................................. 16 2.4.3.2. Mesure de lactivit neuronale : .................................................................. 17 a. Mthodes invasives......................................................................................... 18 b. Mthodes semi invasives ................................................................................ 18 c. Mthodes de surface ....................................................................................... 18 3. LElectro-encphalographie .......................................................................................... 18 3.1. Principe de fonctionnement: .................................................................................. 18 3.2. Instrumentation et montage de lEEG.................................................................... 19 3.3. Les rythmes de lEEG ............................................................................................ 20 3.4. Trac EEG normal ................................................................................................. 21 3.5. Trac EEG pileptique ........................................................................................... 22 3.5.1. les activits pr critique ...................................................................................... 22 3.5.2. Les activits pileptiformes ................................................................................ 24 3.5.2.1. Pointe (Spike) ................................................................................................. 25 3.5.2.2. Onde pointue (sharp wave) ............................................................................. 25 3.5.2.3. Onde lente (slow wave) .................................................................................. 25 3.5.2.4. Quelques arrangements pileptiformes .......................................................... 26 4. Conclusion ..................................................................................................................... 27
Chapitre II :Traitement de signal pour la dtection de lpilepsie .......................................... 28 1. 2. 3. Introduction ................................................................................................................... 29 Performances des algorithmes ....................................................................................... 29 Diffrentes mthodes de dtection de lpilepsie .......................................................... 29 3.1. Mthodes de dtection dans le domaine temporel ................................................. 30 3.2. Mthodes de dtection dans le domaine frquentiel .............................................. 31
Mthodes de dtection dans le domaine temps frquence .................................. 32 Mthodes de dtection par rseaux de neurones artificiels .................................... 33 Mthodes de dtection non linaire ....................................................................... 34 3.5.1. LEntropie approche.................................................................................. 34 3.6. Mthodes de dtection par morphologie mathmatique ........................................ 35 3.6.1. Oprateurs morphologiques ............................................................................ 36 3.6.2. Oprations morphologiques ............................................................................ 37 3.6.3. Filtrage morphologique .................................................................................. 40 4. Conclusion ..................................................................................................................... 41 Chapitre III :Implmentation des algorithmes et rsultats ....................................................... 42 Introduction ................................................................................................................... 43 Base de donnes ............................................................................................................ 43 dtection de lpilepsie par Entropie Approche et Ondelette Discrte........................ 45 3.1. Algorithme ............................................................................................................. 46 3.2. Rsultats ................................................................................................................. 47 4. Dtection des pointes pileptiques en utilisant le filtrage morphologique.................... 52 4.1. Algorithme et rsultats ........................................................................................... 52 4.1.1. Procdure doptimisation ................................................................................ 53 4.1.2. oprations morphologiques............................................................................. 57 4.1.3. limination de lactivit du fond ..................................................................... 58 4.1.4. Seuillage ......................................................................................................... 60 5. Dtection dpilepsie en utilisant lerreur dnergie des filtres prdiction linaire ... 63 5.1. Mthode ................................................................................................................. 64 5.2. Rsultats ................................................................................................................. 65 5.2.1. Filtrage prdictif ............................................................................................. 65 5.2.2. Calcul dnergie derreur et seuillage ............................................................. 67 6. Conclusion ..................................................................................................................... 71 Conclusion gnrale ................................................................................................................. 73 Rfrences bibliographiques .................................................................................................... 75 1. 2. 3.
3.3. 3.4. 3.5.
Liste des figures

Figure 1: le premier EEG enregistr par Hans Berger en 1929 ............................................... 13 Figure 2: section coronale des zones dun cerveau affect par une crise focale (a) et gnralise(b) .................................................................................................................... 15 Figure 3 : a) Schma dun neurone pyramidal b) schma dun neurone en toile .................. 17 Figure 4: montages rfrentiels ................................................................................................ 20 Figure 5: montage bipolaire ..................................................................................................... 20 Figure 6: rythmes du l'EEG ...................................................................................................... 21 Figure 7: trac d'un EEG normal [Vel 08]. .............................................................................. 22 Figure 8: Dcharge rythmique Thta lors dun dpart de crise [Cap 06] ................................. 23 Figure 9: Dcharge Delta lors dun dpart de crise [Cap 06]................................................... 23 Figure 10: Aplatissement de lactivit pileptique [Cap 06].................................................... 24 Figure 11: diffrents types des activits et complexe pileptiforme; ....................................... 26 Figure 12: la procdure de dcomposition DWT 3 niveaux.................................................. 33 Figure 13: translation dun ensemble A par un ensemble b (Ab) ............................................. 36 Figure 14: addition de Minkowski ........................................................................................... 36 Figure 15: soustraction de Minkowski ..................................................................................... 37 Figure 16 : la dilatation morphologique ................................................................................... 38 Figure 17: L'rosion morphologique ........................................................................................ 38 Figure 18: l'ouverture morphologique ...................................................................................... 39 Figure 19: l'opration de fermeture morphologique ................................................................. 40 Figure 20: Extrait d'une enregistrement EEG quelques secondes avant la crise ...................... 44 Figure 21: Extrait de l'enregistrement EEG pendant une crise ................................................ 44 Figure 22: Extrait d'un segment EEG post critique (aprs une crise) ...................................... 45 Figure 23: organigramme de la mthode de dtection de lpilepsie par DWT et lentropie approche .......................................................................................................................... 46 Figure 24: Dcomposition DWT 3 niveaux .......................................................................... 47 Figure 25: dcomposition en ondelettes d'un segment EEG normal ........................................ 48 Figure 26: dcomposition en ondelettes d'un segment EEG pileptique ................................. 48 Figure 27: valeurs de entropies approches pour les diffrents dtails et approximations ...... 50 Figure 28: les valeurs des entropies approches des enregistrement normaux ........................ 51 Figure 29: Les valeurs des entropies approches d'un EEG pileptique ................................. 51 Figure 30:organigramme de l'algorithme de dtection des pointes par filtre morphologique . 53 Figure 31: procdure d'optimisation des lments structurants ............................................... 54 Figure 32: procdure de calcul du facteur d'optimisation K .................................................... 56 Figure 33: Courbes des lments structurants .......................................................................... 57 Figure 34: traitement d'un segment EEG pileptique par les oprations morphologiques,(a) : EGG brut, (b) : opration douverture fermeture, (c) opration de fermeture ouverture, (d) opration de la moyenne Maw .......................................................................................... 58 Figure 35: filtrage morphologique d'un segment EEG d'un sujet saint .................................... 59
Figure 36: filtrage morphologique d'un segment EEG (lectrode P4) pendant une crise ........ 59 Figure 37: filtrage morphologique d'un segment EEG pileptique (lectrode f7) pendant une crise ................................................................................................................................... 60 Figure 38: application des diffrents types de seuillages utiliss dans la dtection des pointes pour un enregistrement EEG saint .................................................................................... 61 Figure 39: application des diffrents types de seuillages utiliss dans la dtection des pointes pour un enregistrement EEG pileptique avant la crise .................................................... 61 Figure 40: application des diffrents types de seuillages utiliss dans la dtection des pointes pour un enregistrement EEG pileptique pendant une crise ............................................. 62 Figure 41: dtection de crise pileptique par filtre prdiction linaire .................................. 64 Figure 42: entres et sortie du filtre prdictif, a) le segment EEG normal d'entre, b) le signal estim c) l'erreur de prdiction .......................................................................................... 66 Figure 43: entres et sortie du filtre prdictif, a) le segment EEG pileptique d'entre, b) le signal estim c) l'erreur de prdiction ............................................................................... 66 Figure 44: valeurs des nergies de l'erreur de prdiction pour un enregistrement normal....... 67 Figure 45: valeurs des nergies de l'erreur de prdiction pour un enregistrement pileptique (lectrode place dans la zone pileptogne) .................................................................... 68 Figure 46: valeurs des nergies de l'erreur de prdiction pour un enregistrement pileptique (lectrode place hors la zone piliptogne) ..................................................................... 68 Figure 47: les valeurs des nergie d'erreur pour les diffrentes lectrodes .............................. 69
Liste des tableaux

Tableau 1: valeur des entropies approches pour les diffrents cfficients de dtail et d'approximation................................................................................................................. 49 Tableau 2: taux de segments correctement classifis ............................................................... 50 Tableau 3: calcul de sensibilit et de prcision de l'algorithme de H.Oack ............................. 52 Tableau 4 : les valeurs des paramtres doptimisation des lments structurants ................... 55 Tableau 5 : les variables de calcul de performence pour les diffrents seuils.......................... 62 Tableau 6: calcul de sensibilit et la prcision pour les diffrents seuils ................................. 62 Tableau 7 : calul de performances de la mthode de prdiction linaire ................................. 70 Tableau 8 : tableau comparatif des diffrentes mthodes implmentes ................................. 71
Introduction gnrale
Tarek LAJNEF
Introduction gnrale
Lpilepsie est une affection chronique du cerveau qui touche de 2 5% [FFR 09] de la population mondiale. Elle peut tre dfinie par une succession des crises rcurrentes qui sont la manifestation physique des dcharges lectriques excessives et soudaines, gnralement brves et rptitives, gnres par une population de neurones. Ces dcharges peuvent avoir lieu dans diffrentes parties du cerveau. Les crises peuvent varier en intensit mais galement en localisation et en volume, une crise pileptique peut avoir plusieurs manifestations des brves pertes dattention (absence) ou des petites secousses musculaires, ou mme conduisent des convulsions svres et prolonges. Parmi les mthodes dinvestigation, visant dterminer lorigine et ltendue de ces dcharges, celles fournissant des donnes physiologiques sont essentielles, parmi lesquelles llectroencphalographie (EEG de surface), la stroencphalographie (SEEG ou EEG intracrbral) et la magntoencphalographie (MEG) sont les plus utilises. LEEG compar aux autres techniques dinvestigation, prsente deux avantages certains : sa mise en place aise car elle passe par lutilisation dlectrodes non invasives et donc non- traumatisante pour les patients. Et sa capacit de fournir des informations en temps rel et avec une trs bonne rsolution temporelle, de lordre de la milliseconde. Une crise pileptique se manifeste dans lEEG par des activits transitoires dites activits pileptiques qui sont principalement les pointes, les ondes pointues et les ondes lentes ainsi que quelques arrangements entre ces formes. Se caractrisant chacune par une amplitude et dure prcise Cette technique prsente toutefois un inconvnient majeur car les signaux sont extrmement perturbs par diffrents types dactivits extra-crbrales (oculaires, musculaires, cardiaques, etc.), appeles artfacts, et par du bruit, appel bruit de fond. Ces activits extra crbrales ont parfois une trs grande amplitude et noient lactivit pileptique relle. Le travail prsent dans cette mmoire sinscrit dans laide au diagnostic neurologique, plus prcisment pour le diagnostic de lpilepsie en cherchant implmenter des mthodes de filtrage et dtection des activits pileptiques dans lEEG. La recherche dimplmentation des mthodes de dtection de lpilepsie dans l EEG tait introduite par Gotman et Gloor en 1976, et depuis, plusieurs mthodes ont taient
Introduction gnrale
Tarek LAJNEF
implmentes en se basant sur plusieurs caractristiques des activits pileptiques (frquences, dures, morphologie, entropie...). Dans ce travail nous avons implment trois mthodes de dtection de lpilepsie par EEG appartenant chacune une famille spcifique. Le prsent rapport est divis en trois chapitres. Une rapide description de lpilepsie, savoir sa dfinition, sa classification et les traitements possibles, est donne dans la premire partie du premier chapitre. Sa deuxime partie est consacre la prsentation de llectrncphalographie ainsi que les diffrentes manifestation de lpilepsie dans lEEG de surface. Dans le deuxime chapitre nous prciserons le besoin aux algorithmes de dtection automatique de lpilepsie surtout pour les enregistrements EEG grandes dures. Par la suite, une brve description des diffrentes familles des mthodes de dtection de lpilepsie est donne. Les thories relatives lanalyse par ondelettes et le calcul des entropies approches ainsi que du filtrage morphologique sont un peu dveloppes puisque nous allons implmenter des mthodes de dtection qui se basent sur ces thories. Dans le troisime chapitre nous dtaillons le fonctionnement de trois mthodes de dtection que nous avons implmentes ainsi que les rsultats fournis. La premire mthode se base sur le traitement par ondelette discrte (DWT) et de traitement non linaire en utilisant lentropie approche (ApEn). La deuxime mthode se base sur le filtrage morphologique des enregistrements EEG. La troisime mthode utilise les filtres prdiction linaire et lnergie de lerreur de prdiction. Une comparaison entre les diffrentes mthodes implmentes est par la suite tablie. Nous avons fini par conclure que la dtection automatique de lpilepsie souffre toujours du bruitage des EEG due aux artfacts, ces mthodes peuvent par contre aider les mdecins localiser les segments qui prsentent une activit anormale dans les enregistrements EEG longue dure.
10
Chapitre I :
Contexte mdical sur lpilepsie & Llectroencphalographie
Gnralits et contexte mdical
Tarek LAJNEF
1. Introduction Lpilepsie rsulte dun dysfonctionnement gnralis ou localis d une dcharge lectrique anormale du systme nerveux central, caractris par une rptition de crises de dure variable au cours desquels les signes cliniques extriorises par le patient dpendent des structures crbrales impliques. Lpilepsie peut tre dorigine gntique ou lsionnelle. Cette maladie affecte de 2 5% de la population mondiale [FFR 09], dans ce premier chapitre nous prsentons une description de lpilepsie (dfinition, classification, traitement) et de llectrncphalographie (EEG) et ses activits pileptiques. 2. Lpilepsie 2.1. Historique et antiquits
Le mot pilepsie est driv du mot grec, epilpsis ou epilpsia qui signifie : action de saisir, de mettre la main sur quelque chose, attaque, interception, arrt soudain . Il tire son origine du grec ancien : (epilambanein) qui signifie criser ou attaquer . Le premier vrai trait mdical sur l'pilepsie est attribu Hippocrate (environ 400 ans avant J.C) dans son ouvrage intitul De la Maladie sacre ; aprs lui, ont crit sur l'pilepsie plusieurs auteurs grecs dont Galien et Arte de Cappadoce, puis des latins dont Celse et Caelius Aurelianus. Il a toutefois fallu attendre le XIXeme sicle avec lapparition de la neurologie comme une discipline medicale a part entire pour que lpilepsie ne soit plus considre comme une possession de lesprit mais comme une maladie. Les travaux de John Hughlings Jackson (1825-1911) ont permis de faire des avances majeures sur la comprhension de lpilepsie. Il fut le premier mettre lhypothese que lpilepsie est une dcharge soudaine, temporaire et excessive de cellules instables dune partie de la substance grise du cerveau (Jackson, 1873). Dans les annes 1920, le neurologue allemand Hans Berger (1873-1941) a mis au point llectroencphalogramme (EEG) qui permet denregistrer lactivit lectrique du cerveau grce a des lectrodes positionnes sur le scalp (Fig. 1.1)(Berger, 1929). Grace a lEEG, lhypothse de Jackson a pu tre confirme et des progrs importants sur la comprhension et la classification des pilepsies ont t ralises. Depuis, la neuro-imagerie sest dveloppe avec lapparition de la tomodensitomtrie, de limagerie par rsonance magntique puis de la tomographie par mission de positons. La prsentation des ces technologie serait plus dtaille ultrieurement dans ce chapitre.
12
Tarek LAJNEF
Figure 1: le premier EEG enregistr par Hans Berger en 1929
La recherche fondamentale joue actuellement un rle majeur dans la recherche sur lpilepsie, particulirement avec la neurochimie et la gntique qui cherchent lucider les origines et le fonctionnement de lpilepsie pour lesquels beaucoup de zones dombre persistent. 2.2. 2.2.1. Dfinition Crise pileptique
Selon la Ligue Internationale Contre lEpilepsie (ILAE) et le Bureau International pour lEpilepsie (IBE) une crise pileptique [ILAE 05] est la survenue transitoire de signes et/ou symptmes dus une activit neuronale anormale excessive ou synchrone dans le cerveau . Selon la rgion crbrale affecte, la crise peut avoir des manifestations cliniques trs diffrentes : contractions toniques, secousses cloniques, absences, troubles sensitifs, sensoriels ou psychiques. Une crise dpilepsie nest pas toujours accompagne dune perte de connaissance. 2.2.2. Epilepsie
Selon la mme source lpilepsie est une atteinte crbrale caractrise par une prdisposition persistante la production de crises pileptiques, et par les consquences neurobiologiques, cognitives, psychologiques et sociales de cet tat. La dfinition de lpilepsie ncessite la survenue dau moins une crise pileptique. [ILAE 05] selon cette dfinition, lpilepsie est donc, la rptition chez un mme sujet, de plusieurs crises
13
Tarek LAJNEF
dpilepsie spontanes. Lpilepsie est dite active si le patient a eu au moins une crise au cours des cinq dernires annes. 2.2.3. Classification des pilepsies
Selon la Classification internationale des crises dpilepsies (1981) [ILAE 81], il existe trois classes essentielles dpilepsie : Les crises partielles ou focales : Elles n'affectent que certaines parties du corps et reprsentent 60% au moins des pileptiques. Initialement, la dcharge paroxystique intresse un secteur limit du cortex crbral. Une grande varit de signes cliniques peut tre dcrite en fonction de la rgion du cortex crbral mise en jeu. Les crises partielles peuvent se traduire par des troubles moteurs, des troubles sensoriels et sensitifs, des troubles de la mmoire ou de la conscience. Crises inclassables : Les crises qui ne peuvent pas tre classes par manque dinformations cliniques (en particulier les crises nocturnes) sont dites inclassables. Les crises gnralises : La dcharge paroxystique intresse les deux hmisphres crbraux. Diffrents types des crises gnralises peuvent tre rencontrs : Les absences Les absences atypiques Les myoclonies Les crises cloniques Les crises toniques Les crises tonico-cloniques. Les crises atoniques
14
Tarek LAJNEF
(a)
(b)
Figure 2: section coronale des zones dun cerveau affect par une crise focale (a) et gnralise(b)
Une deuxime classification t mise en 1989 qui se repose sur deux axes permettant de caractriser les pilepsies. [ILAE 81] Un axe symptomatologique dpend de la localisation et donc des symptmes cliniques observs. Il permet de distinguer les pilepsies gnralises, les pilepsies focales et les pilepsies inclassables. Un axe thiopathogenique dpend de lorigine de lpilepsie. Il est alors possible de distinguer les pilepsies idiopathiques, symptomatiques et crypto gniques. 2.3. Traitement
Le traitement de lpilepsie se fait sur deux tapes : La premire consiste utiliser des molcules antipileptiques leur mcanisme tend stabiliser la membrane cellulaire pour rduire le nombre de potentiels daction rpts en rponse une excitation et pour viter lhyper synchronisation. Pour certains malades (25% des personnes pileptiques) ce traitement pharmaceutique nest pas satisfaisant, dans ce cas une chirurgie fut ncessaire. Lintervention chirurgicale agit directement sur une zone appele foyer pileptogne qui correspond un volume cortical dont lexrse permet la suppression des crises.
15
Tarek LAJNEF
2.4. Les mthodes dinvestigation Linvestigation de lpilepsie se fait par une batterie de tests comportent essentiellement Les donnes anamnestiques Les donnes cliniques Les donnes lctrophysiologiques Imagerie crbrale
2.4.1. Les donnes cliniques Lhistorique du patient : le neurologue essaie, en interrogeant le patient et son entourage, de prendre une ide sur lorigine de lpilepsie (ge dapparition des premiers symptmes, chutes, traumatismes crniens, antcdents familiaux, etc...), La smiologie dune crise type : Le patient et son entourage tentent de dcrire le droulement des crises, La manire dont se droulent les crises permet dans bien des cas de donner une approximation de la localisation du foyer pileptogne, Lexamen neuropsychologique : examen neurologique, somatique complet, tude des fonctions suprieures du patient tels que le langage, la mmoire, les aptitudes visio-spatiales 2.4.2. Imagerie crbrale Ces donnes permettent de mettre en vidence lexistence ou non des zones crbraux endommags et par la suite limiter la zone lsionnelle responsable la gnration des crises. Plusieurs type dimagerie sont utiliss telles que la tomodensitomtrie crbrale ou au mieux limagerie par Rsonance Magntique (IRM), ou IRM fonctionnelle (IRMF) .ces techniques ont une bonne rsolution spatiale permettant ainsi de bien dtecter les zones 2.4.3. Les donnes lctrophysiologiques 2.4.3.1. Electro-gense crbrale
Les donnes lctrophysiologiques sont des signaux lectriques crbraux galement appels signaux lectro-encphalographie (EEG). Ces signaux sont recueillis la surface du scalp, ils rsultent en fait de lactivation simultane dun trs grand nombre de neurone. En fait, le
16
Tarek LAJNEF
systme nerveux humain comporte deux types de neurone qui se distinguent par leur arborisation dendrite : les neurones pyramidaux et les neurones en toile (Figure 3). Quand un neurone est excit ou inhib, il se comporte comme un diple et produit un champ lectromagntique qui dpend de son architecture. En effet, les signaux EEG sont issue des neurones pyramidaux puisque le champ cre par ces neurones est plus important que celui produit par les neurones en toile. Pour quune activit lectrique suffisante soit visible sur le scalp il faut plusieurs centaines de millions de neurones synchroniss (107 109). Il faut de plus que toutes les cellules soient disposes paralllement entre elles et perpendiculairement la surface du cortex pour que leur activit se somme. Ainsi la surface corticale minimale pour quun potentiel soit visible a t estime 6cm2. [Jer 06]
Figure 3 : a) Schma dun neurone pyramidal b) schma dun neurone en toile
2.4.3.2.
Mesure de lactivit neuronale :
Plusieurs mthodes peuvent tre utilises pour mesurer le champ lectrique produit par les neurones, on les distingue par lemplacement des lectrodes en trois groupes : Mthodes invasives Mthodes semi invasive Mthodes de surface
17
Tarek LAJNEF
a. Mthodes invasives La mthode denregistrement des signaux EEG invasive la plus courante est la StroElectroEncphaloSraphie (SEEG). Elle a t dveloppe en France par Bancaud et Talairach la fin des annes 50. Le principal intrt de la SEEG, est de recueillir lactivit lectrique des neurones directement au contact des gnrateurs, ce qui permet denregistrer des signaux de trs faible intensit et extrmement ponctuels. La SEEG mesure donc lactivit pileptique de faon trs focale et donne des renseignements sur la profondeur de la zone pileptogne. Les enregistrements SEEG ont de plus lavantage de ne pas tre perturbs par la plupart des activits de surface [Cap 06] b. Mthodes semi invasives La technique dexploration la plus rpandue est lElectroCorticoGraphie (ECoG) est plus utilise dans les pays anglo saxons, son principe est de placer directement sur le cortex une grille contenant une matrice de capteurs, aprs louverture dune surface de quelques Cm2 sur le cerveau. Cette technique permet de minimiser les artefacts osseux et musculaire qui peuvent changer lEEG [Cap 06]. c. Mthodes de surface Dans les mthodes de mesure des signaux lectriques crbrale de surface il existe deux principales techniques : llectro-encphalographie de surface classique (EEG), dont on dtaillera plus dans la section suivante, et la Magntoencphalographie (MEG). Cette dernire, dcouverte par David Cohen en 1968, se base sur la loi de Bio-Savart qui indique qu chaque courant lmentaire produit par lactivit des cellules nerveuses est associ un champ magntique perpendiculaire. La MEG donc permet de mesurer au scalp, les variations du champ magntique global, somme des champs produit par tous les courants. Lavantage principal de cette technique est quelle produit une meilleure localisation du foyer pileptogne par rapport aux EEG. Cette technique nest pas encore trs rpandue pour des problmes de cots excessifs. Elle ne remplace donc pas la technologie EEG mais est plutt utilise comme un complment diagnostic dans certains cas difficiles [Cap 06]. 3. LElectro-encphalographie 3.1. Principe de fonctionnement: Comme nous lavons signal prcdemment, le premier lectroencphalogramme a t recueilli chez lhomme est celui de Hans Berger en 1929. LEEG consiste mesurer lactivit
Dtection de lpilepsie par EEG 18
Tarek LAJNEF
lectrique du cerveau en recueillant des diffrences de potentiels lectriques entre les lectrodes places la surface du crne. Vue la faiblesse du signal lectrique produit par les neurones, il est ncessaire d'amplifier le potentiel lectrique mesur la surface du cuir chevelu cest pour cette raison quune chane damplification de gain trs lev est associe cet examen. 3.2. Instrumentation et montage de lEEG
Les lectrodes EEG peuvent tre directement colles sur le scalp ou juste poses laide dun bonnet pouvant accueillir communment 32 lectrodes en routine clinique et jusqu' 256 lectrodes en EEG haute rsolution. De la pte conductrice est utilise pour assurer une bonne conduction du signal lectrique entre le cuir chevelu et les lectrodes. Les signaux enregistres sont ensuite amplifies et convertis en signaux numriques pour tre stockes et visualises sur un ordinateur. Dans la nomenclature standard utilise en clinique, chaque lectrode est repre laide dune lettre correspondant au lobe ou a laire crbrale associe (Fp : frontopolaire, F : frontal, C : central, T : temporal, P : parital, O : occipital) et dun chiffre (pair pour lhmisphre droite, impair pour lhmisphre gauche). Le chiffre pour les lectrodes situes sur la ligne mdiane est remplace par la lettre z . La visualisation du signal EEG peut tre effectue de deux faons diffrentes : en affichant la diffrence de potentiel entre une lectrode active et une lectrode neutre (montages rfrentiels) ou entre deux lectrodes actives (montages bipolaires) (Figure4). Les deux montages bipolaires les plus couramment utilises sont les montages longitudinaux et transversaux. (Figure5) [Reb 10] Alors que les premiers systmes dessinaient en temps rel le trace EEG sur une feuille selon un montage prdtermin, lenregistrement des signaux sous forme numrique permet aujourdhui de modifier aprs lacquisition le montage et de raliser de nombreux traitements sur le signal enregistre.
19
Tarek LAJNEF
(a)
Figure 4: montages rfrentiels
(b)
(a) Montage rfrence moyenne (b) montage rfrence extracrbrale
(a)
Figure 5: montage bipolaire (a) montage longitudinal (b) montage trasversal
(b)
3.3.
Les rythmes de lEEG
LEEG peut tre dcomposer par transforme rapide de Fourrier en une multitude de sinusodes, chacune ayant ses propres frquence et amplitudes. La frquence de ces ondes est exprime en Hertz (Hz), et peut tre divise en 5 bandes de frquences comprises entre 0.5 et 40 Hz: [Vel 08] Delta (<4 Hz) : Londe delta reprsente les plus petites frquences, infrieures quatre Hertz, et les plus fortes amplitudes. Cette onde caractrise la phase du sommeil profond, ou parfois linconscience
20
Tarek LAJNEF
Thta (3.5 - 7.5Hz) : Londe thta reprsente les lentes activits, elle dsigne alors la phase entre le sommeil et le rveil. Sa prsence pour les enfants jusqu' lge de treize ans parait tre normale mais pour les adultes veills justifie une absence
Alpha (7.5 - 13Hz) : Londe alpha est le rythme majeur dun adulte normal relax, veill ; laugmentation de lalpha se fait soit en fermant les yeux, et avec une longue respiration ou durant le sommeil paradoxal.
Bta (suprieure 14 Hz) : Londe bta illustre une activit rapide, cest ainsi quelle est la dominante pour les personnes qui vcut en un tat danxieusement Londe gamma (24-40 Hz) Pour les frquences suprieures 24 Hz, gnralement d'environ 40 Hz. Elles ont t rcemment impliques dans les processus de penser et de concentration
Figure 6: rythmes du l'EEG (a) rythme delta, (b) rythme thta (c) rythme alpha (d) rythme bta (e) rythme gamma
3.4.
Trac EEG normal
Laspect de lEEG normal est domin, chez un sujet veill au repos, les yeux ferms, par une activit de frquence de 8-12 Hz. Cest le rythme alpha, prdominant au niveau des lectrodes occipitales et disparaissant lorsque le sujet ouvre les yeux. Lorsque le sujet est engag dans une tache cognitive, le rythme alpha disparat et fait place une activit peu ample, peu synchronise et plus rapide : le rythme bta.(figure 7)
21
Tarek LAJNEF
Figure 7: trac d'un EEG normal [Vel 08].
Le problme majeur associ lEEG est sa sensibilit leve vis--vis les bruits (artefacts, louverture, la fermeture des yeux, veil, sommeil.). 3.5. Trac EEG pileptique
Pour identifier lpilepsie dans les enregistrements EEG, deux mthodes peuvent tre utilises. La premire consiste chercher la prsence de quelques activits anormales nommes activits pr critiques (quelques secondes avant la crise). La deuxime mthode fait la distinction entre les activs pileptiques et lactivit du fond. 3.5.1. les activits pr critique Pour dcrire le dpart dune crise, trois types dactivits, dites pr critique, peuvent tre dfinies : La dcharge rythmique Thta (figure 8) : elle est trs facilement reconnaissable par son activit rythmique gnralement dassez grande amplitude par rapport lactivit de fond. Elle se situe dans la bande de frquence Thta, mais sa frquence principale est gnralement situe autour de 5-6 Hz.
22
Tarek LAJNEF
Figure 8: Dcharge rythmique Thta lors dun dpart de crise [Cap 06]
On remarque dans cette figure une activit plus ample sur les lectrodes temporelles (les lectrodes T4, T6, FT10). Cette activit peut ainsi nous renseigner sur la localisation de la zone piliptogne. Une activit lente Delta (figure 9) : elle peut se retrouver en dbut de crise et est un marqueur assez distinctif dune activit pileptique. Ce type de dcharge se retrouve presque systmatiquement en fin de crise, lorsque lactivit se ralentit. Contrairement la dcharge Thta, dont la dure nexcde que rarement 20-30s, cette activit peut se prolonger plusieurs minutes en fin de crise.
Figure 9: Dcharge Delta lors dun dpart de crise [Cap 06]
23
Tarek LAJNEF
Un aplatissement (figure 10) : il est souvent le premier signe visible en surface de lactivit pileptique. Il est toutefois le plus controvers et ambigu des indicateurs utiliss par les neurologues. Sa dfinition est : "une diminution damplitude de lactivit de fond dont la dure est suffisamment longue."
Figure 10: Aplatissement de lactivit pileptique [Cap 06]
On note une diminution remarquable de lamplitude du signal EEG qui dure environ 5s (entre 619s et 623s) elle est plus remarquable sur quelques lectrodes dites occipito-paritles (les lectrodes O1, P3, P9) 3.5.2. Les activits pileptiformes Les travaux des diffrentes commissions de spcialistes entre 1960 et 1974 a permis de dterminer un glossaire de thermologies relative lanalyse des lectroencphalogrammes. En effet, la premire dfinition mise en 1961 est celle de londe comme tant la composante fondamentale des EEG, a wave is any single transient change of potential diffrence in the EEG [Jing 09]. Dans le contexte de lpilepsie on a du dfinir la notion de lactivit du fond background activity et les activits pileptiformes epileptiform activity . Lactivit du fond est dfinie comme tant celle qui spare deux priodes dactivit pileptiforme quon admit visuellement distinguable par rapport lactivit du fond. Une activit pileptiforme est constitue selon ces dfinitions de trois ondes lmentaires [Nav 09]
24
Tarek LAJNEF
Pointe Onde pointue Onde lente
Quelques complexes entre ces activits sont dits pileptiformes, ces complexes varient selon le type de lpilepsie et varie mme dun expert un autre. 3.5.2.1. Pointe (Spike)
Elle traduit une brve et importante dcharge des cellules nerveuses. Elle est caractris par un sommet pointu est une dure de 20 70 msec. Son voltage est lev (100 microvolts o plus) et il est indispensable, pour que l'on puisse parler de vritables pointes, qu'ils soient de 50 % au moins suprieur celui du rythme de base. Si cette condition n'est pas ralise mais que la figure observe se dtache nettement du rythme de fonds, elle doit tre appele petite pointe , car la morphologie est, ici, aussi importante que le voltage [Jing 09]. Morphologiquement, la pointe se compose de trois segments rpartis autour de la ligne de base : le premier ascendant, le deuxime redescendant brutalement aprs avoir dessin un angle aigu et traversant la ligne de base, le troisime remontant vers la ligne de base et la dpassant nouveau aprs un nouvel angle aigu. Ce mouvement peut-tre inverse, c'est--dire commencer par un segment descendant. [Reb 10] 3.5.2.2. Onde pointue (sharp wave) Elle est similaire une pointe sauf quelle dure entre 70 et 200 ms. Le seuil de sparation entre pointe et onde pointue est arbitraire selon les auteurs du glossaire. [Jing 09]. 3.5.2.3. Onde lente (slow wave) Ces altrations ont une dure plus longue que les pointes (entre 250 ms et 1 s) et, par consquent, une morphologie diffrente. Leur dbut est en gnral le mme que celui des pointes pour les deux premiers segments, mais le retour du troisime vers la ligne de base se fait beaucoup plus lentement. Cela leur donne un aspect asymtrique d'o leur nom d'ondes front raide . Elles peuvent, comme les pointes rapides, survenir de faon pseudo-rythmique ou mme rythmique. Une onde lente nest juge pileptique que si elle accompagne une pointe ou une onde pointu. [Reb 10]
25
Tarek LAJNEF
3.5.2.4. Quelques arrangements pileptiformes Dans lEEG de surface, on peut rencontrer des diffrents arrangements entre les ondes lmentaires dont linterprtation nous renseigne sur le type de lpilepsie et la crise pileptique ainsi que sa source. On site quelque type de ces activits : les pointes ondes : pointe suivie dune onde lente de mme polarit. Suivant le nombre de cycle par seconde des paroxysmes, on distingue les pointes ondes lentes qui sont 2,5 c/s ou moins, les pointes ondes 3 c/s et les pointes ondes rapides qui sont suprieures 3 c/s, habituellement 4 ; les poly pointes : succession de deux ou plusieurs pointes ; les poly pointes ondes : succession de pointes suivie immdiatement dune onde lente londe triphasique : onde lente comportant trois composantes qui alternent par rapport la ligne de base. Cette activit se rpte de faon rythmique de 1 3c/s. le complexe lent : squence de deux ou de plusieurs ondes lentes habituellement de grande amplitude. Ce type dactivit qui survient habituellement sur un mode priodique se rencontre notamment dans les encphalites.
Figure 11: diffrents types des activits et complexe pileptiforme; a) pointe, b) poly-pointe c,d) onde- pointe e) poly pointes- onde f) onde front raide [Cap 06]
Certains travaux rcents [Jing 09] trouvent que les oscillations hautes frquence (HFOs) et les oscillations pileptiques hautes frquences (HFEOs), peuvent dterminer dune faon plus prcise la zone pileptogne. Toutefois, le problme majeur quils rencontrer est que la dtection de ces oscillations est plus difficile vue que leur morphologie est variable et change
26
Tarek LAJNEF
avec la distance du contact de llectrode. Leur faible SNR prsente aussi un dfit lors de la dtection. 4. Conclusion Ce chapitre prsente les diffrents aspects de ltude de lpilepsie. Aprs une premire section permettant dintroduire des notions gnrales sur la maladie ( savoir ses dfinitions ses causes, son traitement et sa classification). Une deuxime partie tait consacre au diagnostic de celle-ci. Parmi ces mthodes de diagnostic, un certain nombre sappuie sur lenregistrement direct de lactivit lectrophysiologique du cerveau. En routine clinique, la technique la plus couramment utilise est lEEG de surface, car elle permet de recueillir un grand nombre dinformations dynamiques au cours de la crise (inter critique proche et critique) sur lpilepsie de faon rapide et totalement non- invasive. Dans la troisime partie nous avons cit les diffrentes formes des activits pileptiques permettant de dtecter la prsence de la crise ou de la maladie de lpilepsie. Dans la section suivante nous nous intresserons dfinir quelques mthodes utilises pour dtecter cette maladie.
27
Chapitre II :
Traitement de signal pour la dtection de lpilepsie
Etat dart et diffrentes mthodes 1. Introduction
Lajnef Tarek
Llectrncphalogramme prend une place indispensable dans le diagnostic des pathologies nerveuses, ventuellement lpilepsie. La dtection des activits pileptiques a t assure anciennement par un groupe dexperts, qui explorent les enregistrements EEG visuellement, cherchant une similarit, en terme de dure, de morphologie et frquence, entre les ondes prsentes dans lenregistrement sujet et les formes prdfinies dans la littrature [Peg 03]. Les inconvnients majeurs associs cette technique sont le temps que cette opration consomme ainsi que la sa subjectivits, en fait la prcision de cette mthode dpend de lexprience de lexpert et ses capacits, le pourcentage des fausses dtections peut tre par consquence lev. Des recherches sont donc faites pour tablir des systmes automatiss pour la dtection des activits pileptiques afin de surmonter surtout le problme du temps de dtection puisque le problme de fausse dtection varie toujours dun systme un autre. La premire mthode utilise a t dveloppe par Gotman and Gloor en 1976 [Jing 09]. Plusieurs algorithmes sont ensuite introduits. Nous citons dans ce chapitre les diffrentes familles des mthodes utilises. 2. Performances des algorithmes Pour valuer les performances des mthodes introduites deux critres sont gnralement utiliss calcules [Mer 07]: La sensibilit = 100 *
TP TP + FN
Avec TP : (true positives) nombre de pointes bien dtectes, FN (false negatives) nombre des non pointes dtectes. La prcision = 100 * TP , TP + FP + FN
Avec FP (false positives) : nombre de pointes non dtectes La sensibilit reflte la capacit de dtection des mthodes un algorithme qui a une grande valeur de sensibilit est un bon algorithme. Par contre la prcision reflte le taux de fausses dtection de la mthode une grande valeur de prcision signifie une bonne dtection.
3. Diffrentes mthodes de dtection de lpilepsie
Les signaux biologiques, ventuellement lEEG, sont des signaux non stationnaires, de nature irrgulire, qui ne se rptent jamais exactement et qui ont un faible rapport signal sur bruit
29
Etat dart et diffrentes mthodes
Lajnef Tarek
(SNR). De ce faite ses signaux ne peuvent pas tre dcris comme des signaux dterministes et ils doivent tre tudis de ce fait par des mthodes statistiques. [Peg 03]. Comme nous lavons signal prcdemment, la recherche de dtection dpilepsie par EEG tait introduite par Gotman et Gloor en 1976 [Jing 09], plusieurs mthodes sont par la suite dveloppes, quon peut les classs en 6 principales familles : Techniques base sur l'analyse dans le domaine temporel, Techniques bases sur lanalyse dans le domaine frquentiel Techniques bass sur lanalyse dans le domaine temps frquence Techniques utilisant les rseaux de neurones artificiels Techniques bases sur des mesures non linaires Techniques bases sur la morphologie mathmatique
3.1. Mthodes de dtection dans le domaine temporel Les mthodes de dtection de lpilepsie dans le domaine temporel se base principalement sur le fait que lactivit pileptique prsente une certaine priodicit durant les crises [Liu 92]. Une mthode a t propose dans [Fro 87] qui se base sur la notion de passages par zro (zero-crossing) ou analyse priodique. Les signaux EEG sont dcoups en des petits segments et le nombre de passage par zro de ces ondes est calcul, ainsi que pour sa premire et seconde drive. Le nombre total de passage pour chaque priode, dans la mme fentre est reprsent dans un histogramme prsentant le nombre de passage par zro pour chaque catgorie de frquence (le temps que prend le calcul des passages par zro). Lavantage de cette mthode est sa simple implmentation et sa similarit la dtection humaine. Toutefois, le fait quelle ne tient pas compte de lamplitude, est son inconvnient majeur puisque ses rsultats vont tre mauvais pour les donnes faible rapport signal sur bruit. Une des plus importantes contributions dans ce domaine est la mthode introduite par Liu et al qui ont utilis lauto corrlation pour la dtection. Les auteurs ont utilis 12 enregistrements EEG pris pour des diffrents patients. Ces enregistrements sont dcoups en des fentres de 6 secondes chacune. La priode dans chaque fentre est par la suite calcule en appliquant le moment-centre de la fonction de lauto corrlation. La valeur de la priode calcule est par la suite compare avec celle de la fentre prcdente et un score quantifiant la similarit est retenu. Si le score de deux fentres successives dun canal particulier dpasse un certain seuil
30
Lajnef Tarek
ce canal est signal positif, si deux ou plus canaux sont signals positifs une crise est dclare. Cette mthode a assure un pourcentage de dtection de 87% avec un taux de fausse dtection de 2%. Linconvnient de cette mthode est quelle ignore de la stationnarit des signaux EEG. Les caractristiques des signaux EEG, savoir la non stationnarit et le bruit nas pas permis dlaborer des mthodes de dtection de lpilepsie robustes dans le domaine temporel, dautre mthodes sont alors abords. 3.2. Mthodes de dtection dans le domaine frquentiel Ces mthodes utilisent les caractristiques frquentielles des signaux EEG. Gotman et All [Got 97] ont propos une mthode qui consiste tudier des portions fentres des EEG. Ils ont dcoup le signal en des segments de 10 secondes, le spectre de chaque segment est par la suite calcul, si la frquence, lamplitude et la largueur des harmonies dominantes dans le spectre diffrent de celles rfrentielles, lenregistrement EEG est dclar pileptique. La mthode a permis de dtecter 69% crise correctement et a donn un pourcentage de fausse dtection de 2% par heure. Tarasankou et Khan [Tar 98] ont propos une mthode qui combine la fois des caractristiques temporelles et des cfficients fournis par un model autorgressive (AR). Un ensemble de paramtres sont extraits dans le domaine temporel (les maximums, la mobilit et la complexit des pointes). Et comme les pointes peuvent tre identifis dans le domaine frquentiel par leurs hautes frquences, le model autorgressive est utilis pour estimer les composantes spectrales. Les cfficients de rflexion fournis par ce model et les paramtres prcdemment extraits sont utiliss par la suite comme entres dun rseau de neurones artificiel pour identifier les pointes pileptiques. La prcision de cette mthode varie entre 85,6% et 95,6%. Une autre mthode dans cette famille a t implmente par Alt. [Alt 10] qui se base sur le calcul de lnergie derreur des filtres prdictifs, a donn des bons rsultats en terme de sensibilit et taux de fausse dtection (93% et 5.5% respectivement). Nous dtaillerons dans le chapitre 3 cette mthode. Le mme problme de la stationnarit du signal est pos dans les analyses dans le domaine frquentiel puisque les spectre de ce type de signaux prsente une variation de frquence au cours du temps ce quon ne peut pas le suivre avec les simples transforms de Fourier. Pour surmonter cette limite des recherches ont t faites sur les analyses des signaux EEG dans le domaine temps - frquence.
31
Etat dart et diffrentes mthodes 3.3. Mthodes de dtection dans le domaine temps frquence
Lajnef Tarek
Chaque reprsentation classique des signaux, savoir la reprsentation temporelle et frquentielle, exclut lautre reprsentation ce qui ne convient pas avec les signaux non stationnaire pour lesquels les composantes spectrales varient au cours du temps. Pour cette raison des mthodes utilisant les reprsentations multi rsolution sont introduits. Les analyses par ondelettes sont les plus rpandues dans la littrature [Fla 99, Khan 03, Lat 03, Ind 07]. Les ondelettes peuvent tre dfinies comme des petites ondes qui ont une dure limite et de valeur moyenne nulle. Elles sont des fonctions mathmatiques capables de localiser une fonction ou un ensemble de donnes dans le temps et la frquence. La transformation par ondelettes est un outil efficace dans le traitement des signaux d ses proprits importantes telles que la localisation de frquence temps (obtenir un signal dans un temps et frquence dtermins, lextraction des dispositifs des divers endroits dans l'espace diffrentes chelles) et la possibilit de faire des filtrages multi-niveaux [Hoj 03]. En utilisant ces proprits on peut extraire les dispositifs dsirs partir d'un signal d'entre caractris par certaines proprits locales dans le temps et dans lespace. On distingue deux types de transforme en ondelette : Transforme en ondelettes continue (CWT : Continuous Wavelet Transform) : Dans la CTW le signal transformer est assorti et convoler avec des fonctions de base dondelette.
W a ,b =
+
f (t )
1 a
*(
t b )dt a
(1)
Avec : a, b deux rels et a0, f(t) est le signal transformer, et le symbole * indique le conjugu complexe de dfinie la fonction de base dondelette (ou londelette mre)
a ,b (t ) = 1 a ( t b ) a
(2)
Le facteur
1 a
est utilis pour normaliser lnergie de telle sorte quelle reste dans le
mme niveau pour des diffrentes valeurs de a et b. La fonction a,b(t) devient plus troite quand a augmente et dplace dans le temps quand on varie b. Par consquent, a s'appelle le paramtre de graduation qui capture le contenu local de
32
Lajnef Tarek
frquence et b s'appelle le paramtre de translation qui localise la fonction de base d'ondelette dans le temps t=b et son voisinage. La transforme en ondelette discrte : (DWT : Discrete Wavelet Transform) : La DWT est obtenue en prenons des valeurs discrtes pour a et b. dans ce cas ces paramtres deviennent des puissances de 2 et on les appelle coefficient de translation et de graduation dyadique.
DWT ( j , k ) = 1 2j
+
x(t ) (
t_2jk )dt 2j
(3)
Mallat (1989) a mis un moyen efficace pour limplmentation de la DWT en utilisant une srie de paires de filtres passe-bas (LP) et passe-haut (HP). Dans une premire tape de lalgorithme, le signal passe simultanment travers un LP et les filtres HP avec la frquence de coupure tant gale 4 fois la frquence d'chantillonnage. Les sorties du filtre passe bas et passe haut sont dnomms approximation (A1) et de dtail (D1) du premier niveau respectivement. Les signaux de sortie ayant la moiti de la largeur de bande de frquence du signal d'origine peuvent tre sous chantillonnes par deux selon la rgle de Nyquist. La mme procdure se rpte pour les coefficients dapproximation et de dtail du premier niveau pour obtenir les coefficients du second niveau. A chaque tape de ce processus de dcomposition, la rsolution en frquence est double et la rsolution temporelle est rduite de moiti cause de sous chantillonnage. La figure 12 reprsente une dcomposition en 3me ordre dun signal.
Figure 12: la procdure de dcomposition DWT 3 niveaux
3.4. Mthodes de dtection par rseaux de neurones artificiels Les Rseaux de neurones artificiels (ANN) ont t largement utiliss pour classer les signaux EEG au cours des deux dernires dcennies, une varit d'approches bases sur les ANN a t
Lajnef Tarek
rapporte dans la littrature pour la dtection de crise d'pilepsie. Les algorithmes utilisant les rseaux de neurones consistent principalement construire des modles de l'EEG pileptique et normal et puis les utiliser pour classer les EEG pileptique et normales. Les modles sont construits en fonction des caractristiques des donnes extraites dune base de donnes dapprentissage. Les fonctionnalits sont slectionnes de faon saisir les diffrences entre les EEG pileptique et normal [Tap 10,Gab 96]. 3.5. Mthodes de dtection non linaire Les analyses non linaires sont bases sur les thories mathmatiques des systmes dynamiques. Un systme peut tre dcrit par un ensemble dtats et des rgles de transitions qui spcifient la manire de passage dun tat un autre, un espace de phase peut tre ainsi dfinit de manire que tout point de cet espace spcifie ltat du systme. La dynamique du systme peut tre tudie donc en analysant les dynamiques des vecteurs de phase correspondant. [Nii 05] Plusieurs mesures non linaire sont utilises pour la dtection des pilepsie par EEG comme la dimension de corrlation (CD), le plus grand exposant de Lyapunov (LLE) , lentropie spectrale, lentropie de Reny, lentropie de kalmgrorav-sinai et l'entropie approche (ApEn) permettant de quantifier le degr de complexit dans une srie de donnes. Lorsqu'elles sont utilises avec l'EEG, ces mesures aident comprendre la dynamique des EEG et le chaos dans le cerveau [Kan 05, And 01, Nii 05, Laj 10], dans cette tude nous allons utiliser lentropie approche, la procdure de calcul de cette valeur est dcrite par la suite. 3.5.1. LEntropie approche
Cest une mesure qui quantifie la rgularit d'une srie de donnes temporelles. Contrairement l'entropie de Shannon, lentropie approche tient compte de l'ordre temporel de points dans une squence temporelle, do le pouvoir calcul la rgularit ou le dsordre des signaux. Une faible valeur dentropie approche indique que le signal est plus rgulier. Pour que les signaux soient analyss par les mthodes non linaire ils doivent tre reprsents dans le domaine de phase. La premire tape dans le calcul de lentropie approche dune srie temporelle yi, i = 1,. . . , N, doit tre donc la construction de ces vecteurs de phases dans l'espace, Rm, en utilisant la mthode des retards,
x i = {y , y i + , y i + 2 ,..... y i + ( m 1 )
}, 1 i N (m 1)
(4)
34
Etat dart et diffrentes mthodes Avec m et sont la dimension de lespace et les dlais, respectivement
Lajnef Tarek
Par la suite on dfinit pour chaque i lintgrale de corrlation Cim dtermin par :
1 C im ( r ) = ( N ( m 1 ) ) ( r d ( x ( i ), x ( j ))) j =1
(5)
Cette fonction indique la probabilit que deux points arbitraires dans lespace sont proche dune distance prdfinie r, Avec (x) = 1 for x > 0, (x) = 0, ailleurs, et
N ( m 1)
est le nombre des points dans lespace (6)
dtats, et d(x(i), x(j)) est une mesure de distance dfinie par :
d ( x(i), x( j )) = max ( y(i + (k 1) ) y( j + (k 1) ) )

k =1, 2,..m
On dfinie par la suite la fonction m(x) dtermine par lquation suivante :

N ( m 1) 1 N ( m 1) i =1
m (r ) =
log(C
m i
(r ) )
(7)
Pour des valeurs de m, r et bien dfinis, la valeur de entropie approche est donnes par
ApEn ( m , r , ) = m ( r )
qui sont proches ( moins de r),
m +1
(r )
(8)
qui est essentiellement la probabilit logarithmique qui excute des modles de longueur m La valeur des entropies diverge gnralement vers linfini pour les signaux bruits. Pour surmonter ce problme Pincus [Pin 91] a propos des valeurs de m, r et adapts aux signaux cours et bruits ces valeurs que nous allons les utiliser dans notre tude des signaux EEG sont respectivement 2, 0.15*lcart type du signal original et 1. Nous allons dtailler dans le chapitre suivant la mthode propose par H.Oack [Oac 09] qui se base sur le calcul de lentropie approche des signaux EEG.
3.6. Mthodes de dtection par morphologie mathmatique

Une des ides de base de la morphologie mathmatique est d'tudier ou de traiter un ensemble A l'aide d'un autre ensemble B, appel lment structurant, qui sert de sonde. Lensemble A peut avoir de diffrents aspects spatiaux qui seront dcrits par l'ensemble lment structurant B. la forme de llment structurant peut tre dfinie arbitrairement selon les applications. Lensemble B permet dextraire, dliminer ou de renforcer les diffrentes caractristiques morphologiques de lensemble A. Certains oprateurs algbriques de base ont
35
Lajnef Tarek
t introduits. Il s'agit de la translation, la soustraction de Minkowski, addition de Minkowski et d'autres. [Lin 02] 3.6.1. Oprateurs morphologiques Translation : soit les sous ensembles A et B de lensemble euclidien E
( A, B E ) , (a A) et (b B) , la translation note Ab est dfinie par Ab = {A + b : a A}. Dans laquelle le signe + dsigne une addition vectorielle.
Figure 13: translation dun ensemble A par un ensemble b (Ab)
Addition de Minkowski : soient A et B deux sous ensembles de lensemble euclidien E; ( A, B E ) , et a et b tel que (a A) et (b B) , laddition de Minkowski note est dfinie comme :
A B = {a + b : a A, b B} = Ab
bB
(9)
Figure 14: addition de Minkowski
Soustraction de Minkowski : soient A et B deux sous ensembles de lensemble euclidien E; ( A, B E ) , et a et b tel que (a A) et (b B) , la soustraction de Minkowski note A B = est dfinie par :
c
(A
A
b B
(10)
avec Ac est le complment de A
36
Lajnef Tarek
Figure 15: soustraction de Minkowski
3.6.2. Oprations morphologiques Quatre oprateurs morphologiques sont introduits : la dilatation, lrosion, louverture et la fermeture. Dilatation morphologique : soient A et D deux sous ensembles de lensemble euclidien E; ( A, D E ) , et a et d tel que (a A) et (d D) , la dilatation de A par un lment structurant D est dfinie par :
A = A d
dD
(11)
Avec est la rflexion de lensemble D ; = { d : d D} qui est une simple

rotation de D par 180. La figure 16 montre une lopration de dilatation, la ligne continue est lensemble A, llment structurant D est un disque circulaire, lorigine est marque par le signe +, et la ligne discontinue est le rsultat de la dilatation de A par D. La dilation morphologique est, en fait, un ensemble de translations de chaque lment a de lensemble A par un lment d. le rsultat serait donc un signal A rempli par plusieurs disques dont le centre appartient A. la dilatation est la valeur maximale de A que le cercle D peut atteindre par rotation dans le sens vertical.
37
Lajnef Tarek
Figure 16 : la dilatation morphologique
Lrosion morphologique : soient A et D deux sous ensembles de lensemble euclidien E; ( A, D E ) , et a et d tel que (a A) et (d D) , la dilatation de A par un lment structurant D est dfinie par : A= A d
dD
(12)
Lrosion morphologique consiste considrer tous les lments de l'ensemble A comme un centre et ensuite les translater avec l'lment d. le nouveau signal translat sera le signal A rempli de nombreux cercles dont le centre est dans l'ensemble A et en tenant la valeur minimale dans le sens vertical. La figure 17 montres leffet de lrosion dun signal triangulaire A par un lment structurant circulaire D.
Figure 17: L'rosion morphologique
Louverture morphologique : soient A et D deux
sous ensembles de
lensemble euclidien E; ( A, D E ) , et a et d tel que (a A) et (d D) , louverture morphologique note AD, est dfinie par : AD= (A) D (13)
38
Lajnef Tarek
La figure 18 montres une ouverture morphologique dans laquelle lensemble A est un signal triangulaire reprsent par une ligne continue, lensemble D (llment structurant) est un cercle dont le centre est lorigine. Le signal A est initialement rod par llment structurant D, le rsultat est reprsent par une ligne discontinue, ce signal est ensuite dilat par lSE D, le rsultat est reprsent par une ligne continue en gras. Comme la figure le montre louverture morphologique permet de lisser les sommets convexes du signal
Figure 18: l'ouverture morphologique
La fermeture morphologique : soient A et D deux
sous ensembles de
lensemble euclidien E; ( A, D E ) , et a et d tel que (a A) et (d D) , la fermeture morphologique note AD, est dfinie par : AD= (A ) D (14)
Lopration de fermeture dun signal A par un lment structurant D se fait sur deux tapes. Le signal A est dilat initialement par le signal D le rsultat est par la suite rod par le mme lment structurant. Cette opration est dcrite dans la figure 19 dans laquelle le signal A est un signal triangulaire reprsent par une ligne continue fine, llment structurant est un cercle dont le centre est lorigine (marqu par un signe +), le rsultat de la dilatation est reprsent par une ligne discontinue et le rsultat de la fermenteur est reprsent par une ligne continue en gras. Le rsultat de la fermeture dun signal triangulaire par un lment structurant circulaire, comme le montre la figure, permet de lisser les sommets concaves et nas aucun effet sur les sommets convexes.
39
Lajnef Tarek
Figure 19: l'opration de fermeture morphologique
3.6.3. Filtrage morphologique La combinaison de ces oprateurs et oprations morphologiques permet de cre des filtres qui serrent sparer, segmenter, lisser ou extraire des signaux multidimensionnels et unidimensionnels tout en respectant la forme de llment structurant. En se basant sur ces oprations des algorithmes de dtection des pointes pileptiques sont mises. Nishida en 1999 [Nish 99] a propos un algorithme de filtrage morphologique en utilisant un lment structurant sous forme de parabole en sapprochant de la forme des pointes pileptiques. Cet algorithme a permis de sparer lactivit pileptique et celle du fond. En 2007 Guanghua Xu [Guan 07] a amlior cet algorithme en modifiant essentiellement les oprations morphologiques du filtre et la forme de llment structurant. En effet, le filtre morphologique implment par Nishida utilise des simples oprations de fermeture et ouverture avec un lment structurant g i (t ) = bi t 2 ai2 + bi , i = 1,2
(15)
dont les paramtres a et b sont fixes calculs en minimisant la fonction du calcul du cot J = W ( y sp (t )) dt / T1 + {xeeg (t ) y eeg (t )} dt / T2
0
T1
(16)
avec : ysp(t) dsigne la portion filtre des pointes xsp(t), yeeg(t) dsigne la portion filtre de lactivit du fond xeeg(t). T1 et T2 sont les priodes danalyse et W est un coefficient de dtection des pointes. Le fait dutiliser des oprations morphologiques simple et des lments structurants fixes a engendr un problme de dbattement damplitude qui peut falsifier la dtection. Ainsi, lalgorithme de Xu guanghua utilise des oprations complexes calcules par une moyenne
Lajnef Tarek
entre ces oprations. En effet, les pointes existent avec une phase positive ou ngative, de ce fait lalgorithme peut commencer par une opration douverture (ou fermeture) suivit par une opration de fermeture (ou ouverture). Ces oprations sont dfinies par les quations suivantes : Ouverture - fermeture : OF ( f (t )) = ( f (t ) o g1 (t )) g 2 (t ) Fermeture Ouverture : FO ( f (t )) = ( f (t ) g1 (t )) o g 2 (t ) Une moyenne entre ces oprations, dfinie par lquation suivante, est par la suite introduite:
M aw ( f (t )) =
1 [OF ( f (t )) + FO( f (t ))] 2
(17)
Nous dcrivons dans le chapitre suivant la mthode de filtrage morphologique amlior introduite par Xu Guanghua.
4. Conclusion
Plusieurs mthodes de dtection de lpilepsie ont t introduites dans la littrature, permettant ainsi dimplmenter des systmes automatiques de dtection rsolvant le problme de temps de dtection de la mthode traditionnelle faite par les experts. Les premires mthodes introduites ont utiliss les caractristiques des ondes de lEEG dans le domaine temporel et frquentiel pour dtecter les pilepsies. La limite majeure de ces mthodes tait la non stationnarit du signal EEG ainsi que sa faible valeur du rapport signal sur bruit (due aux diffrents types dartfacts y compris). Cest pour cette raison que les recherches ont t focalises sur les tudes dans le domaine temps-frquence principalement les analyses par ondelettes. Dans la dernire dcennie des mthodes se basant sur les rseaux de neurones artificiels ont t largement utiliss cherchant modliser les signaux EEG pileptiques et normaux afin de pouvoir les classifier automatiquement. Une nouvelle approche non linire est aussi introduite permettant de quantifier les chaos (le dsordre) du cerveau humain. Une sixime famille peut aussi tre introduite qui est la dtection par filtrage morphologique ou par morphologie mathmatique. Dans la section suivante nous dcrivons limplmentation de trois mthodes appartenant trois familles diffrentes une comparaison de performances est aussi faite.
41
Chapitre III :
Implmentation des algorithmes et rsultats
Lajnef Tarek
1. Introduction
Plusieurs mthodes de dtection de lpilepsie existent dans la littrature chaque mthode a ses inconvnients et ses avantages. Une bonne mthode doit assurer un compromis entre la simplicit dimplmentation et les rsultats fournis. Dans ce chapitre nous dveloppons trois mthodes de dtection de lpilepsie dans lEEG. La premire, est base sur une tude non linaire et lanalyse par ondelettes. La deuxime utilise le filtrage morphologique et la troisime se base sur le calcul de lnergie derreur des filtres prdictifs. Les valeurs de sensibilit et de prcision sont calcules pour comparer entre les trois mthodes.
2. Base de donnes
Deux enregistrements EEG sont utiliss dans cette tude, le premier est celui dun sujet saint faisant une tache visuelle prpar par lquipe du EEGLab disponibles pour le tlchargement libre sur leur site Web 1. Les donnes ont t chantillonnes 250 Hz. Le deuxime enregistrement utilis est celui d'un patient pileptique prpar dans luniversit catholique de Louvain (KUL) (Belgique) en collaboration avec le dpartement de neurologie clinique et exprimentale, disponible sur leur site web 2. Les donnes (600s) ont t recueillies partir des 21 lectrodes places cuir chevelu selon le systme international 10-20 avec des lectrodes outre T1 et T2 sur la rgion temporelle. La frquence d'chantillonnage est de 250 Hz et un montage de rfrence moyen a t utilis [De 06, Gom 06, Ver 07]. Dans les figures 20, 21 et 22 nous prsentons des extraits de notre base de donnes pour trois priodes diffrentes ; pendant la priode pr critique, pendant la crise, pendant la priode post critique.
1 2
http://sccn.ucsd.edu/eeglab/ http://www.cs.tut.fi/~gomezher/projects/eeg/databases.htm
43
Lajnef Tarek
Figure 20: Extrait d'une enregistrement EEG quelques secondes avant la crise
On remarque dans cette figure une activit alpha normale sur la majorit des lectrodes. On remarque aussi une activit delta surtout sur les activits FP1 et F7. Pendant cette priode, lEEG dun patient pileptique est semblable a celui dun sujet normal.
Figure 21: Extrait de l'enregistrement EEG pendant une crise
On remarque dans cette figure un dsordre complet qui se manifeste presque sur toutes les lectrodes. Plusieurs activits pileptiques sont prsentes dans ce segment. On remarque aussi que quelques lectrodes ne prsentent pas une activit pileptique nette (C4, F4, FZ, CZ, PZ). ces lectrodes sont situes hors la zone piliptogne.
44
Lajnef Tarek
Figure 22: Extrait d'un segment EEG post critique (aprs une crise)
On remarque dans cette figure que lEEG revient peu peu a son rythme normal. On remarque aussi la prsence de quelques dcharges amples qui sont peut tre dues aux artfacts caus par le mouvement du sujet pendant la crise. Dans notre tude, nous utiliserons 3 lectrodes diffrentes ; llectrode A1 prise du premier enregistrement qui correspond au sujet saint, llectrode F7 (place dans la zone pileptogne) et llectrode (F4 place hors la SOZ et llectrode) du deuxime enregistrement correspondant au sujet malade.
3. dtection de lpilepsie par Entropie Approche et Ondelette Discrte
Cette mthode a t introduite par Hassan Oack en 2009 [Oac 09], elle utilise la fois une approche non linaire par le calcul de lentropie approche et la dcomposition en ondelette discrte. Elle consiste dcomposer le signal EEG en diffrents segments de courtes dures (afin de garantir une certaine stationnarit du signal), ces segments sont par la suite dcomposs laide de londelette Db4 (daubechies 4), les dtails et les approximations rsultants sont par la suite soumis un calcul de lentropie approche, un seuillage est enfin appliqu pour distinguer les segments pileptiques et ceux normaux.
45
Lajnef Tarek
3.1.Algorithme
La mthode propose par H.oack [Oac 09], peut tre dcrites par lorganigramme de la figure 23
X(n) signal EEG
Le signal est dcoup en 30 segments
Analyse DWT
Calcul de ApEn de chaque approximation et dtail
Seuillage
Segment pileptique
Segment non pileptique
Figure 23: organigramme de la mthode de dtection de lpilepsie par DWT et lentropie approche
i) Le signal EEG est dcoup en 30 segments de 20s chacun contenant 5000 chantillons (comme la frquence dchantillonnage est 250 Hz) ; ce dcoupage est ncessaire puisque le calcul de lentropie approche en utilisant les approximations proposes par Pincus [Pin 09], nest applicable que pour des cours signaux. ii) en suite chaque segment est dcompose en une srie de dtails et approximation en utilisant la dcomposition par ondelettes discrte (DWT), iii) puis la valeur de lentropie approche est calcule pour chaque dtail et approximation des 3 niveaux, iv) un seuil est appliqu aux valeurs de ApEn pour distinguer les segments pileptiques et ceux normaux.
46
Lajnef Tarek
3.2.Rsultats
Afin de choisir la fonction de base de londelette qui correspond la forme pileptique, KP Indiradevi, [Ind 08] a calcul la corrlation entre les diffrentes fonctions de base des ondelettes et une pointe pileptique. Les coefficients de corrlation les plus leves ont t trouvs pour la daubechies4 Dans notre tude, une dcomposition en ondelettes 3 niveaux est utilise, pour les segments des EEG pileptiques et celles des EEG normaux. La structure de cette dcomposition avec les bandes de frquences correspondantes aux coefficients des approximations et des dtails chaque niveau sont prsents la figure24.
Figure 24: Dcomposition DWT 3 niveaux
Comme le montre la figure 24, la dcomposition DWT trois niveaux du signal x(n) permet de dcomposer les donnes EEG en bandes sous 6 Frquences; A1 (de 0 62,5 Hz), A2 (031.5Hz), A3 (0,15.625 Hz), D1 (62,5 _125 Hz), D2 (31.25 62.5 Hz) et D3 (de 15.625 31,25 Hz). Nous prsentons dans les figures 25, 26 un exemple de dcomposition DWT de deux segments EEG (normal et pileptique respectivement).
47
Lajnef Tarek
Figure 25: dcomposition en ondelettes d'un segment EEG normal a) segment EEG normal b) coefficients dapproximation 3 c) coefficients de dtail 1 d) coefficients de dtail 2 e) coefficients de dtail 3
Figure 26: dcomposition en ondelettes d'un segment EEG pileptique a) segment EEG pileptique b) coefficients dapproximation 3 c) coefficients de dtail 1 d) coefficients de dtail 2 e) coefficients de dtail 3
48
Lajnef Tarek
Les valeurs des entropies approches de chaque approximation et dtails sont par la suite calcules. Les valeurs moyennes de ces entropies pour les diffrents segments EEG sont prsentes dans le tableau 1 :
Tableau 1: valeur des entropies approches pour les diffrents cfficients de dtail et d'approximation
Sans DWT EEG normal EEG pileptique 2.002 1.2624
A1
D1
A2 1.7125 1.6230
D2 1.6831 1.5906
A3 1.4176 1.4060
D3 1.4088 1.3851
1.8834 1.7374 1.6538 1.3177
On remarque bien dans ce tableau que les valeurs des entropies de lenregistrement pileptique sont plus faibles que celles de lenregistrement normal. Ces rsultats montrent que lEEG pileptique est plus rgulier et moins complexe que celui dun enregistrement normal. Un seuillage et par la suite appliqu pour dterminer les segments pileptiques et ceux normaux, les segments ayant une valeur de ApEn moins que ce seuil sont considrs comme pileptiques. Le seuil choisit est gal 1,7 cette valeur a t choisit suite des tudes statistiques ralises par H.ocak sur des diffrents enregistrements EEG pileptiques et normaux. Dans la figure 27 nous prsentons les diffrentes valeurs des entropies approches pour tous les cfficients des dtails et des approximations du lenregistrement de llectrode f7 place dans la zone piliptogne.
49
Lajnef Tarek
Figure 27: valeurs de entropies approches pour les diffrents dtails et approximations
Connaissant le temps de dclanchement de la crise et son temps darrt on peut calculer le taux des segment correctement classifis pour une lectrode du sujet malade place dans la zone pileptogne, une lectrode du lenregistrement de lEEG normal et un enregistrement pris dune lectrode de lEEG pileptique place hors la zone pileptogne. Le tableau suivant rsume ces taux pour chaque dtail et approximation de dcomposition.
Tableau 2: taux de segments correctement classifis
EEG normal A1 (de 0 62,5 Hz) A2 (0-31.5Hz) A3 (0,15.625 Hz) D1 (62,5 _125 Hz) D2 (31.25 62.5 Hz) D3 (de15.625 31,25 Hz).
95%
EEG dans la SOZ

36%
EEG hors SOZ

70%
85% 25%
80%
40% 30%
60%
56% 33%
63%
25% 15%
63% 30%
53% 33%
On remarque dans ce tableau que le premier niveau de dcomposition (les coefficients de dtail et dapproximations) permet de garantir les taux les plus levs par rapport aux autres niveaux, toutefois les cfficients des dtails du premier niveau garantirent un bon compromis
50
Lajnef Tarek
entre les taux de classification pour les enregistrements pileptiques dans la zone pileptogne (llectrode f7) et les autres enregistrement par contre les cfficients dapproximation ont un faible taux de classification pour llectrode f7. Les figures 28 et 29 illustrent, respectivement, les valeurs de ApEn pour les cfficients des dtails du premier niveau (D1) pour lenregistrement de lEEG normal et pour llectrode f7.
Figure 28: les valeurs des entropies approches des enregistrement normaux
Figure 29: Les valeurs des entropies approches d'un EEG pileptique
On peut ainsi calculer la sensibilit et la prcision de cette mthode en se limitant au premier niveau de dcomposition (plus prcisment D1).
51
Lajnef Tarek
Tableau 3: calcul de sensibilit et de prcision de l'algorithme de dtection de lpilepsie par ApEn et DWT
Sensibilit EEG pileptique 94%
Prcision 50%
Cet algorithme a une bonne capacit de dtection des segments pileptiques mais il a par contre une faible valeur de prcision c'est--dire quil a un taux lev de fausse dtection.
4. Dtection des pointes pileptiques en utilisant le filtrage morphologique
La morphologie mathmatique a t invente en 1964 par G. Matheron [Jing 07]. Le terme morphologie est li l'analyse de la forme et la structure d'un signal, elle est largement appliques la biologie, la gographie et de traitement d'images. Le premier qui a appliqu cette technique sur les signaux unidimensionnels t Maragos en 1987 [Mar 87]. En 1999 Nishida [Nish 99] a utilis les filtres morphologiques sur des signaux EEG pour sparer lactivit du fond et les pointes pileptiques. Cette mthode a t amliore par Xu en 2007. On va par la suite dcrire par dtail la mthode introduite par XU pour dtecter les activits pileptiques.
4.1.Algorithme et rsultats
Comme nous avons mentionn prcdemment, Xu.guanghu a amlior lalgorithme de filtrage morphologique en changeant les oprations morphologiques utilises et en introduisant une optimisation des paramtres des lments structurants, qui a permis de mieux adapter les formes de ces lments la forme des pointes pileptiques. En effet Ku a utilis un lment structurant de forme parabolique g i (t ) = ai2 + bi , i = 1,2 dans laquelle a
dsigne la largeur de llment structurant et b son amplitude maximale. Cet algorithme peut tre dcrit par le lorganigramme de la figure 30,
52
Lajnef Tarek
Signal EEG brut s(t) Initialisation de la zone de recherche de paramtres de llment structurant Optimisation des lments structurants
Appliquer lopration morphologique Maw
Signal filtr x(t)
Seuillage
Dtection des pointes

Figure 30:organigramme de l'algorithme de dtection des pointes par filtre morphologique
Dans un premier lieu, une recherche du champ de lamplitude et la largeur des lments de structure est faite. En se basant sur la forme dfinie dans le chapitre I et la frquence dchantillonnage, le champ damplitude des lments structurant est de 10 200V, et celui de la largeur est de 1 23 points. Les lments structurants sont par la suite optimiss comme on va le dtailler, Ensuite, les lments optimiss vont tre utiliss pour traiter le signal EEG brut s(t). les donnes traits x(t) sont obtenues par une soustraction des rsultats de lopration Maw du signal s(t). lactivit du fond est ainsi spare de celle des pointes il suffit donc dappliquer sur le signal x(t) un balayage avec un seuil prdfinit pour dtecter les pointes. 4.1.1. Procdure doptimisation
La procdure doptimisation des lments structurants est dcrite par lorganigramme de la figure 31,
53
Lajnef Tarek
Dbut
Initialiser K(0), Er, a1(0) b1(0), a2(0) b2(0), n=0
Fixer b1(n) et b2(n) et avancer a1 et a2 dans la zone de recherche Kmaxa a1(n) et a2(n)
Fixer a1(n) et a2(n) et avancer b1 et b2 dans la zone de recherche n=n+1 Kmaxb b1(n) et b2(n)
K(n)= max{Kmaxa(n), Kmaxb(n)}
Abs(k(n)-k(n-1)))<Er
Elments structurants optimiss
Fin
Figure 31: procdure d'optimisation des lments structurants
Au dbut de la procdure plusieurs paramtres sont initialiss K(0)=0 , a1(0) = 6.25105, a2(0)=9.88104, b1(0)=10 V, b2(0)= 200 V, Er = 1 104., avec a1 est calcul par la largeur initiale de llment structurant g1(t) est 1 et a2(0) est calculs lorsque la valeur de lamplitude initiale de llment structurant g2(t) est 23. Un ensemble dlment structurant est ensuite cre en avanant les paramtres a1 et a2 dans la zone de recherche tout en maintenant b1(n) et b2(n),
Lajnef Tarek
Pour tous ces SE le facteur doptimisation K est calcul selon la procdure dcrite dans la figure32 ; K = I f R pz Dans laquelle I f = max x( x) / moyx( x) (19) (18)
Avec max(x) est la valeur maximale damplitude et moy(x) est la valeur moyenne de x(t), Et R pz = N pz N (20)
, Rpz reprsente la valeur de nombre de passage par zro dans le signal avec
N pz = [x(n) * x(n + 1)]
n =1 N 1
(21)
1, x 0 Avec ( x) = , et N est la longueur totale du signal x(t), 0, x > 0 La valeur de If est sensible la composante transitoire qui est dans notre cas les pointes pileptique, et la valeur de Rpz reflte le degr de restriction de lactivits du fond, une grande valeur de K donc permet dindiquer si les activits transitoires (les pointes pileptiques) sont bien extraites et que lactivits du fond est bien restreinte. reprsente dans le tableau 4 les valeurs des
Tableau 4 : les valeurs des paramtres doptimisation des lments structurants
On
If EEG normal EEG pileptique -211.1446 1167.9
Npz 194 259
Rpz 0.4838 0.6459
K -0.0436 1808.1
On remarque dans ce tableau que les valeurs de ces paramtres doptimisation sont plus grandes pour un EEG pileptique que pour celui dun EEG normal, ceci peut tre expliquer par le fait que ce dernier ne contient pas des activits transitoires ample et frquentes. La valeur maximale note Maxa(n) est calcule et les lments structurants a1(n) et a2(n) sont maintenus,
55
Lajnef Tarek
S(t)
X(t)
Valeur maximale
maxx
If
moyx Valeur moyenne
1/X
m(t)
Maw
-x
Nbr de passage par 0
Npz
Rpz
1/X
S(t)
Calcul de longueur
1/X
Figure 32: procdure de calcul du facteur d'optimisation K
Un nouveaux ensemble dlments structurants est cre par b1 et b2 et a1(n) a2(n) sont fixs De mme la valeur maximale du facteur doptimisation K note Kmaxb est calcule et les valeurs b1(n) et b2(n) sont maintenues la valeur maximale K(n) = max{Kmaxa(n), Kmaxb(n)} est calcule une comparaison entre cette valeur et la valeur initiale de Er est faite, si |K(n) K(n 1)|>Er on retourne la deuxime tape, un nouveau calcul des lments structurant se fait. Sinon les valeurs de a1(n), a2(n), b1(n) et b2(n) sont maintenues Les calculs de ces paramtres sont faits et nous avons obtenu les rsultats suivants :
a1 =5.91 105, a2 =6.67 104, b1 = 28 V, b2 = 36 V.
Les lments structurants utiliss sont donc dquations : g1 (t ) = 5.91 * 10 5 * t 2 + 28 g 2 (t ) = 6.67 *10 4 * t 2 + 36 Ces lments structurants sont reprsents par les figures 33 (22) (23)
56
Lajnef Tarek
(a)
(b) Figure 33: Courbes des lments structurants
a : llment structurant g1(t) b : llment structurant g2(t)
On remarque que la forme du premier lment structurant est plus ample que celle du deuxime lutilisation de ces deux formes permet de sparer lactivit du fond dun segment EEG pileptique 4.1.2. oprations morphologiques
En se basant sur les calculs faits dans la section prcdente des lments structurant g1(t) et g2(t) sont cres, les signaux EEG extraits de notre bases de donnes sont appliqus la fonction du filtrage morphologique
M aw ( f (t )) =
1 [OF ( f (t )) + FO( f (t ))] 2
Les rsultas sont prsents dans la figure33, Comme il est montr dans cette figure les oprations morphologiques simples (combinaisons ouverture fermetures figure34 b et c) ne permettent pas de bien extraire la forme des pointes, cest pour cette raison que nous avons utilis une moyenne entre ces oprations afin dviter le problme de dbattement et le changement de phases engendrer par les oprations simples.
57
Lajnef Tarek
Figure 34: traitement d'un segment EEG pileptique par les oprations morphologiques,(a) : EGG brut, (b) : opration douverture fermeture, (c) opration de fermeture ouverture, (d) opration de la moyenne Maw
4.1.3.
limination de lactivit du fond
Les rsultats de la fonction Maw, nots x(t) sont soustraites du signal eeg brut , not s(t), afin dliminer les activits du fond et ne conservs que lactivits transitoires. Les rsultats de cette opration pour 3 diffrents segments EEG sont prsents dans les figures 35,36 et 37. Le premier enregistrement est celui dun sujet saint. Le deuxime est celui dune lectrode du mme enregistrement implmente hors la zone pileptogne. Le troisime est celui dun EEG pileptique au cours dune crise.
58
Lajnef Tarek
Figure 35: filtrage morphologique d'un segment EEG d'un sujet saint
Figure 36: filtrage morphologique d'un segment EEG (lectrode P4) pendant une crise
59
Lajnef Tarek
Figure 37: filtrage morphologique d'un segment EEG pileptique (lectrode f7) pendant une crise
Comme il est clair dans ces figures lopration de soustraction permet de conserver les activits transitoires qui correspondent la forme dune pointe pileptique, cette sparation ne permet pas par contre de distinguer si lactivit conserve correspond une activit pileptique ou non, de ce fait une opration seuillage avre ncessaire. 4.1.4. Seuillage
Le choix du seuil est critique pour la distinction entre une activit transitoire normale et celle pileptique. Xu. Guanghua a utilis un seuil fixe gale 5V, ce seuil a permis de dtecter les pointes pileptiques mais il a dtect aussi les autres artfacts dont la forme rassemble celle dune pointe pileptique. Pour cette raison nous avons cherch utiliser un seuil adaptatif qui dpend du signal lui-mme. Plusieurs seuils peuvent tre utiliss parmi lesquelles la valeur de la moyenne quadratique (RMS) dfinie par laquelle x est la valeur moyenne [His 08]. Un autre seuil peut tre utilis [His 08] qui consiste calculer lcart type du signal et le multiplier par un coefficient doptimisation ; thr = 4 = 4median{ x / 0.6745} aprs optimisation le coefficient est gale 4.8. Les rsultats du seuillage sur trois segments EEG ; EEG dun sujet saint, segment pris dune lectrode dans la zone pileptogne avant une crise, et un segment pris dune lectrode dans la zone pileptogne pendant une crise, sont reprsents respectivement dans les figures 38,39 et 40.
1 N
(x
N 1
x . Dans
Lajnef Tarek
Figure 38: application des diffrents types de seuillages utiliss dans la dtection des pointes pour un enregistrement EEG saint
Figure 39: application des diffrents types de seuillages utiliss dans la dtection des pointes pour un enregistrement EEG pileptique avant la crise
61
Lajnef Tarek
Figure 40: application des diffrents types de seuillages utiliss dans la dtection des pointes pour un enregistrement EEG pileptique pendant une crise
On remarque dans ces figures que choix du seuil de dtection est critique dans la dtection des pointes pileptique et par la suite sur la performance de lalgorithme. La procdure du calcul des performances est faite comme le montrent les figures prcdentes : les pointes pileptiques bien dtectes sont souligner en vert les pointes non pileptiques dtectes sont souligner en rouge. Cette procdure est rpte sur 10 segments de 400 chantillons chacun pour lenregistrement pileptique et celui normal. Les rsultats de cette procdure sont rsums dans le tableau 5.
Tableau 5 : les variables de calcul de performence pour les diffrents seuils
Pointes bien dtectes EEG pileptique Nombre des pointes = 85

S= 5 S= rms S= median
Pointes non dtectes

S=5 S=rms S=median
Fausse dtection
S=5 S=rms S= median
80
73
78
12
40
10
55
On peut ainsi calculer la sensibilit et la prcision de cet algorithme pour les diffrents seuils utiliss. Les rsultats sont illustrs dans le tableau 6,
Tableau 6: calcul de sensibilit et la prcision pour les diffrents seuils
62
Lajnef Tarek
Sensibilit Seuil 1 (5) Seuil 2 (rms) Seuil 3 (median)

94,1%
Prcision 68%
89,4%
85 ,8% 91,7%
60,7%
Le calcul de performances a montrer que le seuil mis par Xu est le meilleur en terme de sensibilit, il permet donc de bien dtecter les pointes pileptiques par contre il prsente linconvnient du grand taux de fausse dtection cest pour cette raison que la valeur de prcision pour ce seuil est relativement faible. Par contre cette valeur est leve si on utilise le seuillage par RMS. La sparation, de lactivit du fond et celle pileptique, est nette en utilisant le filtrage morphologique. Par contre ce type de filtrage se base sur la morphologie des pointes pileptique ce qui engendre, en cas de prsence des artefacts dont la forme est semblable a celle des pointes pileptique, une fausse dtection. Cet inconvnient peut tre surmont en utilisant un pr traitement permettant dliminer les artfacts du signal EEG brut.
5. Dtection dpilepsie en utilisant lerreur dnergie des filtres prdiction linaire
Les filtres prdiction linaire consistent estimer les composantes spectrales dun signal en calculant les coefficients dun filtre FIR (filtre rponse impulsionnelle finie).La prdiction linaire est gnralement utilise dans le traitement de la parole et essentiellement dans la compression du signal tlphonique. La valeur estime y[n] est calcule partir des chantillons prcdents pondrs par des coefficients ak comme il est prsent dans lquation 24 y[ n ] =
k =1
ak s(n k )
(24)
2 e
La valeur des coefficients de prdiction ak s'obtient par minimisation de la variance
de
l'rreur e[n]. Celui-ci est dfini comme la diffrence entre la valeur relle s[n] et la valeur estime y[n] : e[ n ] = s[ n ] y [ n ] = s[ n ] La valeur de
2 e
k =1
ak s(n k )
(25)
dpend donc des cfficients ak en fait :
63
Lajnef Tarek
e2 ( a k ) =
1 N
N 1 n=0
e 2[n] =
1 N
N 1 n=0
( s[ n ]
k =1
a k s ( n k )) 2
(26)
5.1.
Mthode
La mthode se base sur le fait que le filtre prdictif narrive pas suivre les changements brusques dans le signal EEG provoqu par le dclanchement dune crise pileptique ce qui engendre une augmentation remarquable de lnergie derreur. Il suffit donc de calculer cette nergie et appliquer un seuil prdfini pour pouvoir dtecter le dclanchement dune crise dans un EEG pileptique et distinguer un EEG pileptique et celui normal. Les tapes de cette mthode sont dcrites par lorganigramme de la figure 41. Signal EEG dentre
Division du signal en des segments de 400 chantillons chacun - Calculer lerreur de prdiction - Calculer lnergie de cette erreur
OUI
Seuillage > Seuil
Non
Segment pileptique
Segment non pileptique
Figure 41: dtection de crise pileptique par filtre prdiction linaire
Les signaux extraits des bases de donnes dcrites prcdemment sont utiliss, Ses signaux sont diviss en des segments de longueur 400 chantillons chacun pour garantir une certaine stationnarit ncessaire pour le fonctionnement du filtre
64
Lajnef Tarek
Ses segments sont par la suite traits par le filtre prdictif implment dans Matlab. Un signal estim est cr par les coefficients fournis par ce filtre. Lerreur de prdiction est calcule comme est dfinie dans lquation 21. Lnergie derreur destimation est calcule par la suite suivant lquation suivante :
E =
e2
(27)
Un seuil est appliqu sur cette nergie pour distinguer les segments pileptiques de ceux normaux. La valeur du seuil appliquer est dtermine en examinant visuellement les valeurs de cette nergie pour des enregistrements pileptique et normaux tout en connaissant les temps de dclanchement et de larrt dune crise. 5.2. Rsultats 5.2.1. Filtrage prdictif
Le filtre prdictif utilis dans cette tude est celui implment dans la toolbox du logiciel Matlab. Quand il sagit de traiter lEEG de patients pileptiques, certains auteurs utilisent des modles dordre trs petit :3 dans [Fran 99] ou 4 dans [Las 80]. Daprs [Sub 05], il faut plutt un ordre 6 pour modliser correctement le signal. Dans [Bod 77], les auteurs affirment quun ordre 6 convient, mais ils choisissent finalement de modliser le signal par un AR dordre 8. Enfin, certains auteurs [Wri 90,Gul 69] prtendent que des modles dordres importants (entre 10 et 20) sont ncessaires pour modliser le signal EEG. Dans notre cas, le nombre des coefficients est choisit en minimisant le plus lerreur de prdiction trouver que n = 25 suffit pour avoir une erreur de prdiction convenable. Les figures 43 et 44 reprsente des segments des EEG normal et pileptique lentre et la sortie du filtre prdictif.
65
Lajnef Tarek
Figure 42: entres et sortie du filtre prdictif, a) le segment EEG normal d'entre, b) le signal estim c) l'erreur de prdiction
Figure 43: entres et sortie du filtre prdictif, a) le segment EEG pileptique d'entre, b) le signal estim c) l'erreur de prdiction
On remarque bien que lerreur de prdiction pour un segment pileptique est nettement suprieure celle dun EEG normal. En fait, le filtre prdictif narrive pas suivre les changements brusques et frquents des activits pileptiques pendant la crise.
66
Lajnef Tarek
5.2.2. Calcul dnergie derreur et seuillage Lnergie derreur est calcule comme il est dfini dans lquation (4). Les valeurs de cette nergie varient nettement entre les segments pileptiques et ceux normaux ou inter critique (entre les crises). Le valeurs de ces nergies pour trois enregistrements EEG diffrents(un enregistrement dun sujet saint, un enregistrement pris dune lectrode place dans la zone pileptogne dun sujet malade et une autre place hors cette zone) sont prsentes dans les figures 45, 46 et 47 respectivement
Figure 44: valeurs des nergies de l'erreur de prdiction pour un enregistrement normal
67
Lajnef Tarek
Figure 45: valeurs des nergies de l'erreur de prdiction pour un enregistrement pileptique (lectrode place dans la zone pileptogne)
Figure 46: valeurs des nergies de l'erreur de prdiction pour un enregistrement pileptique (lectrode place hors la zone piliptogne)
68
Lajnef Tarek
On remarque bien dans ces figures que les valeurs de lnergie derreur pour un enregistrement pileptique sont nettement suprieures que celle dun enregistrement normal. Le filtre prdictif ne peut pas donc suivre les changements brusques des activits pileptiques. On remarque aussi dans la figure 39 (enregistrement place dans la SOZ) que lnergie derreur augmente plus quon approche du dclanchement dune crise et reprsente un pic qui correspond laugmentation de lactivit pileptique pendant la crise. La courbe de lnergie peut ainsi nous renseigner sur ltat du patient (critique, inter critique). Cette courbe est aussi note pour lenregistrement issu de llectrode place hors la SOZ. Cela peut tre expliquer par le fait que la crise diffuse aussi dans la zone dans laquelle llectrode est place ou aussi la prsence des artfacts dans lenregistrement dues au mouvement que fait le passion durant la crise. Pour mieux comparer les nergies calcules pour les diffrentes lectrodes nous avons regroup les figures prcdentes dans une seule (figure 47) qui prsente la fois les trois types denregistrement. Il suffit maintenant dappliquer le seuil adquat pour classer les segments des diffrents enregistrements Connaissant le temps de dclenchement de la crise et son temps de fin nous avons pu dterminer le seuil utiliser. Dans notre cas il est de 1,77.
Figure 47: les valeurs des nergie d'erreur pour les diffrentes lectrodes
Les segments ayant une erreur dnergie suprieure au seuil sont considrs pileptique.
69
Lajnef Tarek
On peut ainsi calcul les performances de cet algorithme.

Tableau 7 : calul de performances de la mthode de prdiction linaire
Sensibilit Prcision EEG pileptique 97% 93% Nous avons montr ainsi que lnergie derreur des filtres prdiction linaire peut tre utilise pour dtecter les pilepsies, des amliorations peuvent tre apports sur cette mthode essentiellement sur le choix du seuil et le choix du nombre de coefficients du filtre. Comparaison des performances des trois mthodes Nous prsentons dans le tableau 7 les diffrentes valeurs de sensibilit et de prcision pour les trois mthodes implmentes.
70
Lajnef Tarek
Tableau 8 : tableau comparatif des diffrentes mthodes implmentes
Dtection par Entropie approche Sensibilit 94%
Dtection par filtrage morphologique

5V RMS Median 91.7% Median
Dtection par filtrage prdictif 97%
94,1% 85.8%
Prcision
50%
5V
RMS
93%
68%
89.4% 60.7%
Comme il est not dans le tableau 7 la troisime mthode base sur la prdiction linaire prsente les valeurs de sensibilit et de prcision les plus hautes comparer aux deux autres mthodes. Les performances de ces mthodes peuvent tre toutefois augmente en diminuant les fausses dtections. Cela peut tre assurer par lajout dun tage de prtraitement des enregistrements EEG permettant dliminer les diffrents types dartfacts.
6. Conclusion
Nous avons dtaill dans cette section trois mthodes de dtection de lpilepsie appartenant chacune une famille diffrente. La premire mthode se base sur le calcul de lentropie approche qui est une mesure non linaire qui renseigne sur la complexit du signal. Ltude des entropies des diffrents type des signaux EEG a permet de constater que les signaux pileptiques ont une valeur dEnAp plus faibles que ceux normaux. Dans notre cas nous avons trouvez quun signal pileptique a une valeur moyenne dentropie gale 1.3177 par contre celle et celle de lenregistrement normal tait 1,9138. Cette mthode a permet de classifier les segments pileptiques et ceux normaux avec une sensibilit de 94% et une prcision de 50%. Le taux de fausse dtection de cette mthode est donc relativement grand. La deuxime mthode se base sur le filtrage morphologique qui permet de segmenter les signaux EEG en activit pileptique et activit de fond en se basant sur leurs formes morphologiques. En utilisant des diffrentes valeurs pour le seuillage nous avons constat que la valeur moyenne quadratique du signal (RMS) prsente les meilleurs rsultats avec une sensibilit de 85.8%, et une prcision gale 89.4 %.
71
Lajnef Tarek
La troisime mthode consiste utiliser lnergie derreur des filtres prdictifs pour dtecter les segments EEG pileptiques. La sensibilit et la prcision de cette mthode sont respectivement 97% et 93%. En comparant les rsultats fournis par ces mthodes, essentiellement la sensibilit et la prcision nous concluons que la mthode de dtection par filtres prdictifs est plus prcise que celle par Entropie approche.
72
Conclusion gnrale
LETI-ENIS
Conclusion gnrale
LEEG de surface a un intrt fondamental dans le cadre du diagnostic de lpilepsie. Cette technique est la principale mthode non invasive qui fournit des informations en temps rel sur lactivit lectrophysiologique des structures crbrales et par consquent sur lactivit pileptique, cest--dire sur les dcharges produites lors de crises pileptiques. Lanalyse des enregistrements dEEG fait partie de la dmarche diagnostique des mdecins et permet de dfinir le traitement le plus adapt au patient. Cependant, cette analyse visuelle est souvent trs difficile et gourmant en terme du temps, car les enregistrement se fait sur des heures et aussi car les signaux EEG de surface sont fortement perturbs par des artfacts extra-crbraux et du bruit de fond. Cest pour cette raison que les recherches se sont focalises sur le dveloppement des mthodes automatiques de dtection de lpilepsie et plusieurs mthodes sont ainsi dveloppes se basant chacune sur des techniques spcifiques du traitement de signal. Dans notre travail nous avons compar les performances de trois mthodes de dtection de lpilepsie appartenants des diffrentes familles. La premire mthode utilise lanalyse en ondelettes et le calcul de lentropie approche, pour cette mthode on a eu une bonne valeur de sensibilit gale 94% mais avec une mauvaise prcision de 50%. La deuxime mthode se base sur le filtrage morphologique, on a utilis dans son implmentation trois diffrentes valeurs du seuil, un seuil donn par lauteur de la mthode qui est gale 5, la valeur moyenne quadratique et un seuil donne par 4* lcart type du signal. On a eu des valeur de sensibilit de 94,1%, 85.8%, et 90.7% respectivement. Et des valeurs de prcision de 68%, 89.4% et 60.7% respectivement. Le deuxime seuil prsente le meilleur compromis sensibilit prcision. La troisime mthode dcrite est bas sur le calcul des nergies derreur des prdiction linaire, les performances de cette mthode taient les meilleurs avec une sensibilit de 97% et une prcision de 93%
73
Conclusion gnrale
LETI-ENIS
Ces mthodes soufrent, toutefois, des problmes de fausse dtection qui peut falsifier le diagnostic de lEEG. Une amlioration peut tre apporte ces mthodes en ajoutant un stage dlimination des artfacts de lEEG.
74
Rfrences bibliographiques
LETI-ENIS
[And 01] Andrzejak, R. G., Widman, G., Lehnertz, K., et al. (2001). The epileptic process as nonlinear deterministic dynamics in a stochastic environment: An evaluation on mesial temporal lobe epilepsy. Epilepsy Research, 44, 129140. [Bod 77] Bodenstein G. and H.M. Praetorius. Feature extraction from electroencephalogram by adaptive segmentation. Proc. of the IEEE, 65 :642652, 1977. the
[Cap 06] Matthieu Caparos, Analyse automatique des crises dpilepsie du lobe partir des EEG de surface, thse de doctorat, Centre de Recherche en Automatique de Nancy CNRS, 2006 [De 06] De Clercq, W., Vergult, A., Vanrumste, B., Van Paesschen, W., and Van Huffel, S. Canonical correlation analysis applied to remove muscle artifacts from the electroencephalogram, IEEE T. Biomed. Eng. 2006; 53: 2583-2587 [FFR 09] FFRE (2009). Fondation franaise pour la recherche sur lpilepsie. <http:/www.fondation-epilepsie.fr>. [Fla 99] Flavio Sartorettoa, Mario Ermanib Automatic detection of epileptiform activity by single-level wavelet analysis, Clinical Neurophysiology 110 (1999) 239249 [Fran 99]Franaszczuk P.J. and Bergey G.K.. An autoregressive method for the measurement of synchronization of interictal and ictal eeg signals. Biol. Cybern., 81(1) :39, 1999. [Fro 87] J.D.frost , methods and analysis of brain electrical and magnetic signals, vol1, chapter 7: Mimetic techniques ,pp.195 209, ELISIVER, 1987 [Gab 96] Gabor AJ, Leach RR, Dowla FU. Automated seizure detection using a selforganizing neural network. Electroencephalogr Clin Neurophysiol 1996; 99: 257-266 [Gom 06] Gmez-Herrero, G., De Clercq, W., Anwar, H., Kara, O., Egiazarian, K., Van Huffel, S., and Van Paesschen, W. Automatic removal of ocular artifacts in the EEG without a reference EOG channel, In Proceedings of the 7th Nordic Signal Processing Symposium (NORSIG'2006), Reykjavik, Iceland, pp. 130-133, 2006. [Got 97] Gotman, J., Flanagah, D., Zhang, J., & Rosenblatt, B. (1997). Automatic seizure detection in the newborn: Methods and initial evaluation. Electroencencephalography and Clinical europhysiology, 103, 356362. [Guan 07] Guanghua X, Jing W, Qing Z, Sicong Z, Junming Z. A spike detection method in EEG based on improved morphological filter. Comput Biol Med 2007; 37: 1647-1652. [Gul 01] Guler I., M.K. Kiymik, M. Akin, and A. Alkan. Ar spectral analysis of eeg signals by using maximum likelihood estimation. Computers in Biology and Medicine, 31 :441450, 2001.
75
LETI-ENIS
[Hoj 03] Hojjat Adeli, Ziqin Zhou, Nahid Dadmehr Analysis of EEG records in an epileptic patient using wavelet transform. Journal of Neuroscience Methods 123 (2003) 69_/87 [His 08] Hsiao-Lung Chana,d,e, , Ming-An Lina, TonyWub,d, Shih-Tseng Leec,d, Yu-Tai Tsai a,b, Pei-Kuang Chaoa Detection of neuronal spikes using an adaptive threshold based on the maxmin spread sorting method Journal of Neuroscience Methods 172 (2008) 112121 [ILAE 05] Epileptic seizures and epilepsy: definitions proposed by the International League Against Epilepsy (ILAE) and the International Bureau for Epilepsy (IBE). Epilepsia. 2005, 46: 470-2. [ILAE 81] Commission on Classification and Terminology of the International League Against Epilepsy. Proposal for a revised clinical and electroencephalographic classification of epileptic seizures. Epilepsia 1981;22:489-501. [Ind 08] Indiradevia K.P., Elizabeth Eliasa, P.S. Sathidevia, S. Dinesh Nayakb, K. Radhakrishnanb A multi-level wavelet approach for automatic detection of epileptic spikes in the electroencephalogram, Computers in Biology and Medicine 38 (2008) 805 816 [Jer 03] Jrome Bourien, Analyse des distributions spatio temporelles de transitoires dans les signaux vectoriels. Application la dtection- classification dactivits paroxystiques inter critiques dans des observations EEG, Thse de doctorat, Universit de Rennes, 2003 [Jing 09] Jing Wang, Guanghua Xu, Some Highlights on Epileptic EEG Processing, Recent Patents on Biomedical Engineering 2009, 2, 000-000 [Kan 05] Kannathal, N., Choo, M. L., Acharya, U. R., & Sadasivan, P. K. (2005). Entropies for detection of epilepsy in EEG. Computer Methods and Programs in Biomedicine, 80, 187 194. [Khan 03] Khan, Y. U., & Gotman, J. Wavelet based automatic seizure detection in intracerebral electroencephalogram. Clinical Neurophysiology, (2003). 114, 898908. [Laj 10] LAJNEF Tarek, CHAIBI Sahbi, KACHOURI Abdennaceur, SAMET Mounir, Epileptic Seizure Detection: Approximate Entropy and Discrete Wavelet Transform based method, E-Medisys 2010 Third International Conference: E-Medical Systems May 12-14, 2010 MOROCCO [Lat 03] Latka M, Was Z, Kozik A, West BJ. Wavelet analysis of epileptic spikes. Phys Rev E 2003; 67: 1-4. [Las 80] Iasemidis L.D., Sackellares J.C., and R.S. Savit. Table of integrals, series and products Academic Press, Inc., 1980. [Lin 02] Lin-Sen Pon, separation of spiky transients in EEG/MEG using morphological filters in multi-resolution analysis, these de doctorat universit de Pittersburg 2002
76
LETI-ENIS
[Liu 92] Liu, A., Hahn, J. S., Heldt, G. P., & Coen, R. W. (1992). Detection of neonatal seizures through computerized EEG analysis. Electroencencephalography and Clinical Neurophysiology, 82, 3037. [Mar 87] Maragos, W. Schafer, Morphological filterspart 1: their set-theoretic analysis and relations to linear shift-invariant filters, IEEE Trans. Acoust. Speech Signal Process. 35 (8) (1987) 11531169 [Mer 07] Merritt W. Brown, Brenda E. Porter , Dennis J. Dlugos, Jeff Keating, Andrew B. Gardner c, Phillip B. Storm Jr. b, Eric D. Marsh, Comparison of novel computer detectors and human performance for spike detection in intracranial EEG, Clinical Neurophysiology 118 (2007) 17441752 [Nav 09] V. Navarro, N. Engrand, P. Glisse, place de lEEG dans ltat de mal pileptique, Ranimation (2009) 18, 3343, [Nii 05] Niina Paivinena, Seppo Lammia, Asla Pitkanenb, Jari Nissinenb, Markku Penttonenb Tapio Gronforsa Epileptic seizure detection: A nonlinear viewpoint, Computer Methods and Programs in Biomedicine (2005) 79, 151159 [Nish 99] Nishida S, Nakamura M, Ikeda A, Shibasaki H. Signal separation of background EEG and spike by using morphological filter. Med Eng Phys 1999; 21: 601-608. [Oac 09] H.Ocak , Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy, Expert Systems with Applications 36 (2009) 20272036 [Peg 03] Pega. Zarjam, EEG data acquisition and automatic Seizure Detection Using wavelet transform on newborn EEG, thse de doctorat, Queensland Universty of technology, 2003 [Pin 91] PINCUS STEVEN M. Approximate entropy as a measure of system complexity (stadstc/stohastdc processes/chaos/dimension) Proc. Nati. Acad. Sci. USA Vol. 88, pp. 22972301, March 1991 Mathematics
[Reb 10] Rebeca Romo Vazquez, Contribution la dtection et lanalyse des signaux EEG
pileptiques : dbruitage et sparation de sources, thse de doctorat, lInstitut National Polytechnique de Lorraine, 2010
[Sub 05] Subasi A., Kiymik M.K., A. Alkan, and E. Koklukaya. Neural network classification of eeg signals by using ar with mle preprocessing for epileptic seizure detection. Athematical and Computational Applications, 10(1) :5770, 2005.
[Tar 98] Tarasenko .L, Y.U. Khan and MRG holt identification of inter ictal spikes in EEG using neuronal network analysis, In the proc of the IEE, Proc sci MEAS technol vol 145 no 6 pp 207-278, nov 1998 [Tap 10] Tapan Gandhi, Bijay Ketan Panigrahi, Manvir Bhatia, Sneh Anand Expert model for detection of epileptic activity in EEG signature Expert Systems with Applications 37 (2010) 35133520
LETI-ENIS
[Vel 08] L Velly, L Pellegrini, N Bruder Indices drivs de l'EEG en ranimation Ple AnsthsieRanimation, CHU Timone, Marseille 2008 [Ver 07] Vergult, A., De Clercq, Q., Palmini, A., Vanrumste, B., Dupont P., Van Huffel, S., Van Paesschen, W. Improving the Interpretation of Ictal Scalp EEG: BSS-CCA Algorithm for Muscle Artifact Removal, Epilepsia 2007; 48 (5): 950-958. [Wri 90] Wright J., R. Kydd, and A. Sergejew. Autoregression models of eeg. results compared with expectations for a multilinear near-equilibrium biophysical process. Biol. Cybern.,62 :201210, 1990.
78

Copie Finale1

Transféré par

Droits d'auteur :

Formats disponibles

Copie Finale1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Copie Finale1

Transféré par

Droits d'auteur :

Formats disponibles

Rpublique Tunisienne Ministre de lEnseignement Suprieur, et de la Recherche Scientifique

Ecole Doctorale Sciences et Technologies Mmoire de MASTERE

Universit de Sfax cole Nationale dIngnieurs de Sfax

N dordre: 200? ??nn

Lcole Nationale dIngnieurs de Sfax

Dtection de lpilepsie par EEG

Prsident Membre Encadreur Invite

3.3. 3.4. 3.5.

Liste des figures

Liste des tableaux

Dtection de lpilepsie par EEG

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Figure 1: le premier EEG enregistr par Hans Berger en 1929

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Figure 3 : a) Schma dun neurone pyramidal b) schma dun neurone en toile

Mesure de lactivit neuronale :

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Gnralits et contexte mdical

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

(a) Montage rfrence moyenne (b) montage rfrence extracrbrale

Les rythmes de lEEG

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Trac EEG normal

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Figure 7: trac d'un EEG normal [Vel 08].

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Figure 9: Dcharge Delta lors dun dpart de crise [Cap 06]

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Figure 10: Aplatissement de lactivit pileptique [Cap 06]

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Pointe Onde pointue Onde lente

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Dtection de lpilepsie par EEG

Gnralits et contexte mdical

Dtection de lpilepsie par EEG

Etat dart et diffrentes mthodes 1. Introduction

Dtection de lpilepsie par EEG

Etat dart et diffrentes mthodes

Dtection de lpilepsie par EEG

Etat dart et diffrentes mthodes

Dtection de lpilepsie par EEG