Analysis of spatio-temporal distributions of transient events in vectorial signals. Application to the detection and classification of interictal epileptic activity in EEG observations.
Analyse de distributions spatio-temporelles de transitoires dans des signaux vectoriels. Application à la détection-classification d'activités paroxystiques intercritiques dans des observations EEG
Résumé
Electroencephalographic signals (EEG) recorded in epileptic patients reflect, apart from periods corresponding to seizures, transient signals referred to as "interictal epileptiform events" (IEEs). The analysis of IEEs can contribute to the study of intractable partial epilepsies. A method of characterization of the spatio-temporal distribution of IEEs in depth-EEG recordings is presented. The method proceeds in four steps:
1. Detection of monochannel IEEs. The detection method, based on a heuristic approach, uses a wavelet filter banks to enhance the sharp part of IEEs. The mean value of the obtained statistics is analyzed by a Page-Hinkley algorithm aimed at detecting abrupt changes corresponding to spikes.
2. Fusion of monochannels IEEs. The procedure looks for co-occurents monochannels IEEs using a sliding temporal window and builts multichannels IEEs.
3. Extraction of subsets of channels frequently and significantly active during multichannels IEE (called "activation sets").
4. Evaluation of the existence of a reproducible temporal order (possibly partial) in extracted activation sets.
Methods proposed in each step have been evaluated with simulated EEG signals (step 1) and Markovian models (steps 2-4). The results show that the whole method is robust to false alarms. This method is applied to long duration signals recorded in 8 patients (each one containing several thousands of IEEs). The results show a high reproducibility of the spatio-temporal distributions of IEEs and allow identification of particular anatomo-functional networks.
1. Detection of monochannel IEEs. The detection method, based on a heuristic approach, uses a wavelet filter banks to enhance the sharp part of IEEs. The mean value of the obtained statistics is analyzed by a Page-Hinkley algorithm aimed at detecting abrupt changes corresponding to spikes.
2. Fusion of monochannels IEEs. The procedure looks for co-occurents monochannels IEEs using a sliding temporal window and builts multichannels IEEs.
3. Extraction of subsets of channels frequently and significantly active during multichannels IEE (called "activation sets").
4. Evaluation of the existence of a reproducible temporal order (possibly partial) in extracted activation sets.
Methods proposed in each step have been evaluated with simulated EEG signals (step 1) and Markovian models (steps 2-4). The results show that the whole method is robust to false alarms. This method is applied to long duration signals recorded in 8 patients (each one containing several thousands of IEEs). The results show a high reproducibility of the spatio-temporal distributions of IEEs and allow identification of particular anatomo-functional networks.
Les signaux électroencéphalographiques enregistrés chez les patients épileptiques reflètent, en dehors des périodes correspondant aux crises d'épilepsie, des signaux transitoires appelés "activités épileptiformes" (AE). L'analyse des AE peut contribuer à l'étude des épilepsies partielles pharmaco-résistantes. Une méthode de caractérisation de la dynamique spatio-temporelle des AE dans des signaux EEG de profondeur est présentée dans ce document. La méthode est constituée de quatre étapes:
1. Détection des AE monovoie. La méthode de détection, qui repose sur une approche heuristique, utilise un banc de filtres en ondelettes pour réhausser la composante pointue des AE (généralement appelée "spike" dans la littérature). La valeur moyenne des statistiques obtenues en sortie de chaque filtre est ensuite analysée avec un algorithme de Page-Hinkley dans le but de détecter des changements abrupts correspondant aux spikes.
2. Fusion des AE. Cette procédure recherche des co-occurrences entre AE monovoie à l'aide d'une fenêtre glissante puis forme des AE multivoies.
3. Extraction des sous-ensembles de voies fréquement et significativement activées lors des AE multivoies (appelés "ensembles d'activation").
4. Evaluation de l'éxistence d'un ordre d'activation temporel reproductible (éventuellement partiel) au sein de chaque ensemble d'activation.
Les méthodes proposées dans chacune des étapes ont tout d'abord été évaluées à l'aide de signaux simulés (étape 1) ou à l'aide de models Markoviens (étapes 2-4). Les résultats montrent que la méthode complète est robuste aux effets des fausses-alarmes. Cette méthode a ensuite été appliquée à des signaux enregistrés chez 8 patients (chacun contenant plusieurs centaines d'AE). Les résultats indiquent une grande reproductibilité des distributions spatio-temporelles des AE et ont permis l'identification de réseaux anatomo-fonctionnels spécifiques.
1. Détection des AE monovoie. La méthode de détection, qui repose sur une approche heuristique, utilise un banc de filtres en ondelettes pour réhausser la composante pointue des AE (généralement appelée "spike" dans la littérature). La valeur moyenne des statistiques obtenues en sortie de chaque filtre est ensuite analysée avec un algorithme de Page-Hinkley dans le but de détecter des changements abrupts correspondant aux spikes.
2. Fusion des AE. Cette procédure recherche des co-occurrences entre AE monovoie à l'aide d'une fenêtre glissante puis forme des AE multivoies.
3. Extraction des sous-ensembles de voies fréquement et significativement activées lors des AE multivoies (appelés "ensembles d'activation").
4. Evaluation de l'éxistence d'un ordre d'activation temporel reproductible (éventuellement partiel) au sein de chaque ensemble d'activation.
Les méthodes proposées dans chacune des étapes ont tout d'abord été évaluées à l'aide de signaux simulés (étape 1) ou à l'aide de models Markoviens (étapes 2-4). Les résultats montrent que la méthode complète est robuste aux effets des fausses-alarmes. Cette méthode a ensuite été appliquée à des signaux enregistrés chez 8 patients (chacun contenant plusieurs centaines d'AE). Les résultats indiquent une grande reproductibilité des distributions spatio-temporelles des AE et ont permis l'identification de réseaux anatomo-fonctionnels spécifiques.
Mots clés
signal processing
wavelets decomposition
Gabor decomposition
detection of abrupt changes
fusion of monochannel events
modeling of EEG signals
stochastic simulations with Markov models
pattern matching
data analysis
statistical analysis
visualiza
traitement du signal
décomposition en ondelettes
décomposition de Gabor
détection de ruptures
fusion d'événements monovoie
modélisation des signaux EEG
simulations probabilistes à l'aide de models de Markov
reconnaissance de formes
analyse de données
analyse statistique
visualisation et interprétation de dépendences statistiques à l'aide de graphes
fouille de données (recherche de règles d'association à l'aide d'algorithmes rapides)
analyse de chronologies
neurophysiologie
épilepsie
anatomie cérébrale
pointes intercritique
signaux EEG (surface et profondeur).
signaux EEG (surface et profondeur)