Informations

Que révéleraient les enregistrements EEG si leur résolution était meilleure ?

Que révéleraient les enregistrements EEG si leur résolution était meilleure ?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

1. Résolution temporelle

Bien sûr, nous verrions des fréquences plus élevées. Mais serait-ce instructif ? Les fréquences mesurées aujourd'hui ne sont-elles pas proches de la frontière du bruit ?

2. Résolution spatiale

Je suppose que la mesure LFP va dans cette direction (plus proche des sources des signaux mesurés). Mais qu'apprendrait-on par là ? Trouver des régions à petite échelle (inférieures à la taille de la zone de Brodman) qui se comportent en phase verrouillée/synchrone ?

3. IRMf

Les mêmes questions pourraient être posées en ce qui concerne l'IRMf. Mais je suppose que tant que la résolution temporelle est aussi mauvaise qu'elle l'est aujourd'hui (et qui ne peut pas être bien meilleure), nous n'avons pas à demander une résolution spatiale, n'est-ce pas ?


La résolution temporelle de l'EEG est déjà considérée comme très bonne. Le problème est la résolution spatiale. Même la perte d'activité à très haute fréquence, comme les pointes individuelles, est vraiment un problème de résolution spatiale plutôt que temporelle : les cellules de pointe sont trop éloignées, il n'est donc possible de les détecter que si elles sont très synchronisées (auquel cas elles apparaissent toujours comme des signaux de fréquence inférieure).

Parce que les enregistrements EEG sont si éloignés des sources à partir desquelles ils enregistrent, et parce que même les structures profondes du cerveau peuvent contribuer aux potentiels de surface, les signaux finissent par être des moyennes complexes sur un grand espace. Il existe tout un domaine appelé modélisation de source EEG qui essaie d'utiliser des méthodes de traitement du signal pour améliorer cette résolution spatiale.

Cependant, vous n'avez pas vraiment à poser cela comme une question hypothétique, car nous avons déjà des méthodes qui ont une meilleure résolution que l'EEG. Les électrocorticogrammes (ECoG) sont les plus similaires et les plus applicables aux études humaines. Les tableaux ECoG sont très similaires à l'EEG, mais ils sont placés directement sur la dure-mère, sous le crâne. Ils augmentent la résolution spatiale car ils réduisent considérablement les distances en n'ayant pas à enregistrer à travers le crâne.

Comme vous le mentionnez dans votre question, les potentiels de champ local (LFP) se rapprochent encore plus de l'endroit où se produisent les courants mesurés, en enregistrant à partir du cerveau lui-même. La résolution spatiale des LFP eux-mêmes peut également être améliorée en enregistrant à partir de plusieurs électrodes et en calculant une densité de source de courant. Cela permet également d'atténuer les effets de la conduction volumique.

L'IRMf est une question complètement distincte. Souvent, les résultats de l'EEG et de l'IRMf peuvent agir conjointement, en utilisant l'EEG pour déterminer le temps et l'IRMf pour déterminer l'espace (notez que bien qu'il y ait des limites à la résolution spatiale de l'IRMf, pour un sujet humain, il est dramatiquement plus précis dans l'espace que l'EEG, en particulier pour toutes les structures ne se trouvant pas à la surface même du cerveau, y compris l'un des sillons du néocortex). La résolution spatiale de l'IRMf peut être améliorée en utilisant des aimants plus puissants, mais il y a finalement des limitations technologiques (et financières), mais comme vous le dites, la résolution temporelle est fixe, et même la résolution spatiale a des limitations pratiques.

Pour répondre de manière générale à votre question de titre : si la résolution spatiale de l'EEG est améliorée (en pratique, cela signifie soit la modélisation de la source, soit l'utilisation de l'ECoG ou de la LFP), on est mieux à même d'identifier les structures cérébrales qui produisent les signaux observés dans l'EEG, et capable d'être plus sûr que les signaux observés sont "réels" plutôt qu'un artefact de filtrage dans l'espace. Par exemple, une onde progressive à haute fréquence pourrait apparaître comme un signal à basse fréquence sur un EEG, ou un événement localisé de haute intensité pourrait apparaître comme un événement généralisé de faible intensité ; une résolution spatiale plus élevée vous permettrait de faire la distinction entre les deux dans les deux cas.


Ben il

Le Dr Bin He a obtenu son baccalauréat en génie électrique de l'Université du Zhejiang en 1982 et son doctorat en génie bioélectrique de l'Institut de technologie de Tokyo, au Japon, un campus lauréat du prix Nobel en 1988, tous deux avec les plus hautes distinctions. Il a complété une bourse postdoctorale en génie biomédical à l'Université Harvard - M.I.T. Après avoir travaillé comme chercheur scientifique au M.I.T., il a fait partie de la faculté de génie électrique et de bio-ingénierie de l'Université de l'Illinois à Chicago, où il a été nommé chercheur universitaire par le président de l'Université de l'Illinois. Depuis janvier 2004, il est professeur de génie biomédical et directeur du laboratoire d'imagerie fonctionnelle biomédicale et de neuro-ingénierie à l'Université du Minnesota. Plus tard, il a été nommé professeur distingué de l'Université McKnight et titulaire de la chaire Medtronic-Bakken pour l'ingénierie en médecine. Il a été directeur du Center for Neuroengineering, du NSF IGERT Neuroengineering Training Program et du NIH Neuroimaging Training Program, et a été directeur de l'Institute for Engineering in Medicine de 2012 à 2017, à l'Université du Minnesota. Le Dr He a également été directeur des études de premier cycle en génie biomédical de 2004 à 2006.

Les intérêts de recherche du Dr He comprennent la neuro-ingénierie, l'imagerie biomédicale fonctionnelle, le génie cardiovasculaire et l'instrumentation biomédicale. Il a publié plus de 230 articles dans des revues internationales à comité de lecture, notamment Neuron, Brain, Journal of Neuroscience, Proceedings of the IEEE, NeuroImage, Human Brain Mapping, Nanomedicine, Heart Rhythm, Epilepsia, Applied Physics Letters, American Journal of Physiology, Journal of Neural Engineering, et diverses transactions IEEE, y compris les transactions IEEE sur le génie biomédical, les transactions IEEE sur l'imagerie médicale et les transactions IEEE sur les systèmes neuronaux et l'ingénierie de la réadaptation. Il a également prononcé plus de 40 conférences plénières et conférences dans diverses conférences et ateliers internationaux. Les recherches du Dr He ont été présentées par Nature, New York Times, BBC, CNN, NBC, CBS, ABC, Scientific American, Economist, New Scientist, US News, NPR, entre autres. Une vidéo décrivant son travail sur un robot volant contrôlé par l'esprit a été visionnée

900 000 fois.

Le Dr He a été nommé récipiendaire du 2017 IEEE Technical Field Award of Biomedical Engineering, et est récipiendaire du Academic Career Achievement Award et du Distinguished Service Award de la IEEE Engineering in Medicine and Biology Society, le Outstanding Research Award de l'International Fédération de neurophysiologie clinique, le prix du chercheur établi de l'American Heart Association et le prix CAREER de la National Science Foundation, entre autres. Il est membre élu de l'Académie internationale de génie médical et biologique, de l'IEEE, de l'Institut américain de génie médical et biologique et de l'Institut de physique. Le Dr He est rédacteur en chef adjoint ou membre du comité de rédaction de plusieurs revues internationales dans le domaine du génie biomédical, et est le rédacteur en chef de IEEE Transactions on Biomedical Engineering. Il a été président général de la conférence annuelle internationale de l'IEEE Engineering in Medicine and Biology Society (2009), président du forum IEEE EMBS sur les grands défis en neuroingénierie (2010), coprésident du comité scientifique du Congrès mondial sur Physique médicale et génie biomédical (2012), président de la conférence IEEE Life Sciences Grand Challenges (2012), président de la conférence internationale IEEE EMBS sur l'ingénierie neuronale (2013), président de l'atelier NSF sur la cartographie et l'ingénierie du cerveau (2013) et président de la conférence IEEE EMBS BRAIN Grand Challenges (2014). Il a été président de l'International Society of Bioelectromagnetism et de l'International Society for Functional Source Imaging, et a été le président 2009-2010 de l'IEEE Engineering in Medicine and Biology Society, qui compte plus de 10 000 membres dans le monde. Il a été membre du groupe de travail multi-conseils du NIH BRAIN.

Le Dr He a eu la chance d'être associé à de talentueux étudiants diplômés et de premier cycle et à des associés postdoctoraux, dont beaucoup ont occupé des postes de professeur dans des universités aux États-Unis, au Canada, au Japon, en Chine et en Corée, et dans de grandes entreprises. Bon nombre de ses étudiants au doctorat ont reçu des bourses de recherche concurrentielles de divers organismes de financement ou de l'Université, ou des prix de concours d'articles dans le cadre de conférences internationales.

Les principaux intérêts de recherche du Dr Bin He se situent dans le domaine de la neuro-ingénierie et de l'imagerie biomédicale. Ses programmes de recherche sont financés par le NIH (NIBIB, NCCIH, NINDS, NHLBI, NEI, OD), NSF et ONR, entre autres sponsors. Les programmes de recherche actifs dans le laboratoire du Dr He sont les suivants.

Neuroimagerie fonctionnelle multimodale : Le Dr He et ses étudiants ont développé une théorie unifiée pour la neuroimagerie multimodale intégrant l'IRM fonctionnelle BOLD et l'imagerie électrophysiologique. La neuroimagerie hémodynamique, telle que l'IRM fonctionnelle BOLD, a une résolution spatiale élevée à l'échelle du mm mais très lente dans le temps. La neuroimagerie électrophysiologique a une résolution temporelle élevée à l'échelle de la ms mais une résolution spatiale limitée. Cela a été une frontière majeure dans la recherche en neuroimagerie fonctionnelle pour tenter d'améliorer considérablement la résolution spatio-temporelle en intégrant l'IRM fonctionnelle avec l'imagerie électrophysiologique. Le Dr He et ses collègues ont développé une théorie rigoureuse sur le couplage neurovasculaire, qui fournit une méthode fondée sur des principes d'intégration des signaux d'IRM fonctionnelle BOLD avec des signaux électrophysiologiques pour les paradigmes liés aux événements. La théorie a été testée dans le système visuel humain et a révélé une amélioration spectaculaire des performances dans l'imagerie des voies d'information visuelle humaine. Le Dr He et ses étudiants ont développé de nouveaux algorithmes pour intégrer les signaux IRMf et EEG/MEG pour l'activité cérébrale oscillatoire. Actuellement, des études théoriques et expérimentales sont activement poursuivies dans le laboratoire du Dr He pour développer davantage la modalité de neuroimagerie fonctionnelle spatio-temporelle à haute résolution et pour étudier les fonctions sensorielles, motrices et cognitives du cerveau à l'aide d'EEG/IRMf.

Neuroimagerie fonctionnelle de l'épilepsie : Le Dr He et ses collègues ont apporté des contributions importantes à la neuroimagerie électrophysiologique à haute résolution facilitant la planification neurochirurgicale chez les patients épileptiques. En raison de la résolution spatiale limitée de l'EEG du cuir chevelu, il est largement pratiqué dans les milieux cliniques que des enregistrements intracrâniens invasifs sont obtenus, en plaçant des capteurs d'électrodes directement sur la surface ou dans le cerveau, pour faciliter la planification neurochirurgicale chez les patients atteints d'épilepsie réfractaire. Le Dr He et ses étudiants ont développé une méthodologie innovante d'imagerie des sources d'épilepsie, dans laquelle les interactions causales entre les sources sont identifiées et imagées à partir d'enregistrements EEG non invasifs. Une telle imagerie fournit une haute résolution spatiale dans l'imagerie des sources cérébrales distribuées dans le volume cérébral tridimensionnel et révèle les interactions neuronales et la connectivité intégrées dans les réseaux cérébraux. Le Dr He et ses collègues ont développé une méthodologie d'imagerie des crises basée sur l'ICA et mené une étude de validation rigoureuse dans un groupe de patients épileptiques pour imager le cerveau épileptogène, et ont démontré une cohérence élevée entre les sources de crises imagées et les zones épileptogènes déterminées par des procédures cliniques bien établies. chez les mêmes patients. Des recherches actives sont actuellement menées pour établir davantage la neuroimagerie électrophysiologique en tant qu'outil non invasif facilitant la planification chirurgicale chez les patients épileptiques. Outre la neuroimagerie EEG/MEG, le Dr He et ses collègues étudient également la cartographie fonctionnelle par IRM de la zone épileptogène à partir de l'IRMf. Cette ligne de travail est menée en collaboration avec la Mayo Clinic et le centre médical de l'Université du Minnesota.

Imagerie des propriétés électriques : Un programme de recherche important dans le laboratoire du Dr He est le développement et l'étude de nouvelles approches pour l'imagerie non invasive des propriétés électriques des tissus biologiques, y compris l'imagerie par bioimpédance. Le Dr He et ses collègues ont proposé et développé une nouvelle approche appelée tomographie magnétoacoustique avec induction magnétique (MAT-MI) en intégrant les ultrasons et le biomagnétisme, afin d'obtenir une image haute résolution de l'impédance électrique du tissu biologique. Dans l'approche MAT-MI, l'objet est placé dans un champ magnétique statique et un champ magnétique pulsé. Le champ magnétique pulsé induit des courants de Foucault dans l'objet. Par conséquent, l'objet émet des ondes ultrasonores à travers la force de Lorentz produite par la combinaison des courants de Foucault et du champ magnétique statique. Les ondes acoustiques sont ensuite collectées par les détecteurs situés autour de l'objet pour la reconstruction de l'image. MAT-MI profite d'un excellent contraste d'impédance électrique et de la haute résolution spatiale des ultrasons. Les travaux récents démontrent que l'approche MAT-MI peut atteindre une résolution spatiale en mm dans l'imagerie d'impédance électrique, ce qui représente une avancée significative par rapport à la résolution spatiale de l'approche d'imagerie d'impédance électrique conventionnelle, et peut jouer un rôle d'une importance critique dans la détection précoce du sein. cancer. Dans le même ordre d'idées, le Dr He et ses collègues ont développé une approche de tomographie des propriétés électriques (EPT) basée sur l'IRM en utilisant la cartographie B1 de la technologie MR pour reconstruire les distributions de propriétés électriques spécifiques au sujet. L'EPT a non seulement un grand potentiel pour les applications cliniques dans la détection et le diagnostic du cancer, mais promet également de fournir une cartographie SAR spécifique au sujet, aidant à gérer les problèmes de sécurité dans les systèmes d'IRM à champ élevé ou ultra-élevé. Le projet EPT est mené en collaboration avec les enquêteurs du CMRR.

Tomographie électrique cardiaque : Le Dr He et ses collègues ont été les pionniers du développement de la tomographie cardiaque électrophysiologique dans l'évaluation des fonctions cardiaques dynamiques. Le problème d'imagerie inverse électrocardiographique a été historiquement résolu à l'aide de sources dipolaires ponctuelles, de potentiels épicardiques ou de schémas d'activation de la surface cardiaque. Le Dr He et ses collègues ont développé des techniques de tomographie électrique cardiaque dans son laboratoire pour imager des informations fonctionnelles électriques dans tout le volume tridimensionnel du cœur à partir de mesures électrocardiographiques non invasives. En collaboration avec des collaborateurs de l'Université de l'Alabama à Birmingham et de la faculté de médecine de l'Université du Minnesota, le Dr He et ses collègues ont validé cette technologie de tomographie électrique cardiaque dans des modèles animaux, notamment des lapins, des chiens et des porcs, où les potentiels intracardiaques ou intracavitaires simultanés sont mesurés ensemble. avec cartographie du potentiel de surface corporelle. Des études cliniques pilotes sont actuellement menées pour tester l'efficacité et les applications cliniques des techniques de tomographie électrique cardiaque développées dans le laboratoire du Dr He. La mise en place de telles techniques d'imagerie promet d'avoir un impact considérable sur la gestion de l'arythmie cardiaque, une cause majeure de problème de santé publique aux États-Unis et dans les pays développés.

Interface cerveau-ordinateur : Le Dr He a apporté des contributions pionnières à la recherche sur l'interface cerveau-ordinateur (BCI) non invasive. Ce travail vise à développer de nouvelles techniques pour décoder efficacement l'intention des sujets humains et contrôler un dispositif externe, ce qui peut finalement bénéficier aux patients souffrant de troubles neurologiques tels que les lésions de la moelle épinière ou les accidents vasculaires cérébraux. Le Dr He et ses collègues ont développé une approche temps-fréquence-spatiale pour extraire les signaux extrêmement faibles accompagnant la «pensée» d'un sujet humain à l'aide d'un réseau de capteurs d'électrodes placés sur le cuir chevelu. Cette méthode prend les « signatures » de chaque sujet individuel et les utilise pour un décodage optimal de l'intention du sujet humain. Le Dr He a proposé le concept de BCI basé sur la neuroimagerie électrophysiologique - une idée pour estimer les signaux intracrâniens «virtuels» à partir des enregistrements EEG non invasifs pour améliorer considérablement les performances des BCI non invasifs basés sur l'EEG. Le Dr He et ses collègues ont étudié de manière agressive les mécanismes associés à la BCI basée sur l'imagerie motrice en utilisant des techniques avancées de neuroimagerie pour délimiter les sources cérébrales accompagnant l'imagerie motrice. Récemment, le Dr He et ses étudiants ont développé un système d'interface cerveau-ordinateur continu en 3 dimensions pour permettre à des sujets humains de contrôler le vol d'un robot volant à partir d'ondes cérébrales non invasives. Cliquez sur la vidéo pour voir le robot volant contrôlé par l'esprit.

Neuromodulation : Le Dr He et ses collègues recherchent activement des modalités de neuromodulation non invasives, notamment les ultrasons focalisés transcrâniens (tFUS), la stimulation magnétique transcrânienne (TMS), la stimulation transcrânienne à courant continu (tDCS) et la stimulation transcrânienne à courant alternatif (tACS). L'intérêt actuel va des études fondamentales des mécanismes de la tFUS, de la TMS et de la tDCS/tACS au moyen de la cartographie dynamique du cerveau, aux investigations cliniques chez les patients ayant subi un AVC et la schizophrénie. Outre les objectifs de traitement, le Dr He et ses étudiants étudient l'imagerie basée sur les perturbations dans laquelle la neuromodulation est utilisée pour perturber le système nerveux central et les réponses mesurées à l'aide de diverses méthodes de neuroimagerie pour une meilleure compréhension des circuits, des réseaux et des fonctions du cerveau.


Rôle de l'EEG en tant que biomarqueur dans la détection précoce et la classification de la démence

La détection précoce et la classification de la démence sont des tâches de soutien clinique importantes pour les médecins dans la personnalisation des programmes de traitement des patients afin de mieux gérer le développement et la progression de ces maladies. Des efforts sont déployés pour diagnostiquer ces troubles neurodégénératifs à un stade précoce. En effet, un diagnostic précoce aide les patients à obtenir le bénéfice maximal du traitement avant qu'un déclin mental significatif ne se produise. L'utilisation de l'électroencéphalogramme comme outil de détection des modifications des activités cérébrales et de diagnostic clinique devient de plus en plus populaire pour ses capacités à quantifier les modifications de la dégénérescence cérébrale dans la démence. Cet article passe en revue le rôle de l'électroencéphalogramme en tant que biomarqueur basé sur le traitement du signal pour détecter la démence à un stade précoce et classer sa gravité. L'examen commence par une discussion sur les types de démence et le spectre cognitif, suivie de la présentation du débruitage de prétraitement efficace pour éliminer les artefacts possibles. Il se poursuit par une description de l'extraction de caractéristiques à l'aide de techniques linéaires et non linéaires, et se termine par une brève explication de la grande variété de techniques de séparation pour classer les signaux EEG.Cet article fournit également une idée des études les plus populaires qui peuvent aider à diagnostiquer la démence à un stade précoce et à la classer grâce au traitement et à l'analyse du signal d'électroencéphalogramme.

1. Introduction

La démence fait référence à un groupe de troubles causés par le dysfonctionnement progressif et la mort des cellules du cerveau. Ce trouble peut être décrit cliniquement comme un syndrome qui provoque un déclin du domaine cognitif (c.-à-d. attention, mémoire, fonction exécutive, capacité visuo-spatiale et langage) [1]. Prédire la démence à un stade précoce serait essentiel pour améliorer la gestion du traitement avant que des lésions cérébrales ne surviennent.

Le diagnostic précoce de la démence aidera les patients atteints de démence à commencer un traitement précoce en fonction des symptômes. Au cours des dernières années, des progrès significatifs ont été réalisés pour révéler les premiers stades de la démence grâce à des biomarqueurs. Ces améliorations incluent des biomarqueurs biochimiques, génétiques, neuro-imagerie et neurophysiologiques [2, 3]. Par conséquent, le développement et l'intégration de ces biomarqueurs pour identifier la démence à un stade précoce sont importants pour obtenir un indice diagnostique optimal.

En parallèle, au cours des deux dernières décennies, une croissance significative a été notée dans l'intérêt de la recherche sur l'EEG, en tant qu'enquête complète sur un biomarqueur neurodynamique sensible au temps qui aide à détecter les anomalies corticales associées au déclin cognitif et à la démence [4-7]. Un marqueur EEG serait une méthode non invasive qui pourrait avoir la sensibilité pour détecter précocement la démence et même classer le degré de sa gravité à moindre coût pour un dépistage de masse. L'EEG est également largement disponible et plus rapide à utiliser que les autres appareils d'imagerie [8, 9].

Cette revue s'est concentrée sur l'utilisation de l'EEG comme outil d'investigation et biomarqueur physiologique pour identifier la démence à un stade précoce et classer le degré de sa gravité par le traitement et l'analyse du signal. L'examen vise à révéler des changements subtils qui pourraient définir des indicateurs pour la détection précoce de la démence qui aideront les médecins et les cliniciens à planifier et à fournir une prédiction plus fiable de l'évolution de la maladie en plus du programme thérapeutique optimal pour fournir aux patients atteints de démence années d'une meilleure qualité de vie.

2. Démence et diagnostic médical

La démence survient lorsque le cerveau a été affecté par une maladie ou une affection spécifique qui provoque une déficience cognitive [10]. Le diagnostic de démence est généralement basé sur plusieurs critères, tels que les antécédents médicaux des patients avec un examen clinique, neurologique et psychologique, des études de laboratoire et une neuroimagerie [3].

2.1. Types de démence et spectre cognitif

La démence est associée à une diversité de troubles neurodégénératifs, ainsi qu'à un dysfonctionnement neuronal et à la mort. La démence a différents types en fonction de sa cause, ces types incluent la maladie d'Alzheimer (MA), la démence vasculaire (VaD), le corps de Lewy, la démence frontotemporale (FTD) et la maladie de Parkinson, entre autres [2, 11].

La MA et la VaD sont considérées comme les deux types de démence les plus courants dans le monde, c'est pourquoi la présente revue traite de l'effet de la MA et de la VaD sur le cerveau [12]. La MA est la plus répandue dans le monde occidental, tandis que la VaD est la plus répandue en Asie [13].

La moitié des personnes âgées de 85 ans ou plus sont atteintes de la MA, et ce nombre doublera à peu près tous les 20 ans en raison du vieillissement de la population [14, 15]. Plusieurs changements neuropathologiques agissent ensemble pour développer la MA. Ces changements comprennent la perte de cellules neuronales et le développement d'enchevêtrements neurofibrillaires et de plaques amyloïdes dans l'hippocampe, le cortex entorhinal, le néocortex et d'autres régions du cerveau. Ces changements peuvent également se produire chez un individu non dément, et ils sont associés au développement de la MA avant même que les symptômes cognitifs typiques ne soient évidents [16, 17]. La diminution du tonus cholinergique induite par les lésions neuronales se traduit par une augmentation des difficultés cognitives [18].

La VaD est un autre type de démence. Entre 1% et 4% des personnes âgées de 65 ans souffrent de VaD, et la prévalence chez les personnes âgées double tous les 5 à 10 ans [19, 20]. La VaD est la perte de la fonction cognitive causée par des lésions cérébrales ischémiques, ischémiques-hypoxiques ou hémorragiques à la suite d'une maladie cérébrovasculaire et de changements pathologiques cardiovasculaires, tels que les cardiopathies ischémiques et les accidents vasculaires cérébraux [21-23].

La déficience cognitive présente aux individus le spectre de la démence illustré à la figure 1. Le spectre de la démence peut être considéré comme une séquence dans le domaine cognitif qui commence par une déficience cognitive légère (MCI) et se termine par une démence sévère, et la période au-delà de la démence au cours de laquelle le cerveau est à risque est appelé déficience cognitive sans démence (CIND) [24].


Le MCI fait référence au déclin de la fonction cognitive qui est plus important que prévu en fonction de l'âge et du niveau d'éducation d'un individu, mais la fonction cognitive réduite n'interfère pas avec les activités quotidiennes. Cliniquement, le MCI est le stade de transition entre la cognition normale précoce et la démence sévère tardive et est considéré comme hétérogène car certains patients MCI développent une démence, tandis que d'autres restent des patients MCI pendant de nombreuses années. Cependant, les patients qui ont reçu un diagnostic de MCI ont un risque élevé de développer une démence, c'est-à-dire trois fois plus élevé que les personnes sans dysfonctionnement cognitif. Les symptômes de MCI les plus fréquemment observés sont limités à la mémoire, alors que les activités quotidiennes des patients restent les mêmes [25].

Comme le diagnostic de démence n'est pas facile à réaliser en raison de l'hétérogénéité des symptômes dans le spectre des troubles cognitifs, il peut être conseillé d'intégrer les tests neuropsychologiques avec des biomarqueurs. Les derniers critères de diagnostic de la MA et du MCI soutiennent cette idée car ils soulignent l'importance que plusieurs biomarqueurs (IRM structurale, FDG-PET et analyses biochimiques du liquide céphalo-rachidien) ont pour confirmer qu'un processus pathologique de la MA est bien la cause des symptômes cognitifs [26-29]. Les critères de diagnostic se concentrent généralement sur l'évaluation de divers signes de démence, en particulier les troubles de la mémoire. Les critères de diagnostic les plus courants sont développés et caractérisés par le National Institute of Neurological and Communication Disorder and Stroke-Alzheimer's Disease and Related Disorder Association (NINDS-ADRDA) pour la MA [26-30] et le National Institute of Neurological Disorders and Stroke and Association Internationale pour la Recherche et l'Enseignement en Neurosciences (NINCDS-AIREN) pour la VaD [31] et les critères de la quatrième édition du Manuel diagnostique et statistique des troubles mentaux (DSM-IV) [32]. La sévérité des symptômes cognitifs pourrait être évaluée à l'aide de l'échelle d'évaluation de la démence clinique (CDR) [33] et de l'échelle de dépression gériatrique (GDS) [34] et de l'échelle d'ischémie de Hachinski (HIS) [35], tandis que le résultat fonctionnel peut être évalué par activité de base de la vie quotidienne (IDAL) et (BDAL) [36]. Les tests les plus utilisables pour évaluer les stades précoces de la démence et même la gravité de la démence en pratique clinique sont le Mini-Mental State Examination (MMSE) [37], le Montreal Cognitive Assessment (MoCA) [38] et le Cognitive Examination Revised (ACE-R) d'Addenbrooke. ) [39]. Plusieurs évaluations neuropsychologiques cliniques validées sont utilisées pour évaluer le domaine cognitif, y compris (mais sans s'y limiter) le Trail Making Test (TMT) [40] et le Clock Drawing Test (CDT) [41] pour l'attention et la fonction exécutive, Rey Osterrieth Figure Copy [42] pour le test de praxis de construction, et le test de Token de fluidité phonologique et sémantique pour le test de langue [43].

2.2. Biomarqueurs pour détecter la démence

Une mesure objective, qui est liée à des molécules concentrées dans le cerveau ou des fluides biologiques ou à d'autres variables anatomiques ou physiologiques, qui aident à diagnostiquer et à évaluer la progression de la maladie ou la réponse aux thérapies est appelée un « biomarqueur ». Un biomarqueur peut être utilisé pour visualiser la pathogenèse de la démence et permet de prédire ou d'évaluer le risque de maladie pour identifier un diagnostic clinique ou un suivi d'intervention thérapeutique pouvant modifier ou arrêter la maladie [44, 45]. Idéalement, le biomarqueur devrait détecter les processus neuropathologiques avant même un diagnostic clinique et devrait aider à identifier les personnes à risque de développer une démence. Les biomarqueurs pour la détection précoce de la démence peuvent inclure de nombreuses études dans de multiples domaines et peuvent être divisés en quatre catégories principales, à savoir, biochimiques, génétiques, neuroimagerie et neurophysiologie [2, 3, 11, 46].

2.2.1. Marqueur biochimique

Deux principaux types de marqueurs biochimiques ont été identifiés pour refléter les événements pathologiques, en particulier la détection de la démence, du liquide céphalo-rachidien (LCR) et du sérum [2, 47].

Plusieurs études ont porté sur le développement de l'amyloïde ?? (UNE??), l'analyse de la protéine tau totale (T-tau) et de l'hyperphosphorylation tau (P-tau) dans le LCR et le plasma en tant que biomarqueurs de la MA. Bien que les biomarqueurs du LCR soient spécifiques de la MA, Paraskevas et al. [48] ​​ont étudié leur contribution potentielle au diagnostic différentiel entre MA, MCI et VaD. Par exemple, A??42 et T-tau dans le LCR sont utiles pour différencier le MCI et d'autres stades de démence dans le spectre de la démence, tandis que la mesure du LCR de P-tau et A??42 peut aider au diagnostic de VaD ou FTD [49]. Cependant, le LCR et le sérum sont utilisés comme marqueurs pour identifier la démence, mais la sensibilité et la spécificité de ces tests sont limitées [11].

2.2.2. Biomarqueurs génétiques

Le profil d'expression génique est considéré comme une approche prometteuse pour la détection précoce de la démence. Plusieurs études ont été menées grâce à l'analyse génétique de troubles connexes, tels que la MA, pour évaluer le facteur de risque génétique qui peut conduire à la démence. De plus, le profilage d'expression génique basé sur le sang a été décrit comme capable de diagnostiquer des troubles cérébraux par plusieurs groupes indépendants. De nombreux avantages sont offerts par le profilage de l'expression de l'ARN du sang total dans le déchiffrement des modèles aberrants de la régulation des gènes dans la neurogénération. Par conséquent, le biomarqueur génétique fournit une indication pour développer une démence mais a également besoin d'autres biomarqueurs, tels que la neuroimagerie et les biomarqueurs chimiques [2, 3, 11]. Les

L'allèle du gène de l'apolipoprotéine E est le principal transporteur lipidique de la protéine au cerveau, et son héritage est associé à l'apparition de la MA et de la VaD. En conséquence, l'âge et l'hérédité de l'allèle ont été utilisés comme facteur de risque et/ou pathogenèse commun pour la MA et la VaD [45, 50].

2.2.3. Biomarqueurs de neuroimagerie

La neuroimagerie est disponible depuis quelques décennies. Cette technique peut être classée en structurelle et fonctionnelle en fonction des principales informations qu'elle fournit. L'imagerie par résonance magnétique (IRM) et la tomodensitométrie (TDM) sont des techniques d'imagerie structurelle qui aident à clarifier le diagnostic cérébral en détectant la zone touchée et le type d'atrophie ou de lésion vasculaire. Le rôle du CT est de distinguer deux structures et de les séparer l'une de l'autre, car le CT a une bonne résolution spatiale. En revanche, l'IRM distingue les différences entre deux tissus arbitrairement similaires mais non identiques. L'IRM offre une bonne résolution de contraste. La tomographie par émission de positons et la tomodensitométrie par émission de photons uniques sont considérées comme des techniques d'imagerie fonctionnelle qui peuvent mesurer les paramètres du métabolisme cérébral, tels que le débit sanguin cérébral régional et le métabolisme cérébral régional du glucose. Ces paramètres fournissent une bonne indication pour la MA et la VaD avant que des changements morphologiques ne se produisent. De plus, l'IRM fonctionnelle est utilisée pour mesurer la fonction cérébrale au fil du temps en fonction du niveau d'oxygène dans le sang au repos. Il reflète indirectement l'activité neuronale et identifie les activités cérébrales associées aux tâches cognitives. Les techniques d'imagerie fonctionnelle sont adaptées à la détection et au diagnostic précoces de la démence [2, 3, 11]. Ces techniques ont une résolution spatiale élevée pour les détails anatomiques mais une résolution temporelle limitée. Ainsi, ces techniques de neuroimagerie sont incapables de différencier les étapes au sein du réseau de distribution cérébrale en série ou en activation parallèle [51]. De plus, la tomodensitométrie et l'IRM peuvent être affectées par l'imbibition de liquide après une lésion cérébrale dans certains cas, devenant ainsi incapables de détecter les meilleurs changements de risque ou devenant insuffisamment sensibles pour détecter la démence à ses débuts [52].

2.2.4. Biomarqueurs neurophysiologiques

Les changements neuraux associés à la démence peuvent également être détectés avec des biomarqueurs cliniques, tels que l'EEG, l'électroencéphalographie quantitative, le potentiel lié aux événements, la stimulation magnétique transcrânienne et la stimulation du nerf vague [2, 18]. L'EEG est un neurosignal qui suit le traitement de l'information avec une précision de quelques millisecondes. Il a fait l'objet d'une interprétation par inspection visuelle par un clinicien qui aboutit à des résultats de diagnostic acceptables et réussis. Cependant, les EEG se caractérisent par une résolution spatiale inférieure à celle des autres techniques de neuroimagerie, bien que ces techniques ne fournissent pas d'informations fonctionnelles sur le cerveau en plus de leur limitation dans la résolution temporelle. L'EEG fournit une résolution temporelle élevée et est donc crucial pour l'étude du cerveau. activité [53, 54]. Ainsi, l'interprétation du degré d'anomalie de l'EEG et la gravité de la démence sont les avantages du traitement du signal et de l'analyse de l'EEG. L'analyse du signal EEG fournit une localisation relativement précise des sources d'activité électrique en suivant la connectivité hiérarchique des neurones dans le lieu d'enregistrement. L'EEG peut fournir des indications utiles sur les schémas de l'activité cérébrale s'il est intégré à d'autres biomarqueurs, tels que la neuroimagerie structurelle et fonctionnelle [51].

Avec les progrès spectaculaires des appareils EEG, des capteurs et des électrodes, cette revue s'est concentrée uniquement sur la fonction de l'EEG en tant que biomarqueur subtil et approprié pour identifier explicitement la dynamique neuronale et la manifestation cognitive dans la plupart des cas de démence, tels que la MA et la VaD, grâce à des techniques d'analyse et de traitement du signal EEG.

3. Fonction de l'EEG dans la détection précoce et la classification de la démence

En tant que biomarqueur neurophysiologique, l'EEG peut caractériser différentes conditions physiologiques et pathologiques, telles que les effets de la démence sur la distribution de la fonction corticale. L'EEG pourrait être utilisé non seulement comme outil de diagnostic clinique, mais aussi comme outil de prédiction des stades de la démence [7]. De nombreuses études ont été menées pour traiter les modifications de l'EEG associées à la démence et pour identifier le degré de gravité de la démence, et certaines études soutiennent la possibilité que l'EEG détecte la démence à un stade précoce [55-59]. Par exemple, Henderson et al. identifié précocement la présence de démence par EEG avec une sensibilité et une spécificité élevées [55, 60], ils ont montré la possibilité d'utiliser l'EEG comme marqueur de la MA [61]. L'EEG peut jouer un rôle important dans la détection et la classification de la démence en raison de son influence significative sur les anomalies de la démence en termes d'activité rythmique. L'EEG est utile pour l'évaluation clinique en raison de sa facilité d'utilisation, de son caractère non invasif et de sa capacité à différencier les types et la gravité de la démence à un coût inférieur à celui des autres techniques de neuroimagerie [8, 9].

3.1. Signal EEG et états mentaux

Pour traiter les signaux EEG et extraire des informations et des caractéristiques utiles qui aident au diagnostic précoce de la démence, un signal EEG doit être illustré en termes d'activité rythmique [9]. Une onde EEG clinique forme une amplitude généralement comprise entre 10 et 100 ??v et à une gamme de fréquence de 1 Hz à 100 Hz. L'EEG peut être classé dans les cinq rythmes suivants en fonction de leurs bandes de fréquences, comme le montre la figure 2. (1) Alpha (??) onde : cette onde rythmique apparaît chez l'adulte sain alors qu'il est éveillé, détendu et les yeux fermés. Il se produit dans une plage de fréquences de 8 Hz à 13 Hz avec une plage de tension normale d'environ 20 ??v à 200 ??v [62]. ?? la forme d'onde est diminuée par l'ouverture de l'œil, un stimulus et une attention soudains, et un phénomène connu sous le nom de blocage alpha ou de désynchronisation. Comme ?? la distribution des ondes et les résultats sont basés sur l'étiologie, les modèles EEG qui prédominent dans le ?? bande de fréquence en cas d'état inconscient ou comateux sont définis comme un coma alpha [63]. ?? le rythme est composé de sous-unités comprenant alpha1, alpha2 et alpha3, dont la puissance de la bande spectrale donne une indication sur la gravité de la démence [64, 65]. ?? forme d'onde est principalement observée dans la région postérieure de la tête [66]. (2) Bêta (??) onde : la fréquence de ?? ondes varie de 13 Hz à 30 Hz, ce qui est supérieur à celui de la ?? forme d'onde, mais leurs amplitudes sont plus faibles et vont de 5 ??v à 10 ??v [62]. ?? les ondes apparaissent avec une excitation supplémentaire du système nerveux central, augmentent avec l'attention et la vigilance et remplacent ?? vague lors de troubles cognitifs. ?? des ondes sont observées dans la région pariétale et frontale du cuir chevelu [66]. (3) Thêta (??) onde : la gamme de fréquences de ?? l'onde est de 4 Hz à 7 Hz. Cette forme d'onde est importante pendant le sommeil, l'éveil chez les enfants plus âgés et les adultes, le stress émotionnel et la marche au ralenti. ?? l'onde est enregistrée dans la région temporale et pariétale du cuir chevelu avec une plage d'amplitude de 5 ??v à 10 ??v [62]. Deux types de ?? se trouvent chez les adultes en fonction de leur activité, le premier type présente une distribution étendue sur le cuir chevelu et est associé à une diminution de la vigilance, de la somnolence, des troubles cognitifs et de la démence, tandis que le deuxième type est appelé thêta médian frontal car il est distribué dans la ligne médiane frontale et est généré par le cortex cingulaire antérieur, qui est la plus grande région avec une corrélation positive entre la densité de courant thêta et le métabolisme du glucose. Cette vague a été liée à des activités telles que la concentration, l'attention, l'effort mental et le traitement de la stimulation [66]. (4) Delta (??) onde : la fréquence la plus basse de ?? l'onde est inférieure à 3,5 Hz, et son amplitude varie de 20 ??v à 200 ??v. ?? onde se produit pendant le sommeil profond, dans la petite enfance et avec de graves maladies organiques du cerveau. Cette forme d'onde peut être enregistrée frontalement chez l'adulte et postérieurement chez l'enfant [62]. (5) Gamma (??) onde : la fréquence de ?? gamme d'ondes de 30 Hz à 100 Hz [62]. Cette forme d'onde est enregistrée dans le cortex somatosensoriel dans le cas du traitement sensoriel croisé, au cours de la mémoire à court terme pour reconnaître les objets, les sons, la sensation tactile, et dans le cas pathologique en raison du déclin cognitif, en particulier lorsqu'il est lié à ?? bande [66].


(une)
(b)
(c)
(ré)
(e)
(F)
(une)
(b)
(c)
(ré)
(e)
(F) Forme d'onde de fréquence EEG. (a) Une seconde de signal EEG. (b) Onde delta. (c) Onde thêta. (d) Onde alpha. (e) Onde bêta. (f) Onde gamma.

Jusqu'à la fin de l'âge adulte, les activités de ?? et ?? les vagues diminuent avec l'âge, tandis que celles de ?? et ?? les ondes augmentent linéairement [67]. La densité de courant de ?? et le métabolisme du glucose possède une relation inverse dans le cas de maladies cérébrovasculaires, telles que les accidents vasculaires cérébraux, et peut être trouvé dans le cortex préfrontal subgenual en tant que résultat d'une déficience cognitive liée à la démence [68].

3.2. EEG dans la démence

L'EEG est utilisé comme référence pour la détection et le diagnostic de la démence depuis deux décennies. De nombreuses études ont soutenu la capacité de l'enregistrement EEG à détecter précocement la MA et la VaD [59, 69]. D'autres études ont utilisé l'EEG comme outil pour différencier la MA des autres types de démence, en particulier dans le diagnostic différentiel de la MA et de la VaD [70, 71]. L'EEG peut diagnostiquer les deux types de démence les plus courants (c.

La première observation clinique EEG a été illustrée par Berger au début du siècle dernier [74, 75]. L'interprétation des caractéristiques visuelles conventionnelles liées à la MA peut être résumée en ralentissant la fréquence du rythme postérieur dominant EEG, en augmentant la fréquence lente diffuse et en réduisant les activités alpha et bêta, tandis que l'activité alpha occipitale est préservée et la puissance thêta est augmentée dans le cas de VaD. La puissance delta est augmentée chez les patients AD et VaD [4, 76]. L'analyse informatisée du signal EEG fournit des données quantitatives, notamment une fréquence moyenne réduite, une puissance delta et thêta accrue ainsi qu'une puissance alpha et bêta réduite, une cohérence réduite dans la zone corticale et une complexité EEG réduite chez les patients atteints de démence [4]. De nombreuses études de Moretti et al. étudier les sous-rythmes au sein de l'alpha, où le rapport de puissance alpha3/alpha2 est utilisé comme marqueur précoce pour le pronostic du MCI et l'augmentation de ce rapport est corrélée à l'atrophie hippocampique chez les patients MCI et AD, alors que le rapport thêta/alpha1 pourrait être comme un indice fiable pour les dommages cérébrovasculaires [64, 77-79]. Cependant, l'EEG peut présenter une fréquence normale et peut sembler similaire aux sujets témoins âgés normaux au cours des premiers stades de la démence [4]. Néanmoins, l'analyse du signal EEG peut contribuer à une meilleure compréhension de la démence, car une telle analyse informatisée fournit des données quantitatives au lieu d'une simple inspection visuelle.

3.3. Traitement du signal EEG

L'EEG enregistré nécessite des étapes successives de traitement du signal pour extraire des marqueurs significatifs du signal EEG des patients atteints de démence, et ces marqueurs reflètent les changements pathologiques du cerveau. Les principales étapes du traitement du signal EEG sont le débruitage, l'extraction de caractéristiques et la classification. La figure 3 illustre les étapes du traitement du signal EEG.


3.3.1. Étape d'acquisition du signal EEG

L'EEG est un dispositif médical qui reflète l'activité électrique des neurones du cerveau et enregistre à partir du cuir chevelu avec une électrode métallique et un support conducteur [80].

La figure 4 montre le schéma de principe général de la machine EEG, il se compose d'électrodes, d'amplificateurs, de convertisseurs A/N, d'enregistreurs, de dispositifs de stockage et d'affichage.


Pour les patients atteints de démence, plusieurs procédures ont été proposées pour enregistrer le signal EEG, par exemple, les électrodes en forme de coupelle en plaque d'or illustrées à la figure 5 ont été utilisées pour enregistrer les EEG. La peau doit être tamponnée avec de l'alcool et du gel ou de la pâte doit être appliqué avant de placer l'électrode sur le cuir chevelu pour réduire le mouvement de l'appareil et améliorer la conductivité de l'électrode l'impédance de contact électrode-cuir chevelu EEG doit être inférieure à cinq kilo-ohms pour enregistrer une bonne signal de qualité [81].


Le montage référentiel est le montage le plus populaire utilisé pour l'enregistrement EEG pour la démence qui est utilisé pour enregistrer la différence de tension entre l'électrode active sur le cuir chevelu et l'électrode de référence sur le lobe de l'oreille, par exemple, comme le montre la figure 6 [82, 83].


Pour une application clinique fructueuse, l'EEG des patients atteints de démence a été enregistré dans un état d'unité clinique spécialisé avec le système 10-20 de la fédération internationale, qui est adopté par l'American EEG Society, tout en se reposant les yeux confortablement fermés, comme le montre la figure 7. Hamadicharef et al. [84] ont utilisé 19 électrodes d'enregistrement plus la masse et la référence du système pour l'enregistrement EEG pour les patients atteints de démence. , C3, Cz, C4, T4, A2, T5, P3, Pz, P4, T6, O1 et O2 [85].


(une)
(b)
(une)
(b) Le système de placement des électrodes EEG 10-20. (a) et (b) Vue de côté et vue de dessus en trois dimensions, respectivement [85].

Un exemple de l'appareil EEG le plus populaire contient des filtres passe-bas, passe-haut et coupe-bande. Les valeurs de fréquence typiques pour le filtre passe-bas (LPF) (c'est-à-dire 3 dB) sont de 0,16, 0,3, 1,6 et 5,3 Hz, et la fréquence de coupure supérieure peut être, par exemple, 15, 30, 70 ou 300 Hz. Typiquement, la fréquence d'enregistrement EEG pour la gamme de démence est de 0,3 Hz à 70 Hz, et le filtre coupe-bande est de 50 Hz ou 60 Hz [86]. La fréquence d'échantillonnage peut être de 128 Hz, 173 Hz ou même plus élevée comme 256 Hz et elle est sélectionnée en fonction de l'application avec un convertisseur A/N 12 bits ou 16 bits numérisant le signal pour être plus précis. Enfin, le signal EEG sera imprimé sur des papiers, affiché sur l'écran de l'ordinateur et stocké pour un examen plus approfondi à l'étape suivante [81].

3.3.2. Étape de débruitage

La fiabilité du signal EEG enregistré est fortement affectée par ses facteurs de bruit. La plupart des artefacts chevauchent les fréquences des signaux EEG. Les artefacts qui ont contaminé le signal EEG sont divisés en artefacts physiologiques (p. ex., activité musculaire, pouls et clignement des yeux) [87-90] et non physiologiques (p. activité (par exemple, l'arrière-plan). Le bruit a un effet direct sur les propriétés du signal EEG, et donc différentes techniques de traitement du signal ont été appliquées pour surmonter ce problème et extraire des informations pertinentes du signal EEG enregistré. Afin de se concentrer sur le rôle de l'EEG dans le diagnostic de la démence, les détails mathématiques ont été simplifiés dans le texte. Cette section traite des méthodes les plus populaires et les plus efficaces utilisées pour le débruitage EEG.

L'analyse en composantes indépendantes (ICA) est une méthode statistique d'ordre supérieur de séparation de source aveugle utilisée pour diviser un ensemble de signaux EEG enregistrés (c'est-à-dire des signaux mixtes) en ses sources sans information préalable sur la nature du signal. Langlois et al. et McKeown et al. ont utilisé l'ICA pour observer le mélange de signaux EEG qui reflète de multiples activités ou artefacts cognitifs, en particulier l'artefact oculaire [92-94].

La transformée en ondelettes (WT) est une procédure de débruitage efficace qui a été introduite pour traiter les signaux non stationnaires, tels que l'EEG. Zikov et al., Krishnaveni et al., et d'autres chercheurs ont utilisé le WT pour éliminer l'artefact oculaire [95-98]. La transformée en ondelettes continue (CWT) peut être utilisée comme un ensemble de fonctions de décomposition appelées ondelettes mères.


WT est considéré comme une méthode d'analyse multirésolution qui fournit des résolutions variables à différents temps et fréquences [99], comme le montre la figure 9.


Nazareth et al. et d'autres chercheurs ont appliqué une nouvelle approche efficace en combinant ICA et WT, ce qui a donné une technique hybride ICA-WT, comme le montre la figure 10. À titre d'exemple, les données reconstruites par ICA ont été mises en cascade en tant qu'entrée pour la décomposition WT. Cette fusion aide ICA à distinguer le signal et le bruit même si les deux ont presque la même amplitude ou une amplitude supérieure et supprime le signal de bruit qui se chevauche. De plus, le WT peut décomposer les signaux EEG en différentes sous-bandes en fonction des niveaux de décomposition [100-105]. La technique ICA-WT a illustré des résultats réussis dans l'élimination des artefacts d'électrooculographie et d'activité musculaire [105]. En conséquence, cette technique est utile pour révéler les caractéristiques EEG cachées à l'étape suivante. Ainsi, le signal est prêt pour l'étape suivante (c'est-à-dire l'étape d'extraction de caractéristiques).


3.3.3. Extraction et sélection des caractéristiques de la démence

Le signal EEG débruité de l'étape précédente subit une extraction de caractéristiques pour détecter la démence et développer un indice de diagnostic utile à l'aide de l'EEG. Cette étape vise à extraire les informations utiles de l'EEG des patients atteints de démence par des techniques linéaires et non linéaires.

Des techniques linéaires ont été utilisées pour extraire des caractéristiques significatives de l'EEG de patients atteints de démence qui sont utiles comme indices de démence précoce. Jeong a utilisé des techniques linéaires basées sur la cohérence et les calculs spectraux qui ont été utilisés pour trouver des anomalies EEG [4]. Un ralentissement des signaux EEG dans la démence est illustré par le déplacement de la puissance vers la fréquence inférieure et la diminution de l'interaction entre la zone corticale (c. L'analyse spectrale a été intensivement utilisée pour mieux comprendre la démence, par exemple, Escudero et al. [107] ont analysé les signaux du magnétoencéphalogramme (MEG) pour quantifier leurs anomalies dans les spectres de patients atteints de démence avec deux caractéristiques spectrales (c'est-à-dire la fréquence médiane (MF) et l'entropie spectrale (SpecEn)) en fonction de leur utilité pour distinguer le cerveau l'activité des patients atteints de démence parmi les sujets de même âge. Les deux caractéristiques spectrales fournissent des informations sur la puissance relative des basses et des hautes fréquences qui reflètent la synchronisation locale des assemblages neuronaux [108]. Par la suite, l'activité cérébrale électrique des patients atteints de démence est caractérisée par un ralentissement de la fréquence cérébrale, et cette propriété peut être réalisée à l'aide de MF et SpecEn [107].

Les patients AD et VaD partagent des propriétés d'analyse spectrale, telles que le ralentissement de la puissance alpha et l'augmentation de la puissance delta, mais la puissance thêta est plus élevée chez les patients VaD que chez les patients AD [86]. Cependant, les fréquences EEG peuvent sembler normales aux premiers stades de la MA [109]. Généralement, la sévérité des troubles cognitifs et le degré d'anomalies EEG sont corrélés [4].

La cohérence EEG est utilisée pour évaluer la fonctionnalité de connexion corticale et quantifier la connexion cortico-cortico ou cortico-sous-corticale. De plus, la fonction de cohérence peut être utilisée pour quantifier la corrélation linéaire et détecter la synchronisation linéaire entre deux canaux cependant, cette fonction ne distingue pas la directionnalité du couplage [110, 111]. Une diminution de la cohérence est interprétée comme une réduction de la connexion et du découplage des fonctions linéaires dans l'aire corticale. En revanche, une augmentation de la cohérence est interprétée comme une connexion de fonction linéaire augmentée et un couplage de fonction dans l'aire corticale [51].

Des techniques dynamiques non linéaires ont été utilisées de manière intensive pour analyser le signal EEG, en particulier les EEG de patients atteints de démence, pendant des décennies. Les chercheurs ont utilisé l'EEG pour étudier les informations dynamiques complexes qui sont réfléchies par le cortex cérébral et enregistrées par les appareils EEG [112, 113]. L'hypothèse selon laquelle le cerveau est stochastique peut être rejetée sur la base de la capacité du cerveau à effectuer des tâches cognitives sophistiquées grâce à sa structure compliquée. De plus, les neurones du cerveau sont contrôlés par des phénomènes non linéaires, tels que les processus de seuil et de saturation, de sorte que le comportement cérébral peut être classé comme non linéaire. L'analyse dynamique non linéaire peut être considérée comme une approche complémentaire dans la détection des maladies mentales, car elle fournit des informations supplémentaires à celles des méthodes linéaires traditionnelles [114, 115]. De plus, de nombreuses méthodes ont été introduites pour étudier les données EEG de séries chronologiques de l'activité cérébrale humaine afin de comprendre et de détecter les anomalies EEG.

Les premières méthodes non linéaires qui ont été utilisées pour analyser l'EEG sont la dimension de corrélation (2) et les premiers exposants de Lyapunov (L1). 2 a été appliquée par Grassberger et Procaccia en 1983 pour quantifier le nombre de variables indépendantes nécessaires pour décrire le système dynamique. Il a été utilisé pour fournir la caractéristique statistique du système. Par contre, L1 a été appliquée par Wolf en 1985 comme mesure dynamique pour évaluer la flexibilité du système [116, 117]. La détection précoce de la démence peut être prédite à l'aide de la dimension fractale (FD), de l'intervalle de passage par zéro (ZCI), de l'entropie, telle que l'entropie d'échantillon (SampEn) et l'entropie de Kolmogorov, la mesure de la tendance centrale et l'indice Hojorth. Hamadicharef et al. ont présenté les résultats de performance de ces méthodes en fonction de la sensibilité, de la spécificité, de la précision, de l'aire sous la courbe ROC et de l'erreur standard et ont constaté que FD et ZCI sont les meilleures méthodes [118].

Henderson et al. appliqué avec succès la FD en tant qu'outil puissant pour la détection des transitoires en termes de forme d'onde utilisée pour mesurer les détails de la structure du signal en biologie et en médecine. La dérivation de FD de la fonction d'autocorrélation peut être trouvée dans [119]. De plus, ils ont utilisé le ZCI pour analyser l'EEG [55].

Lempel-Ziv-Welch (LZW) est une métrique qui a été appliquée pour évaluer la complexité du signal en mesurant le nombre de sous-chaînes distinctes et leur taux de récurrence le long de la série temporelle Ferenets et al. introduit un algorithme pour calculer le LZW [120].

Plusieurs méthodes ont traité la complexité ou l'irrégularité de la capacité du système à créer des informations par des méthodes d'entropie, telles que l'entropie de Tsallis (TsEn), l'entropie d'approximation, SampEn et l'entropie à plusieurs échelles (MSE) [55, 61, 115, 121– 124].

En résumé, les méthodes spectrales linéaires sont traditionnellement utilisées dans le domaine. Leur interprétation peut être plus simple pour les cliniciens, car elles sont étroitement liées à la puissance associée aux différents rythmes cérébraux (alpha, bêta, delta et thêta), alors que les techniques non linéaires peuvent fournir des informations complémentaires. Les méthodes non linéaires sont motivées par le comportement non linéaire des neurones du cerveau. Les deux approches ont été utilisées pour inspecter l'activité EEG dans la démence, mais la plupart des études se sont concentrées sur une seule de ces familles de méthodes et il existe peu d'études comparatives complètes [108]. Malgré des découvertes potentiellement prometteuses, la taille des ensembles de données analysés limite les résultats. Ces caractéristiques sont appliquées à l'étape suivante pour estimer le degré de gravité de la démence.

3.3.4. Techniques de classification de la démence

La mise en scène de la classification est nécessaire pour prédire les propriétés qualitatives de l'état mental des patients atteints de démence. À cette étape, les vecteurs de caractéristiques extraits de l'étape précédente ont été classés en trois catégories, à savoir CIND, MCI et démence. Les vecteurs de caractéristiques doivent être analysés plus avant avant d'être appliqués au classificateur pour éviter de surcharger le classificateur et réduire le temps de calcul, augmentant ainsi la précision de la classification. Ces vecteurs de caractéristiques peuvent être traités à l'aide de techniques de réduction de dimensionnalité, comme le montre la figure 11. De nombreuses méthodes peuvent être utilisées, notamment l'analyse en composantes principales (ACP) et l'ICA. Ces méthodes sont des méthodes bien établies pour la réduction de la dimensionnalité. L'ACP est une méthode largement utilisée pour éviter la redondance en raison des données de grande dimension [125-127]. Les caractéristiques à dimensionnalité réduite ont été utilisées comme entrée pour les classificateurs afin d'améliorer la précision de la classification de la gravité de la démence par analyse du signal EEG.


Dans les applications EEG, une classification très précise est fortement liée à la qualité des caractéristiques extraites, à la réduction de la dimensionnalité et aux classificateurs. L'analyse discriminante linéaire (LDA) et les classificateurs de machines à vecteurs de support (SVM) sont les méthodes les plus populaires utilisées pour classer les troubles cérébraux, tels que la démence et l'épilepsie, en raison de leur précision et de leur applicabilité dans de nombreuses études [125, 126].

LDA a été largement utilisé pour sa mise en œuvre rapide et simple avec de faibles exigences de calcul. Il convient à la mise en œuvre en temps réel [128]. Son objectif est de créer une nouvelle variable qui combine les prédicteurs d'origine en trouvant un hyperplan qui sépare les points de données représentant différentes classes et qui minimise la variance au sein de la classe sous l'hypothèse d'une distribution de données normale [125].

SVM est un classificateur binaire linéaire qui peut être utilisé comme alternative au perceptron multicouche. Il peut prendre en charge des vecteurs de caractéristiques avec de nombreux composants [129]. SVM donne aux chercheurs un moyen de proposer un classificateur non linéaire par des méthodes de noyau appropriées. Plus précisément, SVM utilise des hyperplans qui maximisent la distance entre les deux classes de SVM sur la base du principe de maximisation de la marge de séparation du classifieur pour diviser la classe [130]. Dans les cas non linéaires, SVM peut être étendu au concept de séparation par hyperplan de données qui sont souvent linéairement non séparables. Les deux classes sont mappées avec des méthodes du noyau sur un nouvel espace de caractéristiques de dimension supérieure via un mappage non linéaire [130]. La figure 12 montre l'architecture du SVM.


La SVM est largement utilisée dans les applications de classification de signaux biomédicaux, en particulier dans les classifications EMG et EEG, pour sa grande précision et ses bonnes performances qui la rendent insensible au surentraînement et à la dimensionnalité [126, 132-134]. La SVM peut aider à obtenir une classification précise de la gravité de la démence qui fournit une indication du trouble mental et peut prédire les premiers stades avec des programmes de gestion de traitement appropriés.

4. Discussion

L'EEG joue un rôle important dans l'évaluation de l'activité cérébrale. Cette revue se concentre sur l'utilisation de l'EEG comme biomarqueur physiologique pour détecter la démence aux stades précoces et sur la classification de sa gravité en fonction de l'analyse et du traitement du signal EEG.

La détection et le diagnostic de la démence à ses premiers stades suscitent un énorme intérêt. Cela pourrait être réalisé grâce à une combinaison de critères de diagnostic et de biomarqueurs fiables. Les connaissances scientifiques disponibles grâce aux tests neuropsychologiques et aux biomarqueurs évalués par rapport à divers signes de démence aideraient à capturer à la fois les premiers stades et le spectre de la démence avant un déclin mental significatif [26-29]. Il existe un besoin urgent d'un biomarqueur précis, spécifique et rentable pour diagnostiquer la démence. Cela fait de l'EEG un outil attrayant pour détecter et différencier la MA et la VaD dans les premiers stades en raison de son prix abordable et de son caractère non invasif. Cette revue s'est concentrée sur l'utilisation de l'EEG en tant que biomarqueur physiologique pour fournir l'impulsion nécessaire pour détecter la démence aux stades précoces. L'évaluation EEG par inspection visuelle est sujette aux erreurs dues à l'expérience subjective des neurologues.De plus, cela prend du temps et peut ne pas être en mesure de révéler des changements subtils dans l'EEG, alors que l'analyse informatisée du signal EEG peut simplifier le travail des médecins et contribuer à rendre les évaluations plus objectives.

Cette revue a illustré les principes de traitement du signal EEG et décrit des techniques utiles qui ont été utilisées pour améliorer les signaux EEG enregistrés. De nombreuses techniques de prétraitement du signal et de débruitage sont utilisées pour améliorer les signaux EEG en supprimant les artefacts. Des méthodes telles que WT et ICA ont été utilisées pour supprimer différents types de bruit. D'une part, l'ICA, en tant que méthode statistique d'ordre supérieur, présente plusieurs avantages en raison de sa capacité à diviser un ensemble de signaux mixtes en ses sources. Néanmoins, ICA peut avoir des difficultés à déterminer l'ordre des circuits intégrés. Cependant, il s'agit d'une méthode puissante pour la suppression des artefacts et adaptée à une application hors ligne. D'autre part, WT convient aux signaux non stationnaires comme l'EEG qui fournissent une combinaison linéaire de la somme des coefficients d'ondelettes et de l'ondelette mère avec des informations de fréquence et de localisation, et WT a la capacité de diviser le signal en sous-bandes (approximation et détail) à l'aide d'un algorithme de décomposition multirésolution. Ces dernières années, des techniques hybrides ICA-ondelettes ont été utilisées pour surmonter les limitations de chaque méthode individuelle et cela peut devenir une méthode de débruitage plus efficace. Pour améliorer les performances de l'ICA et du WT, les données peuvent être projetées dans un nouvel espace lorsque la redondance est plus élevée et que les fonctionnalités dans le domaine fréquentiel sont pleinement exploitées. Cela minimise la perte d'informations et permet à WT de supprimer tout chevauchement de bruit dans les signaux EEG que l'ICA ne peut pas filtrer.

Cette revue a également exploré les techniques d'extraction de caractéristiques linéaires et non linéaires et les méthodes de réduction de dimensionnalité. Le résumé des résultats des méthodes linéaires et non linéaires les plus efficaces est présenté dans le tableau 1.

Par la suite, les techniques utilisées pour classer les signaux EEG en fonction du spectre de la démence (c.-à-d. CIND, MCI et démence) ont été révisées. Les effets de la démence sur l'EEG peuvent être résumés comme un ralentissement et une réduction de la complexité et de la synchronie de l'EEG. Le classificateur SVM est suggéré comme une technique appropriée pour classer les caractéristiques des signaux EEG en fonction de leur applicabilité dans de nombreux domaines pour ses bonnes performances empiriques et sa généralisation. De nombreux chercheurs ont bénéficié des avantages de la SVM pour traiter de grands espaces de fonctionnalités. D'autres chercheurs ont appliqué une combinaison d'algorithmes de classification qui peuvent aider à améliorer les performances, la sensibilité et la spécificité du meilleur diagnostic clinique pour la détection précoce et la classification de la démence.

5. Conclusions

Dans cette revue, l'EEG a été identifié comme un outil d'investigation et un biomarqueur potentiel pour détecter la démence et classer sa gravité en fournissant des informations concises sur l'activité cérébrale et comment elle est affectée par la MA et la VaD. Il faut noter que, dans certaines occasions, l'examen s'est concentré sur les constatations liées à la DA. Cela est dû au fait que la littérature sur la MA est beaucoup plus importante. Bien qu'il y ait eu des recherches considérables sur l'utilisation de l'EEG pour le dépistage de la démence, cela n'est pas encore accepté dans la pratique courante [26-29]. De plus, les ensembles de données analysés étaient souvent de petite taille et des études supplémentaires sont nécessaires pour confirmer ces résultats prometteurs. Cependant, plusieurs études ont apprécié l'EEG comme un outil d'évaluation clinique utile dans la discrimination de la MA et/ou de la VaD et/ou d'autres types de démence. La détection par EEG hautement sensible de la progression de la démence et la classification de sa gravité sont une technique de dépistage hautement souhaitable dans la pratique clinique, car son faible coût et ses fonctionnalités portables en font une technique prometteuse qui peut être une référence pour la personnalisation ou la personnalisation de programmes thérapeutiques optimaux pour patients atteints de démence.

Conflit d'interêts

Les auteurs déclarent qu'il n'y a pas de conflit d'intérêts concernant la publication de cet article.

Les références

  1. D. Pond, « Dementia une mise à jour sur la gestion », Médecin de famille australien, vol. 41, non. 12, pp. 936-939, 2012. Voir sur : Google Scholar
  2. A. Cedazo-Minguez et B. Winblad, « Biomarqueurs de la maladie d'Alzheimer et autres formes de démence : besoins cliniques, limites et aspects futurs », Gérontologie expérimentale, vol. 45, non. 1, pp. 5-14, 2010. Afficher sur : Site de l'éditeur | Google Scholar
  3. H. Hampel, R. Frank, K. Broich et al., « Biomarqueurs de la maladie d'Alzheimer : perspectives académiques, industrielles et réglementaires » Nature examine la découverte de médicaments, vol. 9, non. 7, pp. 560-574, 2010. Afficher sur : Site de l'éditeur | Google Scholar
  4. J. Jeong, « Dynamique EEG chez les patients atteints de la maladie d'Alzheimer », Neurophysiologie clinique, vol. 115, non. 7, pp. 1490-1505, 2004. Voir sur : Site de l'éditeur | Google Scholar
  5. E. R. John, L. S. Prichep, J. Fridman et P. Easton, « Neurométrie : diagnostic différentiel assisté par ordinateur des dysfonctionnements cérébraux » Science, vol. 239, non. 4836, pp. 162-169, 1988. Voir sur : Site de l'éditeur | Google Scholar
  6. A. F. Leuchter, I. A. Cook, T. F. Newton et al., « Différences régionales dans l'activité électrique du cerveau dans la démence : utilisation de la puissance spectrale et des mesures du rapport spectral » Électroencéphalographie et neurophysiologie clinique, vol. 87, non. 6, pp. 385-393, 1993. Voir sur : Site de l'éditeur | Google Scholar
  7. H. Hampel, S. Lista, S. J. Teipel et al., « Perspective sur le rôle futur des marqueurs biologiques dans les essais de thérapie clinique de la maladie d'Alzheimer : un point de vue à long terme au-delà de 2020 » Pharmacologie biochimique, vol. 88, non. 4, pp. 426-449, 2014. Afficher sur : Site de l'éditeur | Google Scholar
  8. P. Luu, D. M. Tucker, R. Englander, A. Lockfeld, H. Lutsep et B. Oken, « Localiser les changements EEG liés à l'AVC aigu : évaluer les effets du sous-échantillonnage spatial » Journal de neurophysiologie clinique, vol. 18, non. 4, pp. 302–317, 2001. Voir sur : Site de l'éditeur | Google Scholar
  9. S. M. Snyder, J. R. Hall, S. L. Cornwell et J. D. Falk, « L'ajout de l'EEG améliore la précision d'un modèle logistique qui utilise des facteurs neuropsychologiques et cardiovasculaires pour identifier la démence et le MCI » Recherche en psychiatrie, vol. 186, non. 1, pp. 97-102, 2011. Voir sur : Site de l'éditeur | Google Scholar
  10. S. Borson, L. Frank, P. J. Bayley et al., « Améliorer les soins de la démence : le rôle du dépistage et de la détection des troubles cognitifs » Alzheimer et démence, vol. 9, non. 2, pp. 151-159, 2013. Voir sur : Site de l'éditeur | Google Scholar
  11. S. T. DeKosky et K. Marek, « Regarder en arrière pour aller de l'avant : détection précoce des troubles neurodégénératifs » Science, vol. 302, non. 5646, pp. 830-834, 2003. Voir sur : Site de l'éditeur | Google Scholar
  12. P. B. Gorelick, « État des facteurs de risque de démence associée à un AVC », Accident vasculaire cérébral, vol. 28, non. 2, pp. 459-463, 1997. Voir sur : Site de l'éditeur | Google Scholar
  13. J. Jeong, J.-H. Chae, S.Y. Kim et S.-H. Han, « Analyse dynamique non linéaire de l'EEG chez les patients atteints de la maladie d'Alzheimer et de démence vasculaire », Journal de neurophysiologie clinique, vol. 18, non. 1, pp. 58-67, 2001. Voir sur : Site de l'éditeur | Google Scholar
  14. K. Blennow, M. J. de Leon et H. Zetterberg, « Maladie d'Alzheimer », La Lancette, vol. 368, non. 9533, pp. 387-403, 2006. Voir sur : Site de l'éditeur | Google Scholar
  15. E. M. C. Schrijvers, Biomarqueurs et facteurs de risque de démence, Université Erasmus, Rotterdam, Pays-Bas, 2011.
  16. J. T. Coyle, D. L. Price et M. R. DeLong, « Maladie d'Alzheimer : un trouble de l'innervation cholinergique corticale » Science, vol. 219, non. 4589, pp. 1184-1190, 1983. Voir sur : Site de l'éditeur | Google Scholar
  17. A. V. Terry Jr. et J. J. Buccafusco, « L'hypothèse cholinergique de l'âge et des déficits cognitifs liés à la maladie d'Alzheimer : défis récents et leurs implications pour le développement de nouveaux médicaments » Journal of Pharmacology and Experimental Therapeutics, vol. 306, non. 3, pp. 821-827, 2003. Voir sur : Site de l'éditeur | Google Scholar
  18. C. E. Jackson et P. J. Snyder, « Electroencéphalographie et potentiels liés aux événements en tant que biomarqueurs des troubles cognitifs légers et de la maladie d'Alzheimer légère » Alzheimer et démence, vol. 4, non. 1, pp. S137–S143, 2008. Afficher sur : Site de l'éditeur | Google Scholar
  19. C. McVeigh et P. Passmore, « Démence vasculaire : prévention et traitement », Interventions cliniques sur le vieillissement, vol. 1, non. 3, pp. 229-235, 2006. Voir sur : Site de l'éditeur | Google Scholar
  20. A. Ruitenberg, A. Ott, J. C. van Swieten, A. Hofman et M. M. Breteler, « Incidence of dementia : does gender make a difference ? » Neurobiologie du vieillissement, vol. 22, non. 4, pp. 575-580, 2001. Voir sur : Google Scholar
  21. G.C. Román, « Démence vasculaire : caractéristiques distinctives, traitement et prévention », Journal de la Société américaine de gériatrie, vol. 51, non. 5, supplément 2, pp. S296–S304, 2003. Voir sur : Site de l'éditeur | Google Scholar
  22. G.C. Román, « La démence vasculaire peut être la forme de démence la plus courante chez les personnes âgées », Journal des sciences neurologiques, vol. 203-204, pp. 7-10, 2002. Voir sur : Site de l'éditeur | Google Scholar
  23. D. R. Thal, L. T. Grinberg et J. Attems, « Démence vasculaire : différentes formes de troubles vasculaires contribuent au développement de la démence dans le cerveau des personnes âgées » Gérontologie expérimentale, vol. 47, non. 11, pp. 816-824, 2012. Voir sur : Site de l'éditeur | Google Scholar
  24. C. Jacova, A. Kertesz, M. Blair, J. D. Fisk et H. H. Feldman, « Tests et évaluation neuropsychologiques pour la démence » Alzheimer et démence, vol. 3, non. 4, pp. 299-317, 2007. Afficher sur : Site de l'éditeur | Google Scholar
  25. R. C. Petersen, « Déficience cognitive légère en tant qu'entité diagnostique », Journal de médecine interne, vol. 256, non. 3, pp. 183–194, 2004. Voir sur : Site de l'éditeur | Google Scholar
  26. C. R. Jack Jr., M. S. Albert, D. S. Knopman et al., « Introduction aux recommandations des groupes de travail du National Institute on Aging-Alzheimer's Association sur les directives de diagnostic de la maladie d'Alzheimer » Alzheimer et démence, vol. 7, non. 3, pp. 257–262, 2011. Voir sur : Site de l'éditeur | Google Scholar
  27. M. S. Albert, S. T. DeKosky, D. Dickson et al., « Le diagnostic des troubles cognitifs légers dus à la maladie d'Alzheimer : recommandations des groupes de travail de l'Institut national sur le vieillissement et de l'Association d'Alzheimer sur les directives de diagnostic de la maladie d'Alzheimer » Alzheimer et démence, vol. 7, non. 3, pp. 270-279, 2011. Voir sur : Site de l'éditeur | Google Scholar
  28. G. M. McKhann, D. S. Knopman, H. Chertkow et al., « Le diagnostic de démence due à la maladie d'Alzheimer : recommandations des groupes de travail de l'Institut national sur le vieillissement et de l'Association d'Alzheimer sur les directives de diagnostic de la maladie d'Alzheimer » Alzheimer et démence, vol. 7, non. 3, pp. 263-269, 2011. Voir sur : Site de l'éditeur | Google Scholar
  29. R. A. Sperling, P. S. Aisen, L. A. Beckett et al., « Vers la définition des stades précliniques de la maladie d'Alzheimer : recommandations des groupes de travail de l'Institut national sur le vieillissement et de l'Association sur le diagnostic de la maladie d'Alzheimer », Alzheimer et démence, vol. 7, non. 3, pp. 280-292, 2011. Voir sur : Site de l'éditeur | Google Scholar
  30. G. McKhann, D. Drachman et M. Folstein, « Diagnostic clinique de la maladie d'Alzheimer : rapport du groupe de travail NINCDS-ADRDA sous les auspices du groupe de travail sur la maladie d'Alzheimer du ministère de la Santé et des Services sociaux » Neurologie, vol. 34, non. 7, pp. 939-944, 1984. Voir sur : Site de l'éditeur | Google Scholar
  31. B. Sheng, LF Cheng, CB Law, HL Li, KM Yeung et KK Lau, « L'infarctus cérébral coexistant dans la maladie d'Alzheimer est associé à une progression rapide de la démence : application du National Institute for Neurological Disorders and Stroke/Association Internationale pour la Recherche et l'Enseignement en Neurosciences Critères de neuroimagerie dans la maladie d'Alzheimer avec infarctus cérébral concomitant », Journal de la Société américaine de gériatrie, vol. 55, non. 6, pp. 918-922, 2007. Afficher sur : Site de l'éditeur | Google Scholar
  32. Association américaine de psychiatrie, Manuel diagnostique et statistique des troubles mentaux, American Psychiatric Association, Washington, DC, États-Unis, 4e édition, 1994.
  33. C. P. Hughes, L. Berg et W. L. Danziger, « Une nouvelle échelle clinique pour la mise en scène de la démence », Le British Journal of Psychiatry, vol. 140, non. 6, pp. 566-572, 1982. Voir sur : Site de l'éditeur | Google Scholar
  34. J. A. Yesavage, T. L. Brink, T. L. Rose et al., « Développement et validation d'une échelle de dépistage de la dépression gériatrique : un rapport préliminaire », Journal de recherche psychiatrique, vol. 17, non. 1, pp. 37–49, 1982. Voir sur : Site de l'éditeur | Google Scholar
  35. W. G. Rosen, R. D. Terry, P. A. Fuld, R. Katzman et A. Peck, « Vérification pathologique du score ischémique dans la différenciation des démences », Annales de neurologie, vol. 7, non. 5, pp. 486-488, 1980. Voir sur : Site de l'éditeur | Google Scholar
  36. M. P. Lawton et E. M. Brody, « Évaluation des personnes âgées : activités autonomes et instrumentales de la vie quotidienne » Le gérontologue, vol. 19, non. 3, pp. 179-186, 1969. Voir sur : Google Scholar
  37. M. F. Folstein, S. E. Folstein et P. R. McHugh, « Mini-mental state », A prac-32, 1998. Voir sur : Google Scholar
  38. T. Smith, N. Gildeh et C. Holmes, « L'évaluation cognitive de Montréal : validité et utilité dans le cadre d'une clinique de la mémoire », Revue canadienne de psychiatrie, vol. 52, non. 5, pp. 329-332, 2007. Voir sur : Google Scholar
  39. P. S. Mathuranath, P. J. Nestor, G. E. Berrios, W. Rakowicz et J. R. Hodges, « Une brève batterie de tests cognitifs pour différencier la maladie d'Alzheimer et la démence frontotemporale » Neurologie, vol. 55, non. 11, pp. 1613-1620, 2000. Voir sur : Site de l'éditeur | Google Scholar
  40. P. Amodio, H. Wenin, F. Del Piccolo et al., « Variabilité du test de fabrication de sentiers, test de chiffre de symbole et test de trait de ligne chez les personnes normales. Une étude normative prenant en compte le déclin dépendant de l'âge et les variables sociobiologiques », Vieillissement : recherche clinique et expérimentale, vol. 14, non. 2, pp. 117-131, 2002. Voir sur : Site de l'éditeur | Google Scholar
  41. K. I. Shulman, « Le dessin d'horloge : est-ce le test de dépistage cognitif idéal ? » Journal international de psychiatrie gériatrique, vol. 15, non. 6, p. 548-561. Voir sur : Google Scholar
  42. P. Caffarra, G. Vezzadini, F. Dieci, F. Zonato et A. Venneri, « Figure complexe de Rey-Osterrieth : valeurs normatives dans un échantillon de population italienne », Sciences neurologiques, vol. 22, non. 6, pp. 443-447, 2002. Voir sur : Site de l'éditeur | Google Scholar
  43. G. A. Carlesimo, C. Caltagirone, G. Gainotti et al., « La batterie de la détérioration mentale : données normatives, fiabilité diagnostique et analyses qualitatives des troubles cognitifs » Neurologie européenne, vol. 36, non. 6, pp. 378-384, 1996. Voir sur : Site de l'éditeur | Google Scholar
  44. V. Dorval, P. T. Nelson et S. S. Hrt, « MicroRNAs circulants dans la maladie d'Alzheimer : la recherche de nouveaux biomarqueurs », Frontières en neurosciences moléculaires, vol. 6, article 24, 2013. Voir sur : Google Scholar
  45. J. A. Sonnen, K. S. Montine, J. F. Quinn, J. A. Kaye, J. C. Breitner et T. J. Montine, « Biomarkers for cognitive déficience and démence in senior people », Le Lancet Neurologie, vol. 7, non. 8, pp. 704-714, 2008. Voir sur : Site de l'éditeur | Google Scholar
  46. S.-S. Poil, W. de Haan, W. M. van der, H. D. Flier, P. Scheltens et K. Linkenkaer-Hansen, « Les biomarqueurs EEG intégratifs prédisent la progression vers la maladie d'Alzheimer au stade MCI » Les frontières des neurosciences du vieillissement, vol. 5, article 58, 2013. Voir sur : Google Scholar
  47. N. Mattsson, H. Zetterberg, O. Hansson et al., « Les biomarqueurs du LCR et la maladie d'Alzheimer naissante chez les patients atteints de troubles cognitifs légers », JAMA : Journal de l'Association médicale américaine, vol. 302, non. 4, pp. 385–393, 2009. Afficher sur : Site de l'éditeur | Google Scholar
  48. G. P. Paraskevas, E. Kapaki, S. G. Papageorgiou et al., « Profil de biomarqueurs du LCR et valeur diagnostique dans la démence vasculaire » Journal Européen de Neurologie, vol. 16, non. 2, pp. 205-211, 2009. Afficher sur : Site de l'éditeur | Google Scholar
  49. S. V. Frankfort, L. R. Tulner, J. P. C. M. van Campen, M. M. Verbeekl, R. W. M. M. Jansen et J. H. Beijnen, « Protéine bêta-amyloïde et tau dans le liquide céphalorachidien et le plasma en tant que biomarqueurs de la démence : une revue de la littérature récente » Pharmacologie clinique actuelle, vol. 3, non. 2, pp. 123-131, 2008. Voir sur : Site de l'éditeur | Google Scholar
  50. M. Folin, S. Baiguera, M. T. Conconi et al., « Apolipoprotéine E en tant que facteur de risque vasculaire dans la démence neurodégénérative » Journal international de médecine moléculaire, vol. 14, non. 4, pp. 609-613, 2004. Voir sur : Google Scholar
  51. P.M. Rossini, S. Rossi, C.Babiloni et J. Polich, « Neurophysiologie clinique du vieillissement cérébral : du vieillissement normal à la neurodégénérescence », Progrès en neurobiologie, vol. 83, non. 6, pp. 375–400, 2007. Afficher sur : Site de l'éditeur | Google Scholar
  52. A. L. Schneider et K. G. Jordan, « L'atténuation régionale sans delta (RAWOD) : un modèle EEG distinctif qui peut aider au diagnostic et à la gestion de l'AVC ischémique aigu sévère » The American Journal of Electroneurodiagnostic Technology, vol. 45, non. 2, pp. 102-117, 2005. Voir sur : Google Scholar
  53. P. R. Davidson, R. D. Jones et M. T. Peiris, « Détection de lapsus basée sur l'EEG avec une résolution temporelle élevée » Transactions IEEE sur le génie biomédical, vol. 54, non. 5, pp. 832-839, 2007. Afficher sur : Site de l'éditeur | Google Scholar
  54. F. Vecchio, C. Babiloni, R. Lizio et al., « Rythmes EEG corticaux à l'état de repos dans la maladie d'Alzheimer : vers des marqueurs EEG pour des applications cliniques : une revue » Suppléments à la neurophysiologie clinique, vol. 62, pp. 223-236, 2013. Voir sur : Site de l'éditeur | Google Scholar
  55. G. Henderson, E. Ifeachor, N. Hudson et al., « Développement et évaluation de méthodes de détection de la démence à l'aide de l'électroencéphalogramme humain » Transactions IEEE sur le génie biomédical, vol. 53, non. 8, pp. 1557-1568, 2006. Voir sur : Site de l'éditeur | Google Scholar
  56. J. J. Claus, B. W. Ongerboer de Visser, G. J. M. Walstra, A. Hijdra, B. Verbeeten Jr. et W. A. ​​van Gool, « Electroencéphalographie spectrale quantitative pour prédire la survie des patients atteints de la maladie d'Alzheimer précoce » Archives de Neurologie, vol. 55, non. 8, pp. 1105-1111, 1998. Voir sur : Site de l'éditeur | Google Scholar
  57. J. J. Claus, B. W. Ongerboer de Visser, L. J. Bour et al., « Déterminants de l'électroencéphalographie spectrale quantitative au début de la maladie d'Alzheimer : fonction cognitive, flux sanguin cérébral régional et tomodensitométrie » Démence et troubles cognitifs gériatriques, vol. 11, non. 2, pp. 81-89, 2000. Voir sur : Site de l'éditeur | Google Scholar
  58. E. Helkala, V. Laulumaa, R. Soikkeli, J. Partanen, H. Soininen et P. J. Riekkinen, « L'activité à ondes lentes dans l'analyse spectrale de l'électroencéphalogramme est associée à des dysfonctionnements corticaux chez les patients atteints de la maladie d'Alzheimer » Neurosciences comportementales, vol. 105, non. 3, pp. 409-415, 1991. Voir sur : Site de l'éditeur | Google Scholar
  59. A. A. Petrosian, D. V. Prokhorov, W. Lajara-Nanson et R. B. Schiffer, « Approche basée sur un réseau neuronal récurrent pour la reconnaissance précoce de la maladie d'Alzheimer en EEG » Neurophysiologie clinique, vol. 112, non. 8, pp. 1378-1387, 2001. Voir sur : Site de l'éditeur | Google Scholar
  60. G. Henderson, E. Ifeachor, H. Wimalaratna, T. Allen et R. Hudson, « Perspectives de détection de routine de la démence à l'aide de la dimension fractale de l'électroencéphalogramme humain » Actes de l'IEE—Mesure et technologie de la science, vol. 147, non. 6, pp. 321-326, 2000. Voir sur : Site de l'éditeur | Google Scholar
  61. P. Zhao et E. Ifeachor, « Evaluation EEG des maladies d'Alzheimer à l'aide d'un algorithme de compression universel ». Voir sur : Google Scholar
  62. J.G. Webster, Application et conception d'instruments médicaux, Wiley, New York, NY, États-Unis, 4e édition, 1998.
  63. E. J. Austin, R. J. Wilkus et W. T. Longstreth Jr., « Étiologie et pronostic du coma alpha », Neurologie, vol. 38, non. 5, pp. 773-777, 1988. Voir sur : Site de l'éditeur | Google Scholar
  64. D. V. Moretti, O. Zanetti, G. Binetti et G. B. Frisoni, « Marqueurs EEG quantitatifs dans la déficience cognitive légère : déficience cérébrale dégénérative versus vasculaire » Revue internationale de la maladie d'Alzheimer, vol. 2012, numéro d'article 917537, 12 pages, 2012. Afficher sur : Site de l'éditeur | Google Scholar
  65. D. V. Moretti, C. Miniussi, G. Frisoni et al., « Dégâts vasculaires et marqueurs EEG chez les sujets atteints de troubles cognitifs légers », Neurophysiologie clinique, vol. 118, non. 8, pp. 1866–1876, 2007. Afficher sur : Site de l'éditeur | Google Scholar
  66. D. A. Pizzagalli, « Electroencéphalographie et localisation de source électrophysiologique à haute densité », dans Manuel de psychophysiologie, pp. 56–84, Cambridge University Press, New York, NY, USA, 3e édition, 2007. Voir sur : Publisher Site | Google Scholar
  67. E. R. John, H. Ahn, L. Prichep, M. Trepetin, D. Brown et H. Kaye, « Equations de développement pour l'électroencéphalogramme » Science, vol. 210, non. 4475, pp. 1255-1258, 1980. Voir sur : Site de l'éditeur | Google Scholar
  68. T. R. Oakes, D. A. Pizzagalli, A. M. Hendrick et al., « Couplage fonctionnel de l'activité électrique et métabolique simultanée dans le cerveau humain » Cartographie du cerveau humain, vol. 21, non. 4, pp. 257-270, 2004. Voir sur : Site de l'éditeur | Google Scholar
  69. B. Saletu, P. Anderer, E. Paulus et al., « La cartographie cérébrale EEG dans l'évaluation diagnostique et thérapeutique de la démence » Maladie d'Alzheimer et troubles associés, vol. 5, non. 1, pp. S57–S75, 1991. Voir sur : Site de l'éditeur | Google Scholar
  70. M. Signorino, E. Pucci, N. Belardinelli, G. Nolfe et F. Angeleri, « Analyse spectrale EEG dans la démence vasculaire et Alzheimer », Électroencéphalographie et neurophysiologie clinique, vol. 94, non. 5, pp. 313-325, 1995. Voir sur : Site de l'éditeur | Google Scholar
  71. E. Pucci, G. Cacchiò, R. Angeloni et al., "EEG spectral analysis in Alzheimer's disease and different degenerative démences," Archives de Gérontologie et Gériatrie, vol. 26, non. 3, pp. 283-297, 1998. Voir sur : Site de l'éditeur | Google Scholar
  72. E. B. Gordon et M. Sim, « L'E.E.G. dans la démence présénile », Journal de Neurologie Neurochirurgie et Psychiatrie, vol. 30, non. 3, pp. 285-291, 1967. Voir sur : Site de l'éditeur | Google Scholar
  73. K. J. Stam, D. L. J. Tavy, B. Jelles, H. A. M. Achtereekte, J. P. J. Slaets et R. W. M. Keunen, « Analyse dynamique non linéaire de l'EEG multicanal : applications cliniques dans la démence et la maladie de Parkinson » Topographie du cerveau, vol. 7, non. 2, pp. 141-150, 1994. Voir sur : Site de l'éditeur | Google Scholar
  74. H. Berger, « �r das elektrenkephalogramm des menschen », Archiv f&# xfcr Psychiatrie und Nervenkrankheiten, vol. 87, non. 1, pp. 527-570, 1929. Voir sur : Site de l'éditeur | Google Scholar
  75. H. Berger, « �r das elektrenkephalogramm des menschen », Archives européennes de psychiatrie et de neurosciences cliniques, vol. 98, non. 1, pp. 231–254, 1933. Voir sur : Site de l'éditeur | Google Scholar
  76. I. Rosén, « L'électroencéphalographie comme outil de diagnostic dans la démence », Démence et troubles cognitifs gériatriques, vol. 8, non. 2, pp. 110–116, 1997. Voir sur : Site de l'éditeur | Google Scholar
  77. D. V. Moretti, G. B. Frisoni, C. Fracassi et al., « Les EEG des patients MCI montrent des différences de groupe entre ceux qui progressent et ceux qui ne progressent pas vers la MA », Neurobiologie du vieillissement, vol. 32, non. 4, pp. 563-571, 2011. Voir sur : Site de l'éditeur | Google Scholar
  78. D. Moretti, D. Paternicò, G. Binetti, O. Zanetti et G. Frisoni, « Relation entre le rapport EEG alpha3/alpha2 et le noyau accumbens chez les sujets atteints de troubles cognitifs légers » Journal of Neurology & Neurophysiology, vol. 4, pp. 1-6, 2013. Voir sur : Google Scholar
  79. DV Moretti, A. Prestia, G. Binetti, O. Zanetti et GB Frisoni, "L'augmentation de la fréquence thêta est associée à une réduction du débit sanguin cérébral régional uniquement chez les sujets présentant une déficience cognitive légère avec une puissance de fréquence EEG alpha supérieure/alpha inférieure plus élevée rapport," Frontières en neurosciences comportementales, vol. 7, article 188, 2013. Voir sur : Site de l'éditeur | Google Scholar
  80. S. A. Taywade et R. D. Raut, « A review : EEG signal analysis with different méthodologies », dans Actes de la Conférence nationale sur les paradigmes innovants en ingénierie et technologie (NCIPET '12), p. 29-31, 2014. Voir sur : Google Scholar
  81. R. S. Khandpur, Manuel d'instrumentation biomédicale, Tata McGraw-Hill, New Delhi, Inde, 1998.
  82. W. O. Tatum, A. M. Husain, S. R. Benbadis et P. W. Kaplan, Manuel d'interprétation EEG, Demos Medical Publishing, LLC, New York, NY, États-Unis, 2008.
  83. S. Chatteriee et A. Miller, Système d'instrumentation biomédicale, Cengage Learning, Delmar, Del, États-Unis, 2010.
  84. B. Hamadicharef, C. Guan, N. Hudson, E. C. Ifeachor et S. Wimalaratna, « Evaluation des performances et fusion des méthodes de détection précoce de la maladie d'Alzheimer », dans Actes de la 1ère Conférence internationale sur le génie biomédical et l'informatique (BMEI ✈), pp. 347–351, Sanya, Chine, mai 2008. Afficher sur : Site de l'éditeur | Google Scholar
  85. S. Sanei et J. A. Chambers, Traitement du signal EEG, John Wiley & Sons, New York, NY, États-Unis, 2007.
  86. D. V. Moretti, C. Babiloni, G. Binetti et al., « Analyse individuelle de la fréquence EEG et de la puissance de la bande dans la maladie d'Alzheimer légère » Neurophysiologie clinique, vol. 115, non. 2, pp. 299–308, 2004. Voir sur : Site de l'éditeur | Google Scholar
  87. T. Jung, S. Makeig, M. Westerfield, J. Townsend, E. Courchesne et T. J. Sejnowski, « Suppression des artefacts d'activité oculaire des potentiels liés aux événements visuels chez des sujets normaux et cliniques » Neurophysiologie clinique, vol. 111, non. 10, pp. 1745-1758, 2000. Voir sur : Site de l'éditeur | Google Scholar
  88. M. Habl, C. Bauer, C. Ziegaus, E. Lang et F. Schulmeyer, "L'ICA peut-il aider à identifier les signaux EEG liés aux tumeurs cérébrales", pp. 609-614, http://users.ics.aalto.fi /ica2000/proceedings/0609.pdf. Voir sur : Google Scholar
  89. C. Guerrero-Mosquera, A. M. Trigueros et A. Navia-Vazquez, « Traitement du signal EEG pour l'épilepsie » Épilepsie𠄺spects histologiques, électroencéphalographiques et psychologiques, vol. 3, pp. 49-74, 2012. Voir sur : Google Scholar
  90. I. M. B. N&# xfa&# xf1ez, Détection d'artefacts EEG, 2010.
  91. G. N. G. Molina, « Communication cerveau-ordinateur directe via des signaux EEG enregistrés sur le cuir chevelu », ಜole Polytechnique Fຝérale de Lausanne, 2004. Voir sur : Google Scholar
  92. A. Naft-Ali, Traitement avancé des biosignaux, Springer, New York, NY, États-Unis, 2009.
  93. D. Langlois, S. Chartier et D. Gosselin, « Introduction à l'analyse en composantes indépendantes : algorithmes InfoMax et FastICA », Tutoriels en méthodes quantitatives pour la psychologie, vol. 6, non. 1, pp. 31-38, 2010. Voir sur : Google Scholar
  94. M. J. McKeown, C. Humphries, P. Achermann, A. A. Borbely et T. J. Sejnowski, « Une nouvelle méthode pour détecter les changements d'état dans l'EEG : application exploratoire aux données du sommeil » Journal de recherche sur le sommeil, vol. 7, non. S1, pp. 48-56, 1998. Voir sur : Site de l'éditeur | Google Scholar
  95. T. Zikov, S. Bibian, G. A. Dumont, M. Huzmezan et C. R. Ries, « Une technique de débruitage basée sur les ondelettes pour la correction des artefacts oculaires de l'électroencéphalogramme », dans Actes de la 24e conférence annuelle de l'IEEE Engineering in Medicine and Biology et de la réunion d'automne de la Biomedical Engineering Society, pp. 98-105, octobre 2002. Voir sur : Google Scholar
  96. V. Krishnaveni, S. Jayaraman, S. Aravind, V. Hariharasudhan et K. Ramadoss, « Identification automatique et suppression des artefacts oculaires de l'EEG à l'aide de la transformation en ondelettes » Examen de la science de la mesure, vol. 6, non. 4, pp. 45-57, 2006. Voir sur : Google Scholar
  97. P. S. Kumar, R. Arumuganathan, K. Sivakumar et C. Vimal, « Suppression des artefacts oculaires dans l'EEG par transformation en ondelettes sans utiliser un canal de référence EOG » Journal International des Problèmes Ouverts en Informatique et Mathématiques, vol. 1, non. 3, pp. 188-200, 2008. Voir sur : Google Scholar
  98. V. Krishnaveni, S. Jayaraman, L. Anitha et K. Ramadoss, « Suppression des artefacts oculaires de l'EEG à l'aide du seuillage adaptatif des coefficients d'ondelettes » Journal d'ingénierie neuronale, vol. 3, non. 4, article 11, p. 338, 2006. Voir sur : Site de l'éditeur | Google Scholar
  99. P. Jahankhani, V. Kodogiannis et K. Revett, « Classification des signaux EEG à l'aide de l'extraction de caractéristiques d'ondelettes et de réseaux de neurones », dans Actes du Symposium international IEEE John Vincent Atanasoff sur l'informatique moderne (JVA '06), pp. 120–124, Sofia, Bulgarie, octobre 2006. Afficher sur : Site de l'éditeur | Google Scholar
  100. M. T. Akhtar et C. J. James, « Retrait d'artefact focal de l'approche hybride EEG𠅊 en cours basée sur l'ICA et le débruitage par ondelettes spatialement contraints », dans Actes de la conférence internationale annuelle de l'IEEE Engineering in Medicine and Biology Society (EMBC ✉), pp. 4027-4030, Minneapolis, Minn, USA, septembre 2009. Afficher sur : Site de l'éditeur | Google Scholar
  101. M. T. Akhtar, C. J. James et W. Mitsuhashi, « Modifying the spatial-constrained ICA for efficace Removal of Artefacts from EEG data », dans Actes de la 4e Conférence internationale sur la bioinformatique et le génie biomédical (iCBBE '10), pp. 1–4, Chengdu, Chine, juin 2010. Afficher sur : Site de l'éditeur | Google Scholar
  102. J. Walters-Williams et Y. Li, "Une nouvelle approche pour débruiter les signaux EEG-fusion d'ondelettes invariantes de traduction et ICA," Journal international de biométrie et de bioinformatique, vol. 5, non. 2, pp. 130-149, 2011. Voir sur : Google Scholar
  103. J. Walters-Williams et Y. Li, « Comparaison des performances des algorithmes ICA connus à une fusion ondelette-ICA » Traitement de signal, vol. 5, non. 3, p. 80, 2011. Voir sur : Google Scholar
  104. N. Mammone, F. La Foresta et F. C. Morabito, « Rejet automatique des artefacts de l'EEG multicanal du cuir chevelu par ondelette ICA », Journal des capteurs IEEE, vol. 12, non. 3, pp. 533-542, 2012. Voir sur : Site de l'éditeur | Google Scholar
  105. G. Inuso, F. La Foresta, N. Mammone et F. C. Morabito, « Méthodologie Wavelet-ICA pour une suppression efficace des artefacts des enregistrements électroencéphalographiques », dans Actes de la Conférence internationale conjointe sur les réseaux de neurones (IJCNN ✇), pp. 1524-1529, Orlando, Floride, États-Unis, août 2007. Afficher sur : Publisher Site | Google Scholar
  106. B. Jelles, P. Scheltens, W. M. van der Flier, E. J. Jonkman, F. H. L. da Silva et C. J. Stam, « Analyse dynamique globale de l'EEG dans la maladie d'Alzheimer : changements spécifiques à la fréquence des interactions fonctionnelles » Neurophysiologie clinique, vol. 119, non. 4, pp. 837-841, 2008. Voir sur : Site de l'éditeur | Google Scholar
  107. J. Escudero, R. Hornero, D. Abásolo et A. Fernández, « Séparation aveugle de la source pour améliorer les caractéristiques spectrales et non linéaires des enregistrements de magnétoencéphalogrammes. Application à la maladie d'Alzheimer », Génie Médical & Physique, vol. 31, non. 7, pp. 872-879, 2009. Afficher sur : Site de l'éditeur | Google Scholar
  108. R. Hornero, J. Escudero, A. Fernández, J. Poza et C. Gómez, « Analyses spectrales et non linéaires de l'activité de fond du MEG chez les patients atteints de la maladie d'Alzheimer » Transactions IEEE sur le génie biomédical, vol. 55, non. 6, pp. 1658–1665, 2008. Voir sur : Site de l'éditeur | Google Scholar
  109. O. N. Markand, « Syndromes cérébraux organiques et démences », Pratique actuelle de l'électroencéphalographie clinique, vol. 3, pp. 378-404, 1990. Voir sur : Google Scholar
  110. J. Dauwels, F.-B. Vialatte et A. Cichocki, « Sur le diagnostic précoce de la maladie d'Alzheimer à partir des signaux EEG : une mini-revue », dans Avancées en neurodynamique cognitive II, pp. 709-716, Springer, 2011. Voir sur : Google Scholar
  111. J. Escudero, S. Sanei, D. Jarchi, D. Abásolo et R. Hornero, « Évaluation de la cohérence régionale dans les troubles cognitifs légers et la maladie d'Alzheimer basée sur des rythmes de magnétoencéphalogramme extraits de manière adaptative » Mesure physiologique, vol. 32, non. 8, pp. 1163-1180, 2011. Voir sur : Site de l'éditeur | Google Scholar
  112. J. Jeong, « Dynamique non linéaire de l'EEG dans la maladie d'Alzheimer », Recherche sur le développement de médicaments, vol. 56, non. 2, pp. 57-66, 2002. Voir sur : Site de l'éditeur | Google Scholar
  113. D. P. Subha, P. K. Joseph, R. Acharya et C. M. Lim, « Analyse du signal EEG : une enquête », Journal des systèmes médicaux, vol. 34, non. 2, pp. 195-212, 2010. Afficher sur : Site de l'éditeur | Google Scholar
  114. D. Abásolo, R. Hornero, C. Gómez, M. Garc໚ et M. López, « Analyse de l'activité de fond de l'EEG chez les patients atteints de la maladie d'Alzheimer avec une complexité de Lempel-Ziv et une mesure de tendance centrale », Génie Médical et Physique, vol. 28, non. 4, pp. 315-322, 2006. Voir sur : Site de l'éditeur | Google Scholar
  115. J. Escudero, D. Abásolo, R. Hornero, P. Espino et M. López, « Analyse des électroencéphalogrammes chez les patients atteints de la maladie d'Alzheimer avec entropie à plusieurs échelles », Mesure physiologique, vol. 27, non. 11, article 004, p. 1091, 2006. Voir sur : Site de l'éditeur | Google Scholar
  116. P. Grassberger et I. Procaccia, « Mesurer l'étrangeté des attracteurs étranges », Physica D : Phénomènes non linéaires, vol. 9, non. 1-2, pp. 189-208, 1983. Voir sur : Site de l'éditeur | Google Scholar | MathSciNet
  117. A. Wolf, J. B. Swift et H. L. a. Swinney, « Détermination des exposants de Lyapunov à partir d'une série chronologique », Physica D : Phénomènes non linéaires, vol. 16, non. 3, pp. 285-317, 1985. Voir sur : Site de l'éditeur | Google Scholar | MathSciNet
  118. B. Hamadicharef, C. Guan, E. C. Ifeachor, N. Hudson, E. C. Ifeachor et S. Wimalaratna, « Evaluation des performances et fusion des méthodes de détection précoce de la maladie d'Alzheimer », dans Actes de la 1ère conférence internationale sur le génie biomédical et l'informatique (BMEI '08), pp. 347–351, mai 2008. Afficher sur : Site de l'éditeur | Google Scholar
  119. G.T. Henderson, Détection précoce de la démence à l'aide de l'électroencéphalogramme humain, Université de Plymouth, 2004.
  120. R. Ferenets, T. Lipping, A. Anier, V. Jantti, S. Melto et S. Hovilehto, « Comparaison des mesures d'entropie et de complexité pour l'évaluation de la profondeur de la sédation » Transactions IEEE sur le génie biomédical, vol. 53, non. 6, pp. 1067-1077, 2006. Voir sur : Site de l'éditeur | Google Scholar
  121. P. Zhao, P. Van-Eetvelt, C. Goh, N. Hudson, S. Wimalaratna et E. Ifeachor, "Caractérisation des EEG dans la maladie d'Alzheimer à l'aide de méthodes théoriques de l'information", dans Actes de la 29e conférence internationale annuelle de l'IEEEon Engineering in Medicine and Biology Society (EMBC ✇), pp. 5127-5131, Lyon, France, août 2007. Afficher sur : Site de l'éditeur | Google Scholar
  122. P. Zhao, P. Van-Eetvelt, C. Goh, N. Hudson, S. Wimalaratna et E. Ifeachor, "Caractérisation des EEG dans la maladie d'Alzheimer à l'aide de méthodes théoriques de l'information", dans Actes de la 29e conférence internationale annuelle de l'IEEE-EMBS, Engineering in Medicine and Biology Society (EMBC '07), pp. 5127-5131, Lyon , France, août 2007. Afficher sur : Site de l'éditeur | Google Scholar
  123. M. Costa, A.L. Goldberger et C.-K. Peng, « Analyse entropique à plusieurs échelles de séries chronologiques physiologiques complexes », Lettres d'examen physique, vol. 89, non. 6, numéro d'article 068102, 2002. Voir sur : Google Scholar
  124. M. Costa, A. L. Goldberger et C. Peng, « Analyse entropique multi-échelle des signaux biologiques » Examen physique E, vol. 71, non. 2, numéro d'article 021906, 2005. Afficher sur : Site de l'éditeur | Google Scholar | MathSciNet
  125. A. Subasi et M. I. Gursoy, « Classification des signaux EEG à l'aide de PCA, ICA, LDA et de machines à vecteurs de support », Systèmes experts avec applications, vol. 37, non. 12, pp. 8659-8666, 2010. Afficher sur : Site de l'éditeur | Google Scholar
  126. M. KavitaMahajan et M. S. M. Rajput, « Une étude comparative de l'ANN et de la SVM pour la classification EEG » Revue internationale d'ingénierie, vol. 1, non. 6, 2012. Voir sur : Google Scholar
  127. F. Vialatte, A. Cichocki, G. Dreyfus, T. Musha, TM Rutkowski et R. Gervais, « Séparation de source aveugle et modélisation par bosse clairsemée de la représentation temps-fréquence des signaux EEG : nouveaux outils pour la détection précoce de la maladie d'Alzheimer » dans Actes de l'atelier IEEE sur l'apprentissage automatique pour le traitement du signal, pp. 27–32, Mystic, Conn, USA, septembre 2005. Voir sur : Publisher Site | Google Scholar
  128. M. Besserve, K. Jerbi, F. Laurent, S. Baillet, J. Martinerie et L. Garnero, « Méthodes de classification des signaux EEG et MEG en cours » Recherche biologique, vol. 40, non. 4, pp. 415-437, 2007. Voir sur : Google Scholar
  129. G. Costantini, D. Casali et M. Todisco, "Une méthode de classification basée sur SVM pour les signaux EEG", dans Actes de la 14e conférence internationale du WSEAS sur les circuits (ICC '10), pp. 107-109, juillet 2010. Voir sur : Google Scholar
  130. D. Garrett, D. A. Peterson, C. W. Anderson et M. H. Thaut, « Comparaison des méthodes de sélection linéaire, non linéaire et de caractéristiques pour la classification des signaux EEG » Transactions IEEE sur les systèmes neuronaux et l'ingénierie de la réadaptation, vol. 11, non. 2, pp. 141–144, 2003. Voir sur : Site de l'éditeur | Google Scholar
  131. E. C. Ifeachor, N. J. Outram, G. T. Henderson et al., « Méthodes non linéaires pour l'analyse des modèles biologiques : rôle et défis », dans Actes de la 26e conférence internationale annuelle de l'IEEE Engineering in Medicine and Biology Society (EMBC '04), pp. 5400-5406, septembre 2004. Voir sur : Google Scholar
  132. C. Lehmann, T. Koenig, V. Jelic et al., « Application et comparaison d'algorithmes de classification pour la reconnaissance de la maladie d'Alzheimer dans l'activité cérébrale électrique (EEG) » Journal des méthodes de neurosciences, vol. 161, non. 2, pp. 342–350, 2007. Afficher sur : Site de l'éditeur | Google Scholar
  133. R. H. Chowdhury, M. B. Reaz, M. A. B. M. Ali, A. A. Bakar, K. Chellappan et T. Chang, « Techniques de traitement et de classification du signal d'électromyographie de surface » Capteurs, vol. 13, non. 9, pp. 12431–12466, 2013. Voir sur : Site de l'éditeur | Google Scholar
  134. A. Al-Timemy, G. Bugmann, J. Escudero et N. Outram, « Classification des mouvements des doigts pour le contrôle de la prothèse de main dextérité avec électromyographie de surface » Journal IEEE de l'informatique biomédicale et de la santé, vol. 17, non. 3, pp. 608–618, 2013. Voir sur : Site de l'éditeur | Google Scholar

Droits d'auteur

Copyright © 2014 Noor Kamal Al-Qazzaz et al. Il s'agit d'un article en libre accès distribué sous la licence Creative Commons Attribution, qui permet une utilisation, une distribution et une reproduction sans restriction sur n'importe quel support, à condition que l'œuvre originale soit correctement citée.


Technologie MEA

Ce chapitre passe en revue la technologie impliquée dans le développement des MEA.

Types d'appareils et terminologie

Au fil des ans, un large répertoire de termes a été utilisé pour désigner et distinguer toutes les différentes formes d'AME, par exemple, en mettant l'accent sur le type de transducteurs utilisés (réseau multi-transistors, réseau de microélectrodes, réseau multiélectrodes, réseau de micro-ongles, matrice à couplage capacitif, MEA 3D), le type de substrat (matrice active, matrice passive, matrice silicium, matrice CMOS), la forme de l'appareil (sonde à aiguille, polytrode, neuro-plat), le nombre de canaux (matrice multicanaux ), la densité d'électrodes (HDMEA) ou l'application (matrice implantable, in vivo AEM, in vitro MEA) et plus encore. Nous aimerions donc expliquer brièvement la terminologie utilisée dans le cadre de cette revue. Nous généralisons le terme microélectrodes et MEA pour couvrir à la fois les MEA planaires intégrés au substrat et les sondes neurales implantables. Nous incluons également les dispositifs à couplage capacitif, tels que les réseaux multi-transistors dans la définition des AME. On distingue alors implantable, in vivo les AME, tels que les polytrodes et les sondes neurales, et in vitro AME qui comprennent généralement une boîte de culture cellulaire ou une autre sorte de chambre moyenne. De plus, nous classons les différentes architectures de baies, comme cela sera expliqué dans la section Avancées des dispositifs MEA et sondes (Figure 3). Brièvement, nous distinguons les matrices 𠇌âblage fixe”, ce qui signifie que chaque transducteur de la matrice a un fil direct à l'extérieur de la matrice et des matrices “multiplexées,” dans lesquelles une sorte de mécanisme de commutation est employée dans le tableau. Nous utilisons le terme 𠇊rray” pour désigner la zone réelle qui englobe uniquement les éléments du transducteur et nous utilisons l'appareil ou MEA pour désigner l'ensemble de l'appareil. Avec système, nous nous référons au MEA et à tous les composants nécessaires à son fonctionnement, tels que le matériel et le logiciel d'acquisition de données. Nous utilisons les termes �tive” et “passive” pour faire la distinction entre les appareils avec des éléments de circuit actifs, tels que les transistors, et les appareils sans de tels éléments.

Électrodes et transducteurs

Il existe diverses techniques de fabrication de microélectrodes, qui sont examinées par Li et al. (2003), Park et Shuler (2003), Huang et al. (2009). Le choix des matériaux pour l'isolant, le conducteur, la microélectrode et le substrat est crucial, notamment en ce qui concerne la biocompatibilité. Tous les matériaux de la MEA qui seront à proximité ou en contact avec les cellules et les tissus doivent être soumis à des tests de toxicité sur des périodes prolongées (Hassler et al., 2011). Il est également important de considérer les expériences biologiques pour lesquelles les microélectrodes seront utilisées, que ce soit in vivo ou in vitro, culture ou préparation aiguë. De plus, le choix du type de MEA à utiliser dépend fortement du type de signaux enregistrés nécessaires, qu'il s'agisse d'EAP et/ou de LFP ou de potentiels d'action intracellulaire (IAP), de résolution unicellulaire ou non. Si le MEA doit être utilisé pour la stimulation, la capacité de charge des électrodes est un aspect important. L'électrode doit pouvoir médier les réactions à l'interface électrode-électrolyte pour permettre au flux d'électrons dans l'électrode de se transformer en flux d'ions dans l'électrolyte vers la stimulation des cellules voisines (Cogan, 2008).

Généralement, un objectif important de la fabrication d'électrodes est d'obtenir une faible impédance. Une faible impédance d'électrode entraîne un rapport signal/bruit (SNR) plus élevé, avec un SNR cible habituel de 5:1 ou plus. L'uniformité de l'impédance d'électrode à travers un réseau d'électrodes peut également être importante pour obtenir des données cohérentes.

En règle générale, les électrodes sont fabriquées avec des conducteurs métalliques tels que l'or (Au), le nitrure de titane (TiN), le platine (Pt), l'acier inoxydable, l'aluminium (Al) et des alliages comme l'oxyde d'iridium (IrOx). Étant donné que les électrodes utilisées dans les MEA sont à l'échelle micrométrique, il est difficile d'obtenir une faible impédance d'électrode avec des conducteurs simples uniquement. L'augmentation de la surface effective des électrodes peut être obtenue par modification avec des matériaux conducteurs poreux tels que le noir de Pt, les nanostructures Au, les nanotubes de carbone (CNT) et les polymères conducteurs comme le poly(3,4-éthylènedioxythiophène) (PEDOT). Outre le PEDOT et les CNT, les matériaux émergents comprennent le diamant dopé et le graphène. En modifiant la surface, l'impédance de l'électrode peut être considérablement diminuée et l'enregistrement neuronal peut être amélioré (Cui et al., 2001 Franks et al., 2005 Ludwig et al., 2006 Keefer et al., 2008 Viswam et al., 2014) . Nam et Wheeler (2011), Kim et al. (2014) pour un examen des matériaux d'électrode et de la modification de surface.

Les électrodes non métalliques ont été principalement utilisées en conjonction avec des transducteurs à base de transistors à effet de champ (FET) (Bergveld, 1970 Fromherz et al., 1991). Un OGFET peut, par exemple, être obtenu si le processus de fabrication d'un FET est arrêté avant le dépôt du matériau de grille (Jenkner et al., 2004). Le FET à grille étendue (EGFET) est plus facile à fabriquer, dans lequel le FET est fabriqué sans modification à partir d'un processus CMOS standard. Des interconnexions métalliques et via sont utilisées pour étendre la grille jusqu'à la surface de la puce, où une électrode isolée met en œuvre la grille 𠇎xtended.” Une telle isolation garantit qu'aucun courant faradique ne se produit. Cependant, comme l'ont souligné Hierlemann et al., les appareils dotés d'électrodes métalliques se connectent également généralement à un FET directement (Imfeld et al., 2008) ou via un condensateur de filtrage (Heer et al., 2006), ce qui entraîne un enregistrement largement capacitif. situation (Hierlemann et al., 2011). L'OGFET, l'EGFET et les dispositifs qui connectent directement l'électrode au premier FET doivent généralement inclure des mesures pour polariser correctement la porte ou un mécanisme d'étalonnage, ce qui peut provoquer le passage de courants transitoires au niveau de l'électrode. Alors que pour les dispositifs avec un étage frontal à couplage capacitif, le contrôle du nœud d'entrée d'électrode n'est généralement pas nécessaire. Des dispositifs avec un transducteur à base de FET, mais utilisant une grille métallisée exposée au liquide, ont également été développés (Jobling et al., 1981).

Récemment, des électrodes ultra-petites sont en cours de développement pour enregistrer l'activité intracellulaire, y compris les signaux inférieurs au seuil, comme examiné dans Spira et Hai (2013). Ceci est réalisé par des électrodes structurées en 3D telles que des nanofils de silicium (Robinson et al., 2013) et des champignons Au (Hai et al., 2009) pénétrant la membrane cellulaire. Il a été démontré que l'électroporation facilite la mesure de l'activité intracellulaire (Koester et al., 2010 Hai et Spira, 2012).

Avancées dans les dispositifs MEA et sondes

Depuis les microélectrodes extracellulaires uniques utilisées au milieu du siècle dernier (Weale, 1951 Gesteland et al., 1959), le développement s'est rapidement déroulé vers des AME à transducteurs multiples dans le but d'augmenter le nombre de neurones observés (Thomas et al., 1972 Gross et al., 1977 Pine, 1980 Csicsvari et al., 2003) pour augmenter la fiabilité du tri des pointes (Gray et al., 1995 Harris et al., 2000) et pour permettre la localisation de la source (Blanche et al., 2005 Chelaru et Jog, 2005 Frey et al., 2009b Somogyvári et al., 2012 Delgado Ruz et Schultz, 2014). Les progrès des techniques lithographiques, alimentés par l'industrie des semi-conducteurs, ont permis une augmentation progressive des performances et de la fiabilité de ces dispositifs multicanaux. Transducteurs passifs basés sur des électrodes intégrées dans des substrats de verre ou de silicium avec un câblage fixe vers des amplificateurs pour in vitro et aussi in vivo applications sont devenues disponibles dans le commerce à la fin des années 90 et au début de ce siècle. Déjà très tôt, des biocapteurs à base de silicium pour l'interfaçage des cellules avec la microélectronique ont été développés (Bergveld, 1970 Parce et al., 1989). Des dispositifs actifs utilisant des FET ont été fabriqués et des matrices 2D ont été démontrées (Besl et Fromherz, 2002). Les dispositifs utilisant la technologie CMOS ont été fabriqués dans des établissements universitaires (DeBusschere et Kovacs, 2001) et des fonderies industrielles, généralement en conjonction avec des étapes de traitement supplémentaires pour des raisons de biocompatibilité (Berdondini et al., 2002 Eversmann et al., 2003b Franks et al., 2003) .

Le principal avantage de l'intégration de composants électroniques actifs sur le même substrat que les électrodes réelles est la possibilité d'un nombre et d'une densité d'électrodes beaucoup plus élevés. En raison de la possibilité d'utiliser des commutateurs actifs pour des signaux de multiplexage temporel, les circuits intégrés permettent de transférer des données à partir d'un tel nombre de canaux hors puce et de surmonter la limitation de connectivité des dispositifs passifs. De plus, une telle co-intégration permet d'amplifier les signaux avec une qualité optimale, grâce à des capacités et résistances parasites minimales (Hierlemann et al., 2011). La co-intégration monolithique permet également d'inclure des fonctionnalités supplémentaires, par ex. Baumann et al., 1999 Tokuda et al., 2006 Johnson et al., 2013b).

La figure 2A compare une variété de dispositifs historiques et actuels, pour illustrer l'évolution des AME en ce qui concerne la zone de détection globale et les densités d'électrodes. Le nombre d'électrodes est représenté par des lignes pleines. Les appareils sont classés en câblage fixe (Type Aɫ dans la Figure 3) et en réseaux multiplexés (Types C𠄾 dans la Figure 3). Les réseaux à câblage fixe comprennent des dispositifs sans aucun circuit sur puce (Alpha MED Science Co., Ltd. 1 Multi Channel Systems GmbH 2 Thomas et al., 1972 Gross et al., 1977 Pine, 1980 Regehr et al., 1989 Nisch et al. al., 1994 Oka et al., 1999 Litke et al., 2004 Segev et al., 2004 Greschner et al., 2014), mais aussi des AME avec des circuits sur puce limités à l'environnement du réseau (Greve et al. , 2007) et des matrices qui incluent des FET (Offenhäusser et al., 1997) et des dispositifs suiveurs de source directement câblés à des circuits à l'extérieur de la matrice (DeBusschere et Kovacs, 2001). Les réseaux multiplexés utilisent une sorte de multiplexage au sein du réseau réel (Eversmann et al., 2003a, 2011 Heer et al., 2006 Tokuda et al., 2006 Aziz et al., 2009 Berdondini et al., 2005, 2009 Frey et al. , 2010 Huys et al., 2012 Johnson et al., 2012, 2013a,b Maccione et al., 2013 Ballini et al., 2014 Bertotti et al., 2014).

Figure 2. Comparaison des appareils. Comparaison MEA en ce qui concerne (UNE) densité d'électrode et zone de détection totale, et (B) nombre de canaux d'enregistrement parallèle et niveau de bruit. (UNE) Pour les appareils avec un pas de capteur régulier, comme la plupart in vitro Appareils MEA, la surface totale est calculée en nombre d'électrodes multiplié par la surface de pixel. Pour tous les appareils, le nombre d'électrodes multiplié par l'inverse de la densité d'électrodes correspond à la surface totale. Les lignes gris clair illustrent le nombre d'électrodes. (B) Les valeurs de bruit indiquées sont des valeurs RMS approximatives indiquées dans les citations respectives. Les conditions dans lesquelles ces mesures ont été prises diffèrent généralement de manière significative (telles que la bande passante du bruit, l'entrée ou l'exclusion du bruit des électrodes, l'inclusion du bruit de quantification ADC, etc.). Par conséquent, ce graphique ne sert qu'à une comparaison approximative. Les formes d'onde pour illustrer les niveaux de bruit sont simulées et ont un spectre typique des enregistrements MEA. Les pointes simulées sont des pointes typiques pour les mesures de tranches de cerveau aiguës enregistrées avec des microélectrodes. Les amplitudes enregistrées peuvent varier considérablement en fonction de la préparation et des caractéristiques du capteur. Voir les notes de bas de page : 3 , 4 , 5 , 6 , 7 .

Figure 3. Architectures de baies. Ce tableau résume et classe les différentes architectures généralement utilisées pour les MEA. Les avantages, les inconvénients sont indiqués et des références sélectionnées représentatives sont données. (UN B) Câblage fixe. (UNE) Les électrodes sont directement connectées aux plots de signal sans circuit actif. (B) Les électrodes sont directement connectées aux circuits actifs sur puce pour le conditionnement du signal. (C𠄾) Tableaux multiplexés. (C) Les signaux sont multiplexés vers les plots de signal via un adressage colonne, rangée en mode statique. (RÉ) Un adressage plus flexible est obtenu en ajoutant plus de ressources de routage au sein de la baie en mode matrice de commutation. (E) Toutes les électrodes peuvent être échantillonnées à des vitesses rapides en lecture plein format implémentée dans les MEA à capteur de pixels actifs (APS).

Pour in vivo MEA, la limitation de connectivité est encore plus sévère, car les connexions ne peuvent pas être câblées sur les quatre côtés de la baie, mais uniquement sur l'un des côtés étroits. La figure 2A comprend quelques exemples de tels dispositifs utilisant un câblage fixe (Wise et al., 1970 Najafi et Wise, 1986 Jones et al., 1992 O'Keefe et Recce, 1993 Gray et al., 1995 Bai et Wise, 2001 Csicsvari et al. ., 2003 Kipke et al., 2003 Blanche et al., 2005 Olsson et Wise, 2005 Fujisawa et al., 2008 Montgomery et al., 2008 Herwik et al., 2009 Du et al., 2011 Berényi et al. , 2014) et trois récents in vivo AME avec multiplexage sur le puits lui-même (Shahrokhi et al., 2010 Seidl et al., 2011 Lopez et al., 2014). Pour des revues détaillées de in vivo AME (voir Wise et al., 2008, 2004 Ruther et al., 2010).

La figure 2B, d'autre part, se concentre uniquement sur les dispositifs à base de CMOS et illustre le compromis entre le nombre de canaux de lecture parallèles (ou quasi parallèles) et le bruit d'entrée référencé de la chaîne d'amplification. Il illustre le fait fondamental qu'un amplificateur frontal à faible bruit nécessite à la fois de la surface et de la puissance. Limiter l'un ou l'autre augmentera intrinsèquement les niveaux de bruit. Le budget d'alimentation de l'ensemble du dispositif, y compris tous les circuits du réseau et de son environnement, est limité par la quantité de chaleur produite que l'on peut tolérer. Pour les contraintes de zone, il faut considérer séparément la zone à l'intérieur du réseau et l'entourant. Au sein du réseau, la densité d'électrodes dicte la zone disponible par pixel. En dehors du réseau, la zone est limitée principalement par le coût de fabrication. Comme approche triviale pour découpler l'exigence de surface des spécifications de bruit, on peut simplement placer les amplificateurs à l'extérieur du réseau et câbler directement une électrode à un amplificateur (figure 3B). Cependant, cette approche ne permet toujours pas d'atteindre à la fois une densité élevée et un grand nombre d'électrodes. La figure 3 répertorie ces approches de câblage fixe et les architectures de réseau typiques utilisant le multiplexage au sein du réseau pour surmonter cette limitation.

La commutation active peut être intégrée dans le réseau, ce qui permet de multiplexer dans le temps les signaux provenant de nombreuses électrodes vers quelques fils qui transportent les signaux hors du réseau. Nous considérons maintenant deux types de multiplexage temporel, le fonctionnement statique (Figures 3C,D) et dynamique (Figure 3E) (Imfeld et al., 2008). En mode dynamique, chaque pixel (ou électrode) est échantillonné une fois dans chaque image, avec des fréquences d'images typiques de 2 & 0201310 kHz pour les MEA basés sur CMOS (Eversmann et al., 2003a Johnson et al., 2013b) et certains dispositifs permettant jusqu'à 77 kHz (Bertotti et al., 2014). Ce mode est similaire aux capteurs d'images utilisés dans les appareils photo. En règle générale, des sous-réseaux rectangulaires peuvent être choisis comme régions d'intérêt et échantillonnés à des vitesses plus rapides. Du point de vue du circuit, le défi de la conception d'AME de lecture plein format réside dans le fait que le multiplexage au sein du réseau nécessite que l'amplificateur frontal soit situé dans le pixel lui-même, car l'électrode seule présente une impédance élevée et ne peut donc pas piloter. les lignes de lecture multiplexées à une vitesse suffisante. Par nature, la zone disponible au sein des pixels est limitée dans les réseaux à haute densité, ce qui rend difficile la construction d'amplificateurs à très faible bruit. De plus, les électrodes elles-mêmes et l'activité dans le milieu de culture présentent un bruit à large bande (voir la section Bruit et SNR), nécessitant ainsi un filtre passe-bas dans le pixel pour empêcher le bruit d'être replié dans la bande de signal en raison de l'échantillonnage. En général, les matrices de lecture plein format ont un nombre de canaux élevé et, par conséquent, le budget de puissance par canal est très limité.

Des approches alternatives pour contourner ce problème et pour permettre des dispositifs dans lesquels le circuit lui-même n'est pas le facteur limitant en ce qui concerne les performances de bruit ont été démontrées. Les matrices fonctionnant en mode statique (figures 3C, D) n'ont que des commutateurs et aucun amplificateur en tant que dispositifs actifs dans la matrice. Les commutateurs sont utilisés pour câbler des électrodes aux amplificateurs frontaux placés à l'extérieur du réseau, où une zone suffisante pour la mise en œuvre d'amplificateurs à faible bruit est disponible. Cela découple également le nombre d'électrodes du nombre de canaux de lecture, ce qui permet de budgétiser la puissance disponible de manière plus flexible. Les dispositifs qui utilisent un adressage statique simple basé sur des colonnes et des lignes sont limités dans la flexibilité de choix des électrodes pour une lecture parallèle. Une implémentation de matrice de commutation, qui se compose d'un grand ensemble de fils de routage, de commutateurs de routage et de mémoire locale, telles que des cellules SRAM dans le réseau, permet l'utilisation de chemins de routage complexes pour recâbler un sous-ensemble d'électrodes à la lecture et à la stimulation disponibles. canaux de manière flexible. Souvent, une telle approche est suffisante pour observer les phénomènes biologiques d'intérêt, car généralement toutes les électrodes ne présentent pas d'activité. Cependant, les protocoles expérimentaux ont tendance à devenir plus complexes, car il faut sélectionner les électrodes “right” pendant l'expérience. L'un des protocoles couramment utilisés pour de tels dispositifs consiste à analyser d'abord l'ensemble du réseau en mode statique, c'est-à-dire à enregistrer à partir de chaque sous-bloc rectangulaire pendant, par exemple, quelques minutes, à exécuter un traitement de données en ligne ou quasi en ligne sur les données enregistrées, et sélectionner un sous-ensemble plus raffiné en fonction de l'activité enregistrée et de l'objectif scientifique de l'expérience.

Outre le réseau, les dispositifs CMOS nécessitent également la conception d'amplificateurs neuronaux et d'une sorte d'émetteur de données, soit des signaux analogiques amplifiés, soit, plus généralement, des données déjà numérisées. Généralement, un amplificateur neuronal doit avoir une impédance d'entrée élevée, qui est nettement supérieure à l'impédance de l'électrode, pour garantir l'intégrité du signal. L'amplificateur doit être de faible puissance pour éviter un échauffement du substrat qui pourrait endommager les cellules ou les tissus. Pour in vitro Dispositifs MEA, une variété d'applications cibles doivent être prises en compte. Par conséquent, les exigences de gain et de plage dynamique peuvent être assez exigeantes et doivent être réglables, par exemple pour couvrir des applications avec des amplitudes maximales de quelques centaines de microvolts dans les préparations de tranches aiguës et, d'autre part, jusqu'à 10 mV dans les mesures à partir de cardiomyocytes. Il en va de même pour la flexibilité de la bande passante d'enregistrement. Certaines applications peuvent nécessiter uniquement des signaux de fréquence inférieure, certaines uniquement des pics dans la bande EAP, certaines les deux bandes avec des exigences de gain différentes en même temps. Les circuits doivent implémenter une sorte de filtre passe-haut pour bloquer le grand 1/f bruit de l'interface électrode-liquide typiquement observé. Les systèmes MEA peuvent également inclure des circuits de stimulation, traités dans la section suivante, et une conversion analogique-numérique (ADC). Ils doivent inclure une interface pour transmettre les données et recevoir des commandes pour contrôler le fonctionnement du système. Les exigences sont différentes pour les dispositifs implantables, où généralement l'application cible est beaucoup plus définie, mais les exigences en matière de puissance, de fiabilité et de sécurité sont également plus strictes. Ces systèmes mettent souvent en œuvre la détection ou la classification des pointes et la transmission sans fil dans le système, soit en tant qu'implémentation monolithique, soit en tant qu'approche hybride utilisant plusieurs circuits intégrés. Ils peuvent également être alimentés sans fil. D'autre part, in vitro Les systèmes MEA ne nécessitent pas d'alimentation sans fil ni de transmission de données, car ils peuvent généralement être directement câblés au dispositif de réception de données. Dans ce cas, des normes d'interface courantes sont souvent utilisées, telles que USB (Multi Channel Systems GmbH 2 ), Ethernet (Frey et al., 2010), la carte DAQ National Instrument (Alpha MED Science Co., Ltd. 1 ), CameraLink (Imfeld et al., 2008), ou autres. La plupart de ces systèmes prennent en charge le stockage en ligne de l'intégralité des données brutes sur des disques durs, incluant parfois une forme de compression de données sans perte (Sedivy et al., 2007).

De nombreuses exigences de circuit peuvent être échangées les unes contre les autres, par exemple, on peut facilement réduire le bruit en augmentant la surface ou la consommation d'énergie. Le principal défi consiste donc à définir avec précision les spécifications cibles pour l'application donnée et à optimiser les systèmes pour celle-ci, sans surdimensionner les exigences spécifiques. D'autres considérations concernant le bruit sont données dans la section Bruit et SNR. Des revues axées sur les problèmes liés aux circuits sont disponibles ici : (Wise et al., 2004, 2008 Harrison, 2008 Jochum et al., 2009 Gosselin, 2011).

Stimulation

Les AME permettent une observation passive, ainsi qu'une influence et un contrôle actifs de l'activité neuronale. Les électrodes métalliques peuvent délivrer des stimuli électriques directement à l'aide des microélectrodes, alors que pour les dispositifs à base d'OGFET, un point de stimulation capacitif supplémentaire est généralement utilisé pour délivrer les stimuli (Stett et al., 1997). De plus, l'intégration CMOS monolithique des AME ouvre la possibilité d'inclure des circuits de stimulation électrique directement sur la puce, permettant à son tour un degré élevé de flexibilité dans la génération de modèles spatio-temporels de stimulation, une résolution spatiale plus élevée pour la stimulation et une suppression directe des artefacts de stimulation sur puce ou suppression.

Déjà les toutes premières expériences électrophysiologiques avec des grenouilles par Galvani (1791) impliquaient des stimulations électriques utilisant des fils métalliques connectés à diverses sources, par exemple, des pots de Leyde, des carrés magiques de Franklin et même de l'électricité atmosphérique pendant la foudre. In vivo, la stimulation électrique est couramment utilisée pour stimuler les nerfs afin de transmettre des informations sensorielles au cerveau, comme pour les implants cochléaires (Wilson et Dorman, 2008) et les implants rétiniens (Ahuja et al., 2011 Zrenner et al., 2011) pour contrôler, par ex. , des membres pour la neuroréhabilitation après une lésion du système nerveux et pour traiter des troubles, par exemple la maladie de Parkinson par stimulation cérébrale profonde à l'aide de stimulateurs cérébraux (Montgomery et Gale, 2008). Dans de telles applications, la distance physique entre l'électrode de stimulation et les nerfs cibles peut être assez grande, nécessitant la délivrance de stimuli de grande amplitude.

Lilly et al. (1955) ont établi des méthodes équilibrées chargées utilisant des impulsions brèves biphasiques pour limiter les dommages aux tissus et la dégradation des électrodes elles-mêmes. Merrill et al. passé en revue la stimulation électrique à l'aide d'électrodes, énumérant divers matériaux (Merrill et al., 2005). Pour in vitro Les AME, des protocoles de stimulation efficaces ont été caractérisés par Wagenaar et al. (2004). Les auteurs ont étudié différents paramètres de stimulation (largeur d'impulsion, amplitude, forme d'impulsion) qui évoquent l'activité neuronale.

Une application de la stimulation électrique est son utilisation comme déclencheur, ce qu'on appelle une moyenne déclenchée par un stimulus (Cheney et Fetz, 1985). La stimulation électrique permet de délivrer des impulsions de déclenchement de haute résolution temporelle de l'ordre de quelques microsecondes, en fonction du tampon de stimulation utilisé et de la charge capacitive de l'électrode. La stimulation peut évoquer des réponses avec une petite gigue temporelle, par exemple, Bakkum et al. ont observé une gigue de 160 μs en utilisant des AME passifs (Bakkum et al., 2008). Bakkoum et al. ont utilisé des signaux de déclenchement pour étudier la vitesse de propagation du potentiel d'action (PA) dans les axones de neurones en culture (Bakkum et al., 2013). La figure 4A montre comment de telles moyennes déclenchées par un stimulus ont révélé de petites pointes axonales de différentes formes, telles que des types bi et triphasiques. La figure 4B illustre la réduction du bruit non corrélé avec un nombre croissant de répétitions moyennées. L'apparition d'artefacts dans les canaux d'enregistrement, en raison du fait que les impulsions de stimulation sont généralement de trois à quatre ordres de grandeur plus grandes que les signaux enregistrés, est un problème potentiel lié à la stimulation électrique des cellules et tissus neuronaux. Ce couplage entre la stimulation et l'enregistrement est difficile à empêcher, et les artefacts sont détectés à la fois dans le câblage de la matrice et des circuits, mais également à travers le milieu de la culture cellulaire ou du tissu. Cependant, tant que le couplage est purement capacitif, les artefacts n'empêchent généralement l'enregistrement que pendant la période de stimulation elle-même. Si l'amplitude d'un artefact est grande, ce qui peut se produire lorsqu'une électrode d'enregistrement se trouve à proximité de l'électrode de stimulation, l'artefact peut saturer les circuits d'amplification de l'électrode d'enregistrement. Cette saturation empêchera l'enregistrement pendant une période prolongée après la fin de la stimulation. La figure 4C montre un exemple d'un tel signal saturé provenant d'une électrode située à 18 μm (centre-centre) de l'électrode de stimulation et un signal sans saturation provenant d'une électrode située à environ 1 mm de distance. La figure 4D montre la relation entre la distance entre la stimulation et l'électrode d'enregistrement et la durée de saturation pour un MEA à 11 011 électrodes (Frey et al., 2010), sans utiliser de mesures de suppression d'artefacts. Tant que les amplificateurs ne saturent pas complètement, il est possible de supprimer ces artefacts dans le logiciel en soustrayant l'artefact estimé (basé sur des modèles, des filtres ou un ajustement de courbe locale) des données (Hashimoto et al., 2002 Wagenaar et Potter, 2002 ). Pour permettre également l'enregistrement à partir d'électrodes sur lesquelles la saturation se produirait, des contre-mesures dans le matériel doivent être utilisées. Une solution consiste à utiliser un commutateur “reset” qui peut ramener rapidement l'amplificateur saturé en fonctionnement normal, en réinitialisant le filtre passe-haut de l'amplificateur frontal (Heer et al., 2006 Frey et al., 2010 ). Pour supprimer les artefacts même sur l'électrode de stimulation elle-même, des méthodes plus sophistiquées sont utilisées. Jimbo et al. ont proposé une méthode pour découpler les amplificateurs d'enregistrement pendant la stimulation, échantillonner le potentiel d'électrode pendant l'enregistrement et ajouter l'impulsion de stimulation au potentiel d'électrode stocké (Jimbo et al., 2003). Ce schéma a également été mis en œuvre sur des ASIC dédiés à utiliser avec des dispositifs MEA (Brown et al., 2008 Hottowy et al., 2012 Tateno et Nishikawa, 2014). Les figures 4E,F montrent des réponses neuronales activées par des stimuli avec une précision spatio-temporelle élevée. Dans une étude de suivi des PA axonaux (Bakkum et al., 2013), plusieurs dizaines de milliers de stimuli ont été nécessaires, ce qui a été possible sans endommager les électrodes ou les cellules. Dans ce cas, une stimulation en mode tension a été utilisée, bien que le matériel de stimulation supporte à la fois le mode courant et le mode tension (Livi et al., 2010).

Figure 4. Capacité de stimulation du MEA haute résolution basé sur CMOS. (UNE) Exemples de pointes évoquées détectées sur trois sites (colonnes) le long du même axone. La rangée du haut montre les traces brutes individuelles, et les autres rangées montrent les traces moyennées comme indiqué. Barres d'échelle, 1 ms horizontalement, 10 μV verticale. (B) La quantité de moyenne nécessaire pour détecter un pic avec une hauteur donnée (0,5𠄳 σ) par rapport au seuil de détection. (C) À gauche : une trace de tension brute enregistrée sur une électrode voisine d'une électrode de stimulation saturée pendant environ 4 ms (ligne plate). A droite : une trace de tension brute enregistrée sur une électrode située à 1,46 mm d'une électrode de stimulation ne sature pas. (RÉ) La durée d'un signal saturé se produisant après les stimuli est tracée en fonction de la distance de l'électrode de stimulation (moyenne ± s.e.m. N = 18 électrodes de stimulation de cinq MEA à base de CMOS). Les stimuli consistaient en des impulsions de tension biphasiques d'une durée de 100 à 200 ms par phase et d'une amplitude de 400 à 800 mV. (E) Emplacements des électrodes de stimulation qui évoquaient directement (boîtes noires) ou n'évoquaient pas (boîtes grises vides ou remplies) des PA détectés sur un soma situé à 񾢐 μm. La flèche linéaire indique la direction de propagation orthodromique. Barre d'échelle, 20 μm. (F) Traces de tension des PA somatiques provoquées par des stimuli de tension biphasiques. Les traces en réponse à huit stimuli sont superposées pour chacune des trois amplitudes de stimulation (indiquées en haut), tracées pour tous les sites de stimulation efficaces (noir) et quatre sites de stimulation inefficaces (gris en bas). Les emplacements des électrodes de stimulation sont représentés par des cases numérotées dans (E). Barre d'échelle, 200 μV. Tous les panneaux et la description adaptés avec la permission de Bakkum et al. (2013).

Des expériences en boucle fermée, dans lesquelles l'activité neuronale déclenche une stimulation électrique, utilisant des circuits de stimulation sur puce ont été présentées par Hafizovic et al. (2007) et Müller et al. (2013). Dans les deux cas, la détection de pointe est effectuée hors puce sur du matériel FPGA dédié. La décision réelle de stimuler et la sélection des modèles de forme d'onde de stimulation sont effectuées sur un ordinateur personnel dans Hafizovic et al. (2007), alors que dans Müller et al. (2013) un moteur d'événements réalisant cette tâche est implémenté directement sur la plate-forme FPGA, ce qui raccourcit la latence jusqu'à la stimulation et, surtout, réduit sa gigue temporelle.

Des dispositifs à base de CMOS exclusivement dédiés à la stimulation à haute résolution spatio-temporelle de près de 7000 électrodes par millimètre carré et avec des impulsions en mode tension variable ont également été développés (Lei et al., 2008, 2011). Considérations relatives aux circuits pour les appareils à base de CMOS pour la clinique in vivo les demandes sont examinées (p. ex. Ortmanns et coll., 2008 Ohta et coll., 2009).

Applications des MEA basés sur CMOS in Vitro

In vitro Les MEA CMOS ont déjà été utilisés dans une grande variété d'applications, pour l'enregistrement, pour la stimulation électrique ou pour les deux. Listes de la figure 5 in vitro CMOS MEA, leurs spécifications clés et les préparations pour lesquelles ils ont été utilisés jusqu'à présent. Quelques autres in vitro Les AME basés sur CMOS qui ne sont pas répertoriés dans la figure 5 peuvent être trouvés ici : (Tokuda et al., 2006 Greve et al., 2007 Meyburg et al., 2007 Yegin et al., 2009 Johnson et al., 2012). De plus, la fonctionnalité de certains in vivo Les AME CMOS ont également été démontrés en utilisant in vitro applications (Aziz et al., 2009).

Figure 5. Basé sur CMOS in vitro AME. Basé sur CMOS in vitro Les AME, leurs spécifications clés et les références aux applications biologiques pour l'enregistrement et la stimulation sont répertoriés dans ce tableau. La liste des candidatures ne comprend qu'une seule citation représentative pour chaque type de préparation. Les spécifications de chaque appareil sont tirées de la référence indiquée en haut et peuvent différer pour d'autres versions de l'appareil.

Certainement, in vitro Les AME basés sur CMOS, étant encore une technologie émergente dont la disponibilité commerciale n'a commencé que récemment, ont un potentiel élevé pour la recherche et le diagnostic biomédicaux futurs (Jones et al., 2011).


4 Analyse de connectivité cérébrale par imagerie motrice basée sur l'EEG

Cette section passe en revue les études précédentes qui ont étudié le réseau cérébral basé sur l'EEG de sujets sains et l'analyse de la connectivité au cours de différents mouvements d'IM. Bien que de grands efforts aient été déployés pour trouver des études connexes, seules quelques-unes ont été trouvées, ce qui indique la courte durée mais la croissance rapide de ce domaine de recherche. Dans cette revue, les recherches qui ont mis en évidence les différences du réseau cérébral lors des mouvements réels et de son imagination sont également prises en compte. Cependant, seuls les résultats pour les mouvements MI de différentes conditions sont pris en compte et rapportés ici.

En 2004, pour la première fois, le couplage de phase des rythmes sensorimoteurs dans différentes aires motrices au cours de l'IM-langue a été étudié sur trois sujets droitiers à l'aide de PLV (Spiegler et al., 2004). Les EEG des canaux C3, C4 et Cz ont été filtrés entre 1 Hz et 50 Hz et des dérivations de référence moyennes locales ont été calculées afin d'obtenir des EEG sans référence. Ensuite, les signaux ont été transformés dans le domaine temps-fréquence via des ondelettes de Morlet, les mesures de PLV ont été calculées entre chaque paire d'électrodes et les PLV significatives ont été conservées en utilisant un niveau de confiance de 95%. Les résultats ont rapporté une augmentation de l'amplitude autour des rythmes mu des régions de la main gauche et droite tout en imaginant la protrusion de la langue. Le couplage de phase des oscillations de 10 Hz a également été augmenté entre les aires de représentation sensorimotrice primaires de la main (C3 et C4) et l'aire prémotrice (Cz). Aucun changement particulier dans le couplage de phase n'a été trouvé entre les rythmes mu dans les deux hémisphères aux électrodes C3 et C4.

L'utilité de l'interaction entre les signaux EEG a été examinée pour classer les tâches mentales dans le cadre BCI (Gysels & Celka, 2004). En utilisant 32 canaux, nous avons enregistré les EEG de cinq volontaires droitiers pendant l'imagination de mouvements répétitifs de la main gauche (LH) et de la main droite (RH) et de l'imagination de mots commençant par la même lettre. PLV et Coh ont été mesurés à partir de fenêtres coulissantes de 1 seconde, huit fois par seconde entre 8 Hz et 30 Hz. Les densités spectrales de puissance (PSD) dans les bandes (8-12 Hz), (13-18 Hz), (19-30 Hz) et (8-30 Hz) ont été calculées au moyen de la PSD moyenne de Welch. Plusieurs sous-ensembles de caractéristiques ont été créés sur la base des caractéristiques extraites et alimentés à la machine vectorielle de support (SVM) pour la classification. Des paires de sous-ensembles de caractéristiques ont été comparées les unes aux autres pour examiner les différences significatives. En général, les résultats ont fourni la preuve d'une performance de classification hautement variable chez les sujets à différents jours. Les résultats de la classification ont indiqué que PLV surpassait considérablement Coh. et les traits étaient meilleurs que pour deux sujets et dans le cas de tous les sujets. Les caractéristiques à basse fréquence ont mieux fonctionné que celles à haute fréquence. Pour des fenêtres de temps très courtes, PLV a distingué différents intervalles d'activité commune, bien qu'avec une grande incohérence, tandis que Coh était incapable de faire la moindre distinction. De plus, et a nettement surperformé Coh et PLV. Toutes les tâches cognitives ont été reconnues avec succès lorsque les PLV et PSD ont été combinés.

La détermination de la propagation de l'activité électrique cérébrale dans les bandes bêta et gamma dans les aires sensorimotrices lors des mouvements LH-MI et RH-MI a été étudiée sur trois participants droitiers (Ginter et al., 2005). Les mesures SDTF ont été estimées lorsqu'un modèle MVAR a été ajusté à 10 signaux EEG avec un ordre de modèle de 5 et une longueur de fenêtre de 0,4 seconde, qui a été décalée de 10 échantillons sur toute l'époque. Leurs résultats ont montré un écart dans la propagation dans les bandes alpha et bêta pour les électrodes recouvrant la zone motrice-sensorielle primaire en secondes 3 à 5 (y compris le pré- et le péri-mouvement) et des rafales d'activité gamma à peu près en même temps. Une diminution de la propagation dans la bande bêta n'était pas toujours accompagnée d'une augmentation du gamma, parfois les deux composantes fluctuaient de la même manière. L'enquête sur la différence des flux dans les bandes gamma et bêta après le signal a montré qu'entre 3,0 et 3,7 secondes pour les deux mains, la caractéristique la plus caractéristique était l'activité dans l'hémisphère gauche. Pour RH, c'était le côté controlatéral, et pour LH, où c'était le côté ipsilatéral, la propagation gamma à partir d'environ C4 a également été observée. A l'époque 3,7 à 4,2 secondes, pour RH, la propagation dans la bande gamma provenait principalement de la zone sensorimotrice primaire (électrode C3) et des emplacements postérieurs à celle-ci. Cette activité était principalement dirigée vers les structures frontales. Pour LH, il y avait encore une forte propagation du côté ipsilatéral, cependant, le côté controlatéral est devenu plus actif, en particulier dans la zone sous-jacente à C4 et aux électrodes situées plus près de la ligne médiane. Pour l'époque 4,2 à 5,0 secondes, pour RH, la bêta-gamma s'est propagée à partir des régions proches de C3 et postérieures à celle-ci (plus vers la ligne médiane) et a été dirigée vers l'avant et vers Cz. Pour LH, cette situation s'est reflétée. Pour les deux mains, des écoulements ont également été observés dans des emplacements plus postérieurs du côté ipsilatéral.

Le modèle de propagation de l'activité EEG dans les bandes bêta et gamma a également été étudié au cours de l'imagination des mouvements de l'index de la main gauche et droite (LHF et RHF) (Kuś et al., 2005). Les signaux EEG ont été enregistrés à partir de neuf volontaires droitiers à l'aide de 30 électrodes. Pour examiner la dynamique de l'activité cérébrale, les signaux de 18 canaux ont été analysés au moyen d'un SDTF non normalisé basé sur un modèle MVAR avec un ordre de modèle 5, une taille de fenêtre de 400 ms et une fenêtre glissante de 80 ms de longueur. La signification statistique des changements de flux liés à l'action du sujet a ensuite été trouvée en utilisant une technique de bootstrap. Les résultats ont démontré la plus grande dynamique des sorties de la zone primaire du cortex moteur par rapport aux sorties d'autres zones de la bande bêta. Dans la même bande, l'activité a augmenté après le début du signal et elle a diminué pendant l'IM et un rebond ultérieur. Pour l'imagination de RHF, 0 à 0,5 seconde après le début du signal, le plus fort écoulement a été observé dans l'hémisphère gauche. Cependant, cette augmentation n'était pas évidente pour LHF au cours de la même période. Une diminution courte et faible du flux de sortie de l'activité bêta a été localisée sur l'hémisphère droit autour de l'électrode C2, 0,3 à 1,5 secondes après le début du signal pour LHF. Pour RHF, la diminution a été observée dans les deux hémisphères cependant, elle était plus prononcée pour l'électrode Cp3. Après la tâche (1 à 3 secondes après le signal), une augmentation de l'écoulement a été observée principalement au niveau des électrodes dans les zones médianes et frontales. Dans la bande gamma, la sortie d'activité a commencé 1,0 à 1,1 seconde après le début du signal, et de grandes zones du cerveau, en particulier autour de Cz, étaient engagées dans l'émission d'activité. Dans cette bande, la propagation commençait souvent dans des zones plus postérieures, ce qui indiquait une plus grande implication des zones sensorielles. En cas de LHF, l'activité gamma a commencé à se propager dans l'hémisphère droit (0,4 à 0,8 seconde après le début du signal), après quoi le flux a été observé avec un retard d'environ 0,7 à 0,8 seconde dans les emplacements symétriques de l'hémisphère gauche. Pour le RHF, les résultats étaient moins cohérents dans plus de cas où le flux a commencé dans l'hémisphère controlatéral. Une autre caractéristique était la propagation à partir des zones centrales de la tête (électrodes Cz, Fz, Fc1, Fc2) recouvrant le SMA, en particulier pour RHF de Fc1 et pour LHF de Fc2.

Song et associés (2005) ont proposé un MI-BCI basé sur le taux de synchronisation de phase (PSR). Le PSR, calculé à partir du PLV binarisé, décrit le nombre d'événements de synchronisation discrets dans une fenêtre. Cette étude a été réalisée sur l'ensemble de données IVa de la compétition BCI III (cinq sujets ont participé) pour les mouvements RH et MI du pied. La résolution spatiale des EEG bruts a été améliorée en utilisant un filtre laplacien. Ensuite, les EEG filtrés ont été divisés en 6 fenêtres coulissantes de longueur 100. Chaque fenêtre a ensuite été divisée en 76 microfenêtres (avec une taille de 25 et un chevauchement de 24). Les PLV ont ensuite été calculés à l'aide de la transformation de Hilbert et binarisés pour chaque microfenêtre. La moyenne des 76 PLV binarisés a donné le PSR. Dans l'ensemble, 6 PSR ont été calculés pour chaque paire d'électrodes dans un essai. Les PSR de toutes les paires d'électrodes ont été soumis à des tests statistiques et ensuite utilisés comme caractéristiques pour la classification par SVM linéaire. Des tests statistiques non paramétriques ont montré que les PSR contenaient des différences significatives entre deux types d'imagerie motrice. En général, l'erreur de la méthode PSR était plus élevée que celle de la méthode PLV. La similitude qualitative entre les méthodes PSR et PLV a suggéré que la phase était plus discriminante que l'amplitude dans les premières 1,5 à 2,0 secondes.

Un système BCI en ligne basé sur un couplage de phase continu quantifié par le PLV des canaux EEG a été présenté dans Brunner, Scherer, Graimann, Supp et Pfurtscheller (2006). Dans une étude hors ligne, les signaux EEG ont été enregistrés à partir de six sujets pendant l'imagination du mouvement de la LH, de l'HR, du pied et de la langue à l'aide de 22 électrodes. Un ensemble de caractéristiques a été formé à travers un certain nombre de caractéristiques PLV en utilisant des signaux provenant de sept canaux. 21 paires d'électrodes différentes ont été construites. Pour chaque paire, les caractéristiques PLV dans 12 bandes de fréquences ont été calculées, à savoir 11 bandes étroites non chevauchantes (largeur 2 Hz) entre 8 et 30 Hz plus une large bande (8-30 Hz) - donnant 252 caractéristiques PLV différentes. Ces caractéristiques ont été introduites dans un algorithme de sélection de caractéristiques flottantes séquentielles (SFFS) pour choisir au plus huit caractéristiques et ont finalement servi au classificateur d'analyse discriminante linéaire. Il a été montré que pour la plupart des sujets, les sous-ensembles de caractéristiques sélectionnés par le SFFS contenaient plusieurs valeurs PLV qui avaient été filtrées dans la large bande de fréquence entre 8 Hz et 30 Hz. Par conséquent, des caractéristiques à large bande ont été choisies pour être utilisées dans des expériences en ligne. L'analyse topographique hors ligne a indiqué que les paires d'électrodes interhémisphériques étaient rarement sélectionnées. Les couplages au sein d'un même hémisphère étaient dominants chez tous les sujets. De plus, les couplages impliquant l'emplacement de l'électrode frontale se sont produits plus souvent que la région occipitale. Par conséquent, l'étude en ligne a été menée avec seulement les quatre paires et trois classes (LH, RH et pied). Les sessions en ligne ont révélé que tous les sujets étaient capables de contrôler trois états mentaux avec une précision d'essai unique comprise entre 60 % et 66,7 % tout au long de la session. Une autre expérience hors ligne a été réalisée afin de déterminer si les performances de classification peuvent être améliorées lors de l'utilisation de fonctionnalités PLV en plus des fonctionnalités BP. Les résultats ont montré que les caractéristiques BP fonctionnaient mieux que les caractéristiques de phase lorsqu'elles étaient combinées, la précision de classification résultante était plus élevée par rapport à l'utilisation d'un seul type de caractéristique.

Le niveau de couplage neuronal dans le rythme mu pendant l'imagination du mouvement LH et RH a été étudié en utilisant PLV parmi les électrodes EEG dans la zone motrice primaire (M1) (échelle locale) et entre M1 et SMA (grande échelle) (Wang, Hong, Gao, & Gao, 2006). Les signaux EEG ont été capturés à partir de six volontaires droitiers au moyen de 32 canaux. La phase instantanée des signaux a été obtenue grâce au signal analytique utilisant la transformée de Hilbert, et la différence de phase correspondante dans chaque paire de signaux a été calculée. Pour l'étude de la synchronie à grande échelle, le PLV a été calculé entre les trois paires FCz-C3, FCz-C4 et C3-C4. Pour la synchronisation à l'échelle locale, quatre électrodes autour de FCz, C3 et C4 ont été jointes pour former un groupe de cinq électrodes, et PLV a été calculé en faisant la moyenne sur les 10 combinaisons de paires d'électrodes des cinq électrodes. Pour la classification à essai unique, trois caractéristiques PLV à l'échelle locale et trois à grande échelle ont été obtenues et transmises à un classificateur d'analyse discriminante de Fisher (FDA). Les résultats ont indiqué que le PLV à grande échelle était plus grand pour RH que pour C3-FCz, ainsi que pour la zone M1 gauche, tandis que le PLV de LH avait une valeur plus élevée pour C4-FCz et dans la zone M1 droite. De plus, PLV a indiqué un faible niveau de synchronie entre les hémisphères gauche et droit, et il n'y avait pas de différence significative entre LH et RH. Aucune différence significative n'a été observée entre LH et RH pour la synchronie à l'échelle locale dans la zone SMA. Les résultats de la classification ont montré une précision de 84,70 % et 77,08 % pour la synchronie à grande échelle et à l'échelle locale, respectivement. Une précision plus élevée (87,02 %) a été obtenue pour la combinaison de synchronisations à deux échelles, et les meilleures performances (96,13 %) ont été obtenues lorsque les fonctionnalités de synchronisation et de puissance à grande échelle ont été combinées.

L'étude précédente a été étendue en examinant les mesures de couplage d'amplitude et de phase pour l'extraction de caractéristiques dans un BCI basé sur MI (Wei, Wang, Gao, & Gao, 2007). Cinq participants droitiers ont été invités à imaginer les mouvements RH et LH, et des EEG ont été capturés avec 32 électrodes sur la zone sensorimotrice primaire (SM1) et le SMA. Les données ont été re-référencées par référence moyenne commune et filtrées par filtre spatial Laplacien. La connectivité entre les EEG a été quantifiée pour le couplage d'amplitude par le coefficient de régression non linéaire (NLR) et pour la relation de phase correspondante à l'aide de PLV. Les mesures de couplage étaient basées sur cinq électrodes autour de C3 et C4 dans chaque hémisphère et trois électrodes dans SMA : (1) couplage entre deux électrodes quelconques autour de C3 et C4 (CW), (2) couplage entre chaque électrode autour de C3 et chaque électrode autour C4 (CB1), et (3) couplage entre chaque électrode autour de Fz et chaque électrode autour de C3 et C4 (CB2). Six vecteurs de caractéristiques ont été obtenus en utilisant ces méthodes de couplage séparément pour calculer le NLR et le PLV. Pour les vecteurs à caractéristiques uniques FDA et pour une combinaison de deux vecteurs à caractéristiques, les techniques SVM ont été appliquées pour la classification. Dans cette étude, les performances des NLR et des PLV ont également été comparées aux coefficients AR, qui ont été estimés à partir de signaux EEG uniques à l'aide de l'algorithme de Burg. La meilleure précision de classification a été obtenue par CB2 pour NLR (92,8 %) et PLV (92,9 %), et CW a surpassé CB1 pour les deux mesures de couplage. Wei et al. (2007) ont rapporté que bien que les fonctionnalités NLR aient fourni une précision de classification légèrement supérieure pour CW et CB1, leur coût de calcul était plus élevé que les fonctionnalités PLV. Il a également été montré que compte tenu de CW et CB1, AR a fourni une précision de classification un peu plus élevée (93,3%) que la meilleure performance obtenue par des mesures de couplage. Ils ont finalement indiqué qu'une combinaison de mesures de couplage avec des coefficients AR augmentait la précision de la classification.

Stavrinou, Moraru, Cimponeriu, Della Penna et Bezerianos (2007) ont étudié l'activation corticale et la connectivité sous-tendant le tapotement rythmique imaginaire à l'aide de l'analyse PS. Trois volontaires droitiers ont été chargés d'imaginer la kinesthésie du mouvement de tapotement de l'index droit pendant que les EEG étaient enregistrés par 60 canaux. Les électrodes actives (20 électrodes) ont été sélectionnées sur la base de la détection d'une activité maximale de 10 pour les hémisphères gauche et 10 pour les hémisphères droits. Un filtrage laplacien a été utilisé pour réduire l'effet de la CV, et une transformée en ondelettes de Morlet complexe a été utilisée pour quantifier l'activité oscillatoire. Ils ont appliqué l'ondelette PS, en prenant l'échelle de l'ondelette correspondant aux fréquences les plus réactives dans la gamme bêta. Après extraction des phases, le degré de synchronisation entre deux quelconques des électrodes sélectionnées a été évalué sur une base d'essai unique au moyen d'un indice PS. En utilisant un niveau de signification de 5 %, ils ont signalé la coactivation fronto-pariétale pendant les mouvements de l'IM et la connectivité fonctionnelle au-dessus de l'hémisphère controlatéral. Pour le pré-stimulus et le post-stimulus, les fréquences les plus réactives étaient comprises entre 18 et 20 Hz. Une nette diminution de l'énergie du signal a été révélée dans les électrodes C1 et FC3 après la présentation du stimulus à l'hémisphère controlatéral (ERD). Par la suite, la puissance énergétique a rebondi et un ERS s'est produit. Les valeurs de synchronisation significatives identifiées plage de synchronisation bêta entre les signaux enregistrés aux électrodes FCZ, C5 CPZ et CP1.

La connectivité EEG pendant l'IM de la LH et de l'HR a été étudiée dans une large gamme de fréquences sur l'ensemble du cuir chevelu en combinant la formation de faisceau avec la TE (Grosse-Wentrup, 2009). Les signaux EEG ont été capturés à partir de quatre sujets par 128 électrodes et ré-référencés à la référence moyenne commune. Les Beamformers ont été conçus pour extraire les composants de l'EEG provenant du cortex moteur gauche et droit. Ensuite, des matrices de covariance basées sur un modèle pour les sources EEG dans le cortex moteur gauche et droit ont été calculées. Les sources EEG extraites, ainsi que les données non filtrées enregistrées à chaque électrode, ont ensuite été filtrées en bande passante avec des filtres Butterworth de sixième ordre dans cinq bandes de fréquences allant de 5 Hz à 55 Hz par pas de 10 Hz. Ensuite, TE a été calculé à partir de tous les EEG à chaque point d'échantillonnage. Les changements BP conditionnels de classe (ERD/ERS) des sources extraites ont été calculés afin d'identifier les bandes de fréquences avec des modulations communes dans BP et TE. Les changements observés dans TE étaient statistiquement significatifs au niveau 0,01 pour toutes les électrodes. Leurs résultats n'ont montré aucune différence distincte dans TE entre MI de la LH et RH. Au lieu de cela, les plus fortes différences de TE ont été observées au repos par rapport à l'IM de l'une ou l'autre main. La quantité de diminution de TE pendant l'IM par rapport au repos augmentait avec les fréquences plus élevées et était plus prononcée dans la bande gamma, de 45 Hz à 55 Hz. Topographiquement, les différences les plus fortes ont été observées dans les zones frontale, précentrale et postcentrale.

Tsiaras, Andreou et Tollis (2009) ont étudié les différences entre les réseaux de synchronisation LH et foot (F) MI en les comparant au réseau de synchronisation moyen à l'état de repos (I) caractérisé par la théorie des graphes moderne. Les EEG enregistrés à partir de quatre participants ont été filtrés par le filtre spatial CSP et le PSD a été calculé par l'algorithme de Welch. La synchronisation entre toutes les paires de canaux pour les bandes de fréquences mu et bêta a été calculée au moyen d'une mesure d'interdépendance robuste (RIM) et PDC. Les résultats ont montré que les réseaux fonctionnels construits à partir des données EEG d'imagerie motrice n'étaient pas pertinents pour les mouvements MI en raison de l'effet VC. Les réseaux LH et F étaient également très similaires. Pour éliminer les connectivités redondantes, le réseau I a été soustrait des réseaux LH et F. Pour deux sujets, lorsque les réseaux ont été construits par PDC, le réseau LH moins I avait de longs bords qui couvraient les deux hémisphères et était associé à la tâche MI ou à l'alpha occipital ou pariétal activité. Dans le réseau F moins I, les bords longs étaient moins évidents. Lorsque les réseaux ont été construits par RIM, les longs bords entre les hémisphères du réseau LH moins I ont été mélangés avec d'autres bords. Le réseau I moins LH et I moins F avait plus de bords proches des zones LH et F du cortex sensorimoteur, respectivement. Une variabilité interindividuelle a également été observée dans cette étude.

La connectivité intercanal des tâches d'IM LH, RH, pieds et langue pour une application BCI non invasive a été étudiée dans Chung, Kim et Kim (2011). L'objectif était de trouver un modèle spatio-temporel de connectivité unique à chaque IM en étudiant les EEG de deux sujets. Ils ont considéré un total de 6 secondes de données contenant des segments de pré-imagerie de 2 secondes et de 4 secondes de péri-imagerie. Une approche de fenêtre à court terme (longueur de fenêtre de 1 seconde avec un pas de 0,1 seconde) a été utilisée pour estimer la connectivité en calculant un coefficient de corrélation linéaire (CC) dans chaque fenêtre. Leurs résultats ont montré des différences claires entre les quatre imageries motrices. Des CC plus positifs ont été obtenus pour LH et RH par rapport aux pieds et à la langue. Ils ont observé une connectivité controlatérale pour LH et RH chez deux sujets. Les CC entre les zones frontales et pariétales ont montré une différence substantielle entre LH et RH à différentes fenêtres temporelles pour différents sujets. Ils ont observé le moins de connectivité significative dans l'IM de la langue chez les deux sujets. Ils ont signalé la connectivité centrale pour l'IM des deux pieds chez un sujet, alors qu'aucune connexion de canal significative n'a été observée pour l'autre sujet.

Hoang, Tran, Nguyen, Huang et Sharma (2011) ont proposé une caractéristique bivariée qui combinait un modèle autorégressif bivarié à fenêtre courte (CSWBVAR) pour la classification des mouvements d'imagerie motrice RH et LH d'un sujet. Étant donné la paire de canaux, ils ont divisé chacun d'eux en fenêtres courtes qui se chevauchent, puis ont estimé les paramètres autorégressifs bivariés (BVAR) pour chaque paire de fenêtres. CSWBVAR a été formé en combinant les paramètres BVAR extraits avec un paramètre de fenêtre de chevauchement prédéfini. Enfin, ils ont introduit les vecteurs de caractéristiques formés dans un SVM à noyau linéaire pour la classification. Leurs résultats ont montré que le CSWBVAR présente une précision de classification améliorée jusqu'à 7 % par rapport à l'univarié. Cette étude a également examiné les paramètres optimaux de la caractéristique CSWBVAR, la longueur de la fenêtre et la taille du pas de déplacement. Une plus grande précision a été obtenue avec une taille de fenêtre de 128 points de données et une taille de pas de chevauchement de 50 %. Il a également été signalé que parmi les paires de canaux considérées, C3-C4 produisait les performances les plus stables et les meilleures, ce qui soulignait le rôle important de ces deux canaux dans les problèmes d'IM.

Un réseau cérébral indépendant de connectivité causale basé sur une source a été proposé dans Chen, Li, Yang et Chen (2012) pour classer l'imagerie motrice LH et RH pour les applications BCI. Au début, les EEG du cuir chevelu d'un sujet ont participé au Concours BCI IV, l'ensemble de données 2a a été décomposé via ICA (algorithme FastICA) en composants au maximum indépendants. Les composants indépendants ont ensuite été localisés à l'aide de modèles directs et inverses (dipôle de courant équivalent), tandis que des modèles VAR adaptatifs ont été ajustés à la série chronologique pour modéliser le flux d'informations transitoire sous la forme de mesures PDC. Des PDC statistiquement significatifs ont été obtenus en utilisant le bootstrap pour l'ensemble de données. Ensuite, une règle de classification simple a été définie sur la base des résultats de l'analyse des sources et du réseau cérébral de connectivité causale. Pour l'analyse du dipôle équivalent, la classification était correcte si le dipôle équivalent était situé du côté controlatéral avec la main imaginaire. Pour l'analyse de la relation causale entre les composants indépendants, la classification était correcte si la caractéristique quantitative de la densité causale et du flux causal était liée à la main imaginaire correspondante. Sur la base de ces deux critères, une précision de classification de 86 % et 92 % a été obtenue pour la LH et la RH respectivement.

Athanasiou, Lithari, Kalogianni, Klados et Bamidis (2012) ont inspecté l'efficacité de la connectivité efficace pour classer les tâches d'IM du pied et de la main, tandis que les EEG ont été enregistrés au moyen de 17 électrodes de sept participants droitiers. Les EEG ont été filtrés par bande passante entre 8 Hz et 15 Hz, et l'ICA a été utilisé pour se débarrasser des artefacts oculaires. Les époques ont été réglées de 800 ms avant le stimulus à 2200 ms après le stimulus. Un modèle de source de densité de courant cortical (CCD) a été utilisé pour récupérer les sources d'EEG du cuir chevelu.Ces auteurs ont comparé la région d'intérêt (ROI) – les aires motrices primaires de la main et du pied (M1), les zones sensorielles de la main et du pied (S1) et les SMA – l'activation de l'IM du pied par rapport à l'IM de la main. La connectivité effective a été estimée sur l'ensemble de l'époque à l'aide de la DTF dérivée du modèle MVAR ajusté. Les résultats ont indiqué que les mouvements MI des pieds et des mains étaient discriminés pour cinq sujets. Il y avait une activation plus forte des SMA pendant l'IM du pied pour tous les sujets. L'étude sur le plan de l'électrode a révélé que dans la main MI, le flux d'information maximum était de C1 vers FC2 et de FC1 vers C4. Sur la surface corticale, pour l'IM de la main, un fort flux d'informations a été observé entre les aires motrices primaires de la main, de la controlatérale vers l'ipsilatérale. De plus, un très fort flux a été rapporté des SMA vers l'aire motrice primaire ipsilatérale de la main. Pour l'IM du pied, le flux d'informations était des SMA vers l'aire motrice primaire controlatérale du pied. De plus, il y avait un flux d'informations bilatéral élevé entre les SMA des deux hémisphères.

La dynamique de la communication interrégionale dans le cerveau (connectivité fonctionnelle) au cours de l'imagination des écoutes LHF et RHF a été examinée en tant que caractéristique de contrôle pour la BCI (Daly, Nasuto, & Warwick, 2012). Les signaux EEG ont été capturés via 19 électrodes de 15 sujets avec le montage de référence moyen commun. Les données filtrées en bande passante (0,1 à 45 Hz) ont été segmentées en essais d'une durée d'une seconde à partir de la présentation du signal. Les spectres à verrouillage de phase de décomposition en mode empirique ont été utilisés pour cartographier les niveaux de PS entre toutes les combinaisons de paires de canaux dans chaque essai. Le coefficient de regroupement moyen a ensuite été utilisé comme caractéristique descriptive encapsulant des informations sur la connectivité intercanal. Des modèles de Markov cachés ont été appliqués pour caractériser et classer la dynamique des réseaux résultants. Leurs résultats ont montré que des niveaux très élevés de précision de classification ont été atteints dans la gamme de fréquences de 5 Hz à 15 Hz. Ils ont rapporté que la méthode proposée a atteint des précisions plus élevées que l'approche BP pour tous les sujets.

Krusienski, McFarland et Wolpaw (2012) ont inspecté les performances BCI basées sur le MI manuel lors de l'utilisation du spectre de puissance, du MSC et du PLV, séparément et en combinaison. Les EEG ont été enregistrés via 64 canaux, tandis que seuls 9 canaux des zones de la main des hémisphères droit et gauche du cortex moteur ont été choisis pour l'extraction des caractéristiques. Ensuite, la transformée de Fourier rapide (FFT), le PLV et le MSC ont été calculés pour chaque essai et paire de canaux. À l'aide des caractéristiques extraites, sept modèles de régression linéaire ont été construits pour la classification : PLV, MSC, FFT, PLV + MSC, PLV + FFT, MSC + FFT et PLV + MSC + FFT. Les poids du modèle ont été fixés au moyen d'une analyse discriminante linéaire pas à pas. Les résultats ont montré que le PLV était plus performant que le seul PLV + MSC, qui était surclassé par FFT, PLV + FFT et PLV + MSC + FFT. Il a été indiqué que la fonction basée sur la FFT était au moins aussi efficace que les fonctions PLV et MSC. De plus, l'inclusion de PLV et/ou de MSC dans les modèles basés sur la FFT n'a pas amélioré les performances par rapport à la seule basée sur la FFT. Il a été conclu que les fonctionnalités basées sur PLV et MSC n'offraient pas plus d'informations que les fonctionnalités basées sur FFT.

En 2013, le réseau de connectivité efficace du cerveau a été étudié pour comprendre la fonction cérébrale et comparer le réseau entre le mouvement RH-MI et l'état de repos (Li, Ong, Pan, & Ang, 2013). Les signaux EEG ont été enregistrés par 27 canaux de huit sujets pendant l'IM de RH et l'état de repos (comptage mental). Les EEG ont été filtrés par bande passante de 8 Hz à 35 Hz, et pour chaque essai, des segments de temps de 0,5 à 2,5 secondes après le signal ont été utilisés pour l'analyse. Le modèle MVAR a été construit sur la base d'EEG bruts puis PDC et DTF ont été calculés et intégrés dans la gamme de la bande alpha. Un unilatéral t-test a été appliqué pour comparer la moyenne PDC et DTF de chaque paire de connexions entre les essais MI et les essais de repos. Les résultats ont montré qu'un sujet avait un flux d'informations très élevé en provenance du cortex moteur central. Un autre sujet a montré une activation élevée dans le cortex moteur gauche, bien que les sources significatives ne soient pas concentrées autour de C3. Ils ont également observé la source proéminente au FC4, zone sensorimotrice. Pour un autre sujet, une forte activation de la source a été observée dans le cortex moteur postérieur gauche. Une précision de validation croisée d'environ 70 % a été rapportée pour les sujets. Pour le reste des sujets, ils ont noté que des sources d'influence moins importantes étaient localisées dans le cortex moteur gauche.

Plus tard, Billinger et al. (2013) ont extrait des mesures de connectivité à essai unique à partir de modèles VAR de composants indépendants pour une classification dans un cadre BCI. Dans cette étude, 45 canaux ont été utilisés pour enregistrer les EEG de 14 volontaires tout en effectuant des mouvements MI des mains et des pieds. Au début, un Infomax ICA étendu a été utilisé pour extraire les signaux sources. Ensuite, les estimations de connectivité ont été mesurées à partir de toutes les sources avec une durée de fenêtre de 4,5 secondes. Pour la suite du processus, huit sources ont été choisies après avoir été classées en fonction des estimations. Les estimations de connectivité finales ont été calculées pour ces sources avec une durée de fenêtre de 1,5 seconde. La pression artérielle a été calculée par FFT, et les mesures de connectivité de la densité interspectrale, Coh, PDC, PDCF, GPDC, DTF, ffDTF, DTF direct (dDTF) et la cohérence dirigée ont été calculées à partir des coefficients VAR. Le taux de fausses découvertes modifié a ensuite été utilisé pour trouver des connectivités statistiquement significatives, et une analyse discriminante linéaire de rétrécissement a été utilisée pour la classification. Les résultats ont montré que ffDTF, dDTF et BP avaient des performances similaires tout en surpassant les autres mesures. Ils ont signalé que Coh et le DTF non modifié n'étaient pas appropriés pour le BCI.

Gonuguntla et al. (2013) ont analysé les mécanismes de réseau liés aux tâches d'imagerie motrice LH et RH basées sur PLV dans la bande alpha EEG. Cette expérience a été réalisée sur le huitième sujet de l'ensemble de données BCI Competition IV 2a. Ils ont calculé la différence de PLV entre les états actif et de repos pour toutes les paires d'électrodes dans la plage de 6 Hz à 14 Hz. Les cinq paires les plus significatives (MSP) correspondant aux paires avec une différence maximale PLV ont été sélectionnées pour chaque tâche. Les MSP ont été déposés dans la partie controlatérale correspondant à la tâche : 5 MSP pour le côté gauche et 5 MSP pour le côté droit du cerveau. Les MSP ont été utilisés comme caractéristiques, et la différence de niveau de PLV après le signal a été utilisée pour la classification. Les résultats ont montré que l'amplitude du PLV augmentait pendant l'imagination par rapport à l'état de repos dans la bande de fréquences 9 Hz à 11 Hz. Il a été démontré que la paire (Cz,Cp3) était la plus significative pour RH-MI, qui était surtout observée pendant l'imagination. De même, la paire (Fz,Cp4) a été identifiée comme MSP pour l'imagerie LH. Les résultats de la classification ont indiqué le potentiel d'une telle méthodologie pour les applications BCI.

En 2014, Hu, Wang, Zhang, Kong et Cao (2014) ont utilisé des EEG du cuir chevelu à Cz, C3 et C4 de l'ensemble de données 2b de BCI Competition IV pour étudier le flux de causalité pendant l'IM. Ils ont proposé une nouvelle causalité (NC) dans les domaines temporel et fréquentiel en utilisant un modèle BVAR invariant dans le temps. Ils ont trouvé une forte connectivité directionnelle de Cz à C3/C4 pendant l'imagerie motrice LH et RH. Pendant LH-MI, il y avait une connectivité directionnelle de C4 à C3, alors que pendant RH-MI, il y avait une forte connectivité directionnelle de C3 à C4, qui était plus clairement révélée par NC que par GC. Ils ont conclu que la NC dans les domaines temporel et fréquentiel était bien meilleure que la GC pour révéler l'influence causale entre les différentes régions du cerveau.


Chapitre 7

L'examinateur tape une séquence de blocs (c'est-à-dire 4, 5, 1, 8, 2). Le Participant doit alors répéter la séquence. Bloquer la portée.

Difficile car les mouvements se font à reculons dans le miroir. Avec de la pratique, les participants le découvrent et se rappellent lorsqu'ils sont retestés quelques jours plus tard.

Même endroit chaque jour d'essai. Pour toute la journée. Mais change au jour le jour.

1. Ces études parlent des fonctions de la région blessée ainsi que de ce que le cerveau restant peut faire en l'absence de la région blessée.

Dispositif/instrument chirurgical qui permet à un chercheur/neurochirurgien de cibler une partie spécifique du cerveau pour l'ablation.

Pour éviter une compensation après des lésions permanentes, une bobine métallique creuse est placée à côté de la structure neurale, puis un fluide réfrigéré est passé à travers, refroidissant la structure cérébrale à environ 18 degrés C.

Lorsque le liquide réfrigéré est retiré de la bobine, la structure du cerveau se réchauffe rapidement et la transmission synaptique est restaurée.

Technique non invasive. Profite de la relation entre le magnétisme et l'électricité

Basé sur la découverte que la lumière peut activer certaines protéines qui se produisent naturellement et qui ont été insérées dans des cellules d'organismes modèles.


Analyse du signal EEG : une enquête

Le signal EEG (électroencéphalogramme) indique l'activité électrique du cerveau. Ils sont de nature très aléatoire et peuvent contenir des informations utiles sur l'état du cerveau. Cependant, il est très difficile d'obtenir des informations utiles de ces signaux directement dans le domaine temporel simplement en les observant. Ils sont essentiellement de nature non linéaire et non stationnaire. Par conséquent, des caractéristiques importantes peuvent être extraites pour le diagnostic de différentes maladies à l'aide de techniques avancées de traitement du signal. Dans cet article, l'effet de différents événements sur le signal EEG et les différentes méthodes de traitement du signal utilisées pour extraire les informations cachées du signal sont discutés en détail. Techniques linéaires, fréquentielles, temps-fréquence et non linéaires telles que la dimension de corrélation (CD), le plus grand exposant de Lyapunov (LLE), l'exposant de Hurst (H), différentes entropies, la dimension fractale (FD), le spectre d'ordre supérieur (HOS), la phase les tracés spatiaux et les tracés de récurrence sont discutés en détail à l'aide d'un signal EEG normal typique.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


INTRODUCTION

Les progrès méthodologiques de la recherche en neurosciences ont permis de nouvelles approches pour étudier comment le cerveau prend en charge les interactions sociales dynamiques du monde réel. Par exemple, les chercheurs ont commencé à étudier la base neuronale des interactions sociales en comparant les réponses cérébrales de plusieurs individus au cours d'une variété de tâches semi-naturalistes (pour une revue, voir Hasson & Frith, 2016 Babiloni & Astolfi, 2014 Scholkmann, Holper, Wolf, & Wolf, 2013 Hasson, Ghazanfar, Galantucci, Garrod, & Keysers, 2012). Des recherches impliquant la prise de tour dans la communication gestuelle (Schippers, Roebroeck, Renken, Nanetti, & Keysers, 2010) ainsi que verbale (Dikker, Silbert, Hasson, & Zevin, 2014 Stephens, Silbert, & Hasson, 2010) ont démontré une relation entre la synchronie cérébrale et la compréhension ainsi que la prévisibilité de l'acte de communication d'une autre personne. D'autres travaux ont montré que des stimuli audiovisuels complexes (par exemple, des films naturels) provoquent une activité cérébrale similaire chez les téléspectateurs et des réponses émotionnelles et, surtout, varient en fonction de l'engagement attentionnel des participants (Ki, Kelly, & Parra, 2016 Chang et al., 2015 Nummenmaa et al., 2012 Jääskeläinen et al., 2008 Hasson, Nir, Levy, Fuhrmann, & Malach, 2004).

Bien que ces expériences explorent les similitudes et les différences d'activité neuronale entre les participants lorsqu'ils s'engagent dans des tâches similaires ou pseudo-interactives, elles ne capturent pas la nature dynamique des paramètres du monde réel. Les contraintes méthodologiques limitent les moyens par lesquels les chercheurs ont pu explorer la base cérébrale des interactions sociales telles qu'elles se produisent dans le monde réel. Bien que fournissant des résultats prometteurs, ces études sont encore largement confinées au laboratoire, principalement limitées aux dyades, et utilisent généralement une technologie de neuroimagerie à faible résolution temporelle (par exemple, la spectroscopie fonctionnelle dans le proche infrarouge). Nous savons que l'étude directe des échanges en face à face est essentielle pour bien comprendre les interactions sociales, mais il existe une lacune dans la recherche explorant les mécanismes neuronaux sous-jacents du comportement articulaire tel qu'il se déroule naturellement (Dumas, 2011). Pour pouvoir étudier comment le cerveau supporte des interactions qui ressemblent à la complexité des interactions que nous rencontrons dans la vie quotidienne, la recherche en hyperscanning devra s'adapter à des situations plus écologiquement valables (Babiloni & Astolfi, 2014 Schilbach et al., 2013 Dumas, 2011). Dans la présente étude, nous avons étudié les neurosciences de l'apprentissage en classe dans le monde réel à l'aide de casques d'électroencéphalographie mobile (EEG) pour enregistrer simultanément les participants à l'appui de l'expérimentation précédente de Dikker et al. (2017).

De plus en plus, la recherche montre que, lors d'actions conjointes, les personnes deviennent « couplées » aux niveaux moteur, perceptuel et cognitif dans la coordination planifiée et improvisée (Knoblich, Butterfill, & Sebanz, 2011). Les participants à l'activité motrice synchronisée modifient leurs propres actions en réponse à leurs partenaires (Dumas, Nadel, Soussignan, Martinerie, & Garnero, 2010). La recherche en neurosciences en hyperscanning a montré non seulement une relation entre la synchronie aux niveaux moteur et neuronal (Dumas et al., 2010) mais aussi que les interactions face à face modèrent la relation entre les facteurs sociaux et la synchronie cerveau-cerveau (Dikker et al., 2017 Jiang et al., 2015 Hari, Himberg, Nummenmaa, Hämäläinen, & Parkkonen, 2013 Scholkmann et al., 2013 Jiang, Dai, Peng, Liu, & Lu, 2012 Dumas et al., 2010). Plus précisément, les tâches d'action conjointe démontrent que l'activité motrice synchrone au sein des partenaires interactifs conduit à des sentiments accrus d'affiliation et de cohésion sociale (Valdesolo, Ouyang, & DeSteno, 2010 Hove & Risen, 2009 Bernieri, 1988), en particulier dans des contextes coopératifs versus compétitifs, et que cela se reflète au niveau neuronal (Cheng, Li, & Hu, 2015 Cui, Bryant, & Reiss, 2012 Yun, Watanabe, & Shimojo, 2012).

La salle de classe est un environnement exemplaire pour étudier systématiquement les interactions de groupe - entre les élèves et les élèves avec leur enseignant - dans des conditions semi-contrôlées, tout en mesurant les résultats comportementaux et cognitifs (par exemple, les performances académiques et l'engagement des élèves Scholkmann et al., 2013 Watanabe, 2013). L'interaction dynamique entre un enseignant et un groupe d'élèves est fondamentale pour l'apprentissage en classe et il a été démontré qu'elle affecte à la fois l'engagement des élèves et la réussite scolaire (Watanabe, 2013 Hughes, Wu, Kwok, Villarreal, & Johnson, 2012 Walton & Cohen, 2011 Hamre & Pianta, 2001 Bernieri, 1988). L'enseignement et l'apprentissage peuvent être considérés comme une action conjointe entre l'enseignant et les élèves, de sorte que les caractéristiques du partenaire interactif et de l'événement sont traitées comme des stimuli dans un échange réciproque (Sensevy, Gruson, & Forest, 2015). Les recherches sur les échanges de relations élève-enseignant en classe suggèrent que l'exploration de l'activité neuronale sous-jacente peut aider à comprendre et à prédire les résultats scolaires du point de vue de l'enseignant et de l'élève (Holper et al., 2013). Récemment, des chercheurs ont utilisé un équipement EEG portable en classe pour enregistrer neuf étudiants simultanément pendant le visionnage de films naturels et ont reproduit les résultats de conceptions expérimentales similaires en laboratoire avec un équipement de qualité commerciale, démontrant le potentiel de mesure dans le monde réel de l'attention des étudiants. engagement (Poulsen, Kamronn, Dmochowski, Parra, & Hansen, 2017).

Dans d'autres expérimentations récentes en classe, qui constituent la base des travaux actuels, les auteurs rapportent que la synchronie cerveau-cerveau (quantifiée comme l'interdépendance totale [TI] ou la cohérence intercérébrale Wen, Mo, & Ding, 2012) entre les étudiants pendant la classe les activités étaient corrélées à l'engagement des élèves et à la dynamique sociale de la classe (Dikker et al., 2017). La synchronie des étudiants avec le groupe était plus élevée dans leur style d'enseignement préféré (par exemple, vidéo sur conférence) et liée à une plus grande concentration des étudiants, une affinité de groupe et une empathie (Dikker et al., 2017). De plus, les découvertes dans la dynamique sociale de groupe parlent directement de la présence des autres en tant que modérateur de la synchronie des élèves pendant la classe. Par exemple, les notes plus élevées des élèves de leur enseignant étaient en corrélation avec une plus petite différence entre la vidéo (où l'enseignant ne jouait aucun rôle) et les conditions de cours (où l'enseignant était au centre), et les élèves qui se sont engagés dans des enregistrements de base en face à face avant la leçon ont montré le synchronie par paires la plus élevée pendant la classe avec leur partenaire de regard mutuel par rapport à d'autres étudiants aléatoires du groupe (Dikker et al., 2017). Ensemble, leurs résultats suggèrent que la synchronie cerveau-cerveau est entraînée par une combinaison de (i) propriétés de stimulus, (ii) différences individuelles et (iii) dynamique sociale.

L'étude actuelle

Dans le contexte de l'apprentissage en classe, l'attention est connue pour jouer un rôle essentiel dans l'apprentissage et le maintien de l'information (Reyes, Brackett, Rivers, White, & Salovey, 2012), et l'attention des élèves est un défi même pour les enseignants les plus expérimentés (Evertson & Weinstein, 2013). Si la synchronie cerveau-cerveau augmente en effet en fonction de l'attention partagée (vers l'enseignant, le contenu du cours, les pairs), comme le suggèrent les recherches résumées ci-dessus (Dikker et al., 2017 Ki et al., 2016), et l'attention augmente la rétention (Cohen & Parra, 2016), on peut alors se demander si la synchronie neuronale d'un élève avec le reste du groupe ou avec l'enseignant prédit sa rétention du contenu.

La synchronie cerveau-cerveau entre un étudiant et ses pairs prédit-elle leur rétention du contenu de la classe ?

Existe-t-il une relation entre la synchronie cerveau-cerveau élève-enseignant, l'apprentissage en classe et les relations élève-enseignant, respectivement ?

Dans Dikker et al. (2017), les notes des étudiants (par exemple, l'engagement) et la synchronisation cerveau-cerveau entre les étudiants étaient plus élevées lorsque les étudiants regardaient des vidéos liées aux cours par rapport aux cours, ce qui nous permet de demander si une telle différence paramétrique existe également pour la rétention de contenu ( Question de recherche 1). De plus, comme l'enseignant joue un rôle central lors des cours magistraux mais pas lors des vidéos, nous nous demandons si la relation élève-enseignant est plus importante lorsque l'enseignant est présent (Question de recherche 2). Pour répondre à ces questions, nous avons utilisé une configuration similaire à celle des résultats de l'EEG en classe de Dikker et al. mais incluait deux mesures en plus de la synchronie élève-groupe : (1) les performances des élèves et (2) la synchronie cerveau-cerveau élève-enseignant.


Différence entre EEG et IRM

De nos jours, la plupart des maladies ont été largement étudiées et étudiées afin de développer le moyen le plus pratique et le plus sûr de guérir et de soulager. Au fil des ans, les maladies ont affligé des millions de personnes dans le monde. Les médecins et les chercheurs ont continuellement intensifié leurs efforts pour développer de nouvelles méthodes et procédures afin de s'assurer qu'ils traitent les bonnes conditions. Avec autant de maladies qui peuvent présenter des signes et des symptômes similaires, il appartient à des machines sophistiquées et à des procédures de diagnostic de s'assurer qu'elles sont capables de trouver la source du problème.

Avec les énormes améliorations dans le diagnostic et le dépistage des maladies, il est indéniable que nous lisons des percées dans la guérison de certaines conditions qui étaient autrefois considérées comme incurables et mortelles. De plus, les médecins ont rapidement mis au point des méthodes plus récentes et plus sûres pour tester leurs patients afin d'éviter des dommages supplémentaires ou supplémentaires, ainsi qu'un diagnostic incorrect des maladies.Avec la vie d'un patient en jeu, il est donc impératif que les médecins utilisent les meilleures procédures de diagnostic qui peuvent les aider à prendre des décisions judicieuses et précises.

Il existe de nombreuses procédures de diagnostic utilisant des outils de diagnostic qui ont différentes fonctions et utilisations. Ces machines ont révolutionné la façon dont les médecins travaillent, et elles ont rendu leurs jugements et diagnostics plus précis. Parmi ces machines, un EEG et une IRM ont été notés pour aider efficacement à faire des conclusions précises sur l'état du corps. Cependant, ils sont complètement différents les uns des autres.

Tout d'abord, un EEG est l'acronyme d'une électroencéphalographie. Il s'agit d'un test de diagnostic utilisant une machine spéciale qui détecte l'activité et le fonctionnement des ondes cérébrales. La machine est fixée au cuir chevelu pour enregistrer les impulsions électriques générées par notre cerveau. Fondamentalement, nos neurones déclenchent des stimuli électriques qui sont détectés et enregistrés par cette machine. Il est ensuite lu ou analysé par des médecins experts qui rechercheraient des anomalies électriques dans les résultats ou les découvertes. Selon une condition suspectée, les médecins rechercheraient des activités anormales des ondes cérébrales, par exemple, des pointes ou des ondes aiguës qui sont généralement observées chez les enfants épileptiques. C'est essentiellement la façon dont un EEG est effectué.

D'autre part, une IRM signifie Imagerie par Résonance Magnétique. Il est considéré comme une procédure de diagnostic avancée qui utilise des aimants et des ondes radio pour visualiser une partie du corps testée. De plus, il s'agit d'une procédure non invasive qui permet de visualiser n'importe quelle partie interne du corps. Le concept repose sur un champ magnétique transmis dans notre corps, qui crée alors une image du corps à l'étude. Avec cela, toutes les anomalies et anomalies sont détectées et vues.

Si vous voulez en savoir plus, vous pouvez lire plus loin car seuls les détails de base sont fournis ici.

1. Les procédures de diagnostic sont des moyens fiables de déterminer ce qui ne va pas avec le corps.

2. L'EEG analyse le fonctionnement des ondes cérébrales à l'aide d'impulsions électriques générées par les neurones.

3. L'IRM focalise un champ magnétique dans le corps pour créer une image et rechercher toute anomalie.


Résumé

Contexte et objectif— La neuroimagerie multimodale avec tomographie par émission de positons (TEP) ou IRM fonctionnelle peut détecter et afficher une réorganisation fonctionnelle du contrôle moteur du cerveau dans l'hémiplégie post-AVC. Nous avons entrepris une étude pour déterminer si la nouvelle modalité d'EEG haute résolution à 128 électrodes, coenregistrée avec l'IRM, pouvait détecter des changements dans le contrôle moteur cortical chez les patients après un AVC hémiplégique.

Méthodes—Nous avons enregistré des potentiels corticaux liés au mouvement avec des mouvements des doigts gauche et droit chez 10 patients avec divers degrés de récupération après un AVC hémiplégique. Tous les patients étaient de sexe masculin et le temps écoulé depuis l'AVC variait de 6 à 144 mois. Tous les patients étaient droitiers. Il y avait aussi un groupe de comparaison de 20 sujets témoins normaux.

Résultats—Cinq des 8 patients atteints d'hémiparésie gauche présentaient des signes de contrôle moteur ipsilatéral des mouvements des doigts. Il n'y avait que 2 cas d'hémiparésie droite en plus, 1 patient avait un potentiel moteur déplacé postérieurement prenant naissance derrière un grand infarctus frontal gauche (rim).

Conclusion— La réorganisation du contrôle moteur a lieu après l'AVC et peut concerner le cortex homolatéral ou controlatéral, selon le siège et la taille de la lésion cérébrale et théoriquement, l'organisation somatotopique des faisceaux pyramidaux résiduels. Nos résultats sont en bon accord avec les études TEP et IRM fonctionnelles de la littérature actuelle. L'EEG haute résolution co-enregistré avec l'IRM est une technique d'imagerie non invasive capable d'afficher la réorganisation motrice corticale.

La récupération qui se poursuit au-delà de 3 ou 4 semaines après un accident vasculaire cérébral a été attribuée à la neuroplasticité, une réorganisation du cerveau dans laquelle les fonctions précédemment exécutées par l'aire ischémique semblent être assumées par d'autres aires cérébrales ipsilatérales ou controlatérales. La neuroplasticité a été diversement attribuée à la redondance (voies distribuées parallèles), aux modifications de la force synaptique, à la germination axonale avec formation de nouvelles synapses, à la prise en charge de la fonction par le cortex homologue controlatéral et à la substitution de voies non croisées. 1 2 La stimulation magnétique transcrânienne 3, la tomographie par émission de positons (TEP) 4 et l'IRM fonctionnelle (IRMf) 5 ont été appliquées avec succès pour démontrer la réorganisation corticale après hémiplégie. Nous avons appliqué la nouvelle modalité d'électroencéphalographie haute résolution à 128 électrodes (hr-EEG) 6 pour détecter la réorganisation du contrôle moteur cortical après une lésion de la moelle épinière. 7 8 Nous rapportons maintenant que l'enregistrement hr-EEG des potentiels corticaux liés au mouvement (MRCP) peut également révéler une réorganisation motrice corticale après la récupération d'un AVC hémiplégique. Nous avons évalué la composante du potentiel moteur (MP) des MRCP dans la présente étude. Des enregistrements sous-duraux directs chez l'homme ont montré que le MP a une amplitude maximale sur le cortex somatosensoriel controlatéral. 9 Le MP a été interprété comme l'activation corticale de la dernière voie commune, le tractus pyramidal. 10 L'enregistrement de la MP peut fournir un outil utile pour la localisation du contrôle moteur cortical.

Sujets et méthodes

Nous avons étudié 10 patients externes et 20 sujets témoins. Tous étaient des hommes et l'âge moyen était de 59,4 ans (intervalle de 50 à 71 ans) (voir le tableau ). Aucun n'était gravement malade. Huit avaient une hémiparésie droite et 2 une hémiparésie gauche. Le temps moyen après un AVC lors de l'étude était de 43,4 mois (intervalle de 6 à 144 mois). Sept patients avaient un diabète sucré et 3 étaient hypertendus. Un patient avait une lésion capsulaire, 2 avaient des infarctus limités au cortex cérébral droit ou gauche, 1 avait des lésions bilatérales du tronc cérébral et du cortex, 1 avait des infarctus frontaux et pontiques et 5 avaient une atteinte du cortex et des noyaux gris centraux. Tous les patients ont reçu une thérapie de rééducation, et tous ont montré un certain degré de récupération (Tableau ). Aucun n'a été noté pour avoir des mouvements de miroir. Les comités institutionnels d'utilisation humaine ont approuvé l'étude et tous les sujets ont donné leur consentement éclairé.

Acquisition et analyse de données

Les MRCP ont été enregistrés dans l'EEG avec des mouvements de l'index ou du majeur, et la composante MP a été sélectionnée pour les études de cartographie et de localisation de la source dipolaire. Il existe un accord sur le fait que les MRCP 11 comprennent (1) le potentiel de Bereitschaft, avec un début de 1 à 1,5 seconde avant le mouvement auto-rythmé, suivi de (2) une pente négative abrupte ≈ 500 ms avant le mouvement, puis (3) une brève positivité prémotrice à 50 ms avant le début du mouvement, et enfin (4) un MP en forte augmentation, qui peut commencer peu de temps avant le mouvement. Les latences MP sont mesurées du début du mouvement au pic de négativité. Le pic MP est la négativité la plus élevée atteinte dans le cortex moteur d'enregistrement du cuir chevelu. Le composant MP a été sélectionné pour les études de cartographie et de localisation de la source dipolaire car il est enregistré sur l'hémisphère controlatéral au mouvement des doigts et généré principalement dans le cortex moteur primaire (M1). 11 12

Un capuchon d'électrode fabriqué à partir de tissu extensible et contenant 120 électrodes de cuir chevelu enfermées dans des supports en plastique a été utilisé. Le capuchon a été mis sur la tête en référence aux repères du nasion, de l'inion et des encoches préauriculaires et a été étiré pour positionner correctement les électrodes. Il y avait une distance interélectrode moyenne estimée à 2,25 cm. Deux autres canaux ont été utilisés pour surveiller les mouvements oculaires horizontaux et verticaux, et 1 canal a été utilisé pour l'enregistrement de l'électromyogramme (EMG). Les sites individuels du cuir chevelu ont été légèrement abrasés à travers le trou au sommet de chaque électrode et un gel conducteur a été injecté. Les impédances des électrodes ont été abaissées à <5000 Ω.

Un numériseur électromagnétique (Polhemus) a été utilisé pour échantillonner la surface de la tête et les positions des électrodes sur le cuir chevelu afin d'établir l'emplacement précis des coordonnées des électrodes dans un espace tridimensionnel. Cinq mille à 7000 points ont été obtenus et entrés dans l'ordinateur hôte sous forme de fichier individuel, qui a été interfacé avec l'IRM. Le système d'amplification CC à 128 canaux (Neuroscan) a été calibré. L'acquisition des données a été réglée à un taux de numérisation de 500 Hz pour un enregistrement continu. La bande passante du filtre allait de l'enregistrement CC à 100 Hz. Avec un gain de 1000, la plage dynamique était de 5 mV, avec une résolution de 0,084 µV/bit. Les électrodes du cuir chevelu ont été référées à l'oreille homolatérale lors de l'acquisition des données et pour les comparaisons ont été réréférencées à une référence moyenne. Le système Neuroscan a numérisé 128 canaux simultanément et affiché des cartes topographiques. Chaque époque d'EEG enregistrée à 120 électrodes a été examinée individuellement pour rechercher des artefacts et soit incluse dans la moyenne, soit rejetée.

Les sujets étaient assis sur une chaise inclinable ou dans un fauteuil roulant ou étaient couchés sur un lit. Les sujets ont été invités à fléchir et à étendre rapidement le majeur (ou l'index si le mouvement du majeur n'était pas possible) toutes les 7 à 10 secondes. Le moyenneur a été déclenché par le signal EMG rectifié enregistré par des électrodes de surface bipolaires placées sur les muscles appropriés de l'avant-bras. Les enregistrements ont été faits de doigts de chaque côté de manière séquentielle. Pour chaque chiffre testé, 3 blocs de 70 mouvements ont été enregistrés pour une moyenne hors ligne. L'EEG a été moyenné pendant 2 secondes avant et 1 seconde après le début de l'EMG. Le MP a été moyenné et représenté graphiquement pour tous les emplacements de 120 électrodes et affiché sur des cartes de champ électrique.

Analyse de source dipolaire

L'analyse de la source dipolaire a été réalisée avec un progiciel de reconstruction et d'imagerie actuel connu sous le nom de neuroimagerie multimodale CURRY. 13 Ce package a utilisé plusieurs algorithmes de reconstruction (par exemple, un dipôle unique, plusieurs dipôles et une distribution de densité de courant) avec des images IRM spécifiques au sujet pour restreindre la géométrie du conducteur de volume à l'anatomie individuelle. La forme du modèle de conducteur de volume optimal a été déterminée par segmentation ou séparation des surfaces de la peau, du crâne et du cerveau à partir de l'image IRM. Nous avons modélisé ces compartiments en utilisant la méthode des éléments limites en attribuant différentes valeurs de conductivité appropriées pour chaque surface (par exemple, la peau et le crâne). Cela a permis une localisation précise de l'activité corticale en restreignant le modèle aux emplacements sources appropriés sur le plan neurophysiologique, tels que le cortex. Les calculs étaient basés sur une fenêtre de 50 ms avant et après le pic MP pour l'analyse dipolaire. Nous avons limité notre utilisation de l'analyse de source dipolaire à la comparaison des champs de distribution MP avec leurs sources putatives chez des sujets individuels. La localisation spatiale des sources dipolaires des MRCP s'est avérée précise, et avec des mouvements auto-rythmés, un seul dipôle peut être trouvé avec une faible variance, c'est-à-dire 5 à 10 %.

Résultats

Les cas 1 à 7 et le cas 9 avaient des infarctus de l'hémisphère droit et de l'hémiparésie gauche. Le cas 8 avait des infarctus droits frontaux, pontiques et cérébelleux provoquant une hémiparésie droite et une ataxie. Le cas 10 avait des infarctus des ganglions frontaux et de la base gauche avec hémiparésie droite et aphasie. Les MP ont été enregistrées chez tous les patients. (Voir le tableau .)

Infarctus de l'hémisphère droit

Dans les cas 5 et 9, chacun avec une hémiparésie gauche, les MP ont été enregistrées dans une localisation frontale gauche avec des mouvements des doigts gauches ou droits (controlatéral à l'hémisphère lésé). L'infarctus cortical était frontal droit dans le cas 5 et temporo-pariétal droit dans le cas 9. Il y avait une atteinte des noyaux gris centraux dans les deux cas. Les figures 1A et 1B (cas 5) affichent les MPs moyennées à chacune des 120 électrodes avec les mouvements des index droit et gauche. Avec le mouvement du doigt droit, il y avait une distribution normale des MP, avec une amplitude plus élevée sur la gauche. Les mouvements du doigt gauche étaient également associés à une plus grande amplitude à gauche, un résultat paradoxal. Les moyennes générales de toutes les électrodes ont produit les sommations illustrées à la figure 2, où les MP du côté gauche étaient associés aux mouvements des doigts gauche et droit. Ce résultat n'était présent chez aucun des sujets témoins normaux. La figure 3 montre les moyennes MP dans le cas 9, avec l'ajout de la localisation de la source dipolaire. Les générateurs dipolaires des mouvements des doigts gauche et droit sont originaires de l'hémisphère gauche. Un infarctus étendu est visible à droite (sur cette figure , l'image de l'hémisphère droit est à gauche du spectateur).

Dans les cas 2 et 3, les mouvements des doigts gauches affectés étaient associés à des MP placés au centre, alors que les MP étaient controlatéraux (frontal gauche) avec des mouvements du doigt droit. La figure 4 (cas 2) combine les MP, les densités de courant, l'IRM et la localisation de la source. Avec les mouvements des doigts gauche et droit, les densités de courant étaient plus intenses sur l'hémisphère gauche. Les générateurs de dipôles sont originaires de l'hémisphère gauche. Dans le cas 6, le patient avait un infarctus récent de la substance blanche adjacent au ventricule latéral gauche et une occlusion préalable de l'artère cérébelleuse inférieure postérieure gauche. Il avait une hémiparésie gauche. Une calcification bilatérale des artères carotides et vertébrales était présente. Il y avait un MP central avec mouvement du doigt gauche et un MP du côté gauche avec mouvement du doigt droit (non illustré). La latence de 535 ms avec le mouvement du doigt gauche était exceptionnellement longue.

Infarctus de l'hémisphère gauche

Dans le cas 10 (Figure 5 ), le MP avec mouvement du doigt gauche était dans un emplacement normal. En revanche, le MP avec mouvement du doigt droit était en position postérieure. Il y avait un infarctus étendu de l'hémisphère gauche (Figure 5), avec une encéphalomalacie impliquant le lobe frontal et s'étendant dans les noyaux gris centraux. La figure 6 montre la source dipolaire provenant de derrière l'infarctus (le rebord) dans l'hémisphère impliqué. Le patient avait une aphasie non fluente avec une hémiparésie droite.

Les cas 1, 4, 7, 8 et 10 avaient des MP dominantes controlatérales avec des mouvements du côté affecté. Les latences moyennes dans le groupe controlatéral (n=5) étaient plus longues que dans le groupe ipsilatéral (cas 2, 3, 5, 6 et 9), mais uniquement avec des mouvements du doigt droit. Sinon, il n'y avait aucune différence en ce qui concerne l'emplacement de la lésion, la récupération, l'âge ou la durée de l'AVC. Les latences n'étaient pas différentes entre les mouvements latéraux intacts et affectés, mais les nombres étaient faibles.

En résumé, les individus normaux avaient des distributions de champ MP à 120 électrodes qui, lorsqu'elles sont moyennées, se localisaient dans l'hémisphère controlatéral aux mouvements des doigts. Les patients guéris ou guéris d'infarctus de l'hémisphère droit présentaient des MP, qui correspondaient soit à l'hémisphère gauche, soit à un emplacement central avec les mouvements des doigts de la main gauche. Un patient avec hémiparésie droite et aphasie avait une source dipolaire au bord postérieur d'un grand infarctus frontal lors du déplacement de son doigt droit.

Discussion

Nous avons démontré que le hr-EEG co-enregistré avec l'IRM est capable d'identifier la réorganisation du contrôle moteur chez les patients victimes d'un AVC avec une hémiplégie récupérée. Cela peut impliquer un déplacement total ou partiel vers l'hémisphère ipsilatéral, ou il peut y avoir une délocalisation dans le même hémisphère. Honda et al 14 ont enregistré des MRCP, des mesures régionales du débit sanguin cérébral et des études d'activation TEP chez 2 patients atteints d'hémiparésie. Leurs études multimodales suggèrent un rôle important de l'hémisphère homolatéral dans le processus de récupération motrice. Récemment, Cao et al 15 ont rapporté dans une étude IRMf que le cortex sensorimoteur dans l'hémisphère intact était activé chez 6 des 8 patients lors des mouvements de la main affectée. En plus d'observer une telle activation ipsilatérale, nous avons noté un déplacement postérieur controlatéral de la MP jusqu'au bord de la zone péri-infarctus dans notre cas 10. Bien que le patient ait eu une occlusion de l'artère carotide interne gauche avec hémiparésie droite, le cortex sensorimoteur droit était pas activé, peut-être parce que l'artère carotide interne droite était sténosée. Il y a eu beaucoup de spéculations sur l'identité et le rôle des processus compensatoires dans la récupération d'un AVC. Cramer et al 16 dans leur étude IRMf de patients se remettant d'un AVC ont suggéré 3 processus liés à la récupération motrice, à savoir, « l'activation d'un réseau moteur dans l'hémisphère non affecté plus importante que celle observée chez les témoins, un degré accru d'activation de l'AMS [zone motrice supplémentaire], et l'activation de foyers le long du bord d'un infarctus cortical. Notre méthodologie ne nous a pas permis d'enregistrer le degré d'activation supplémentaire de l'aire motrice, mais nous pouvons confirmer leurs 2 autres conclusions. Malgré des méthodologies complètement différentes, nos études EEG ont également montré à la fois une activation d'un réseau moteur dans l'hémisphère non affecté beaucoup plus importante que celle observée chez les témoins et une activation de foyers le long du bord d'un infarctus cortical. La source dipolaire dans notre cas 10, prenant naissance derrière le rebord d'un infarctus frontal gauche, suggère une réorganisation se produisant dans la zone de l'ancienne pénombre ischémique. 17 Il n'y avait aucune preuve d'activation ipsilatérale, probablement en raison d'une ischémie de l'hémisphère droit due à une occlusion carotidienne interne.

Une meilleure compréhension de la relation entre les manifestations de neuroplasticité et la récupération d'un AVC dans ce cas et dans d'autres devrait provenir de l'application continue de techniques multimodales en imagerie cérébrale. 18 La combinaison de l'IRMf et de l'EEG-hr peut être complémentaire, car 1 modalité (IRMf) a une plus grande résolution spatiale et l'autre (EEG-hr) une meilleure résolution temporelle.

Figure 1. A, Cas 5 : mouvement du doigt droit. Les électrodes centrale et pariétale gauche enregistrent la négativité du MP. Le patient avait une hémiparésie gauche. B, Cas 5 : mouvement du doigt gauche. Les électrodes centrale et pariétale gauche enregistrent la négativité du MP. Un MP est enregistré à certaines électrodes centrales droites, mais l'amplitude est plus faible qu'à gauche. Le patient avait une hémiparésie gauche.

Figure 2. Cas 9 (A) et 5 (B). Les deux patients avaient des cartes d'hémiparésie gauche des MP moyennées avec un mouvement des doigts gauche (LF) et droit (RF) pour les deux patients. Les MP sont les zones de négativité situées à gauche du centre (extrémité sombre de l'échelle de gris) sur les cartes.

Figure 3. Cas 9. Les MP avec un mouvement du doigt gauche ou droit se trouvent sur le côté gauche des cartes et ont été mieux enregistrés dans l'hémisphère gauche. En bas, les sources dipolaires (flèches) dans l'hémisphère gauche étaient orientées vers le bas et vers la droite. Le début de la flèche dipolaire identifie la source, la taille démontre la force et le point identifie la direction. Notez la grande lésion du lobe temporal droit sur l'IRM.

Figure 4. Cas 2. Juxtaposition de MPs, densités de courant et sources dipolaires. Le MP avec mouvement du doigt gauche est dans une position centrale plutôt que droite (controlatérale) normale. Le champ de densité de courant montre l'activité bilatéralement (jaune, vert et rouge, le jaune indiquant la densité maximale, le rouge la densité la plus faible et le bleu, aucune densité). La source dipolaire provient de l'hémisphère gauche, près de la ligne médiane (flèches rouges). Le mouvement du doigt droit est associé à un MP gauche (controlatéral), comme prévu. Le champ électrique diffère du champ de l'hémisphère droit en ce qu'il est plus actif (jaune et vert) et localisé près du cortex sensorimoteur gauche. La source dipolaire provient de l'hémisphère gauche. Le patient a eu un infarctus de la capsule interne droite et une hémiparésie gauche.

Figure 5. Cas 10. Le mouvement du MP avec le doigt gauche (LF) est dans un emplacement normal. Le MP avec mouvement du doigt droit (RF), en revanche, est en position postérieure. L'IRM révèle un grand infarctus à gauche avec un ventricule dilaté. Le patient avait une hémiparésie droite et une aphasie.

Figure 6. Cas 10. 1, Atrophie corticale générale avec infarctus gauche.Notez que le dipôle avec mouvement du doigt droit prend son origine dans l'hémisphère gauche, derrière l'infarctus (« rim »). Ceci est bien vu également dans la vue sagittale (2), dans laquelle le dipôle prend naissance juste derrière l'infarctus.

Tableau 1. Emplacements MP avec mouvement du doigt droit ou gauche

RF indique doigt droit LF, doigt gauche Post, emplacement postérieur de MP C, emplacement central de MP et LAT, latence de MP.

1 Les résultats de la rééducation sont présentés sur une échelle de 0 à +++++.

Cette étude a été financée par le Bureau de la recherche et du développement et le Service de recherche et de développement de la réadaptation, Département des Anciens Combattants, Washington, DC. Les auteurs souhaitent exprimer leur gratitude aux patients qui se sont portés volontaires pour participer à cette recherche et aux membres de leur famille qui les ont accompagnés. Nous remercions également le personnel médical de l'Hôpital des anciens combattants Hines pour leurs recommandations.


Voir la vidéo: Electroencéphalogramme EEG (Mai 2022).