A2DM : Amélioration de l'élimination des artefacts EEG par fusion de la représentation des artefacts dans le domaine temps-fréquence

Contexte académique

L’électroencéphalogramme (EEG) est un outil essentiel pour étudier l’activité cérébrale, largement utilisé dans les domaines des neurosciences, du diagnostic clinique et des interfaces cerveau-ordinateur. Cependant, les signaux EEG sont souvent contaminés par divers artefacts lors de l’acquisition, tels que les artefacts oculaires (Electrooculography, EOG) et les artefacts musculaires (Electromyography, EMG). Ces artefacts réduisent considérablement la qualité des signaux EEG, affectant ainsi les analyses et applications ultérieures. Bien que certaines méthodes existent pour éliminer un seul type d’artefact, elles peinent à gérer des situations où plusieurs artefacts coexistent. Par conséquent, le développement d’un modèle capable de supprimer de manière unifiée plusieurs types d’artefacts constitue un défi majeur dans la recherche actuelle.

Haoran Li et ses collègues ont proposé un modèle de débruitage EEG basé sur la représentation des artefacts, appelé A2DM (Artifact-Aware Denoising Model). Ce modèle fusionne la représentation des artefacts dans le domaine temps-fréquence, permettant une suppression efficace de multiples artefacts et améliorant ainsi significativement la qualité des signaux EEG.

Source de l’article

L’article a été co-écrit par Haoran Li, Fan Feng, Jiarong Kang, Jin Zhang, Xiaoli Gong, Tingjuan Lu, Shuang Li, Zhe Sun et Jordi Solé-Casals, issus respectivement de l’Université de Nankai, de l’Université Tsinghua, de l’Hôpital 903 de l’Armée Populaire de Libération, de l’Hôpital de Médecine Traditionnelle Chinoise de Weifang et de l’Université Juntendo au Japon. L’article a été accepté le 11 mars 2025 par la revue Cognitive Computation et publié la même année.

Processus de recherche

1. Conception du modèle

L’idée centrale du modèle A2DM est de guider le processus de débruitage à travers la représentation des artefacts (Artifact Representation, AR). Le processus spécifique est le suivant : - Module de perception des artefacts (Artifact-Aware Module, AAM) : Tout d’abord, l’AAM extrait la représentation des artefacts à partir d’un modèle de classification d’artefacts pré-entraîné, servant de connaissance préalable. L’AAM comprend 6 blocs, chaque bloc étant composé de deux couches de convolution 1D et d’une couche de pooling global moyen, suivis d’une couche entièrement connectée pour produire la représentation des artefacts. - Module d’amplification fréquentielle (Frequency Enhancement Module, FEM) : Le FEM utilise un mécanisme d’attention dure (hard attention) pour supprimer sélectivement des types spécifiques d’artefacts dans le domaine fréquentiel. Concrètement, le signal EEG est transformé dans le domaine fréquentiel via la transformée de Fourier rapide (FFT), puis un masque binaire est généré en fonction de la représentation des artefacts pour sélectionner les composantes fréquentielles à conserver ou à supprimer. - Module de compensation temporelle (Time-Domain Compensation Module, TCM) : Le TCM compense dans le domaine temporel les informations globales potentiellement perdues en raison du mécanisme d’attention dure. Le TCM reconstruit le signal EEG via des convolutions profondes et des convolutions 1×3, assurant que le signal débruité conserve des caractéristiques temporelles importantes.

2. Jeux de données

L’étude a utilisé deux jeux de données : - EEGDenoiseNet : Il s’agit d’un jeu de données semi-synthétique contenant 4514 segments EEG purs, 3400 segments d’artefacts oculaires et 5598 segments d’artefacts musculaires. Des signaux EEG bruités contenant plusieurs types d’artefacts sont générés par mélange linéaire. - BCI Competition IV 2A : Il s’agit d’un jeu de données EEG réel contenant les données EEG de 9 sujets lors de tâches d’imagerie motrice. L’étude a généré des ensembles d’entraînement et de test en ajoutant du bruit pour valider l’efficacité du modèle dans des scénarios réels.

3. Expériences et évaluation

L’étude a validé les performances de l’A2DM à travers les étapes suivantes : - Évaluation de l’efficacité du débruitage : Des métriques telles que l’erreur quadratique moyenne relative (RRMSE) et le coefficient de corrélation (CC) ont été utilisées pour évaluer l’efficacité du débruitage à différents rapports signal sur bruit (SNR). Les résultats montrent que l’A2DM surpasse significativement les méthodes existantes dans la suppression de plusieurs types d’artefacts, avec une amélioration de 12% du coefficient de corrélation. - Analyse de l’efficacité des modules : Des expériences d’ablation ont validé les rôles du FEM et du TCM. Les résultats montrent que la suppression de l’un ou l’autre module entraîne une baisse de performance, indiquant que ces modules jouent un rôle complémentaire dans le processus de débruitage. - Visualisation de la représentation des artefacts : La représentation des artefacts a été visualisée via les techniques t-SNE et UMAP, montrant que l’AAM est capable de capturer efficacement les caractéristiques des différents types d’artefacts.

Résultats principaux

1. Performances de débruitage

L’A2DM a surpassé tous les modèles comparés sur le jeu de données EEGDenoiseNet, en particulier dans les situations où plusieurs types d’artefacts coexistent. Concrètement, les RRMSE_t et RRMSE_f de l’A2DM étaient respectivement de 0.6869 et 0.5314, avec un coefficient de corrélation atteignant 0.7248, significativement supérieur aux autres méthodes.

2. Analyse des modules

• Rôle du FEM : Le FEM supprime les artefacts dans le domaine fréquentiel via un mécanisme d’attention dure, en particulier lors du traitement des artefacts musculaires. Les expériences montrent que le FEM peut identifier et supprimer efficacement les artefacts situés dans la plage de fréquences de 20-30 Hz.
• Rôle du TCM : Le TCM compense dans le domaine temporel les informations EEG potentiellement perdues en raison du mécanisme d’attention dure, améliorant ainsi davantage l’efficacité du débruitage.

3. Représentation des artefacts

La visualisation de la représentation des artefacts a démontré que l’AAM est capable de distinguer efficacement les différents types d’artefacts, fournissant ainsi une connaissance préalable cruciale pour le modèle de débruitage.

Conclusion et signification

Le modèle A2DM introduit pour la première fois la représentation des artefacts dans la tâche de débruitage EEG, réussissant à supprimer de manière unifiée plusieurs types d’artefacts. Non seulement ce modèle surpasse significativement les méthodes existantes en termes de performance de débruitage, mais il offre également une nouvelle perspective dans le domaine du traitement des signaux EEG. À l’avenir, l’équipe de recherche prévoit d’explorer davantage les méthodes d’apprentissage auto-supervisé pour générer des représentations d’artefacts plus fines et étendre l’application du modèle à des tâches telles que la synchronisation liée à un événement (ERS) et la désynchronisation liée à un événement (ERD).

Points forts de la recherche

1. Introduction de la représentation des artefacts : L’A2DM intègre pour la première fois la représentation des artefacts comme connaissance préalable, guidant le processus de débruitage et améliorant significativement l’adaptabilité et l’efficacité du modèle.
2. Application du mécanisme d’attention dure : Le FEM utilise un mécanisme d’attention dure pour supprimer sélectivement les artefacts dans le domaine fréquentiel, surpassant ainsi le mécanisme d’attention douce (soft attention).
3. Complémentarité entre les domaines temporel et fréquentiel : La combinaison du TCM et du FEM garantit que le signal débruité conserve des informations importantes à la fois dans le domaine temporel et fréquentiel.
4. Validation sur plusieurs jeux de données : L’étude a validé l’efficacité de l’A2DM sur plusieurs jeux de données, démontrant son potentiel dans des applications réelles.

Autres informations utiles

L’équipe de recherche a également exploré les performances des réseaux de neurones convolutifs (CNN) peu profonds dans les tâches de débruitage, constatant que les modèles peu profonds performaient bien avec des signaux à haut rapport signal sur bruit, mais que leur performance diminuait significativement dans des situations à faible rapport signal sur bruit. Cette découverte fournit une référence importante pour l’optimisation future des modèles de débruitage EEG.

Grâce à cette étude, le modèle A2DM non seulement résout des problèmes clés dans le traitement des signaux EEG, mais fournit également de nouveaux outils et méthodes pour la recherche dans des domaines connexes.