Classification EEG inter-sujets basé sur l'apprentissage ensembliste hétérogène multi-tâches chez les patients victimes d'AVC

Neurologie Analyses médicales Sciences de l'information Intelligence artificielle Médecine
AVC électroencéphalographie imagerie motrice entraînement inter-sujets apprentissage ensembliste hétérogène multi-tâches

研究流程示意图

Introduction

L’imagerie motrice (Motor Imagery, MI) fait référence à l’exécution d’une activité par l’imagination sans mouvement musculaire réel. Ce paradigme est largement utilisé dans les interfaces cerveau-machine (Brain-Computer Interface, BCI) pour décoder l’activité cérébrale en commandes de contrôle pour des dispositifs externes. En particulier, l’électroencéphalographie (Electroencephalography, EEG), en raison de son coût relativement bas, de sa portabilité et de sa résolution temporelle supérieure à celle d’autres outils de neuroimagerie, est largement utilisée dans les BCI. De plus, ce paradigme peut aider à la réadaptation neurologique des patients ayant subi un AVC. Selon des recherches, la formation assistée par robot utilisant l’interface cerveau-machine peut améliorer les résultats de rééducation motrice des patients post-AVC (voir articles [5] et [6]). Cela est dû au fait que les voies nerveuses activées pendant l’imagerie motrice sont similaires à celles de l’exécution motrice réelle (Motor Execution, ME). Par conséquent, l’activation des voies nerveuses dans la région sensorimotrice par l’imagination peut également favoriser la réhabilitation motrice après un AVC.

Origine de la recherche

Cet article a été rédigé par Minji Lee et ses collaborateurs, issus des institutions suivantes : l’Université Catholique de Corée, l’Université Nationale de Suncheon, l’Université de New York à Abou Dhabi, l’Université de Hallym et l’Hôpital de réhabilitation Myeongji Chuncheon. L’article a été publié dans le IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol. 32, 2024. La recherche a été soutenue par le programme BrainKorea21 de l’Université Nationale de Chungbuk (2023) et par le gouvernement coréen Ministère des Sciences et des Technologies de l’Information et de la Communication (MSIT).

Détails de la recherche

a) Processus de recherche

Le processus principal de la recherche comprend la collecte de données, le protocole expérimental, le prétraitement des données, le cadre d’apprentissage intégré multi-tâches hétérogène (MEEG-HEL) et l’évaluation des performances. Les étapes spécifiques sont les suivantes :

  1. Participants

    • Au total, neuf patients souffrant d’un AVC ischémique chronique ont participé à cette recherche. L’âge moyen des participants est de 55 ans (±5.36), comprenant 3 femmes. Tous les patients ont subi une évaluation des fonctions cognitives (MMSE) et une évaluation des fonctions motrices des membres supérieurs (FMA_UL) pour déterminer leur aptitude à participer à l’expérimentation.

  2. Protocole expérimental

    • Les sujets ont effectué des tâches de frappe alternée avec les deux mains, divisées en paradigmes ME et MI. Les tâches étaient conçues par blocs, chaque tâche comprenant 20 blocs. Dans chaque bloc, lorsqu’un point (stimulus) apparaissait à l’écran, les patients frappaient en alternance avec les doigts, de l’annulaire à l’auriculaire.

  3. Collecte et prétraitement des données

    • Les données EEG ont été mesurées avec le système NeuroPraX EEG (NeuroConn GmbH, Germany) à une fréquence d’échantillonnage de 4000 Hz. Les signaux ont été recueillis via des électrodes de surface Ag/AgCl et prétraités avec le toolbox EEGLAB. Un total de 27 canaux a été sélectionné, et les données EEG ont été segmentées.

  4. Conception du cadre MEEG-HEL

    • Le modèle utilise la méthode des patterns spatiaux communs (CSP) pour extraire les caractéristiques, la méthode de sélection des caractéristiques séquentielle avant-arrière flottante (SFFS) pour sélectionner les caractéristiques, et sept modèles de référence pour construire l’apprentissage intégré hétérogène, y compris des réseaux neuronaux superficiels (SNN), des machines à vecteurs de support à noyau (KSVM), des classificateurs de discrimination par sous-espace (SDC), etc. La classification finale est réalisée par une méthode pondérée.

b) Résultats principaux

  1. Tâche de reconnaissance de direction (DR)

    • Dans les paradigmes ME et MI, la performance de classification dans le paradigme ME était de 0.7061 (±0.1270) tandis que celle du paradigme MI était de 0.7419 (±0.0811). Les résultats des matrices de confusion montrent que la précision est plus élevée dans le paradigme MI, en particulier pour distinguer la main droite (RT) de la main gauche (LT).

  2. Tâche d’évaluation motrice (MA)

    • Les performances de classification dans les paradigmes ME et MI étaient respectivement de 0.6791 (±0.1253) et 0.7457 (±0.1317). Dans le traitement du paradigme MI, les valeurs TP et FN étaient élevées, indiquant que le modèle pouvait prédire plus précisément la main saine.

  3. Résultats des patterns spatiaux communs (CSP)

    • Dans la tâche de classification, les expériences du mode CSP ont montré que l’activité dans le paradigme MI était principalement concentrée dans le cortex sensorimoteur, tandis que pour le paradigme ME, l’activité de la main droite activait principalement le cortex sensorimoteur gauche.

c) Conclusion de la recherche

Cette recherche montre que le cadre MEEG-HEL est performant pour la classification multi-tâches chez les patients post-AVC, surpassant de manière significative les autres modèles de référence. En classifiant les tâches de reconnaissance de direction et d’évaluation motrice, ce cadre peut fournir une aide efficace à la réhabilitation des patients post-AVC. Le cadre améliore non seulement la précision de la classification mais aussi la pertinence du modèle pour de nouveaux patients, favorisant ainsi l’application des technologies de réadaptation neurologique dans un environnement clinique.

d) Points forts de la recherche

  1. Utilisation de la méthode d’apprentissage multi-tâches, combinant la reconnaissance de direction et l’évaluation motrice, améliorant ainsi la performance de classification du modèle.
  2. Proposition d’une méthode d’apprentissage intégré hétérogène, obtenant de bons résultats de classification même avec de petits échantillons.
  3. Amélioration significative de la capacité de généralisation et de précision du modèle grâce à l’extraction des caractéristiques CSP et à la sélection des caractéristiques SFFS.

Conclusion

Cette recherche a adopté une méthode d’apprentissage intégré hétérogène multi-tâches pour la classification EEG chez les patients post-AVC, améliorant efficacement la performance de classification et montrant le potentiel de ce cadre dans la réhabilitation neurologique. En reconnaissant les tâches de direction et d’évaluation motrice, il est possible de fournir des programmes d’entraînement en réhabilitation plus précis aux patients post-AVC, améliorant ainsi leur qualité de vie. Les points d’innovation de cette recherche résident dans la prise en compte des caractéristiques et besoins réels des patients post-AVC, ouvrant la voie à des avancées significatives dans les applications cliniques futures.