Réseau fonctionnel cérébral basé sur la décomposition modale empirique améliorée pour l’analyse et la détection de l’anxiété

Contexte académique et objectifs de la recherche

Avec l’augmentation du stress de la vie moderne, l’anxiété, en tant que maladie neurologique courante, devient de plus en plus un problème urgent à résoudre dans le domaine de la santé publique mondiale. L’anxiété ne se manifeste pas seulement par des troubles mentaux, elle implique également des anomalies dans les processus cognitifs tels que l’attention, la mémoire et l’apprentissage. L’épidémie de COVID-19 a encore accru le taux de prévalence de l’anxiété. Selon les statistiques, le taux de prévalence de l’anxiété sur une période de 12 mois est de 4,80 % chez les hommes et de 5,20 % chez les femmes. Cependant, les causes de l’anxiété ne sont toujours pas claires et les chances de guérison spontanée sont faibles. Cette complexité et ces incertitudes rendent la détection et l’intervention précoces d’autant plus importantes. Cependant, les méthodes traditionnelles de détection de l’anxiété reposent sur des entretiens en face à face et des auto-évaluations, ce qui est non seulement chronophage et laborieux, mais également influencé par les facteurs subjectifs des professionnels et des patients. Par conséquent, il est nécessaire d’explorer une méthode d’analyse et de détection de l’anxiété qui soit objective et précise.

Parmi de nombreux signaux physiologiques, l’électroencéphalogramme (EEG) attire de plus en plus l’attention des chercheurs en raison de sa haute résolution temporelle et de son faible coût. Les études traditionnelles sur l’anxiété basées sur des électrodes EEG isolées ne parviennent pas à révéler les anomalies de la structure topologique du cerveau. Par conséquent, cette étude propose un nouveau cadre basé sur la décomposition modale empirique améliorée (EEMD) et le réseau fonctionnel cérébral (BFN) pour la détection de l’anxiété.

Source de l’article et information sur les auteurs

Cet article a été écrit conjointement par Bingtao Zhang, Chonghui Wang, Guanghui Yan, Yun Su, Lei Tao et Hanshu Cai, issus de l’Université des Transports de Lanzhou, de l’Université des Sciences et Technologies du Shaanxi et de l’Université Normale de l’Ouest du Nord-Ouest. Cet article est publié dans le journal Biomedical Signal Processing and Control du 5 février 2024.

Processus de recherche et design expérimental détaillé

Processus de recherche

1. Acquisition et prétraitement des données expérimentales.
2. Amélioration de la méthode EEMD et application à la décomposition des signaux EEG.
3. Construction de BFN basés sur des signaux EEG décomposés par la méthode EEMD amélioree.
4. Calcul des différences de BFN entre les groupes.
5. Exploration des régions cérébrales associées à l’anxiété et des biomarqueurs potentiels.
6. Détection de l’anxiété chez les patients et les contrôles normaux (NC).

Méthode EEMD améliorée

L’EEMD résout le problème de mélange de modes dans la décomposition en composants multiphases de l’EMD en ajoutant du bruit blanc auxiliaire. Cependant, le choix de l’amplitude du bruit blanc affecte directement les performances de l’EEMD. Cette étude propose une méthode EEMD améliorée basée sur le bruit blanc adaptatif supplémentaire, déterminant de manière adaptative l’amplitude du bruit blanc en chaque point d’échantillonnage en fonction de la théorie du rapport signal-bruit (SNR), afin de mieux simuler les signaux neuronaux indépendants.

Décomposition des signaux EEG

Les signaux EEG, à travers la méthode EEMD améliorée, sont décomposés en sept fonctions intrinsèques (IMFs). L’analyse combinée de la distribution des IMFs produits par chaque fenêtre temporelle EEG permet de sélectionner le nombre minimal d’IMFs comme seuil pour éviter la perte excessive d’informations. Ensuite, l’indice de déphasage de phase (PLI) est calculé entre chaque IMF pour construire le BFN binarisé.

Construction et binarisation du BFN

Le réseau est constitué de nœuds (électrodes EEG) et de liens (valeurs de connectivité entre les nœuds). Basé sur le PLI, les poids de connectivité entre les nœuds sont calculés pour construire la matrice du BFN correspondante. Afin de réduire la charge de calcul et de garantir l’efficacité du BFN, une méthode de seuil proportionnel est utilisée pour la binarisation du BFN. En fonction de la densité du réseau et du nombre de nœuds, le seuil proportionnel est calculé à 8,89 %.

Exploration des régions cérébrales associées à l’anxiété

Des études montrent que les changements fonctionnels dans le cerveau des patients anxieux se concentrent principalement sur le lobe frontal gauche (LF), le lobe temporal gauche (LT) et la région centrale gauche (LC). En analysant les différences dans les indices typiques des cartes de ces régions du cerveau, on détermine si ces indices peuvent servir de biomarqueurs potentiels pour la détection de l’anxiété.

Évaluation des performances de détection de l’anxiété

Un classifieur à machine à vecteurs de support (SVM) est choisi pour évaluer les performances de détection des biomarqueurs potentiels à l’aide d’une validation croisée en 10 morceaux. Les résultats expérimentaux montrent que, en prenant en compte les indicateurs des graphes BFN des IMF1 et IMF4, la précision de détection maximale de l’anxiété atteint 92,07 %.

Résultats de la recherche

Évaluation de l’efficacité de la méthode EEMD améliorée

En comparant l’influence du bruit blanc d’amplitude constante et du bruit blanc adaptatif sur le signal original, il a été constaté que l’ajout de bruit blanc adaptatif affecte plus efficacement les valeurs extrêmes du signal, résolvant ainsi plus efficacement le problème de mélange de modes.

Résultats de l’analyse des régions cérébrales associées à l’anxiété

En comparant les matrices de différences BFN pour les IMF1 et IMF4, il a été constaté que les patients anxieux présentent des changements de synchronisation fonctionnelle principalement dans les régions LF, LT et LC. Cela est cohérent avec les conclusions des études antérieures, confirmant encore que l’anxiété concerne principalement les activités de l’hémisphère gauche.

Biomarqueurs potentiels pour la détection de l’anxiété

L’analyse de variance à un facteur (ANOVA) des BFN des IMF1 et IMF4 a révélé que les indices tels que LF-CC, LT-eloc, LC-CC et σ du cerveau entier présentent des différences significatives entre les groupes anxieux et les groupes normaux, indiquant que ces indices peuvent servir de biomarqueurs potentiels pour la détection de l’anxiété.

Évaluation des performances de détection de l’anxiété

En utilisant conjointement les indicateurs des graphes BFN des IMF1 et IMF4, les résultats de la validation croisée en 10 morceaux du classifieur SVM montrent que la précision moyenne de la détection de l’anxiété est de 87,31 %, atteignant un maximum de 92,07 %.

Conclusion

Cette étude, en utilisant une méthode EEMD améliorée, a pour la première fois construit un BFN basé sur les signaux EEG décomposés et a exploré en profondeur les changements de la topologie fonctionnelle cérébrale des patients anxieux. Les résultats de l’étude montrent que le BFN des patients anxieux présente une certaine tendance à la randomisation, et les indicateurs de graphe significatifs peuvent servir de biomarqueurs efficaces pour la détection de l’anxiété. Ces découvertes fournissent non seulement de nouvelles idées pour la détection précoce de l’anxiété, mais également des bases théoriques importantes pour la recherche sur les mécanismes des maladies neuropsychiatriques.

Valeur académique et perspectives d’application

Cette étude revêt une valeur académique significative dans les aspects suivants :

1. La méthode EEMD améliorée résout efficacement le problème de mélange des modes dans la décomposition EMD, améliorant la précision de la décomposition des signaux EEG.
2. Le BFN construit à partir des signaux EEG basés sur la méthode EEMD améliorée fournit une nouvelle méthode pour la détection de l’anxiété.
3. L’étude révèle des structures topologiques anormales dans le BFN des patients anxieux, offrant une nouvelle perspective pour comprendre les mécanismes pathologiques de l’anxiété.
4. Les biomarqueurs potentiels proposés pour la détection de l’anxiété possèdent une valeur d’application significative dans la pratique, aidant à réaliser une détection et une intervention précoces de l’anxiété.

En utilisant la méthode EEMD améliorée, cette étude explore pour la première fois les changements du réseau fonctionnel cérébral liés à l’anxiété, fournissant une base théorique et pratique importante pour le diagnostic et le traitement précoces de l’anxiété.