Soutenance
Détection automatique et analyse des Oscillations à haute fréquence en EEG-HD de surface
Mots clés : Epilepsie, Electro-encéphalogramme à Haute Densité (EEG- HD), Oscillations à Hautes Fréquences (HFO), Traitement du signal, Apprentissage automatique profond
Résumé : Un tiers des épileptiques ne voient pas d'amélioration avec les traitements actuels, poussant les médecins à envisager la chirurgie pour enlever la zone cérébrale générant les crises. Les Oscillations à Haute Fréquence (HFO) émergent comme biomarqueur pour localiser ces zones épileptogènes, mais leur détection est difficile en raison de leur rareté et de leur brièveté. En EEG de scalp la faible amplitude du signal complexifie la tâche. Cette thèse vise à automatiser la détection de HFO dans des signaux EEG-HD enregistrés à 1 KHz sur 256 électrodes chez 5 patients. Après marquage visuel des HFO, des modèles de classification entre HFO et signal de fond ont été explorés. Les connaissances du traitement de signal ont été exploitées pour extraire des caractéristiques du domaine temporel ou fréquentiel. Les caractéristiques les plus pertinentes statistiquement ont été sélectionnées et soumises à des algorithmes supervisés classiques (Régression logistique, forêt aléatoire, MLP, gradient boosting). Ces méthodes ont été comparées à des algorithmes profonds (CNN, LSTM, Attention) générant automatiquement les caractéristiques du signal dans le domaine temporel 1D ou celles des cartes 2D temps fréquence. Tous les modèles montrent des résultats probants, les algorithmes profonds 1D étant plus efficaces avec une sensibilité de 91% et une spécificité de 87%, surpassant les détecteurs d’HFO de surface publiés. L’exécution des meilleurs modèles sur la totalité du signal pour détecter automatiquement les HFO a affiché des résultats prometteurs mais cette partie du travail reste à améliorer pour pallier la rareté des HFO dans les données. Plusieurs pistes de recherche sont proposées.
La soutenance sera diffusée en distaciel sur le lien ci-dessous :
https://teams.microsoft.com/l/meetup-join/19%3ameeting_MzMxNzFjY2YtYjIyYi00ZGJlLTljMzYtMWNkOTFkNTBmNTFi%40thread.v2/0?context=%7b%22Tid%22%3a%223caa0581-8207-4654-843a-8af0d7db5379%22%2c%22Oid%22%3a%2270e3d25f-0cb6-4ee5-92b1-595ee7e7b2d3%22%7d
Gaëlle Milon-Harnois
Résumé : Un tiers des épileptiques ne voient pas d'amélioration avec les traitements actuels, poussant les médecins à envisager la chirurgie pour enlever la zone cérébrale générant les crises. Les Oscillations à Haute Fréquence (HFO) émergent comme biomarqueur pour localiser ces zones épileptogènes, mais leur détection est difficile en raison de leur rareté et de leur brièveté. En EEG de scalp la faible amplitude du signal complexifie la tâche. Cette thèse vise à automatiser la détection de HFO dans des signaux EEG-HD enregistrés à 1 KHz sur 256 électrodes chez 5 patients. Après marquage visuel des HFO, des modèles de classification entre HFO et signal de fond ont été explorés. Les connaissances du traitement de signal ont été exploitées pour extraire des caractéristiques du domaine temporel ou fréquentiel. Les caractéristiques les plus pertinentes statistiquement ont été sélectionnées et soumises à des algorithmes supervisés classiques (Régression logistique, forêt aléatoire, MLP, gradient boosting). Ces méthodes ont été comparées à des algorithmes profonds (CNN, LSTM, Attention) générant automatiquement les caractéristiques du signal dans le domaine temporel 1D ou celles des cartes 2D temps fréquence. Tous les modèles montrent des résultats probants, les algorithmes profonds 1D étant plus efficaces avec une sensibilité de 91% et une spécificité de 87%, surpassant les détecteurs d’HFO de surface publiés. L’exécution des meilleurs modèles sur la totalité du signal pour détecter automatiquement les HFO a affiché des résultats prometteurs mais cette partie du travail reste à améliorer pour pallier la rareté des HFO dans les données. Plusieurs pistes de recherche sont proposées.
La soutenance sera diffusée en distaciel sur le lien ci-dessous :
https://teams.microsoft.com/l/meetup-join/19%3ameeting_MzMxNzFjY2YtYjIyYi00ZGJlLTljMzYtMWNkOTFkNTBmNTFi%40thread.v2/0?context=%7b%22Tid%22%3a%223caa0581-8207-4654-843a-8af0d7db5379%22%2c%22Oid%22%3a%2270e3d25f-0cb6-4ee5-92b1-595ee7e7b2d3%22%7d
Gaëlle Milon-Harnois
Infos pratiques
19 décembre 2023
Equipe(s) UCO