Sequential Logic: Counters and Decounters

Analyse de performances des algorithmes EEG

Cette page traite de l'analyse de performances des algorithmes utilisés pour la localisation de sources en EEG, en se concentrant sur les méthodes Gibbs sampler, MNE et SISSY. Vous découvrirez les critères d'évaluation, notamment le dipole localization error (DLE), ainsi que des comparaisons qualitatives et quantitatives des algorithmes. Des exemples pratiques illustreront l'impact du bruit sur les performances des algorithmes.

Introduction aux critères d'évaluation

Pour analyser la performance d'un algorithme de manière quantitative, il est essentiel d'avoir une vérité de terrain sur la solution attendue. Cela implique de définir un critère d'évaluation qui mesure la qualité de la solution obtenue par rapport à cette vérité. Dans le contexte de données simulées, la vérité de terrain est connue, car les données sont générées pour une configuration de sources donnée et des signaux spécifiques.

Pour comparer la solution inverse ˆs obtenue à la sortie d'un algorithme avec la vraie solution s, différents critères peuvent être utilisés. Un critère intuitif est l'erreur au sens des moindres carrés ||s − ˆs||². Dans le cas de la localisation de sources en EEG, l'accent est mis sur l'identification des dipôles actifs. Ainsi, nous nous concentrons sur un critère d'évaluation qui compare les dipôles actifs de la configuration de sources originale avec ceux de la solution inverse estimée.

Le critère d'évaluation considéré est connu sous le nom de “dipole localization error (DLE)”, défini par :

DLE = 1 / 2L * Σ_k∈I min_ℓ∈ˆI ||r_k − r_ℓ|| + 1 / 2ˆL * Σ_ℓ∈ˆI min_k∈I ||r_k − r_ℓ||

où I et ˆI représentent les ensembles des indices des dipôles appartenant aux sources originales et aux sources estimées, L et ˆL correspondent aux nombres des dipôles actifs originaux et estimés, et r_k est la position du k-ième dipôle.

Manipulations et algorithmes

Paramètres des algorithmes

Pour les trois algorithmes, utilisez les paramètres suivants :

• Gibbs sampler : σ²
• MNE : λ selon le principe de discrépance
• SISSY : α = 0.1, λ = 10

Considérez n = 3e3, σ² = 20, λ ∼ Be(1.01, 2e3) (imposer une parcimonie plus petite ou égale à 2%).

Comparaison qualitative

Dans un premier temps, comparez les solutions inverses des algorithmes Gibbs sampler, MNE et SISSY de manière qualitative :

1. Visualiser les solutions inverses des algorithmes pour trois valeurs de RSB (0.1, 1, 10) du bruit Gaussien ajouté au niveau des capteurs.
2. Visualiser les solutions inverses des algorithmes pour trois valeurs de RSB (0.1, 1, 10) d'un bruit Gaussien, mais spatialement corrélé. Pour cela, générez une matrice Snoise de la même taille que la matrice de signal S, de sorte que les éléments de la matrice Snoise qui sont associés aux dipôles actifs de la configuration de sources originale soient 0, et que tous les autres éléments soient tirés d'une distribution Gaussienne. Remplacez ensuite la matrice de bruit par A*Snoise.
3. Comparer les solutions inverses des trois algorithmes obtenues dans les différents cas entre elles et avec la configuration de source originale. Conclure sur la robustesse au bruit des différentes méthodes.

Comparaison quantitative

Nous allons maintenant comparer la performance des trois algorithmes de manière quantitative à l'aide du critère de DLE :

1. Identifier les dipôles de la configuration originale de sources (dipôles ayant une amplitude non nulle). Pour identifier les dipôles actifs à partir de la solution inverse, seuiller les amplitudes en utilisant un seuil approprié.
2. Implémenter une fonction DLE(idx, idx est, r grid) qui calcule la DLE entre la configuration de sources originale, caractérisée par les indices des dipôles actifs idx, et la configuration de sources estimée, caractérisée par les indices des dipôles actifs idx est. La matrice r grid contient les positions des dipôles.
3. Calculer les DLEs pour chacun des trois algorithmes pour 10 ensembles de données différentes avec des matrices de bruit spatialement corrélées et pour un RSB de 1. Afficher des boxplots de la DLE pour les trois algorithmes en utilisant la fonction de Matlab boxplot.
4. Pour MNE et SISSY, calculer les DLEs pour 10 ensembles de données différentes avec des matrices de bruit spatialement corrélées et pour différentes valeurs de RSB (5 valeurs entre 0.1 et 10). Afficher la moyenne des DLEs (sur les 10 réalisations) en fonction du RSB dans une même figure pour les deux algorithmes.
5. Comparer et interpréter les résultats obtenus.

Points clés à retenir

Voici les points essentiels à retenir de cette analyse :

• La définition d'un critère d'évaluation est cruciale pour mesurer la performance des algorithmes.
• Le DLE est un critère pertinent pour comparer les dipôles actifs des solutions inverses.
• Les comparaisons qualitatives et quantitatives permettent d'évaluer la robustesse des algorithmes face au bruit.
• Les résultats peuvent varier selon les paramètres choisis et la nature du bruit appliqué.

Questions fréquentes

Qu'est-ce que le DLE ?

Le DLE, ou dipole localization error, est un critère d'évaluation qui mesure l'erreur de localisation des dipôles actifs entre la configuration originale et la solution inverse estimée. Il est calculé en prenant en compte les distances minimales entre les dipôles actifs des deux configurations.

Comment comparer les algorithmes MNE et SISSY ?

Pour comparer les algorithmes MNE et SISSY, il est essentiel d'évaluer leurs performances en utilisant le DLE sur plusieurs ensembles de données avec des matrices de bruit spatialement corrélées. Les résultats peuvent être visualisés à l'aide de boxplots pour une analyse comparative.

Quel est l'impact du bruit sur les algorithmes EEG ?

Le bruit peut affecter significativement la performance des algorithmes EEG. En ajoutant du bruit Gaussien ou spatialement corrélé, il est possible d'observer comment chaque algorithme réagit et s'adapte, ce qui permet d'évaluer leur robustesse.

Quels paramètres utiliser pour les algorithmes ?

Les paramètres à utiliser pour les algorithmes incluent σ² pour le Gibbs sampler, λ selon le principe de discrépance pour MNE, et α = 0.1, λ = 10 pour SISSY. Ces valeurs influencent directement les résultats des algorithmes.