Analyse de performances et comparaison des algorithmes étudiés

Cette étude s'inscrit dans le domaine du traitement du signal appliqué à l'électroencéphalographie (EEG), plus précisément à la résolution du problème inverse qui consiste à localiser les sources neuronales actives à partir des mesures électriques enregistrées au niveau du cuir chevelu. Elle intéressera particulièrement les étudiants et chercheurs en neurosciences computationnelles, traitement du signal biomédical et ingénierie biomédicale, qui souhaitent comprendre comment évaluer et comparer différents algorithmes de localisation de sources EEG.

La question

Le travail vise à analyser et comparer la performance de trois algorithmes d’estimation inverse en EEG : Gibbs sampler, Minimum Norm Estimate (MNE) et SISSY. Le problème inverse en EEG consiste à estimer la localisation des dipôles actifs dans le cerveau à partir des signaux mesurés. Ce problème est difficile car il est mal posé et sensible au bruit. Il est donc crucial d’évaluer quantitativement la qualité des solutions proposées par ces algorithmes, notamment leur capacité à localiser précisément les dipôles actifs malgré la présence de bruit. Cette comparaison est importante pour guider le choix d’algorithmes robustes et fiables dans des applications pratiques.

Concepts de base

Pour comprendre cette étude, il faut d’abord saisir quelques notions fondamentales :

• Problème inverse en EEG : Il s’agit de retrouver la position et l’activité des sources neuronales (modélisées par des dipôles) à partir des signaux électriques mesurés en surface du crâne. Ce problème est inverse car on cherche à déduire la cause (sources) à partir de l’effet (mesures).
• Dipôles actifs : Ce sont les sources électriques dans le cerveau qui génèrent le signal EEG. Chaque dipôle a une position et une amplitude.
• Vérité de terrain : Dans le contexte des données simulées, la vérité de terrain correspond à la configuration réelle des dipôles actifs utilisée pour générer les signaux simulés. Cette vérité est connue et sert de référence pour évaluer les algorithmes.
• Critère d’évaluation - Dipole Localization Error (DLE) : Pour comparer la solution estimée ˆs à la vérité s, on utilise le DLE, qui mesure la distance moyenne entre les dipôles actifs estimés et les dipôles réels. Formellement :

DLE = (1 / 2L) ∑k∈I minℓ∈Ĩ ||rk - rℓ|| + (1 / 2Ĺ) ∑ℓ∈Ĩ mink∈I ||rk - rℓ||

• où I et Ĩ sont les ensembles d’indices des dipôles actifs originaux et estimés, L et Ĺ leurs cardinaux, et r_k la position du k-ième dipôle.

Ce critère permet d’évaluer la précision spatiale de la localisation des dipôles.

• Signal-to-Noise Ratio (RSB) : Rapport signal sur bruit, qui caractérise la qualité des données mesurées. Des valeurs plus faibles indiquent un bruit plus important.
• Bruit spatialement corrélé : Bruit dont la structure spatiale est liée à la configuration des sources, modélisé ici par une matrice Snoise qui a des zéros aux positions des dipôles actifs et des valeurs gaussiennes ailleurs. Ce type de bruit simule une activité de fond non liée aux sources réelles.

Approche

La méthode adoptée consiste à comparer qualitativement et quantitativement les performances des trois algorithmes (Gibbs sampler, MNE, SISSY) sur des données simulées avec différentes conditions de bruit.

Les étapes principales sont :

• Paramétrage des algorithmes : Chaque algorithme est configuré avec des paramètres spécifiques : σ² pour Gibbs sampler, λ selon le principe de discrepancy pour MNE, α = 0.1 et λ = 10 pour SISSY.
• Comparaison qualitative : Visualisation des solutions inverses obtenues pour trois valeurs de RSB (0.1, 1, 10) avec deux types de bruit : bruit gaussien blanc et bruit gaussien spatialement corrélé. Cette étape permet d’observer visuellement la robustesse des algorithmes face au bruit.
• Comparaison quantitative : Calcul du DLE pour chaque algorithme sur plusieurs réalisations de bruit spatialement corrélé (10 ensembles de données) pour un RSB fixé à 1. Pour MNE et SISSY, le DLE est aussi calculé pour différentes valeurs de RSB (5 valeurs entre 0.1 et 10). Les résultats sont présentés sous forme de boxplots et de courbes moyennes pour analyser la performance statistique.
• Identification des dipôles actifs : Pour calculer le DLE, il faut extraire les dipôles actifs dans la solution inverse. Cela se fait par seuillage des amplitudes estimées, en choisissant un seuil adapté pour distinguer dipôles actifs et inactifs.

Résultats

Les conclusions tirées de cette étude sont les suivantes :

• La visualisation qualitative montre que les algorithmes répondent différemment au bruit. Certains sont plus robustes face au bruit gaussien blanc, d’autres face au bruit spatialement corrélé.
• Le critère DLE permet de quantifier cette robustesse. En moyenne, les performances varient selon le niveau de bruit et le type de bruit, avec des différences notables entre les algorithmes.
• Pour un RSB fixé à 1, les boxplots des DLE montrent la dispersion des erreurs pour chaque algorithme, ce qui indique la stabilité des solutions.
• Pour MNE et SISSY, la moyenne du DLE en fonction du RSB révèle comment la précision de localisation évolue avec la qualité du signal. Ces courbes permettent de comparer la sensibilité des algorithmes au bruit.
• Globalement, cette analyse suggère que le choix de l’algorithme doit tenir compte du type de bruit attendu et du niveau de bruit dans les données réelles.

Limites et questions ouvertes

Cette étude ne traite pas certains aspects qui pourraient influencer les performances :

• Le choix du seuil pour identifier les dipôles actifs n’est pas détaillé, or il peut fortement impacter le calcul du DLE.
• Les simulations sont limitées à un nombre restreint de réalisations de bruit (10 ensembles), ce qui peut limiter la généralisation statistique des résultats.
• La comparaison qualitative reste subjective et dépend des visualisations choisies.
• Le travail ne couvre pas d’autres types d’algorithmes ou de configurations de sources plus complexes.

Glossaire

• Algorithme Gibbs sampler : Méthode d’échantillonnage utilisée pour estimer la distribution des sources dans le problème inverse EEG.
• MNE (Minimum Norm Estimate) : Algorithme d’estimation inverse qui minimise la norme de la solution pour obtenir une localisation des sources.
• SISSY : Algorithme d’estimation inverse paramétré par α et λ, utilisé pour localiser les dipôles actifs.
• Dipôle actif : Source électrique dans le cerveau responsable d’une activité EEG détectable.
• RSB (Rapport Signal sur Bruit) : Mesure de la qualité du signal par rapport au bruit présent dans les données.
• DLE (Dipole Localization Error) : Critère quantitatif mesurant la distance moyenne entre dipôles estimés et dipôles réels.
• Bruit spatialement corrélé : Bruit dont la structure spatiale est liée à la configuration des sources, simulant une activité de fond non liée aux sources réelles.
• Seuillage : Technique pour sélectionner les dipôles actifs en fonction de leur amplitude estimée.