EEG Bad-Channel Detection Using Multi-Feature Thresholding and Co-Occurrence of High-Amplitude Transients

Cet article présente un module MATLAB interprétable pour la détection des canaux EEG défectueux, qui combine des indicateurs multi-fonctionnels et une analyse de co-occurrence des transitoires à haute amplitude pour regrouper les canaux suspects et faciliter leur validation interactive avant l'analyse ICA.

L'essentiel

🧠 Le Détective des "Mauvais Canaux" : Une nouvelle méthode pour nettoyer les données cérébrales

Imaginez que vous essayez d'écouter un concert de 128 musiciens jouant ensemble (c'est votre cerveau). Mais soudain, certains instruments sont défectueux : un violon grince, une trompette émet un sifflement strident, et un autre instrument est complètement silencieux. Si vous enregistrez tout cela, votre enregistrement final sera gâché par ces bruits parasites.

En neurosciences, les "instruments" sont les électrodes posées sur le crâne (les canaux EEG). Parfois, une électrode se déplace, touche mal la peau ou a un problème matériel. C'est ce qu'on appelle un "mauvais canal". Si on ne les retire pas, ils peuvent fausser toute l'analyse scientifique qui suit.

Le problème ? Les méthodes automatiques actuelles sont comme des robots très stricts qui coupent parfois des musiciens qui jouent bien, juste parce qu'ils ont fait une fausse note, ou pire, ils laissent passer des instruments cassés parce que le bruit ressemble à celui des autres.

Amilcar Malave et Blair Kaneshiro (de l'Université Stanford) ont créé un nouvel outil, un module MATLAB, pour résoudre ce problème. Voici comment ça marche, avec des analogies simples :

1. Le Tri Intelligent : "Le Détective et ses Indices" 🕵️‍♂️

Au lieu de jeter un canal dès qu'il fait du bruit, ce nouvel outil agit comme un détective très méticuleux qui ne se fie pas à un seul indice. Il regarde trois choses différentes pour chaque électrode :

• Le voisinage : Si un musicien joue une note bizarre, mais que ses voisins immédiats jouent la même note bizarre en même temps, c'est probablement un problème de la salle (un bruit extérieur), pas de l'instrument. Mais si un musicien joue seul une note horrible, c'est lui le coupable ! L'outil compare chaque électrode à ses voisines.
• Le volume : Si une électrode explose littéralement (un signal trop fort, comme un cri), c'est suspect.
• La stabilité : Si une électrode est soit totalement silencieuse (comme un instrument mort), soit trop bruyante (comme un instrument qui vibre tout seul), c'est suspect.

L'outil ne prend pas de décision finale tout de suite. Il met simplement une étiquette : "Bon", "Suspect" ou "Mauvais".

2. Le Groupe de "Coupables" : La Danse des Transitoires 💃🕺

C'est ici que l'innovation est la plus créative. Parfois, plusieurs électrodes se gâtent en même temps à cause d'un mouvement de la tête ou d'un câble qui bouge.

• L'analogie : Imaginez que vous regardez une foule. Si une personne trébuche, c'est peut-être qu'elle a trébuché. Mais si toute une section de la foule trébuche exactement au même moment, c'est qu'il y a un obstacle sur le sol (un artefact partagé), pas que chaque personne est maladroite.
• La méthode : L'outil repère les moments où des signaux très forts apparaissent soudainement (les "transitoires"). Il regarde ensuite : "Est-ce que l'électrode A et l'électrode B ont eu ce gros pic de bruit exactement au même moment ?"
• Si oui, il les groupe ensemble dans un même "club". Cela permet au chercheur de voir : "Ah, ces 5 électrodes ont toutes eu un problème en même temps. C'est probablement un problème de mouvement, pas un problème de 5 électrodes cassées."

3. L'Humain reste le Chef : Le Tableau de Contrôle 🎛️

C'est la partie la plus importante. Beaucoup d'outils automatiques décident tout seuls et suppriment des données. Ici, l'outil dit : "Je vous ai préparé une liste de suspects et je les ai regroupés par familles. Maintenant, c'est à vous de décider."

• L'interface interactive : Le chercheur ouvre une fenêtre graphique. Il voit les électrodes "suspectes" et les groupes formés.
• La validation : Il peut regarder les courbes, comparer les groupes, et cliquer pour dire : "Celui-ci est vraiment cassé, on le retire" ou "Ah, ce groupe a juste bougé, on le garde".
• Pourquoi c'est mieux ? Cela évite de supprimer par erreur des données valables (comme un clignement d'œil qui est normal) et garantit que la décision finale est prise par un humain qui comprend le contexte.

En résumé : Pourquoi cet outil est génial ?

1. Il ne jette pas le bébé avec l'eau du bain : Il fait la différence entre un instrument cassé et un bruit de fond partagé.
2. Il est transparent : Il montre pourquoi il a soupçonné un canal (grâce aux indices de voisinage, de volume, etc.).
3. Il est collaboratif : Il aide l'humain à travailler plus vite en regroupant les problèmes similaires, au lieu de le forcer à regarder 128 écrans individuels.
4. C'est gratuit et ouvert : Le code est disponible pour tout le monde, comme une recette de cuisine que n'importe qui peut tester et améliorer.

L'analogie finale :
Si les anciennes méthodes étaient comme un robot qui coupe tous les légumes qui ne sont pas parfaitement ronds, cette nouvelle méthode est comme un chef cuisinier expert. Il regarde le légume, le compare aux autres, regarde s'il y a une tache commune sur plusieurs légumes (peut-être de la terre ?), et demande au cuisinier en chef : "Hé, ce légume est suspect, veux-tu le jeter ou le nettoyer ?"

C'est une approche plus humaine, plus intelligente et plus sûre pour étudier le cerveau humain.

Résumé technique

1. Problématique

L'électroencéphalographie (EEG), en particulier dans les configurations haute densité, est sujette à des artefacts non physiologiques provenant de mauvais contacts électrodes-cuir chevelu, de mouvements ou d'interférences matérielles. Ces « mauvais canaux » (bad channels) peuvent dégrader considérablement les analyses en aval, notamment en biaisant le re-référencement et en déformant la structure spatiale multicanal.

Le défi majeur réside dans la distinction entre :

• Les défaillances de capteurs spécifiques : Canaux présentant des erreurs persistantes ou intermittentes.
• Les artefacts partagés : Transitoires de haute amplitude qui apparaissent simultanément sur plusieurs canaux (ex. : clignements d'yeux, mouvements, artefacts de référence). Ces derniers ne doivent pas être rejetés automatiquement car ils contiennent une information physiologique ou structurelle utile pour des méthodes de décomposition comme l'Analyse en Composantes Indépendantes (ICA).

Les approches automatisées existantes (FASTER, PREP, EEGLAB) peinent souvent à gérer cette nuance, risquant soit de rejeter prématurément des canaux valides, soit de masquer la raison du rejet, ce qui complique la validation humaine et la reproductibilité.

2. Méthodologie

Les auteurs proposent un module MATLAB interactif (« SENSI EEG PREPROC Bad-Channel Detection Module ») conçu comme une étape de contrôle qualité avant l'ICA. L'approche repose sur trois piliers :

A. Évaluation de suspicion multi-fonctionnelle (Multi-feature Scoring)

Le module calcule plusieurs métriques par canal pour pré-étiqueter les canaux comme « bons », « suspects » ou « mauvais » :

1. Dissimilarité des voisins (Time-dependent Neighbor Dissimilarity) : Pour chaque fenêtre temporelle, la corrélation de Pearson entre un canal et ses voisins physiques est calculée. Une faible corrélation (ou une dissimilarité élevée) après lissage temporel signale un canal potentiellement défectueux.
2. Amplitude extrême et élevée :
   • Seuil dur : Rejet automatique si l'amplitude absolue maximale dépasse une valeur fixe (ex. 1000 µV).
   • Score standardisé : Détection de canaux avec des excursions anormales (transformée logarithmique + z-score) sans atteindre le seuil dur.
3. Variabilité globale et temporelle : Analyse de la variance. Une variance très élevée indique du bruit, tandis qu'une variance très faible (canaux plats) est également suspecte. Des seuils asymétriques sont appliqués pour éviter de rejeter les zones naturellement calmes du cuir chevelu.

B. Clustering basé sur la co-occurrence d'événements transitoires

C'est l'innovation centrale du module. Au lieu de rejeter automatiquement les canaux présentant des transitoires, le module les regroupe pour identification visuelle :

1. Détection robuste : Standardisation robuste (médiane et MAD) suivie d'un seuillage strict (ex. |Z| > 14) pour créer un masque binaire des transitoires de très haute amplitude.
2. Regroupement temporel (Max-pooling) : Les masques binaires sont rééchantillonnés par blocs temporels pour réduire le bruit et obtenir un vecteur d'événements.
3. Distance de Jaccard modifiée : Une distance est calculée entre les vecteurs d'événements de chaque paire de canaux. Cette distance mesure la similarité de la co-occurrence des transitoires, ignorant les périodes de silence commun.
4. Clustering par seuillage : Les canaux dont la distance est inférieure à un seuil $\epsilon$ sont connectés dans un graphe. Les composantes connexes forment des clusters.
   • Objectif : Identifier les groupes de canaux affectés par la même source d'artefact (ex. un mouvement localisé) pour les examiner ensemble.
   • Gestion des yeux : Les canaux EOG sont identifiés pour éviter de rejeter automatiquement les artefacts oculaires physiologiques.

C. Validation interactive (Human-in-the-loop)

Le module ne produit pas de liste finale automatique. Il lance une interface graphique (GUI) permettant à l'utilisateur :

• De visualiser les clusters et les scores de suspicion.
• D'inspecter les traces temporelles des canaux pré-sélectionnés.
• De basculer manuellement l'état des canaux (Bon / Suspect / Mauvais).
• Seuls les canaux explicitement marqués comme « Mauvais » (état 2) sont exclus dans la liste finale.

3. Résultats et Illustrations

L'article présente une analyse illustrative sur un jeu de données EEG (128 canaux, plateforme EGI) :

• Visualisation des clusters : Le graphe de force et la matrice de distance montrent clairement la séparation des canaux. Les grands clusters (souvent des canaux sains sans transitoires) sont distincts des petits clusters contenant des artefacts partagés.
• Tri des canaux : Le graphique de synthèse des scores permet de focaliser l'attention de l'utilisateur sur un sous-ensemble restreint de canaux suspects, évitant un balayage manuel fastidieux de l'ensemble du montage.
• Avant/Après : La suppression des canaux validés comme « mauvais » réduit drastiquement l'échelle d'amplitude des traces (ex. de ±20 000 µV à ±1 000 µV), confirmant que les excursions extrêmes étaient dues à des canaux défectueux et non à des signaux physiologiques globaux.

4. Contributions Clés

1. Approche hybride : Combinaison de seuillages statistiques traditionnels et d'une nouvelle métrique de similarité basée sur la co-occurrence d'événements rares (transitoires).
2. Interprétabilité et contrôle humain : Le système ne remplace pas l'expert mais structure sa prise de décision. Il expose la structure des artefacts partagés pour éviter le rejet erroné de canaux valides.
3. Outils de diagnostic : Génération automatique de visualisations (matrices de distance, graphes de clusters, scores) pour justifier les décisions de rejet.
4. Accessibilité : Le code est open-source (GitHub), documenté, et inclut un jeu de données d'exemple téléchargeable, facilitant l'adoption par la communauté.

5. Signification et Impact

Ce travail comble un vide pratique dans les pipelines de prétraitement EEG. Contrairement aux méthodes entièrement automatisées qui peuvent être trop agressives ou opaques, ce module offre une alternative transparente et défendable.

• Préservation de l'information : En évitant de rejeter les canaux partageant des artefacts transitoires, il préserve la covariance nécessaire à l'ICA pour séparer les artefacts des signaux cérébraux.
• Efficacité : Il réduit la charge cognitive de l'inspection manuelle en regroupant les canaux problématiques et en priorisant les suspects.
• Reproductibilité : Il fournit un audit trail complet (logs de décision, visualisations) essentiel pour la science ouverte et les études rigoureuses.

Le module est conçu spécifiquement pour les études avec peu de essais par participant (où rejeter un essai entier est coûteux), permettant de maximiser le nombre d'essais utilisables en ne supprimant que les capteurs défectueux.