Fusion hidden Markov modeling reveals a dominant backbone state and transient alternatives in simultaneous resting-state EEG-fMRI

Cette étude présente un cadre de modélisation par fusion de chaînes de Markov cachées pour l'EEG-fMRI au repos, révélant un état dominant stable et deux états alternatifs transitoires qui illustrent des dynamiques cérébrales à faible ordre et des alignements distincts entre les réseaux hémodynamiques et électrophysiologiques.

L'essentiel

🧠 L'histoire du cerveau : Un orchestre qui change de partition

Imaginez que votre cerveau, même quand vous ne faites rien (les yeux ouverts, juste en rêvassant), n'est pas une statue immobile. C'est plutôt comme un orchestre symphonique qui joue en continu. Parfois, il joue une mélodie douce et lente, parfois il accélère, parfois il change de style.

Le problème, c'est que nous avons deux façons d'écouter cet orchestre, mais elles sont très différentes :

1. L'EEG (électro-encéphalogramme) : C'est comme un micro très rapide posé sur le chef d'orchestre. Il capte les notes instantanées, les changements de rythme ultra-rapides (comme des éclairs de pensée).
2. L'IRMf (imagerie par résonance magnétique) : C'est comme une caméra lente qui filme la salle de concert. Elle voit où les musiciens bougent et s'activent, mais elle est lente (elle prend une photo toutes les 2 secondes).

Jusqu'à présent, essayer de combiner ces deux regards (le micro rapide et la caméra lente) pour voir exactement ce qui se passe dans le cerveau était un casse-tête. C'est comme essayer de synchroniser un film d'action rapide avec une photo floue : ça ne colle pas bien.

🔍 La découverte de l'auteure : Trois états de cerveau

Georgina Cruz, l'auteure de l'article, a créé une nouvelle méthode pour "fusionner" ces deux regards. Elle a analysé le cerveau de 12 personnes en bonne santé et a découvert que, contrairement à ce qu'on pensait (un chaos constant ou un état unique), le cerveau au repos fonctionne en trois modes principaux, comme des états d'esprit qui reviennent sans cesse.

Elles ont utilisé un modèle mathématique (un "modèle de Markov caché") qui agit comme un chef d'orchestre invisible capable de dire : "Maintenant, on joue le mode A !" puis "Ah, on passe au mode B !".

Voici les trois modes découverts :

1. Le "Mode Squelette" (L'état dominant) 🏛️

C'est le mode principal. Imaginez un grand bâtiment solide, le "squelette" de l'orchestre.

• Ce qu'il fait : Il occupe la majorité du temps (environ 80-90% du temps). C'est l'état de base, stable et persistant.
• L'analogie : C'est comme la musique de fond d'un café : constante, calme, avec une structure claire (les réseaux visuels, moteurs, etc., sont bien organisés). C'est l'état où le cerveau est "en équilibre".

2. Le "Mode Atténué" (L'ombre du squelette) 🌫️

C'est un état transitoire (qui dure peu de temps).

• Ce qu'il fait : C'est comme si le "Mode Squelette" s'était éteint un peu. La musique est là, mais elle est plus faible, moins nette. Les connexions entre les musiciens sont moins fortes.
• L'analogie : C'est comme si l'orchestre jouait la même partition, mais avec des musiciens qui chuchotent ou qui sont distraits. C'est une version "brouillée" ou "en veille" du mode principal.

3. Le "Mode Réorganisé" (Le remix) 🎸

C'est l'autre état transitoire, mais très différent du précédent.

• Ce qu'il fait : Ici, ce n'est pas juste une version faible. C'est un changement de style. Certaines parties de l'orchestre (comme le système limbique, lié aux émotions) deviennent très fortes, tandis que d'autres (comme le contrôle logique) s'effacent.
• L'analogie : C'est comme si, au milieu d'un concert classique, le groupe de percussions et de cuivres prenait le dessus pour jouer un jazz improvisé, tandis que les violons se taisent. C'est une réorganisation active, pas juste un affaiblissement.

⚡ La grande révélation : Quand les deux regards s'accordent

Ce qui est fascinant, c'est que ces trois modes ne sont pas seulement différents pour la caméra lente (IRMf), mais aussi pour le micro rapide (EEG).

• Dans le Mode Squelette, le cerveau est stable, mais le lien entre l'activité électrique rapide et l'activité lente est "muet" ou flou. C'est comme si les deux instruments jouaient dans des registres différents qui ne se croisent pas vraiment.
• Dans les Modes Transitoires (Atténué et Réorganisé), quelque chose de spécial se passe : l'activité électrique rapide et l'activité lente se synchronisent mieux. C'est comme si, pendant ces courts moments de changement, le micro et la caméra voyaient enfin la même chose de manière claire.

🚀 Pourquoi est-ce important ?

Avant, on pensait souvent que le cerveau au repos était juste une moyenne de tout ce qui se passe. Cette étude dit : "Non !".
Le cerveau est dynamique. Il a un état de base solide (le squelette) sur lequel il s'appuie, mais il fait de petits "sauts" vers d'autres états (atténué ou réorganisé) pour s'adapter, rêver ou traiter des informations.

En résumé :
L'auteure a construit une nouvelle "loupe" pour regarder le cerveau. Elle nous dit que notre cerveau au repos n'est pas une ligne droite, mais une danse entre un pilier stable et deux pas de danse temporaires qui changent la façon dont l'électricité et le sang circulent ensemble. C'est une avancée majeure pour comprendre comment notre cerveau fonctionne réellement, pas juste en moyenne, mais dans le temps réel.

Résumé technique

1. Problématique et Contexte

L'étude aborde le défi majeur de la modélisation conjointe des données EEG-fMRI simultanées au repos. Bien que cette combinaison offre une vue riche sur la dynamique cérébrale (en couplant la résolution temporelle de l'EEG et la résolution spatiale du fMRI), plusieurs obstacles techniques persistent :

• Hétérogénéité temporelle et spatiale : Les deux modalités opèrent à des échelles de temps très différentes et nécessitent un alignement précis.
• Espace de caractéristiques instable : Créer un espace de caractéristiques partagé et stable entre les deux modalités est complexe.
• Sélection de modèle : Déterminer le nombre optimal d'états latents sans surajustement (overfitting) ou sans être biaisé par les choix de prétraitement est difficile.
• Approche actuelle : De nombreuses études traitent une modalité comme prédicteur de l'autre, plutôt que de les modéliser comme des observations conjointes d'un état cérébral partagé.

L'objectif est de développer un cadre de modélisation fusionné capable de décrire l'activité au repos comme une séquence d'états cérébraux latents récurrents, partagés par l'EEG et le fMRI.

2. Méthodologie

A. Données et Prétraitement

• Données : Utilisation d'un jeu de données ouvert (Telesford et al.) comprenant 15 sessions de repos (yeux ouverts) de 12 adultes sains.
• Prétraitement EEG :
  • Suppression des artefacts (gradient et BCG) déjà effectuée par les auteurs du jeu de données.
  • Nettoyage conservateur des composantes indépendantes (IC) via ICLabel.
  • Marquage manuel des intervalles "BAD" et alignement temporel précis.
  • Localisation source : Projection dans l'espace MNI (152NLin2009cAsym) via un modèle BEM OpenMEEG à trois couches.
  • Parcellisation : Extraction des signaux source dans 200 parcelles du atlas Schaefer 2018 (7 réseaux canoniques). La première composante principale (PC1) de chaque parcelle est retenue.
• Prétraitement fMRI :
  • Utilisation des dérivés fMRIPrep.
  • Régression de nuisance (mouvement, WM, CSF, dérive, aCompCor).
  • Extraction des parcelles BOLD via le même atlas Schaefer, rééchantillonné sur la grille BOLD.
• Alignement et Fusion :
  • Création d'une matrice d'observation sans décalage temporel (no-lag).
  • Règles strictes de rétention des TR (Time Resolutions) : un TR est conservé seulement si ≥70% de la durée contient des données EEG utilisables (ou ≥50% en bloc contigu) et si le nombre d'échantillons EEG est suffisant (≥50).
  • Données finales : 3550 TRs retenus (124,25 min), formant un vecteur d'observation de 400 dimensions (200 parcelles BOLD + 200 parcelles EEG puissance) par TR.

B. Modélisation et Sélection de Modèle

• Modèle : Hidden Markov Model (HMM) de fusion.
• Sélection de l'ordre du modèle (K) :
  • Validation croisée "Leave-One-Subject-Out" (LOSO-CV) sur une plage de $K=2$ à $12$.
  • Critères de sélection : Énergie libre de test minimale, règle du "1-SE" (favoriser le modèle le plus simple dans l'erreur standard de l'optimum), et analyse de stabilité des signatures d'états (corrélations des matrices de corrélation BOLD entre les plis).
• Ajustement final : Un modèle à 3 états ($K=3$) a été ajusté sur l'ensemble des données retenues après normalisation et réduction de dimensionnalité (PCA) par modalité.

3. Résultats Clés

A. Structure Temporelle des États

Le modèle à 3 états révèle une organisation asymétrique :

1. État Dominant (S2) : C'est l'état "colonne vertébrale" (backbone). Il présente la plus forte occupation fractionnelle, la plus grande persistance (demeure le plus longtemps) et sert de point d'ancrage vers lequel les autres états tendent à revenir.
2. États Transitoires (S1 et S3) : Deux états à faible occupation qui apparaissent sous forme de bursts intermittents. Ils transitionnent préférentiellement vers S2 plutôt que de rester entre eux.

B. Organisation Réseaux BOLD

• S2 (Dominant) : Présente la structure canonique la plus claire des réseaux à grande échelle (réseaux visuel, somatomoteur, saillance, attention, mode par défaut).
• S1 (Alternatif) : Se comporte comme une version atténuée de S2. Les connexions intra-réseaux sont globalement réduites dans plusieurs systèmes majeurs.
• S3 (Alternatif) : Se distingue par un rééquilibrage sélectif. Il montre une organisation limbique plus forte, mais une structure réduite dans les réseaux par défaut et de contrôle, contrairement à une simple atténuation globale.

C. Structure Croisée BOLD-EEG

L'analyse des covariances croisées (BOLD-EEG) révèle des régimes d'alignement différents :

• S2 : Structure croisée proche de zéro (muted). Cela suggère que, dans cet état dominant, les fluctuations de puissance EEG et l'organisation BOLD ne sont pas fortement corrélées à l'échelle du même TR, ou que les effets s'annulent.
• S1 : Montre un décalage positif large dans la structure croisée, notamment entre les réseaux visuels BOLD et multiples réseaux EEG. C'est une configuration où l'alignement multimodal est renforcé.
• S3 : Présente une redistribution plus sélective de l'alignement croisé (positif pour visuel/somatomoteur, négatif ou réduit pour l'attention dorsale).

4. Contributions Techniques et Scientifiques

1. Flux de travail de fusion robuste : L'article propose une méthodologie rigoureuse pour l'alignement temporel et la construction d'un espace de caractéristiques partagé EEG-fMRI, résolvant les problèmes d'incohérence temporelle et de définition des parcelles.
2. Sélection de modèle basée sur la reproductibilité : L'utilisation de la validation croisée LOSO couplée à une analyse de stabilité des signatures d'états démontre que la solution à 3 états est la plus parcimonieuse et la plus reproductible, évitant le surajustement des modèles plus complexes ($K>3$).
3. Interprétation biologique : La découverte d'un état "colonne vertébrale" dominant (S2) et d'états alternatifs transitoires (S1, S3) offre une nouvelle perspective sur la dynamique du repos. Elle suggère que le cerveau oscille entre un état de base stable et des états transitoires où l'alignement entre l'électrophysiologie et l'hémodynamie change radicalement.
4. Nuance sur l'alignement multimodal : L'étude suggère que l'alignement fort entre EEG et fMRI n'est pas constant ; il pourrait être plus visible lors de ces états transitoires (S1, S3) plutôt que dans l'état dominant (S2), ce qui remet en question l'idée d'une relation linéaire moyenne constante.

5. Signification et Limites

Signification :
Ce travail fournit une preuve conceptuelle que l'activité cérébrale au repos peut être décrite par une architecture dynamique à faible ordre (3 états) partagée entre l'EEG et le fMRI. Il offre un cadre méthodologique reproductible pour la neuroimagerie multimodale et génère des hypothèses sur la façon dont les réseaux neuronaux et hémodynamiques s'alignent différemment selon l'état cérébral latent.

Limites :

• Taille de l'échantillon modeste (12 sujets).
• Le modèle utilise uniquement la puissance EEG au même TR, ignorant les relations avec décalage temporel (lags) ou spécifiques aux fréquences.
• Les résultats sont descriptifs et ne prouvent pas de causalité directe entre les signaux.
• Sensibilité aux choix de prétraitement et de réduction de dimensionnalité.

En conclusion, l'article démontre qu'une approche de fusion rigoureuse permet de révéler une structure d'états cérébraux simple mais biologiquement interprétable, où un état dominant ancre la dynamique, tandis que des états transitoires révèlent des régimes d'alignement multimodal distincts.