Semi-Automated Identification of EKG and Trigger Artifacts in EEG Using ICA and Spectral Characteristics

Ce papier présente le module semi-automatique « SENSI-EEG-Preproc-ICA-EKG-Trigger », un cadre MATLAB qui accélère et standardise l'identification des artefacts cardiaques et de déclenchement dans les EEG après analyse en composantes indépendantes en exploitant les caractéristiques spectrales tout en conservant le contrôle de l'utilisateur sur la décision finale.

L'essentiel

Imaginez que vous essayez d'écouter une conversation intime dans une pièce remplie de gens qui parlent fort, de voitures qui passent dehors et de ventilateurs qui bourdonnent. C'est un peu ce que font les chercheurs avec l'EEG (électroencéphalogramme) : ils essaient d'entendre les pensées du cerveau (les signaux neuronaux), mais ils sont souvent assourdis par du "bruit" parasite.

Ce bruit vient de deux sources principales :

1. Le cœur qui bat (comme un tambour lointain qui résonne dans la pièce).
2. Les signaux électriques des ordinateurs (comme un sifflement aigu et régulier causé par un interrupteur qui clignote).

Le problème, c'est que pour nettoyer cet enregistrement, les chercheurs utilisent une technique appelée ICA (Analyse en Composantes Indépendantes). Imaginez que l'ICA est un magicien qui sépare tous les sons de la pièce en pistes audio séparées. Au lieu d'avoir un seul mélange confus, vous avez maintenant 64 pistes (une pour chaque électrode), et le magicien a essayé de mettre le bruit du cœur sur une piste, le bruit des ventilateurs sur une autre, et la conversation sur une troisième.

Le gros problème ?
Jusqu'à présent, c'était à l'humain de regarder chaque piste une par une (il y en a des centaines !) pour décider : "Est-ce que c'est du bruit ? Est-ce que je jette cette piste ?". C'était long, fastidieux, et chaque personne pouvait avoir une opinion différente. C'était comme trier des milliers de pièces de monnaie à la main pour trouver celles qui sont fausses.

La solution proposée dans cet article : Le "Détective Semi-Automatique"

Les auteurs (Amilcar et Blair) ont créé un outil logiciel appelé SENSI-EEG-Preproc-ICA-EKG-Trigger. Voici comment cela fonctionne, avec des analogies simples :

1. Le Tri Rapide (L'Algorithme)

Au lieu de regarder tout le monde, l'outil utilise deux détecteurs intelligents qui écoutent la musique de chaque piste :

• Pour le Cœur (EKG) : Le détecteur cherche une mélodie très spécifique. Le cœur bat à un rythme régulier (environ 1 battement par seconde) et crée des échos harmoniques (comme une note de piano et ses harmoniques). L'outil scanne toutes les pistes et dit : "Hé, cette piste a exactement la signature musicale d'un cœur qui bat !"
• Pour les Signaux Numériques (DIN) : Parfois, l'ordinateur envoie un signal électrique toutes les secondes pour dire "Action !". Cela crée un bruit très aigu et répétitif, comme un sifflement de train qui passe à intervalles fixes. L'outil cherche ce motif précis dans le spectre sonore.

2. La Liste des Suspects

L'outil ne jette rien tout de suite (ce serait trop dangereux !). Au lieu de cela, il dresse une liste de suspects (par exemple, 3 pistes sur 100) qui ressemblent le plus au bruit. C'est comme si un détective vous disait : "J'ai écouté tous les suspects, mais ces trois-là ont l'air très suspects. Vérifiez-les, les autres sont probablement innocents."

3. Le Tribunal (L'Interface Humaine)

C'est ici que l'humain reprend le contrôle. L'outil ouvre une fenêtre spéciale pour chaque suspect et montre trois preuves :

• La Carte du Corps (Topographie) : Où le bruit vient-il ? Si c'est le cœur, le bruit est souvent partout sur le crâne. Si c'est un signal électrique, il est souvent concentré à un endroit précis.
• L'Oscilloscope (Temps) : À quoi ressemble l'onde ? Est-ce un battement régulier ?
• Le Spectre (Fréquence) : La "partition" musicale du bruit.

L'utilisateur regarde ces trois preuves et clique sur "Jeter" (si c'est du bruit) ou "Garder" (si c'est un signal cérébral important).

Pourquoi c'est génial ?

• Gain de temps : Au lieu de regarder 100 pistes, vous n'en regardez que 3 ou 4.
• Moins d'erreurs : L'outil ne rate pas les bruits cachés dans les pistes "ennuyeuses" (celles qui ont peu de volume), car il les scanne toutes.
• Transparence : L'humain reste le chef. L'outil ne décide pas à votre place, il vous aide à prendre la décision plus vite.

En résumé

Imaginez que vous êtes un chef cuisinier qui doit préparer un grand banquet (vos données EEG). Auparavant, vous deviez goûter chaque ingrédient individuellement pour trouver les vers ou la poussière. Avec cet outil, vous avez un assistant robot qui goûte rapidement tous les ingrédients, vous dit : "Attention, il y a un vers potentiel dans ce bol de riz et un peu de poussière dans cette carafe", et vous, le chef, vous vérifiez ces deux éléments précis avant de décider de les jeter.

C'est plus rapide, plus sûr, et vous gardez le contrôle final sur votre recette !

Résumé technique

Titre : Identification semi-automatisée des artefacts ECG et des déclencheurs dans l'EEG utilisant l'ICA et les caractéristiques spectrales

Auteurs : Amilcar J. Malave et Blair Kaneshiro (Université de Stanford)

---

1. Le Problème

L'analyse en composantes indépendantes (ICA) est devenue une étape standard dans les pipelines de prétraitement de l'électroencéphalographie (EEG) pour isoler les sources neurales des sources d'artefacts. Cependant, une goulée d'étranglement persiste : l'identification manuelle des composantes à rejeter.

• Subjectivité et lenteur : Le processus manuel est lent, subjectif et difficile à standardiser.
• Complexité des artefacts spécifiques :
  • Contamination cardiaque (ECG) : L'artefact peut être distribué sur plusieurs composantes ou apparaître dans des composantes à faible variance (hors des composantes principales), rendant sa détection visuelle difficile.
  • Artefacts de déclencheurs numériques (DIN) : Dans les acquisitions utilisant des signaux TTL (pulsions 5V) pour marquer les événements, une fuite électrique peut créer des transitoires verrouillés sur l'événement et une structure harmonique en peigne dans le domaine fréquentiel.
• Limites des outils existants : Bien que des outils comme ICLabel ou SASICA existent, ils ne sont pas toujours optimisés pour ces deux types d'artefacts spécifiques avec des règles de scoring ciblées.

2. Méthodologie

Les auteurs ont développé un module MATLAB semi-automatisé nommé SENSI-EEG-Preproc-ICA-EKG-Trigger. Ce module ne remplace pas l'utilisateur mais réduit l'espace de recherche en priorisant les composantes suspectes via des métriques spectrales, avant de laisser la décision finale à l'humain.

Le workflow se déroule en deux étapes principales pour chaque type d'artefact :

A. Détection ECG (Cardiaque)

• Principe : Recherche d'une structure harmonique autour d'une fréquence fondamentale physiologiquement plausible (rythme cardiaque).
• Algorithme :
  1. Calcul de la densité spectrale de puissance (PSD) via la méthode de Welch.
  2. Identification d'une fréquence fondamentale ($f_0$) dans une bande physiologique (0,8 - 2,0 Hz).
  3. Définition des fréquences harmoniques attendues ($h \cdot f_0$).
  4. Calcul d'un rapport signal-sur-bruit (SNR) local pour chaque harmonique en comparant la puissance du pic à celle du bruit de fond environnant.
  5. Agrégation des SNR en un score composite, standardisé via une transformation robuste (médiane/MAD).
  6. Sélection des composantes avec les scores les plus élevés (outliers) comme candidats.

B. Détection DIN (Déclencheurs Numériques)

• Principe : Utilisation de la période de répétition connue du signal de déclenchement ($T_{DIN}$) pour détecter une concentration d'énergie aux harmoniques attendues.
• Algorithme :
  1. Calcul de la fréquence fondamentale du déclencheur ($f_0 = 1/T_{DIN}$).
  2. Identification des harmoniques dans la bande d'analyse valide.
  3. Calcul de l'énergie harmonique totale ($E_{harm}$) dans des fenêtres étroites autour des harmoniques.
  4. Estimation de l'énergie de base ($E_{base}$) via la médiane des fréquences environnantes (pour robustesse).
  5. Calcul du score DIN comme le rapport $R_c = E_{harm} / E_{base}$.
  6. Standardisation des scores (Z-score) et sélection des outliers positifs.

C. Interface de Révision Interactive

Une fois les candidats identifiés (limités à un petit nombre, typiquement 3), l'utilisateur les examine via une interface graphique dédiée (reviewEkgArtifactUI ou reviewDINArtifactUI). Chaque composante est présentée sous trois vues simultanées :

1. Topographie du cuir chevelu : Pour évaluer la distribution spatiale.
2. Série temporelle : Pour observer la forme d'onde (battements cardiaques ou transitoires aigus).
3. Spectre de fréquence : Pour confirmer la structure harmonique.
   L'utilisateur peut basculer chaque composante entre "Garder" et "Supprimer".

3. Contributions Clés

• Module Logiciel Open Source : Une bibliothèque MATLAB complète (licence MIT) disponible sur GitHub, incluant le code, la documentation, et un jeu de données d'exemple téléchargeable automatiquement.
• Approche Spécifique et Ciblée : Contrairement aux classificateurs génériques, ce module utilise des règles de scoring basées sur la physique des artefacts (harmoniques cardiaques et périodicité des déclencheurs).
• Équilibre Automatisation/Humain : Le système ne prend pas la décision finale de rejet. Il agit comme un outil d'aide à la décision qui accélère le processus en triant les composantes, tout en préservant la transparence et le contrôle de l'expert.
• Documentation Complète : Inclut un manuel d'utilisation, des scripts d'exemple (example.m) et des analyses illustratives montrant le flux de travail complet.

4. Résultats et Validation

• Analyse Illustrative : Les auteurs démontrent le module sur un jeu de données exemple (environ 7 minutes d'enregistrement).
  • Cas DIN : Le détecteur a correctement identifié la composante 113 comme un artefact de déclencheur (structure en peigne visible, topographie focale), tandis que d'autres candidats ont été rejetés après examen.
  • Cas ECG : Le détecteur a identifié trois candidats (composantes 9, 33, 48). L'interface a permis à l'utilisateur de confirmer la suppression des composantes 9 et 33 (présentant des structures cardiaques claires, bien que différentes dans le temps et le spectre) et de garder la composante 48 (preuve plus faible).
• Performance : Le module réduit efficacement le nombre de composantes à examiner manuellement, transformant une tâche de balayage exhaustif en une revue ciblée de quelques candidats.

5. Signification et Limites

Signification :
Ce travail fournit une solution pratique et reproductible pour deux types d'artefacts courants mais problématiques dans l'EEG. En intégrant des critères spectraux spécifiques dans un workflow semi-automatisé, il améliore la rigueur scientifique et la documentation des décisions de nettoyage de données. Il est particulièrement utile pour les études utilisant des déclencheurs numériques fréquents ou des enregistrements longs où la fatigue de l'opérateur est un facteur.

Limites et Perspectives :

• Dépendance aux données d'entrée : La qualité de la détection dépend fortement de la qualité du prétraitement initial (filtrage, gestion des mauvais canaux, qualité de la décomposition ICA).
• Spécificité du DIN : Le détecteur DIN nécessite que la période de répétition soit connue et que l'artefact soit présent ; il est moins pertinent pour les enregistrements sans déclencheurs numériques.
• Paramétrage : Les paramètres par défaut sont optimisés pour les données d'exemple et peuvent nécessiter un ajustement pour des taux d'échantillonnage ou des résolutions fréquentielles très différents.
• Validation future : L'article note que le module est une contribution méthodologique illustrée sur un jeu de données limité. Une validation comparative sur plusieurs laboratoires et systèmes d'acquisition est nécessaire.

En conclusion, ce module représente une avancée significative vers l'automatisation partielle du nettoyage des données EEG, en combinant la puissance du calcul spectral avec l'expertise humaine nécessaire pour l'interprétation finale.