Classification of Healthy People and Schizophrenics Using Time- Frequency Domain Features Extracted from Electroencephalogram Signals

Cette étude propose une méthode automatisée de diagnostic de la schizophrénie utilisant des signaux EEG, combinant des caractéristiques temporelles, fréquentielles et temps-fréquentielles sélectionnées par des algorithmes hybrides et classées par plusieurs modèles d'apprentissage machine, dont trois ont atteint une précision de 100 %.

L'essentiel

🧠 Le Défi : Trouver l'aiguille dans la botte de foin mentale

Imaginez que le cerveau humain est une immense bibliothèque remplie de livres (nos pensées, nos émotions, nos souvenirs). Chez une personne en bonne santé, les livres sont bien rangés, les allées sont claires et tout fonctionne harmonieusement.

Chez une personne atteinte de schizophrénie, c'est comme si un tremblement de terre avait secoué la bibliothèque : les livres sont éparpillés, certains titres sont illisibles, et des voix fantômes (hallucinations) semblent sortir des rayonnages.

Le problème, c'est que pour diagnostiquer cette "bibliothèque en désordre", les psychiatres doivent aujourd'hui poser des questions et observer le comportement du patient. C'est un peu comme essayer de deviner l'organisation d'une bibliothèque en regardant juste la couverture d'un seul livre. C'est subjectif, fatiguant, et parfois, on se trompe en confondant la schizophrénie avec d'autres troubles (comme la dépression).

🎧 La Solution : Écouter le "bruit de fond" du cerveau

Les chercheurs de l'Université de Téhéran ont eu une idée brillante : au lieu de demander au patient de parler, pourquoi ne pas écouter directement l'électricité de son cerveau ?

Ils utilisent un appareil appelé EEG (électroencéphalogramme), qui ressemble à un casque avec des électrodes. C'est comme mettre un microphone ultra-sensible sur la bibliothèque pour écouter le "bruit de fond" des pensées.

🔍 La Méthode : Le Détective Numérique

Voici comment ils ont transformé ce bruit en un diagnostic précis, en trois étapes simples :

1. Le Nettoyage (Prétraitement)

Le signal du cerveau est souvent sale, comme une radio qui grésille à cause de la pluie (clignement des yeux, battements de cœur). Les chercheurs ont d'abord utilisé un "filtre" numérique pour nettoyer le signal, comme on enlève la poussière d'un vieux disque pour entendre la musique clairement.

2. L'Analyse des "Empreintes Digitales" (Extraction de caractéristiques)

C'est ici que la magie opère. Les chercheurs ne regardent pas juste le signal brut. Ils le décortiquent sous trois angles différents, comme un diamant qu'on regarde sous différentes lumières :

• Le Temps (Time Domain) : Ils regardent la forme de la vague. Est-elle rapide ? Est-elle complexe ? C'est comme analyser le rythme d'une chanson.
• La Fréquence (Frequency Domain) : Ils séparent le signal en différentes "couleurs" (ondes lentes comme le delta, ondes rapides comme le gamma). C'est comme séparer les basses, les voix et les aigus dans un mix musical.
• Le Temps-Fréquence (Time-Frequency) : Ils regardent comment ces couleurs changent au fil du temps. C'est comme regarder un film où les couleurs évoluent scène par scène.

Ils ont extrait 18 types d'indices différents (comme la "complexité" ou l'"entropie", qui mesurent le chaos ou l'ordre du signal).

3. Le Tri Intelligent (Sélection de caractéristiques)

Avoir 18 indices, c'est bien, mais certains sont inutiles (comme essayer de deviner la météo en regardant la couleur des chaussettes). Les chercheurs ont utilisé un algorithme (un petit robot mathématique) pour :

1. Jeter les indices inutiles.
2. Garder les 10 meilleurs indices qui disent vraiment la vérité sur la maladie.

C'est comme si un chef cuisinier testait 50 épices, puis ne gardait que les 10 essentielles pour créer le plat parfait.

🏆 Le Résultat : Une Précision Éblouissante

Une fois les meilleurs indices sélectionnés, ils les ont donnés à plusieurs "juges" (des algorithmes d'intelligence artificielle comme les Machines à Vecteurs de Support ou les Arbres de Décision).

Le résultat est stupéfiant :

• 3 de ces juges ont atteint 100% de réussite.
• Ils ont réussi à distinguer parfaitement les cerveaux sains des cerveaux schizophrènes, sans jamais se tromper sur les 28 personnes testées.

💡 En résumé : Pourquoi c'est important ?

Imaginez que vous avez un détecteur de mensonges, mais pour le cerveau.
Cette étude propose un outil d'aide pour les médecins. Ce n'est pas un remplacement du psychiatre, mais un "deuxième avis" ultra-rapide et objectif.

• Avant : "Je pense que vous avez la schizophrénie parce que vous dites des choses étranges." (Subjectif)
• Maintenant (avec cette méthode) : "Votre signal électrique montre exactement les mêmes motifs que ceux des patients schizophrènes, avec 100% de certitude." (Objectif)

C'est une étape de plus vers un diagnostic plus rapide, moins cher et plus humain, car cela permet de commencer le traitement plus tôt, avant que la "bibliothèque" ne soit totalement en ruine.

Résumé technique

1. Problématique

Le diagnostic de la schizophrénie (SZ) repose actuellement sur des évaluations cliniques et comportementales menées par des psychiatres. Cette approche présente plusieurs limites majeures :

• Subjectivité et fiabilité : Le processus est sujet à l'erreur humaine et manque d'objectivité.
• Confusion diagnostique : La schizophrénie est souvent confondue avec d'autres troubles psychiatriques (trouble bipolaire, dépression majeure).
• Coût et temps : Les entretiens cliniques sont longs, coûteux et épuisants.
• Urgence : Un diagnostic précoce et précis est crucial pour la prise en charge, car la maladie affecte gravement la qualité de vie et entraîne un risque élevé de suicide.

Bien que l'électroencéphalogramme (EEG) soit une technique non invasive, peu coûteuse et offrant une haute résolution temporelle, la plupart des études antérieures se sont limitées à l'analyse dans un seul domaine (soit temporel, soit fréquentiel), négligeant la richesse informationnelle combinée.

2. Méthodologie

Les auteurs proposent un système automatisé de diagnostic assisté par ordinateur utilisant l'apprentissage automatique (Machine Learning) sur des signaux EEG.

A. Données et Prétraitement

• Base de données : 28 sujets (14 patients schizophrènes, 14 témoins sains) enregistrés au centre de neurosciences cliniques d'Atieh.
• Acquisition : 19 électrodes (système 10-20), fréquence d'échantillonnage de 500 Hz, état de repos yeux fermés (5 minutes utilisés).
• Prétraitement :
  • Filtrage passe-bande (0,5–45 Hz) via un filtre FIR pour éliminer le bruit de ligne et les composantes hors bande.
  • Analyse en Composantes Indépendantes (ICA) pour supprimer les artefacts (clignement des yeux, mouvement, battements cardiaques).

B. Extraction des Caractéristiques (Features)

L'approche innovante réside dans l'extraction de 18 modèles de caractéristiques combinant trois domaines :

1. Domaine Temporel : Taux de passage par zéro (ZCR), Mobilité et Complexité de Hjorth, Dimension fractale de Higuchi, Complexité de Lempel-Ziv (LZC).
2. Domaine Fréquentiel : Puissance moyenne dans les bandes (Delta, Thêta, Alpha, Bêta, Gamma), Ratio Delta/Alpha, Entropie spectrale.
3. Domaine Temps-Fréquence : Utilisation de la Transformée en Ondelettes Discrète (DWT) avec l'ondelette mère Daubechies 6. Caractéristiques extraites : Kurtosis, Exposant de Hurst, Entropies (Shannon, Log Énergie, Rényi, Tsallis).

C. Sélection des Caractéristiques

Pour réduire la dimensionnalité et éviter le surajustement (overfitting), une méthode hybride a été employée :

1. Information Mutuelle (Scalar) : Élimination des caractéristiques non pertinentes.
2. Sélection Séquentielle Ascendante (Sequential Forward Feature Selection - SFFS) : Sélection itérative des combinaisons de caractéristiques maximisant la précision du classifieur. Les 10 meilleures combinaisons ont été retenues pour chaque algorithme.

D. Classification

Sept algorithmes de classification supervisée ont été testés :

• K-Plus Proches Voisins (KNN) et KNN pondéré (WKNN).
• Machines à Vecteurs de Support (SVM) linéaires et non linéaires (noyau RBF).
• Arbres de décision (Decision Tree).
• Analyse Discriminante Linéaire (LDA).
• Classifieur Bayésien Naïf (Naive Bayes).

E. Validation

Compte tenu de la petite taille de l'échantillon (N=28), deux méthodes de validation croisée ont été utilisées :

• Validation croisée à 10 plis (10-fold).
• Validation croisée "Leave-One-Out" (LOO), où chaque sujet est tour à tour utilisé comme test.

3. Résultats Clés

Les résultats démontrent l'efficacité de la combinaison des trois domaines et de la sélection hybride des caractéristiques.

• Performance Globale : Après sélection des caractéristiques, trois classifieurs ont atteint une précision de 100 % (SVM linéaire, SVM non linéaire et Arbre de décision) lors de la validation LOO sur les données fusionnées (temps + fréquence + temps-fréquence).
• Comparaison des Domaines :
  • Le domaine Temps-Fréquence seul a montré des performances supérieures ou égales aux domaines isolés pour la plupart des classifieurs.
  • Le classifieur Bayésien Naïf a particulièrement bien performé sur le domaine temps-fréquence (100 % de précision).
  • Le domaine Fréquentiel seul a donné les résultats les plus faibles (ex: 80-90 % pour KNN).
• Caractéristiques Dominantes : Les caractéristiques les plus fréquemment sélectionnées et les plus informatives incluent :
  • La Complexité de Lempel-Ziv (Temps).
  • L'Entropie Spectrale (Fréquence).
  • L'Entropie d'Énergie Logarithmique (Temps-Fréquence).
  • Le Ratio de puissance Delta/Alpha et la Complexité de Hjorth.

4. Contributions Principales

1. Approche Multi-Domaine : L'article démontre que l'intégration des caractéristiques temporelles, fréquentielles et temps-fréquence est supérieure à l'utilisation d'un seul domaine pour la discrimination des signaux EEG schizophrènes.
2. Méthode Hybride de Sélection : L'utilisation combinée de l'information mutuelle et de la sélection séquentielle ascendante permet d'identifier un sous-ensemble optimal de caractéristiques, réduisant la complexité computationnelle tout en maximisant la précision.
3. Haute Précision avec Petit Échantillon : Malgré un nombre limité de sujets (14 par groupe), la méthode atteint 100 % de précision grâce à une ingénierie de caractéristiques rigoureuse et une validation robuste (LOO).
4. Outil d'Aide au Diagnostic : La proposition d'un système automatisé fiable pouvant servir d'outil complémentaire aux psychiatres pour réduire les erreurs de diagnostic.

5. Signification et Perspectives

Cette étude valide le potentiel des signaux EEG couplés à l'apprentissage automatique pour le diagnostic objectif de la schizophrénie. La capacité à atteindre 100 % de précision sur un petit échantillon suggère que les biomarqueurs EEG (notamment la complexité et l'entropie) sont des indicateurs robustes de la pathologie.

Perspectives futures :

• Application de cette méthode à d'autres troubles psychiatriques.
• Distinction entre symptômes positifs et négatifs de la schizophrénie.
• Extension de l'étude aux adolescents (comparaison avec les adultes) dès qu'une base de données spécifique sera disponible.
• Intégration de ce système dans la pratique clinique comme outil de dépistage préliminaire.

En conclusion, ce travail propose une solution technique prometteuse pour surmonter les limites du diagnostic clinique traditionnel, offrant une voie vers une détection plus précoce, précise et accessible de la schizophrénie.