Riemannian Geometry-Based Advances in Automated EEG Artifact Rejection

Avancées en rejet automatique des artéfacts EEG basées sur la géométrie riemannienne L’électroencéphalographie (EEG) mesure les potentiels post-synaptiques générés par l’activité neuronale à l’aide de multiples électrodes positionnées sur le cuir chevelu. Depuis près d’un siècle, l’EEG est largement utilisée comme modalité de neuroimagerie dans de nombreux domaines des neurosciences, y compris les neurosciences cognitives, la neurophysiologie clinique et l’interface cerveau-ordinateur (ICO), grâce à son faible coût, sa portabilité, son caractère non invasif et sa haute résolution temporelle. Malgré ses nombreux avantages, l’EEG est fortement sujette à la contamination par divers types d’artéfacts qui dégradent considérablement le rapport signal-bruit. Ces artéfacts compromettent la fiabilité des analyses EEG et nuisent à la performance des applications basées sur l’EEG, en particulier dans les scénarios en temps réel tels que les ICO et le neurofeedback, soulignant ainsi la nécessité d’une étape efficace de suppression des artéfacts dans les chaînes de traitement EEG. Depuis plus de cinq décennies, les chercheurs ont développé un large éventail de techniques pour l’élimination des artéfacts EEG. Pourtant, le rejet manuel des artéfacts par des experts humains reste la méthode de référence, bien qu’elle soit chronophage, subjective et inadaptée aux études EEG à grande échelle. Les techniques actuelles de rejet des artéfacts présentent plusieurs limitations, notamment une forte dépendance à l’ajustement manuel des hyperparamètres, une sensibilité aux valeurs aberrantes et un coût computationnel élevé. Pour relever ces défis, cette thèse propose une nouvelle méthode appelée improved Riemannian Potato Field (iRPF), une technique de rejet des artéfacts entièrement automatisée et adaptative. L’iRPF intègre des concepts de géométrie riemannienne, une approche de seuillage adaptatif utilisant un algorithme de détection de coude, ainsi qu’un mécanisme amélioré de rejet des valeurs aberrantes pour détecter et supprimer efficacement les artéfacts EEG. La méthodologie proposée a été rigoureusement évaluée à l’aide de deux bases de données EEG publiques annotées avec divers types d’artéfacts collectés dans des environnements cliniques et de laboratoire. L’analyse comparative avec les méthodes de rejet des artéfacts les plus avancées a démontré les performances supérieures de l’iRPF en termes de rappel, précision, F1-score et efficacité computationnelle, confirmant l’efficacité de l’iRPF pour maximiser le rejet des artéfacts tout en préservant les données neuronales propres. La méthode iRPF a également été intégrée dans une chaîne de traitement ICO basée sur le P300 afin d’évaluer son impact pratique sur les applications réelles. L’évaluation réalisée sur deux bases de données EEG publiques a révélé que la méthode iRPF atteint une précision de classification supérieure et un taux de transfert d’informations plus élevé par rapport à deux méthodes de pointe. Ces résultats soulignent le potentiel de la méthode à améliorer les performances et l’utilisabilité des ICO, où un rejet rapide et fiable des artéfacts est crucial. L’iRPF offre une solution robuste et entièrement automatisée pour le rejet des artéfacts, ce qui le rend particulièrement adapté pour un prétraitement EEG de haute qualité dans les applications ICO et de neuroimagerie clinique.