Analyse des activités épileptiques cérébrales par une approche expérimentale multi agent

Abel KINIE, Mamadou Lamine NDIAYE Jean-Jacques MONTOIS,

* LTSI-INSERM Unité 642, - IUT de Saint-Malo, rue de la croix désilles BP 195, 35409 Saint-Malo Cédex{ Abel.Kinie, Mamadou.ndiaye, Jean-Jacques.Montois}@iutsm.univ-rennes1.fr

RésuméCe papier présente une méthode expérimentale d� analyse vectorielle des signaux épileptiques, basée sur une approche distribuée. L� objectif est d� identifier et de localiser les différentes activités (pathologiques et/ou normales) contenues dans les signaux épileptiques sur un ensemble de 128 voies d� enregistrement SEEG. Cette approche associe dans une architecture distribuée, coopérative et synchronisée une algorithmie de traitement du signal autour de la transformée de Fourrier rapide (FFT), des algorithmes de segmentation scalaire et de mesure de causalité. Cette association grâce aux ruptures détectées par la segmentation ainsi que les différentes activités cérébrales contenues dans les signaux, entraîne une double classification des activités cérébrales ; l� une en fonction de la segmentation et l� autre en fonction des activités enregistrées. Cette classification donne une représentation pertinente de l� image de la crise (type d� image numérique choisi dans ce travail , le RGB).Compte tenu de la complexité de génération du signal épileptique , nous avons défini 3 grands groupes d� activités : activité de fond(rythmes lents), activité précritique et activité critique (rythmes rapides).Une combinaison originale de ces différents éléments(classification et représentation de la crise sous formes d� images) apporte ainsi un éclairage sur les mises en jeu progressives des régions cérébrales concernées par le déclenchement de la crise et l� association des résultats fournis par les entités(agents) synchronisées fait émerger une typologie très réaliste de la crise analysée.

MOTS-CLÉS : FFT, image, RGB, multi agents, eeg, seeg, épilepsie, classification.

KEYWORDS : FFT, image, RGB, AID, eeg, seg, epilepsy, classification

1. Introduction

L� épilepsie résulte d� un dysfonctionnement cérébral. Elle est caractérisée par la répétition des crises, périodes de temps au cours desquelles, des altérations incontrôlées, souvent stéréotypées, surviennent dans le comportement du patient. Les manifestations des crises sont variables d� un individu à l� autre, en fonction des structures cérébrales impliquées dans la crise. Les méthodes d� investigations utilisées en épilepsie permettent de mieux comprendre les mécanismes qui sont mis en jeu dans l� initiation des décharges paroxystiques dans un sous ensemble donné de structures cérébrales et

de leur propagation à d� autres structures. Les méthodes d� investigations peuvent être divisées en 3 types en fonction des données qu� elles utilisent : anatomiques, cliniques ou physiologiques. Ce papier s� intéresse aux données physiologiques qui sont apportées par l� électroencéphalographie (EEG) sous la forme de signaux enregistrés sur plusieurs voies soit à partir d� électrodes posées sur le scalp (EEG de surface) ou d� électrodes de profondeur (EEG de profondeur ou stéréo-EEG). Les signaux, lorsqu� ils sont recueillis, présentent des variations brutales de statistiques (sur l� ensemble ou une partie des voies voir Figure1.1) illustrant les différentes activités cérébrales.

1

Figure 1.1 : Exploration SEEG : exemple de changement d� activités dans différentes structures

La connaissance de ces voies et des instants de variations d� activités peut permettre la mise en évidence des chemins de propagations privilégiés correspondant à la contamination d� autres structures par le foyer paroxystique initiateur. Les données mises en jeu comme les méthodes de résolution ne sont pas de mêmes natures, n� obéissent pas aux mêmes contraintes et ne sont pas soumises aux mêmes mécanismes d� exploitations. Néanmoins les questions fondamentales posées en épilepsie restent les mêmes :1. Identifier des formes et les mécanismes mis en jeu dans l� épilepsie.2. Identifier des couplages ou interdépendances entre diverses structures cérébrales pendant les périodes critiques et périodes intercritiques.3. Identifier la distribution spatio-temporelle des réseaux épileptogènes.

4. Identifier les ″modes″ d� interactions entre structures cérébrales.5. Identifier les groupes de voies dont les activités changent dans un même voisinage temporel.6. Mettre en évidence les relations existant entre signaux enregistrés sur différentes structures cérébrales.7. Etablir des relations entre décharges inter critiques et processus critiques et, s� il y� a en, définir les valeurs prédictives en terme de localisation, de facilitation, de modification comportementale propre aux structures. 8. Etablir des relations entre profondeur - profondeur, profondeur � surface (SEEG, EEG et MEG) permettant à terme de décoder les signatures de surface ainsi que leurs liens avec les signes cliniques 9. Anticiper les crises.

Afin de contribuer à éclairer certaines de ces questions, les points 1,2,3,4 et 5 nous orientent vers les systèmes informatiques distribués coopératifs (les systèmes multi agents). Ces approches multi agents sont fondées sur des principes inspirés de schémas de raisonnement ou d� organisations empruntés aux domaines de la vie et de la société [1] Ces systèmes, alimentés par des considérations cliniques et des descripteurs de signal EEG, doivent pouvoir aider à faire émerger toutes les interactions mutuelles et à discriminer fonctionnellement les zones cérébrales lors du déroulement de la crise.

Le § 2 permet de dégager les intérêts et les motivations des systèmes multi-agents SMA dans l� analyse du signal épileptique. Dans le § 3 nous décrirons le protocole expérimental et explicitons l� approche d� analyse proposée. Le § 4 sera consacré aux premiers résultats expérimentaux et le dernier paragraphe propose une discussion et des perspectives du travail présenté.

2. Les Systèmes multi agents dans l� épilepsie

Les techniques (SMA) sont souvent utilisées dans le domaine de l� intelligence artificielle, des systèmes informatiques distribués et du génie logiciel. C� est une discipline qui s� intéresse aux comportements collectifs produits par des interactions de plusieurs entités autonomes et flexibles appelées agents. Ces interactions tournent autour de la coopération, de la concurrence et de la coexistence entre ces agents. Les systèmes multi agents et le traitement des signaux épileptiques sont deux domaines très peu rapprochés

dans la littérature, pourtant des liens étroits peuvent exister entre ces deux domaines par les entités qui les composent.

Le premier lien est issu de l� informatique, plus▪ précisément de l� intelligence artificielle distribuée coopérative. Alors que le second provient de l� observation, de l� étude de neuroscience cognitive et de l� imagerie cérébrale.

Les systèmes multi agents peuvent permettre la▪ modélisation et la simulation des agrégats de neurones ou de systèmes basés sur des entités autonomes en interactions.

Ces deux remarques à elles seules nous font penser qu� il peut y avoir des intérêts communs à étudier l� association de ces deux champs de recherche.

L� analyse monovoie du signal épileptique par l� étude des relations entre signaux SEEG [2, 3, 4] a mis en évidence l� existence d� interactions mutuelles entre signaux. De même la notion de réseau épileptogène développée par le Professeur Patrick CHAUVEL [5] laisse apparaître l� existence d� une coopération entre aires cérébrales dans le déclenchement de la crise d� épilepsie.

Ce travail a pour objectif de participer grâce

aux techniques d'IA distribuée dont le concept multi-

agent-, à la mise en évidence des notions de réseaux

qui supposent un “regroupement des signaux” sous

2

forme d’une organisation de groupes de neurones

plus ou moins complexe constituée d’ensembles

distribués et reliés par des connections anormalement

facilitées.

Afin de tenir compte de la spécificité de chaque signal et de faire émerger les ″éléments″ de coopération entre signaux, nous avons évalué autour d� un système distribué 9 descripteurs ou « marqueurs » par signal. Ces 9 descripteurs évalués à partir de la densité spectrale de puissance (DSP) dans différentes bandes de fréquence du signal épileptique, correspondent à différents états physiologiques ou pathologiques du cortex cérébral

Ces descripteurs et les différentes bandes de fréquences utilisées sont détaillés dans le paragraphe 3.

Les différentes approches utilisées en épilepsie en l� occurrence les algorithmes de traitement du signal concernés par notre étude ont montré leurs limites. Même si les algorithmes restent robustes localement (comportement scalaire, signal stationnaire et borné) dés que le système prend une certaine dimension (traitement vectoriel), leurs conditions d� applications ne sont plus justifiées d� où l� idée d� un système qui combine ces techniques, les ordonnance et les met en relation pour parvenir à un comportement globalement robuste.

Le traitement vectoriel des signaux épileptiques sur un grand nombre de voies pour faire émerger un comportement global sur une crise d� un patient épileptique donné n� a pas toujours été abordé dans la littérature. Aussi les SMA de par leur aspect novateur et leur approche non classique (approche comportementale) de la réalisation de systèmes distribués, proposent une méthode originale de traitement vectoriel en associant des méthodes de traitements scalaires existants. A travers les techniques SMA dans le traitement du signal épileptique , nous voulons mettre en évidence les mises en jeu progressive des régions cérébrales lors de la décharge paroxystique ainsi que la typologie des crises d� épilepsie analysées.

3. Protocole expérimental

3.1. La plateforme Madkit : un modèle organisationnel

La plateforme expérimentale utilisée dans ce travail est MadKit1. Afin de pouvoir programmer dans MadKit, il est important de comprendre le modèle conceptuel général(figure 3.1) qui est sa base. Ce paragraphe est consacré à une présentation rapide de la plate forme que nous exploitons.

Le modèle d'Aalaadin détaillé dans [6] est basé sur 3 concepts de noyau: agent, groupe et rôle. Dans cette définition, une organisation est regardée comme cadre pour l'activité dédiée et l'interaction par la définition des groupes, des rôles et de leurs relations. Une organisation est considérée comme un rapport structural entre une collection d'agents. Ainsi, une organisation peut être décrite seulement sur la base de sa structure. Ainsi on entend par :

Agent (Le modèle ne place aucune contrainte sur l'architecture interne des agents), une entité active qui communique, joue des rôles chez des groupes. La très faible sémantique associée à l’agent dans ce modèle est tout à fait intentionnelle. L’optique est bien de laisser la définition de l’agent en retrait, non seulement pour ne pas prendre de part dans le débat classique de « qu’est-ce qu’un agent », mais surtout pour laisser au concepteur toute liberté pour choisir l’architecture interne appropriée à son domaine applicatif [6]. Le concepteur d'agent est responsable de choisir le modèle d'agent le plus approprié en tant qu'architecture interne dans Madkit.

1 Multi-agent development Kit

3

joue

Figure 3.1 : Modèle organisationnel (Agent/Group/Rôle)

définit

Agent

n

n

est membre joueest membre

Groupe Rôle

Groupes des ensembles atomiques d'agrégations d'agents (regroupement d’agents). Chaque agent peut être membre d'un ou plusieurs groupes. Sous sa forme la plus fondamentale, le groupe est seulement une manière d'étiqueter un ensemble d'agents. Un groupe est un moyen d’identifier par regroupement un ensemble d’agent. Les groupes ont les caractéristiques suivantes:

• Un agent peut être un membre de n groupes en même temps.

• Les groupes peuvent librement se recouvrir.• Un groupe peut être fondé par n'importe

quel agent, et un agent peut demander l'admission à n'importe quel groupe (qu'on l'accepte ou pas est une autre histoire).

• Avec les agents additionnels de système, un groupe peut être local ou distribué sur beaucoup de machines [6].

Rôle, une représentation abstraite d'une fonction, d'un service ou d'une identification d'agent chez un groupe particulier. Chaque agent peut manipuler des rôles multiples, et chaque rôle manipulé par un agent est local à un groupe. La manipulation d'un rôle dans un groupe doit être demandée par l'agent candidat, et n'est pas nécessairement attribuée.

En se plaçant dans un schéma d� analyse autorisant une interprétation des phénomènes observables en épilepsie, on a voulu non seulement se démarquer des travaux antérieurs sur la même

problématique mais aussi tenir compte des difficultés d� analyse et d� interprétations inhérentes au domaine de l� épilepsie[8] [9] Ne disposant pas d� algorithmes ou de méthodes d� analyse vectorielle, nous nous sommes appuyés sur les capacités des SMA telles que la distribution des processus, l� intégration de plusieurs algorithmes, pour construire une architecture distribuée exploitant le tryptique Agent-Gropue-Rôle)

3.2. Approche expérimentale SMA

Notre approche a été construite à partir de plusieurs groupes d’agents dont les propriétés et les mission doivent permettre

- de classifier les signaux ayant des activités et/ou des contenues spectrales similaires (groupes).

- de classifier les signaux dont les activités changent dans un même voisinage temporel (segmentation)(groupes)

- de représenter la crise sous forme d’image permettant de localiser dans l’espace et dans le temps les signaux ayant des activités pathologiques ou similaires (groupes et rôles…).

- d’associer tous ces résultats partiels pour faire émerger un comportement global de la crise analysée (groupes et rôles)

Cette approche utilise l’énergie calculée dans les différentes bandes de fréquences des algorithmes de segmentation et de mesure de relation et comme déjà souligné 9 descripteurs calculés sur chaque portion de signal. Ces outils du traitement du signal sont intégrés dans une architecture distribuée. Nous avons aussi construit pour les besoins de ce travail, des classes d’apprentissages pour chaque activité épileptique. Ces classes d’apprentissages non exhaustives, ont été construites à partir d’enregistrements SEEG sur plusieurs patients. Elles permettent aux agents d’apprendre à reconnaître les différentes activités contenues dans les signaux SEEG.

Nous allons nous limiter dans ce travail à l’identification et à la localisation (dans l’espace et dans le temps) des différentes activités contenues dans les signaux épileptiques et leur présentation sous forme d’image. L’analyse se fait par cycle2, où

2

l’on analyse en parallèle des segments de signaux SEEG d’une durée 2 secondes (512 échantillons) . Le schéma ci-dessous (Figure3.1) présente un cycle complet d’analyse d’une portion de signal de 2s.

c

Cycle = parcours des différents traitements à effectuer sur une série de segments.

4

1°) [0 - 1.9] Hz δ1 2°) [1.9 -3.4] Hz δ2 3°) [3.4 - 5.4] Hz θ1 4°) [5.4 - 7.4] Hz θ2 5°) [7.4 - 10] Hz α1 6°) [10 - 12.4] Hz α2 7°) [12.4 - 18] Hz β1 8°) [18 - 24] Hz β2 9°) [24 - 128] Hz γ

( ) ( ) 22

0fSSDSP

nbPtsFFTf

f∑

=

==

( ) ( )∑−

=

−

= 1

0

2nbPtsFFT

n

N

fni

enSfSπ

( )fS

nbPtsFFTf <≤0

Pour formaliser le problème nous considérons un signal vectoriel S(t) constitué d’un enregistrement

SEEG sur N voies et sur un intervalle [0,T]. S(t)=[S1(t)……SN(t)], Sk(t) ∈ . k = 1……N t = {0, 1/Fe,….T-1/Fe} N = nombre de structures cérébrales explorées et Fe = fréquence d’échantillonnage. De manière générale, le problème peut se décomposer en s’appuyant sur 3 domaines :

i) le traitement du signal qui permet de dégager des propriétés caractéristiques des structures explorées (chaque voie) et de typer automatiquement les signaux suivants les activités (alpha, béta, gamma….) qu’ils contiennent. ii) l’aspect clinique caractérise les activités pathologiques et/ou normales et permet d’identifier des sous ensembles de voies activées simultanément durant les crises, iii) enfin l’intelligence artificielle donne la possibilité d’ordonnancer l’organisation spatio-temporelle des sous ensembles de voies activées.

Le tableau3.1 résume les 9 bandes de fréquences utilisées. .

Afin de dégager les propriétés caractéristiques sur les structures explorées, nous formons sur chaque voie SEEG un vecteur Vi avec les 9 descripteurs calculés sur chaque portion de signal. Pour identifier

les différentes activités contenues dans le signal eeg, nous nous sommes appuyés sur nbC classes d’apprentissages (nbC = nombre de classes d’apprentissages). Les classes d’apprentissages sont

5

Tableau3.1 : Bandes de fréquences

Tableau3.2 : Expression de la DSP

est le module de S(f)

Figure3.1 : Représentation d’un cycle d’analyse sur une fenêtre de 2s. Les descripteurs (traitement du signal) sont évalués par des agents (un agent par signal). La classification à l’instant ti permet à ImageAgent de représenter à cet instant l’image de la crise. La représentation complète n’est disponible qu’à la fin du

parcours de toute la base de données de la crise du patient.

S1

S2

S3

S4

S5

S6

S7

S8DescripteursAgent

ClassifierAgentImageAgent

ServeurAgent

D1

D2

D3

D4

D5

D6

D7

D8

ti ti+1

2s

formées avec l’aide du clinicien. Chaque classe étant constituée de plusieurs signaux caractéristiques d’une même activité épileptique sur une période donnée. Pour chaque signal i d’une classe d’apprentissage Ck, nous formons un vecteur Cki à partir des 9 descripteurs. La caractérisation d’une structure donnée à un instant donné est effectuée à partir d’une affinité avec la classe k représentée par les vecteurs Cki. (k correspondant à l’indice de la classe d’apprentissage et i l’indice du signal d’apprentissage dans la classe).Pour les notations, nous avons utilisé des termes proches des rôles de chaque entité dans le Schéma globale présenté à la figure3.2. L’agent LoadAgent,

(le Scheduler ici) est chargé de cadencer l’ordre d’exécution et d’activer les agents de façon synchronisée. Le principe est assez simple chaque agent ou groupe d’agents (G) dotés d’un rôle (R) est associé à un activateur (A) au niveau du Scheduler. Le Scheduler se sert de ces activateurs pour ordonnancer les tâches en lançant à chaque cycle les activateurs les uns après les autres selon l’ordre d’exécution désiré. Un cycle correspond à un tour complet des différents activateurs que l’on souhaite activer. Le tableau 3.2 propose en 3 phases (Phase A, Phase B et Phase C) l’organisation de l’exécution des traitements et leurs « distributions »

Phase ALe ServeurAgent(1)(Base de données) alimente les DescripteursAgent (RythmeAgent) en échantillons de signal. Les DescripteursAgent(2) (algorithmes de traitement du signal) sont chargés de calculer les descripteurs de chaque signal et les RythmeAgent(3) s’occupent de la segmentation(détections des instants de rupture dans le signal analysé).Phase BLes agents observateurs (4) (Watcher) (ObserverClassifier, ObserverRupture, et

ObserverRegnl) sont chargés de récupérer les données (résultats fournis par les agents de type DescripteursAgent, RythmeAgent et RegnAgent) sur le ou les groupes d’agents ReferenceableAgent dont ils s’occupent, de les traiter afin de générer des résultats globaux sur la crise. ImageAgent(6) est chargé de représenter l’image de la crise, cette image permet la localisation des activités pathologiques dans l’espace spatial et temporel.

6

Phase A

Phase B

Phase C

9

ObserverClassifier

ServeurAgent DescripteursAgent

Classification des signaux à

l’instant ti

ObserverRupture

5

RegnlAgent

ImageAgent

Distribution des d’échantillons aux agents synchrones

ObserverRegnl LoadAgent

RythmeAgent

1

6

BDdes

Signaux

4

Classification par activités contenues dans

les signaux

Classification par détection de rupture

ReferenceableAgent

Scheduler

Watcher

Message

Exécution synchrone Résultats

Représentants et Relations entre signaux

8

Localisation des différentes activités contenues dans chaque portion de signal

a7

a1

a4

a2

a5

a3

a6

a8

2 3

7

Activator

ORDONNANCEMENT DE LA CRISE

Figure3.2 : Architecture distribuée coopérative pour l’analyse des signaux épileptiques

LoadAgent (interface) permet de choisir la crise du patient à analyser dont, de créer et de paramétrer l’architecture d’exécution, il gère également l’ordonnancement des taches à exécuter par les agents. Phase CCette phase qui n’est pas présentée ici devra réunir les informations issues des phases A et B pour ordonner la propagation de la crise. En pratique, l’agent ServeurAgent, fournit aux agents de type DescripteursAgent (et RythmeAgent) 512 échantillons de signal à chaque cycle (un cycle correspond à l’activation par le Scheduler de a1 à a8). Il y’a autant d’agents DescripteursAgent (et RythmeAgent) que de signaux (maximum 128) les deux types d’agents n’ont pas les mêmes rôles mais à chaque DescripteursAgent correspond un RythmeAgent travaillant sur le même signal. Le premier doit évaluer sur le signal, les 9 descripteurs et le second cherche à identifier des changements d’activités sur la même portion de signal.

L’observateur associé à chaque groupe d’agents (exemple ObserverClassifier pour les DescripteurAgent) va scruter à son tour chaque agent du groupe pour récupérer les informations nécessaires à la réalisation de sa tâche qui est de regrouper les signaux ayant les mêmes affinités. Une affinité pourrait être ici un même comportement dans les différentes bandes de fréquence (valeurs proches de la densité spectrale de puissance (DSP) évaluée sur ces bandes). La figure3.3 présente l’environnement d’exécution de nos différentes entités. Dans cette expérimentation, nous avons fixés Nbech = 512. Les 9 descripteurs utilisés dans ce travail sont basés sur des outils simples du traitement du signal justifiés par leur pertinence au niveau de la caractérisation différentes activités et des différents événements épileptiformes de l’EEG. . En effet on sait que les différents rythmes que l’on peut retrouver dans les signaux EEG sont classés en fonction de la bande de fréquence qu’ils recouvrent.

4. Résultats préliminaires

4.1. Données étudiées

Les données utilisées dans cette étude proviennent de 5 patients épileptiques différents mais qui souffrent tous d’une épilepsie du lobe temporal (crise partielle) et sont candidats à un traitement chirurgical. Cette forme d’épilepsie est la plus courante des épilepsies pharmaco résistantes.

Les signaux sont enregistrés par un système BMSI-NICOLET qui permet une acquisition simultanée des signaux SEEG, sur 128 voies, à une fréquence d’échantillonnage de 256Hz. Afin de réduire les bruits de mesures, nous avons utilisé les signaux bipolaires dans l’analyse, pour chaque patient environ 90 voies bipolaires ont été traitées. Le

temps d’enregistrement varie d’un patient à l’autre, il est fonction de la durée de la crise.

4.2. Résultats expérimentaux

Pour chaque patient nous avons obtenu une image complète de la crise d’épilepsie analysée. Cette image présente en fonction du temps, les différentes activités contenues dans chaque voie SEEG. Et pour simplifier la présentation et la visualisation des résultats nous avons regroupé les différentes activités en 3 groupes et nous avons attribué à chacun d’eux une couleur : bleu pour les activités de fonds(rythmes lents)) , vert pour les activités précritiques(avant la crise) et rouge pour les activités de crises(décharge paroxystique) . L’axe des abscisses correspond à l’espace temporel (temps en

7

Figure 3.3 : Présentation de l’environnement d’exécution qui propose une juxtaposition de 3 fenêtres d’analyse et de présentation d’images de la crise traitée

seconde), l’axe des ordonnées l’espace spatial (les plots ou signaux), les différentes électrodes sont séparées par des traits blancs et les plots mis en jeu dans chaque électrode sont présentés à l’extrême droite du schéma.

Les figures Image4.1 à Image4.4 représentent les résultats obtenus.

Du fait de leur volume il n’a pas été possible de présenter les résultats de la segmentation, ceux également des deux classifications dont découlent d’ailleurs les images présentées.

Néanmoins leur utilité réside dans l’étape d’ordonnancement de la crise. Etape comme déjà souligné qui n’est pas présenté ici (Phase C)

Le paragraphe suivant propose l’analyse des résultats par patient. Les images présentent en fonction du temps les différentes activités contenues dans chaque signal.

Patient 1 ….CAN

Ce patient présente une crise du lobe temporal, d’après le clinicien ; les structures impliquées dans l’initiation de ses crises sont le pôle temporale interne (TP), l’hippocampe antérieur (B), l’hippocampe postérieur (C) et le cortex entorhinal (TB).

.

On met en évidence (image 4.1) que les structures internes de l’hippocampe antérieur (B), de l’hippocampe postérieur (C) et certaines structures du pôle temporal interne (TP) et du cortex entorhinal (TB) semblent être les premiers concernés par les activités critiques (118e seconde d’enregistrement voir Figure4.1 et Schéma1.1). Vers la 140e seconde, à part quelques structures externes du cortex entorhinal TB et médianes de l’hippocampe antérieur et postérieur (B et C correspondant à la substance blanche), toutes les autres structures explorées ont été touchées par les activités pathologiques. Il faut noter que pour ce patient, la fin de la crise a été marquée d’abord dans l’hippocampe (B et C) puis les autres structures et surtout la brève reprise des activités critiques à la 316e seconde (elle concerne presque

toutes les structures concernées par la crise voir Image4.1).Les activités critiques apparaissent bien localisées et mettent très nettement en évidence l’implication d’un grand nombre de voies SEEG dans la propagation de la décharge paroxystique.

Patient 2 ….TAL

Pour ce patient qui présente également une épilepsie du lobe temporal , les structures les plus impliquées dans la crise selon le clinicien sont le pôle temporale interne (TP), l’hippocampe antérieur (B), l’hippocampe postérieur (C).

L’analyse de l’image 4.2 de la crise de ce patient montre que

8

0s 118s 140s 316s 424s

Plots

Temps

A1-A15

B1-B15

C1-C15

TP1-TP10

TB1-TB15

PH1-PH15

T1-T10

CAN

Image4.1 : Localisation des différentes activités dans l’espace spatial et temporel (CAN)

Activités de fond Activités rapides (critiques)

0s

168s

Plots

140s125s

A’1-A’14

B’1-B’13

C’1-C’13

TP’1-TP’9

H’1-H’15

TH’1-TH’12

GC’1-CG’15

B1-B12

184s 230s

TAL

Activités de fond Activités rapides (critiques)

les activités de crise commencent dans les structures internes et médianes de l’hippocampe antérieur vers la 120e seconde d’enregistrement avant de toucher les autres structures vers la 140s. Contrairement au patient 1 .. CAN, ici toutes les structures explorées ne sont pas affectées par les activités pathologiques (les gyrus para hippocampique et cingulaire H’ et GC’ ne sont pas touchées par les activités critiques). On peut également remarquer que la crise est très brève (environ 40s alors que la durée de la crise pour le patient 1… CAN est d’environ 200s). Il faut de même souligner que la première structure (B vers la 120e s) concernée par la crise est

aussi la première à marquer la fin des activités critiques (vers la 168e s). On met également en évidence la fin brutale de la crise (toutes les structures impliquées dans la crise à part le foyer initiateur, marquent en même temps la fin de la crise vers la 184s).

Patient 3 ….MAR

Comme pour le patient 2 , le patient 3…MAR présente aussi une épilepsie du lobe temporal .

Le démarrage a eu lieu dans les structures du pôle temporal et du cortex entorinal (TP et TB) vers la 192e seconde( voir Figure4.3). Les activités critiques se propagent progressivement dans certaines structures internes et externes de l’amygdale et de l’hippocampe antérieur (A et B), puis quelques signaux de l’insula (T). Ici aussi la première structure qui marque la fin de la crise est l’une de celles qui l’avait démarré (le pôle temporal TP vers la 234e s), on constate que peu de structures explorées sont concernées par les activités critiques et que sur ces

dernières, la propagation se fait de manière très progressive. Contrairement aux patients 1 et 2 on a observé pour le patient 3. beaucoup d’activités intercritiques . En ce qui concerne les activités critiques elles sont moins marquées, moins localisées et plus diffuses .

Patient 4 ….BIG

Le patient 4 présente le même tableau clinique que les deux précédents patients, ici , les activités critiques semblent démarrer dans le pôle temporal TP

9

Image4.2 : Localisation des différentes activités dans l’espace spatial et temporel (TAL)

Image4.3 : Localisation des différentes activités dans l’espace spatial et temporel (MAR)

0s

Plots

Temps234s92s

TP1-TP7

A1-A11

B1-B10

T1-T15

TB1-TB10

C1-C11

OP1-OP11

CA1-CA14

308s

MAR

GC1-GC15

290sActivités de fond Activités rapides (critiques)Activités précritiques

et ce dès le démarrage de l’enregistrement (Image 4.4).

La première structure impliquée dans la crise serait les signaux internes de la structure B vers la 42e

seconde, puis la propagation des activités critiques va atteindre l’hippocampe, le pôle temporal et l’insula (C, PT et T) à la 66e seconde. Pour ce patient aussi la crise a été très brève et la fin est observée vers la 98e

seconde.

5. Discussion :Comme nous avons pu le constater ces images retracent fidèlement le déroulement de la crise. Elles confirment la variabilité et la complexité des diverses formes d’expression des crises épileptiques, leur évolution et la difficulté d’une généralisation des phénomènes observés sur plusieurs patients souffrants des mêmes pathologies. La difficulté d’interprétation de certains phénomènes qui sont apparus dans ces images réside plus dans la compréhension du déroulement de la crise du patient concerné que sur des erreurs de mesures que l’on peut penser observer sur ces images. Une analyse plus fine de ces images en corrélation avec les différents signaux observés montre que ces « erreurs de mesures » ne sont rien d’autres que le reflet du contenu réel des signaux. Cette constatation nous rassure dans notre démarche, elle montre que notre approche a produit sous une autre forme, une

représentation fidèle du contenu des observations SEEG. Ces résultats confirment les hypothèses émises sur les épilepsies du lobe temporal à savoir que la zone épiletogéne initiateur des crises inclue les structures de l’hippocampe antérieur et postérieur, du cortex entorhinal,

Une formalisation de la problématique et une analyse du comportement de chacun des entités dont la collaboration, l’association et la confrontation qui ont permis de faire émerger ces images, peuvent nous conduire à une meilleure compréhension des phénomènes observés. Une application de cette approche est la segmentation basée sur le contenu spectral des observations ou le typage des différentes activités contenues dans le signal. En effet l’approche étant capable d’identifier les différentes activités de fréquence contenue dans chaque portion de signal analysé. Il est possible d’utiliser ces propriétés spectrales pour couper au niveau de chaque signal les différents instants de changement d’activités mais aussi de représenter sous une couleur différente chaque activité repérée (figure 5.1). La difficulté d’interprétation de certains phénomènes provient des artefacts fortement présentes dans les signaux et une bonne gestion de ces bruits de mesures constituera une bonne perspective d’améliorations des résultats.

10

Temps

Image4.4 : Localisation des différentes activités dans l’espace spatial et temporel (BIG)

66s0s 35s

Plots

98s 288s

A1-A15

C1-C15

PT1-PT10

TB1-TB15

T1T15

F1-F15

BIG

B1-B15

δ θ1 θ2 α1 α2 β1 β2 γ βγ RE NC

A1-A15

B1-B15

C1-C15

TP1-TP10

TB1-TB15

PH1-PH15

T1-T10

0s 140s 316s 424s

Plots

Temps

6. Conclusion

En se basant sur une approche distribuée et coopérative , nous avons proposé une analyse vectorielle des signaux SEEG sur un grand nombre de voies en divisant et distribuant les différentes traitements entre plusieurs agents autonomes . La méthode d’analyse proposée regroupe le traitement du signal, un aspect clinique et les architectures distribuées. Elle a permis d’identifier différentes activités contenues dans les signaux épileptiques analysés. Cette approche propose également d’observer l’évolution des différentes activités cérébrales en fonction du temps. Cette représentation localise les activités pathologiques dans l’espace cérébral et dans le temps. Les premiers résultats retenus dans cette étude, sont l’accessibilité des informations contenues dans les images, la localisation dans l’espace spatial et l’espace temporel de l’activité critique. L’identification des activités étant basée sur des classes d’apprentissages définies à priori sur un certain nombre de signaux et de patients, une étude plus fine de ces classes d’apprentissages peut permettre d’améliorer encore ce travail. Notre étude démontre également l’un des points communs à tous les patients à savoir que les structures cérébrales qui signent le début de la crise sont aussi les premières à marquer sa fin.

Cette méthodologie met ainsi l� accent sur de nouvelles règles de raisonnement imposées par la

nécessité d� une approche heuristique et la connaissance à priori relative aux changements de comportement.

Les règles de raisonnements et les procédures algorithmiques pour l� estimation des grandeurs numériques nécessitent un effort de recherche considérable. La démarche proposée et les premiers résultats obtenus nous donnent un espoir d� aller plus loin dans l� exploitation des techniques SMA pour la description de la propagation de la décharge lors des crises d� épilepsie et le traitement du signal dans sa globalité. Il reste à affiner les approches et multiplier les essais afin d� arriver à une architecture globalement cohérente.

Les perspectives de ce travail portent sur

une expérimentation de ce système par rapport à

d’autres algorithmes de traitement de signal (pour

les descripteurs de signaux) plus robustes, sur la

mise en évidence des relations qui peuvent lier les

différents groupes d’agents . Il serait aussi intéressant

de tester le comportement du système face à

plusieurs crises d’un même patient et d’envisager

pourquoi pas le traitement en temps réel des signaux

SEEG. Le traitement des signaux EEG de surface et

11

Image5.1 : Localisation et typage des différentes activités dans l’espace spatial et temporel. Dans cette figure, à chaque bande de fréquence nous avons attribuée une couleur. RE signifie une répartition équitable de la puissance sur plusieurs (3 à 5) bandes de fréquences (couleur grise) et NC = non classés dans le cas où la densité spectrale de puissance est répartie sur presque toutes les bandes de fréquences considérées (6 à 9) (couleur noire).

CAN

la confrontation signaux de surfaces et signaux de

profondeur.

Références Bibliographiques

[1] J. FERBER.(1995) “Les Systèmes Multi Agents. Vers une intelligence collective.”, InterEditions, 1995.

[2] J.GOTMAN (1981) “Interhemispheric relations during bilateral spike-and-wave activity”. Epilepsia, 22, pp. 453-466, 1981 ?

[3] A.Glass, RA.Zappulla, J.Nieves, Diamond (1992) “EEG coherence as a predictor of spike propagationy ”. Electroenceph Clin. Neurophysiol. 82, pp. 10-16, 1992.

[4] A. KINIE Détection de relations de causalités et estimation de temps de retard en épilepsie : thèse, université de Rennes1, Rennes. 1996

[5] P.CHAUVEL, P.BUSER., J.M.BADIER, C.LIEGIOIS-CHAUVEL., P.MARQUIS., BANCAUD (1987) “ La zone épileptogène chez l’homme : représentation des événements intercritiques par cartes spatio-temporelles ”. Revue Neurologique, n° 143, pp. 443-450, 1987.

[6] O. GUTKNECHT, J. FERBER et F. MICHEL (2000). “Madkit: une architecture de plate forme multi agent générique” Rapport de recherche. Laboratoire de Recherche d’Informatique, de Robotique et de Microélectronique (LIRM) de Montpellier. Juin 2000.

[7] J. FERBER (1995).“ Les Systèmes Multi Agents. Vers une intelligence collective. InterEditions, 1995.[8] O. GUTKNECHT, J. FERBER (2000).“The madkit Agent platform architecture” In 1st Workshop on Infrastructure for Scalable Multi-Agent Systems, June 2000.[9] M. NDIAYE(2004) “ Vectorial analysis of seeg signals based on madkit, a multi agent system.” In proceedings of SCI 2004, The 8th World Multi-Conference on Systemic, Cybernetics and Informatics July 18-21 Orlando, Florida, USA.[10] F. WENDLING(1996) “Mise en correspondance d’observations EEG de Profondeur pour la reconnaissance de signatures spatio-temporelles dans les crises d’épilepsie.”, Université de Rennes1.

12