Introduction à l'acquisition de signaux neuraux et aux artefacts

L'acquisition de signaux neuraux comprend un ensemble de techniques utilisées pour enregistrer l'activité électrique du cerveau, de la moelle épinière et des nerfs périphériques. L'électroencéphalographie (EEG), la magnétoencéphalographie (MEG), l'électrocorticographie (EcoG) et les potentiels locaux de terrain (LFP) sont parmi les modalités les plus courantes utilisées dans les diagnostics cliniques et les recherches en neurosciences. La fidélité de ces enregistrements est primordiale pour extraire des informations significatives sur la dynamique neuronale, les processus cognitifs et les états pathologiques.

Les artefacts physiologiques proviennent du corps lui-même : les clignements oculaires et les saccades produisent de grandes déviations de tension dans les canaux frontaux de l'EEG; les contractions musculaires (activité myogène) introduisent un bruit à haute fréquence; l'activité cardiaque (ECG) et les pulsations liées aux impulsions créent des dérives à basse fréquence. Les artefacts non physiologiques proviennent de sources externes : interférence de la ligne de puissance (50/60 Hz), mouvement d'électrode, mouvement de câble et interférence électromagnétique de l'équipement voisin. Ces contaminants peuvent masquer le vrai signal neuronal, ce qui peut conduire à une interprétation erronée dans des applications allant de la détection des crises et de l'arrêt du sommeil au contrôle de l'interface cerveau-ordinateur (BCI).

Les méthodes traditionnelles d'enlèvement des artefacts comprennent le filtrage linéaire, l'analyse indépendante des composants (ICA), l'analyse des composants principaux (APC) et la guérison manuelle par des annotateurs experts. Bien que ces approches aient servi le terrain pendant des décennies, elles souffrent de plusieurs limitations. Les filtres linéaires ne sont efficaces que lorsque les artefacts occupent des bandes de fréquences distinctes qui ne se chevauchent pas avec l'activité neuronale; par exemple, l'élimination de l'interférence de la ligne de puissance de 60 Hz est simple, mais séparer le bruit musculaire (20–200 Hz) des rythmes cérébraux gamma (30–100 Hz) est beaucoup plus difficile.

Pourquoi apprendre profondément pour éliminer les artefacts?

L'apprentissage profond a révolutionné de nombreux domaines du traitement des signaux et de la vision informatique, et l'enlèvement des artefacts neuraux n'est pas une exception. L'avantage principal des modèles d'apprentissage profond est leur capacité à apprendre des cartes complexes et non linéaires directement à partir de données sans exiger des modèles mathématiques explicites du processus de génération des artefacts. Les réseaux neuronaux convolutionnels (RNC) excellent à saisir les modèles temporels locaux, les réseaux neuronaux récurrents (RNN) et les réseaux de mémoire à court terme (LSTM) long modèles de dépendances séquentielles, et les autoencodeurs peuvent apprendre des représentations compactes qui séparent l'activité neuronale propre du bruit.

Types d'architectures d'apprentissage profond utilisées

Réseaux neuronaux convolutionnels (RCN)

Les CNN sont particulièrement adaptés pour l'enlèvement des artefacts car ils peuvent automatiquement apprendre à filtrer les caractéristiques spécifiques des artefacts. Par exemple, un CNN profond peut être formé pour identifier les transitoires aigus des clignements oculaires ou les motifs rythmiques du bruit musculaire. En empilant plusieurs couches convolutionnelles avec des champs réceptifs croissants, le réseau peut capturer à la fois les motifs temporels fins et larges.

Réseaux récurrents et LSTM

Les RNN et les LSTM sont des choix naturels pour les données de séries temporelles car ils maintiennent un état interne qui code les informations passées. Dans l'enlèvement des artefacts, ces modèles peuvent apprendre la dynamique temporelle des signaux neuraux et des artefacts. Par exemple, un autoencodeur LSTM peut reconstruire les signaux propres en encodant l'entrée contaminée en une représentation latente et ensuite le décoder tout en supprimant les motifs liés aux artefacts.

Codeurs automatiques

Les autoencodeurs apprennent à comprimer les données d'entrée en représentation à dimension inférieure et à les reconstruire. Lorsqu'ils sont formés sur des signaux neuraux propres, les autoencodeurs apprendront à reconstruire uniquement les caractéristiques neurales « normales » ; s'ils sont présentés avec un signal contaminé, la reconstruction aura tendance à enlever les artefacts parce qu'ils ne correspondent pas à la distribution apprise.

Réseaux d'adversaires (RAG)

Les RNA sont constitués d'un générateur qui produit des signaux propres à partir d'intrants contaminés et d'un discriminateur qui tente de distinguer les signaux générés des vrais signaux propres. Grâce à l'entraînement contradictoire, le générateur devient très compétent pour produire des données neurales sans artefacts.

Avantages des méthodes d'apprentissage profond pour l'enlèvement des artéfacts

L'apprentissage profond offre plusieurs avantages par rapport aux approches traditionnelles :

  • La grande précision dans la distinction entre artefacts et activité neuronale authentique Les réseaux profonds peuvent apprendre des limites de décision complexes et non linéaires qui séparent les classes d'artefacts (p. ex., clignements, muscles, électrode pop) des classes de signaux neuronaux.
  • Capacité de gérer des modes de bruit complexes et non linéaires. Les artefacts du monde réel sont rarement des additifs blancs.Ils sont non stationnaires, corrélés et souvent chevauchants en temps et en fréquence.
  • L'automatisation réduit l'effort manuel et le biais potentiel. Une fois formé, un modèle d'apprentissage profond peut traiter des milliers d'heures de données neurales avec une intervention humaine minimale.C'est particulièrement utile dans les études à grande échelle, les essais cliniques et les applications de surveillance continue où l'étiquetage manuel est impossible.
  • La préservation améliorée des caractéristiques du signal neuronal Contrairement au filtrage linéaire agressif qui peut déformer le contenu spectral des signaux neuronaux, les modèles d'apprentissage profond peuvent éliminer sélectivement les artefacts tout en préservant les caractéristiques critiques telles que les potentiels liés aux événements, les rythmes alpha et les trains de pics.
  • Capacité en temps réel Avec l'accélération du GPU moderne et des architectures optimisées, les modèles d'apprentissage profond peuvent dénoiser les signaux neuraux en temps réel ou quasi réel, permettant des systèmes BCI en boucle fermée et la correction en ligne d'artefacts lors de séances de neurofeedback.

Faits nouveaux et applications récentes

Suppression des artéfacts en temps réel pour les interfaces cerveau-ordinateur

L'un des domaines d'application les plus actifs est celui des interfaces cerveau-ordinateur, où les signaux propres sont essentiels pour le décodage précis des commandes. Par exemple, un modèle hybride CNN-LSTM peut en permanence enlever les objets de liaison oculaire et musculaire de l'EEG, car l'utilisateur effectue des tâches d'imagerie moteur.Dans une étude publiée dans Journal of Neural Engineering, un tel système a obtenu une précision de classification de plus de 90 % pour l'imagerie moteur de quatre classes, comparativement à 78 % avec le nettoyage conventionnel basé sur l'ICA.

Appareils neurodiagnostiques portables

Les casques EEG et les systèmes d'électrode à sec sont de plus en plus populaires pour la surveillance à domicile de l'épilepsie, des troubles du sommeil et des performances cognitives. Cependant, ces appareils sont particulièrement sensibles aux artefacts de mouvement et aux mauvaises communications par électrode. Des modèles d'apprentissage profonds suffisamment légers pour fonctionner sur des processeurs embarqués (p. ex. Raspberry Pi, puces pour smartphone) ont été développés pour nettoyer les signaux de l'appareil.

Suppression des artéfacts multimodal

La combinaison d'informations provenant de multiples modes de détection peut améliorer l'identification des objets. Par exemple, les enregistrements simultanés EEG et les enregistrements fonctionnels de spectroscopie à infrarouge proche (fNIRS) peuvent être dénoués conjointement au moyen d'une architecture d'apprentissage profond qui fusionne des caractéristiques temporelles des deux modes. Une étude de 2023 a démontré qu'un autoencodeur modal pourrait réduire les artefacts de mouvement de 60% par rapport à une seule modularité dénouant, ouvrant de nouvelles possibilités de neuroimagerie robuste dans des contextes naturalistes.

Défis et limites des approches d'apprentissage profond

Malgré leur performance impressionnante, les méthodes d'apprentissage profond pour l'enlèvement des artefacts font face à plusieurs obstacles qui doivent être abordés pour une adoption généralisée :

  • Il est difficile de recueillir des données neurales propres à la vérité au sol parce que les vrais signaux propres sont rarement obtenus in vivo. Les chercheurs utilisent souvent des données semi-simulées où des enregistrements propres sont artificiellement corrompus par des artefacts connus, mais cela ne permet pas de saisir pleinement la variabilité des artefacts du monde réel.
  • La formation de réseaux profonds nécessite de puissants GPU et une mémoire considérable, ce qui peut constituer une barrière pour les petits laboratoires ou les milieux cliniques avec une infrastructure informatique limitée. Cependant, une fois formés, l'inférence peut être déployée sur du matériel modeste.
  • Généralisation entre les sujets et configurations d'enregistrement. Un modèle formé sur un ensemble de données peut fonctionner mal sur les données d'un autre bouchon EEG, amplificateur ou environnement de laboratoire en raison de différences dans les positions des électrodes, les niveaux d'impédance et les caractéristiques du bruit.
  • L'explication est souvent considérée comme une boîte noire.Dans les applications cliniques, l'explication est essentielle pour l'approbation de la confiance et de la réglementation. Des recherches sur les cartes de saliabilité, les mécanismes d'attention et les vecteurs d'activation de concepts sont en cours pour fournir des renseignements sur les décisions des modèles. Par exemple, les réseaux axés sur l'attention peuvent mettre en évidence les points horaires considérés comme étant les plus difficiles à utiliser, offrant une forme d'explication visuelle.

Orientations futures et tendances émergentes

Apprentissage autosupervisé et contrastif

Dans l'apprentissage contrasté, le modèle apprend à distinguer les segments propres et les segments contaminés par des artefacts sans annotations explicites en maximisant l'accord entre les vues augmentées différemment des données propres. Les premiers résultats suggèrent que la préformation auto-supervisée suivie d'un réglage fin sur un petit ensemble étiqueté peut correspondre à la performance des modèles entièrement supervisés, tout en exigeant seulement 10 % des exemples étiquetés.

AI explicable pour le traitement des signaux neuraux

L'intégration de l'explication dans les modèles d'apprentissage profond sera essentielle à l'adoption clinique.Les chercheurs développent des architectures en « boîte de verre » qui fournissent intrinsèquement les raisons de leurs décisions – par exemple, en apprenant un dictionnaire de modèles d'artefacts assortis à des sources physiologiques.

Apprentissage sur le bord de l'IA et sur le pouce

Les progrès dans les accélérateurs d'IA ultra-faible puissance, tels que NVIDIAs Jetson Nano, Google , Coral Edge TPU et ASICs personnalisés, permettent l'inférence aux niveaux de sous-milliwatt. L'apprentissage sur puce, où le modèle s'adapte en temps réel au sujet du profil d'artefact unique, est une frontière émergente. Un CNN adaptatif qui adapte ses poids toutes les quelques minutes pour tenir compte des changements dans l'impédance des électrodes ou de l'activité musculaire a été démontré dans un prototype de recherche.

fédéré apprentissage pour la préservation de la vie privée

Les données médicales, y compris les enregistrements neuraux, sont très sensibles. L'apprentissage fédéré permet à plusieurs hôpitaux ou centres de recherche de former en collaboration un modèle d'apprentissage profond sans partager de données brutes, seulement des mises à jour de modèles. Cette approche préserve la vie privée des patients tout en bénéficiant de divers ensembles de données.

Conclusion

En tirant parti des capacités de représentation des CNN, des RNN, des autoencodeurs et des GAN, ces méthodes peuvent automatiquement et précisément séparer l'activité neuronale significative d'une vaste gamme de contaminants physiologiques et non physiologiques. Les avantages – exactitude, automatisation, préservation des caractéristiques du signal et capacité en temps réel – rendent l'apprentissage profond particulièrement attrayant pour les applications modernes telles que les interfaces cerveau-ordinateur, les neurodiagnostics portables et les neuroimagerie multimodale.

Cependant, des défis demeurent. La nécessité de grands ensembles de données étiquetés, de ressources informatiques et de généralisations transversales nécessite une innovation continue. Les nouvelles tendances en matière d'apprentissage autosupervisé, d'IA explicable, de déploiement de bords et de formation fédérée promettent de remédier à ces limitations, ouvrant la voie à une adoption clinique et commerciale plus large.

Pour plus de détails, voir l'étude approfondie dans Nature Reviews Neuroscience (Learning profond pour l'analyse électroencéphalographique), l'étude de l'IEEE sur les techniques d'enlèvement des artefacts (Un examen des méthodes d'apprentissage automatique pour l'enlèvement des artefacts EEG[), et la récente étude de validation clinique dans NeuroImage (L'enlèvement des artefacts d'apprentissage profond en temps réel pour les interfaces cerveau-ordinateur.