L'électroencéphalogramme (EEG) est un examen incontournable pour le diagnostic, la définition des structures cérébrales responsables de l'origine de crises et la classification des épilepsies. Cependant les enregistrements recueillis à la surface du scalp sont très perturbés par des artefacts et du bruit, ce qui complique considérablement l'interprétation clinique ou l'analyse automatique. Ce travail a pour objectif d'extraire des descripteurs des signaux d'EEG de surface qui peuvent conduire à la caractérisation de la dynamique spatio-temporelle des crises partielles du lobe temporal. Les estimateurs de relations inter-voies appliqués sont les méthodes linéaires paramétriques symétriques et non symétriques telles que l'inter-spectre (S), la cohérence (C), la Directed Transfert Function (DTF) ou la Partial Directed Coherence (PDC). Les relations sont estimées sur des EEG réels contenant une crise. La détection de fortes relations inter-voies est exploitée pour latéraliser puis caractériser la crise. Toutes les méthodes sont appliquées sur des signaux EEG bruts et prétraités. Une étape de prétraitement basée sur la séparation et classification de sources et le débruitage est mise en oeuvre afin d'éliminer les artefacts et le bruit avec une perte minimale d'information en diminuant le risque de fausses détections de relations de connectivité inter-signaux. Les résultats obtenus sur 51 crises montrent que le prétraitement améliore la détection et le taux de bonnes latéralisations. Une méthode de couplage entre l'IS et les méthodes paramétriques directives (PDC et DTF) permet d'améliorer la caractérisation des crises.

Objectif : L’épilepsie est l’un des troubles neurologiques les plus courants, caractérisée par des crises récurrentes imprévisibles dues à des décharges neuronales excessives. En fonction de la localisation, l’intensité et la propagation des décharges ictales, les crises peuvent s’accompagner de signes et de symptômes divers tels qu’une altération de l’état de conscience, mouvements tonico-cloniques et variations du rythme cardiaque. Les crises non contrôlées augmentent le risque de blessures, et même le risque de mort subite inattendue en épilepsie. Une intervention rapide pourrait minimiser les complications et réduire le risque de mortalité lié aux crises. Les objets connectés capables de détecter les crises d’épilepsie pourraient offrir une solution précieuse pour assurer une surveillance continue des patients vivant avec l’épilepsie. L’objectif de cette étude était de développer et d’évaluer un système de détection automatique des crises focales à bilatérales tonico-cloniques (FBTCS) avec un chandail multimodal connecté. Méthodes : En utilisant le chandail connecté Hexoskin, nous avons collecté les données d’électrocardiogramme et d’accélération chez les patients avec épilepsie admis à l’unité de monitoring d’épilepsie du Centre Hospitalier de l’Université de Montréal (CHUM). Nous avons développé un système automatisé pour analyser les enregistrements continus. Nous avons ensuite entraîné un algorithme d’apprentissage automatique pour détecter automatiquement les FBTCS. Nous avons validé les performances à l’aide d’une approche de validation croisée imbriquée. Résultats : Nous avons enregistré 66 crises FBTCS chez 42 patients qui ont porté le chandail connecté pendant un total de 8067 heures. L’algorithme de détection des crises a atteint une sensibilité de 84.8%, avec un taux médian de fausses alarmes de 0.55/24h. L’aire sous la courbe caractéristique opérationnelle du récepteur (ROC-AUC) était de 0.90 (IC à 95% : 0.88 - 0.91). Conclusion : Nous proposons le premier système basé sur un chandail connecté pour la détection des FBTCS. Notre étude montre des résultats prometteurs en utilisant une approche rétrospective dans un environnement hospitalier. Des études prospectives sont nécessaires pour valider les résultats dans un environnement résidentiel en utilisant un algorithme de détection des crises en temps réel. / Objective: Epilepsy is one of the most common neurological disorders, characterized by recurrent unpredictable seizures due to excessive neuronal discharges. Depending on the location, intensity and propagation of the ictal discharge, seizures may be accompanied by various symptoms and signs such as impaired awareness, involuntary tonic-clonic movements, and abnormal heart rate changes. Uncontrolled seizures increase the risk for seizure-related injuries and even the risk for sudden unexpected death in epilepsy. Rapid intervention could potentially reduce seizure-related complications and mortality risk. Wearable devices capable of detecting epileptic seizures could provide a valuable solution for the continuous monitoring of patients with epilepsy. The aim of this study was to develop and evaluate an automated system for the detection of focal to bilateral tonic-clonic seizures (FBTCS) using a novel multimodal connected shirt. Methods: We used the Hexoskin connected shirt to collect electrocardiogram and accelerometry data from patients with epilepsy admitted to the epilepsy monitoring unit of University of Montreal Hospital Centre (CHUM). We developed an automated system to analyze continuous recordings. Then, we trained a machine learning algorithm to automatically detect FBTCS. We validated the performances using a nested cross-validation approach. Results: We recorded 66 FBTCS from 42 patients who wore the connected shirt during a total of 8067 hours. The seizure detection algorithm reached a sensitivity of 84.8%, with a median false alarm rate of 0.55/24h. The area under the receiver operating characteristic curve (ROC-AUC) was 0.90 (95% CI: 0.88 - 0.91). Conclusion: We propose the first shirt-based system for the detection of FBTCS. Our study shows promising findings with a retrospective approach in a hospital setting. Prospective studies are required to validate the findings in a residential setting using a real-time online seizure detection algorithm.

L’électroencéphalogramme (EEG) est un examen incontournable pour le diagnostic, la définition des structures cérébrales responsables de l’origine de crises et la classification des épilepsies. Cependant les enregistrements recueillis à la surface du scalp sont très perturbés par des artefacts et du bruit, ce qui complique considérablement l’interprétation clinique ou l’analyse automatique.Ce travail a pour objectif d’extraire des descripteurs des signaux d’EEG de surface qui peuvent conduire à la caractérisation de la dynamique spatio-temporelle des crises partielles du lobe temporal. Les estimateurs de relations inter-voies appliqués sont les méthodes linéaires paramétriques symétriques et non symétriques telles que l’inter-spectre (S), la cohérence (C), la Directed Transfert Function (DTF) ou la Partial Directed Coherence (PDC). Les relations sont estimées sur des EEG réels contenant une crise. La détection de fortes relations inter-voies est exploitée pour latéraliser puis caractériser la crise. Toutes les méthodes sont appliquées sur des signaux EEG bruts et prétraités. Une étape de prétraitement basée sur la séparation et classification de sources et le débruitage est mise en œuvre afin d’éliminer les artefacts et le bruit avec une perte minimale d’information en diminuant le risque de fausses détections de relations de connectivité inter-signaux. Les résultats obtenus sur 51 crises montrent que le prétraitement améliore la détection et le taux de bonnes latéralisations. Une méthode de couplage entre l’IS et les méthodes paramétriques directives (PDC et DTF) permet d’améliorer la caractérisation des crises / The electroencephalogram (EEG) is the essential clinical examination for the diagnosis, the definition of brain structures responsible of seizures and epilepsy classification. However, the signals collected on the surface of the scalp are very disturbed by artifacts and noise, which complicates the clinical interpretation or the automatic analysis. This work aims to extract descriptors of surface EEG signals that can lead to the spatio-temporal characterization of the temporal lobe seizures. The inter-channel relationship estimators applied are parametric linear methods, such as cross-spectrum (S), coherence (C), Directed Transfer Function (DTF) or Partial Directed Coherence (PDC). Relations are estimated on real EEG recordings containing a crisis. The detection of strong inter-channel relationships is exploited in order to lateralize and to characterize seizures. All methods are applied to raw and preprocessed EEG signals. A preprocessing step, based on the separation and classification of sources and denoising is implemented to remove artifacts and noise with a minimal loss of information by reducing the risk of false detections of inter-signal connectivity relationships. The results on 51 crises show that a signal preprocessing improves the detection and the rate of correct lateralization. A coupling method between S and directivity parametric methods (PDC and DTF) improves the characterization of crises

Problématique: Plus de 50 millions de personnes dans le monde ont de l’épilepsie, une condition neurologique caractérisée par des crises spontanées récidivantes. Malgré les nombreux médicaments anticrises disponibles, plus du tiers des patients continue à présenter des crises invalidantes, souvent accompagnées de blessures (dues à des chutes, fractures, brûlures, etc.) et parfois même de mort subite par arrêt cardio-respiratoire. La détection de crises avec des objets connectés a été un sujet de recherche en croissance au cours des dernières années. Cependant, les études se sont principalement concentrées sur la détection de crises généralisées tonico-cloniques plutôt que sur les crises focales. Question de recherche: Ce projet porte sur la détection de crises épileptiques de types focales avec altération de l’état de conscience (FIAS) via des signaux électrophysiologiques non invasifs captés par un chandail connecté (chandail intelligent Hexoskin) et en utilisant des méthodes d’apprentissage automatique. Méthodologie: Des patients avec épilepsie ont été recrutés à l’unité de monitoring d’épilepsie (UME) du CHUM pour porter le chandail Hexoskin. Celui-ci mesure trois différents signaux, soit l’électrocardiographie (ECG), l’accélérométrie et les signaux respiratoires. De ces signaux, 82 caractéristiques ont été extraites et des classificateurs d’apprentissage automatique ont été entraînés pour détecter le début des crises épileptiques. Résultats obtenus: Vingt-sept patients ont porté le chandail de manière continue pendant plus de 4 750 heures. 113 FIAS ont été enregistrées. Un modèle XGBoost avec une fenêtre de 10 sec et un chevauchement de 5 secondes ont donné les meilleurs résultats. En utilisant un seuil de 0,65, nous avons détecté 71 crises, ce qui a donné une sensibilité de 66 %, un temps en alerte de 15 % et un taux de fausses alertes (FAR) de 30 par 24 heures. Un seuil de 0,85 a permis de réduire les fausses alertes (8 % du temps en alerte, FAR de 21 par 24 heures), mais avec une sensibilité inférieure de 57 %. Les performances ont varié d'un patient à l'autre : la sensibilité était élevée et le FAR était faible pour certains patients, et inversement pour d'autres, indiquant une variabilité dans l'efficacité de l'algorithme selon les patients. Conclusions: Les résultats suggèrent qu’il est possible de détecter les FIAS avec le chandail Hexoskin mais que le taux de fausse alarme reste en général un peu trop élevé. / Problem Statement: More than 50 million people worldwide have epilepsy, a neurological condition characterized by recurrent, spontaneous seizures. Despite the availability of numerous antiseizure drugs, more than a third of patients continue to experience seizures, often accompanied by injuries (such as falls, fractures, burns) and, in some cases, sudden death due to cardiorespiratory arrest. Seizure detection using wearable technology has become a growing research area in recent years. However, most studies have focused on generalized tonic-clonic seizures rather than focal seizures. Research Question: This project investigates the use of machine learning methods applied to non-invasive physiological signals recorded by a connected shirt (the Hexoskin smart shirt) to detect focal impaired awareness seizures (FIAS). Methodology: Patients with epilepsy were recruited from the epilepsy monitoring unit (EMU) at the University of Montreal Hospital Center (CHUM) and wore the Hexoskin shirt, which measures three different signals: electrocardiography (ECG), accelerometry, and respiratory signals. From these signals, 82 features were extracted, and machine learning classifiers were trained to detect the onset of epileptic seizures. Results: A total of 113 FIAS from 27 patients were analyzed in this study. Patients wore the shirt continuously for over 4,750 hours. A XGBoost Model using a window of 10 seconds and overlap of 5 seconds gave the best results. Using a threshold of 0.65, we detected 71 seizures, yielding a sensitivity of 66%, a warning time of 15%, and a false alarm rate (FAR) of 30 per 24 hours. A threshold of 0.85 reduced false alarms (8% warning time, FAR of 21 per 24 hours) but also resulted in lower sensitivity (57%). The performance varied between patients: some had high sensitivity and low FAR, while others showed the opposite, indicating variability in the algorithm’s effectiveness across patients. Conclusions: The results suggest that, while the false alarm rate remains somewhat high, it is possible to detect FIAS. It was also observed that seizures in some patients were more easily detectable than in others, which may be explained by the significant variability in seizure semiology.