L'électroencéphalographie (EEG) est une technique d'imagerie cérébrale non invasive importante, capable d'enregistrer l'activité neuronale avec une grande résolution temporelle (ms), mais avec une résolution spatiale faible. Le problème inverse en EEG est un problème difficile, fortement sous-déterminé : des contraintes ou des a priori sont nécessaires pour aboutir à une solution unique. Récemment, l'intégration de signaux EEG et d'imagerie par résonance magnétique fonctionnelle (fMRI) a été largement considérée. Les données EEG et fMRI relatives à une tâche donnée, reflètent les activités neuronales des mêmes régions. Nous pouvons donc supposer qu'il existe des cartes spatiales communes entre données EEG et fMRI. En conséquence, résoudre le problème inverse en EEG afin de trouver les cartes spatiales des sources EEG congruentes avec celles obtenues par l'analyse de signaux fMRI semble être une démarche réaliste. Le grand défi reste la relation entre l'activité neuronale électrique (EEG) et l'activité hémodynamique (fMRI), qui n'est pas parfaitement connue à ce jour. La plupart des études actuelles reposent sur un modèle neurovasculaire simpliste par rapport à la réalité. Dans ce travail, nous utilisons des a priori et des faits simples et généraux, qui ne dépendent pas des données ou de l'expérience et sont toujours valides, comme contraintes pour résoudre le problème inverse en EEG. Ainsi, nous résolvons le problème inverse en EEG en estimant les sources spatiales parcimonieuses, qui présentent la plus forte corrélation avec les cartes spatiales obtenues par fMRI sur la même tâche. Pour trouver la représentation parcimonieuse du signal EEG, relative à une tâche donnée, on utilise une méthode (semi-aveugle) de séparation de sources avec référence (RSS), qui extrait les sources dont la puissance est la plus corrélée à la tâche. Cette méthode a été validée sur des simulations réalistes et sur des données réelles d'EEG intracrânienne (iEEG) de patients épileptiques. Cette représentation du signal EEG dans l'espace des sources liées à la tâche est parcimonieuse. En recherchant les fonctions d'activation de fMRI similaires à ces sources, on déduit les cartes spatiales de fMRI très précises de la tâche. Ces cartes fournissent une matrice de poids, qui impose que les voxels activés en fMRI doivent être plus importants que les autres voxels dans la résolution du problème inverse en EEG. Nous avons d'abord validé cette méthode sur des données simulées, puis sur des données réelles relatives à une expérience de reconnaissance de visages. Les résultats montrent en particulier que cette méthode est très robuste par rapport au bruit et à la variabilité inter-sujets. / Electroencephalography (EEG) is an important non-invasive imaging technique as it records the neural activity with high temporal resolution (ms), but it lacks high spatial resolution. The inverse problem of EEG is underdetermined and a constraint or prior information is needed to find a unique solution. Recently, EEG-fMRI integration is widely considered. These methods can be categoraized in three groups. First group uses the EEG temporal sources as the regressors in the generalized linear method (GLM) which is used to analyze the fMRI data. The second group analyzes EEG and fMRI simultaneously which is known as fusion technique. The last one, which we are interested in, uses the fMRI results as prior information in the EEG inverse problem. The EEG and fMRI data of a specific task, eventually reflect the neurological events of the same activation regions. Therefore, we expect that there exist common spatial patterns in the EEG and the fMRI data. Therefore, solving the EEG inverse problem to find the spatial pattern of the EEG sources which is congruent with the fMRI result seems to be close to the reality. The great challenge is the relationship between neural activity (EEG) and hemodynamic changes (fMRI), which is not discovered by now. Most of the previous studies have used simple neurovascular model because using the realistic model is very complicated. Here, we use general and simple facts as constraints to solve the EEG inverse problem which do not rely on the experiment or data and are true for all cases. Therefore, we solve the EEG inverse problem to estimate sparse connected spatial sources with the highest correlation with the fMRI spatial map of the same task. For this purpose, we have used sparse decomposition method. For finding sparse representation of the EEG signal, we have projected the data on the uncorrelated temporal sources of the activity. We have proposed a semi-blind source separation method which is called reference-based source separation (R-SS) and extracts discriminative sources between the activity and the background. R-SS method has been verified on a realistic simulation data and the intracranial EEG (iEEG) signal of five epileptic patients. We show that the representation of EEG signal in its task related source space is sparse and then a weighted sparse decomposition method is proposed and used to find the spatial map of the activity. In the weighted sparse decomposition method we put fMRI spatial map in the weighting matrix, such that the activated voxels in fMRI are considered more important than the other voxels in the EEG inverse problem. We validated the proposed method on the simulation data and also we applied the method on the real data of the face perception experiment. The results show that the proposed method is stable against the noise and subject variability.
| Identifer | oai:union.ndltd.org:theses.fr/2014GRENT021 |
| Date | 14 April 2014 |
| Creators | Samadi, Samareh |
| Contributors | Grenoble, University of Teheran, Jutten, Christian, Soltanian-Zadeh, Hamid |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0068 seconds