| Constrained matrix and tensor decompositions for EEG denoising and brain source imaging (Décompositions matricielles et tensorielles contraintes pour le débruitage EEG et l’imagerie de sources cérébrales) Taheri, Nasrin - (2021-10-22) / Universite de Rennes 1, Université Shahid Chamran of Ahvaz (Iran) Constrained matrix and tensor decompositions for EEG denoising and brain source imaging
| |||
Langue : Anglais Directeur(s) de thèse: Sehhadji, Lotfi; Albera, Laurent Discipline : Signal, image, vision Laboratoire : Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATHSTIC Classification : Sciences de l'ingénieur, Médecine et santé Mots-clés : élimination des artéfacts musculaires, débruitage, séparation des sources, imagerie de sources cérébrales
| |||
Résumé : Nous introduisons une méthode de SAS pour débruiter les enregistrements EEG épileptiques. La suppression des artefacts musculaires des enregistrements épileptiques permet de localiser plus facilement les sources d'intérêt chez des patients souffrant d'épilepsie réfractaire. Plus précisément, les contractions de la tête au début de la décharge peuvent masquer l'activité critique rapide. Comme il existe une signature Temps-Fréquence (TF) unique, nous exploitons la contrainte de parcimonie des signaux dans le domaine TF en utilisant un dictionnaire TF de Gabor. L’exploitation de la parcimonie dans le domaine TF et d’une autocorrélation maximale des sources d’intérêt conduit à une nouvelle approche nommée Time-Frequency Sparse Source Separation (TF3S). Pour évaluer les performances de l'algorithme, des simulations et données réelles dans le cas d’activités intercritiques et critiques ont été utilisées. Nous avons comparé cette nouvelle méthode avec des approches de la littérature telles que CCA, JDICA et P-SAUD. Les résultats quantitatifs et qualitatifs montrent la supériorité de l'algorithme proposé tant dans le cas de l'activité intercritique que des décharges critiques. Nous introduisons également quelques méthodes de localisation de sources basées sur la décomposition de tenseurs. La délimitation des sources cérébrales épileptiques est formulée comme un problème de localisation de source cérébrale bien connu pour être mal posé. En effet, les biomarqueurs épileptiques peuvent être générés par un nombre infini de combinaisons de sources spatialement distribuées (étendues). Plusieurs méthodes ont été proposées au cours des deux dernières décennies pour régulariser ce problème. Abstract : Removing muscle artifacts from epileptic recordings is mandatory since it helps to interpret and analyze the data and also localize the sources of interest in the patients suffering from refractory epilepsy. More precisely, head muscle contractions during seizures can bury the fast low voltage ictal activity at discharge onset. As these fast discharges have a unique signature in time-frequency (TF) representations, incorporating the sparsity in the TF domain and high time autocorrelation of the recordings leads to a new approach named Time-Frequency Sparse Source Separation (TF3S). Moreover, we studied matrix and tensor decompositions under constraints in order to extract and localize the sources of interest (SOIs) from EEG signals. More precisely, we proposed in the thesis to investigate approaches which can make use of the potential sparsity of HFOs in the time-frequency domain or the low number of sources to extracted (low-rank assumption). The proposed algorithms deal with the tensor-based BSI problem, say finding the precise location of distributed sources of interest by means of tensor decomposition. This requires to estimate accurately the rank of the considered tensor to be decomposed. To evaluate the performance of the proposed algorithms, some simulations and real data were provided. | |||