6: Exploitation classique du potentiel évoqué visuel: méthode de la latence

L'interprétation clinique du PE adoptée dans les hôpitaux utilise une lecture visuelle du temps de latence qui correspond au premier pic dominant du PEV. Mais cette méthode a ses limites. En effet la forme du signal ne permet pas toujours de déterminer la latence, qui est utilisé comme moyen de distinction entre sujets normaux et cas pathologiques comme le montrent les figures suivantes (Figure .II-12). Ce qui incite les médecins à compléter leurs investigations par d’autres explorations. -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500

Figure II-12: Quelques PEV où la détermination de la latence est problématique les 4 premiers correspondent à des sujets normaux, les 2 derniers correspondent à des sujets

pathologiques cas 3 Cas 1 _{Cas 2} Cas 4 Cas 6 Cas 5

II-7: Conclusion

Dans ce chapitre, nous avons, dans un premier temps, décrit et testé trois méthodes de filtrage d’extraction du potentiel évoqué visuel. La méthode de la moyenne synchronisée, toujours utilisée en milieu hospitalier, est d’une part contestable d’un point de vu théorique et d’autre part, nécessite un nombre de stimulations conséquents pour obtenir un signal exploitable. La méthode de filtrage adaptatif donne un résultat acceptable mais pas exploitable en l’état; l’utilisation de la moyenne synchronisée sur un nombre réduit de réponses améliore sensiblement le résultat obtenu. La supériorité du filtrage par le perceptron multi couche proposé est manifeste, elle permet de réduire considérablement le rapport signal sur bruit caractérisant les différentes réponses unitaires. Par rapport à la technique de la moyenne, les deux dernières méthodes permettent de réduire le nombre de stimulations du sujet lors de l’enregistrement des PEV; ce qui est très significatif surtout lorsqu’il s’agit de collecter des PEV d’enfants ou de personnes âgés ne pouvant pas toujours répondre aux exigences de concentration pendant la session d’enregistrement.

Dans la deuxième partie, nous avons montré que la méthode de la latence, utilisée en milieu hospitalier pour la discrimination entre sujets normaux et cas pathologiques, n’est pas très fiable puisqu’elle peut induire en erreur les praticiens dans prés du tiers des cas.

Nous pensons que la réduction de toute l’information contenue dans le signal formant le potentiel évoqué à une seule variable, la latence, entraîne inévitablement la dissimulation des autres informations contenues dans le signal. Aussi nous appliquerons à ce signal les techniques d’analyses spectrales afin d’en extraire le maximum d’information. Ce sera l’objet du chapitre suivant.

Bibliographie

[1] W. Philips, “Adaptive noise removal from biomedical signals using warped polynomials”, IEEE Transactions on Biomedical Engineering Vol 43 n° 5 pp480-492, May 1996

[2] Y. Wang, F. Yang, “Dynamic Extraction of Visual Evoked Potentials Through Spatial Analysis and Dipole Localization”, IEEE Transactions on Biomedical Engineering Vol 42 n° 8 pp 762-768 Aug 1995

[3] V. VARSA, PA. PARKER, “Multifrequency adaptive noise cancellation applied to somatosensory evoked potentials”, IEEE Transactions on Biomedical Engineering Vol 41 n°8 pp792-800, Aug 1994

[4] K. H. Chiappa “Evoked Potentials in Clinical Medicine”, Raven Press, pp. 63-104, New York, 1983

[5] G. Henning, P. Husar, ”Statistical Detection of Visual Evoked Potentials”, Engineering in Medicine and Biology, Vol.14 n°4 pp 386-390, Jul1995.

[6] Ebrahimi T., Vesin J., Garcia G, “Brain-Computer Interface in Multimedia Communication”, IEEE Signal Processing Magazine, Vol.20 pp14-24, Jan 2003.

[7] E. Basar and all., “Time and Frequency Analysis of Brain’s Distributed Gamma-Band System”, IEEE Engineering in Medicine and Biology, Vol.14 n°4 pp 400-410, Jul1995. [8] G. Zouridakis, N. N. Boutros, “A Fuzzy Clustering Approach to EP Estimation”, IEEE

Transactions on Biomedical Engineering Vol 44 n° 8 pp 673-680 Aug 1997.

[9] D. H. Lange, H. Pratt, G. F. Inbar, “Modeling and estimation of single evoked brain potential components” IEEE Transactions on Biomedical Engineering Vol 44 n° 9 pp791- 799, Sep 1997.

[10] S.J. Orfanidis “Optimum Signal Processing” Macmillan Publishing Company”, London 1985 p 7

[11] H. Drissi, F. Regragui, J.P. Antoine, M. Bennouna "Wavelet transform analysis of visual evoked potentials: some preliminary results", Innovation and Technology in Biology and Medicine, ITBM- RBM 2000; 21: 84-91

[12] Widrow et al “Adaptive Noise canceling: Principles and Applications” Proc of IEEE, vol 63, pp 1692-10216, Dec 1975

[13] O. Nerrand, L. Personnaz, G. Dreyfus “Non-Linear Recursive Identification and Control by Neural Networks: a General Framework” European Control Conference (1993).

[14] O. Nerrand, P. Roussel-Ragot, D. Urbani, L. Personnaz, G. Dreyfus, Training “Recurent Neural Networks: Why and How? An Illustration in Dynamical Process Modeling” IEEE, Transactions on Neural Networks, vol 5, pp 178-184, 1994

[15] Ki H. Chon, and Richard J. Cohen “Linear and Nonlinear ARMA Model Parameter Estimation Using an Artificial Neural Network” IEEE Transaction on Biomedical Engineering, vol. 44, n. 3, pp 168-173, March 1997.

[16] D.E. Rumelhart et al “Learning representations by back-propagating errors” Nature vol. 323, 1986

[17] Y. le Cun “A theoretical framework for Backpropagation” Proceedings of the 1988 Connectionist Models Summer School, D. Touresky, G. Hinton and T. Sejnowski, Eds., San Mateo (CA), Morgan Kau 1988, pp. 21-28. 36

[18] P. Bourret, J. Reggia, M. Samuelides “Réseaux neuronaux, une approche connexionniste de l'Intelligence Artificielle” Teknea, Toulouse, 1991

[19] Richard P. Lippmann “An Introduction to Computing With Neural Nets” IEEE SSP Magazine, p. 4, April, (1987)

[20] Yoh-Han Pao “Adaptive Pattern Recognition and Neural Networks” Addison- Wesley Publishing Company, Inc, (1989)

[21] Paul J. Werbo “Back propagation Through Time: What It Does and How to Do It” Proceedings Of the IEEE, Vol, 78, No. 10, p. 1550, October, (1990)

[22] O. Nerrand, P. Roussel-Ragot, L. Personnaz, G. Dreyfus “Neural Networks and Non- Linear Adaptive Filtering Unifying Concepts and New Algorithms” Neural Computation vol. 5, 99, pp 265-197, 1993.

[23] F. Regragui “Extraction and linear prediction modeling of the visual Evoked Potential” PhD Thesis, Electrical Engineering, Rutgers University New jersey, USA, (1990)

[24] S. Orfanidis, F. Regragui, E. Tzanakou “Visual Evoked Potential Extraction by adaptive Filtering” IEEE/Ninth Annual Conference of the engineering in Medicine and Biology Society, 2, 968, Nov , (1987)

[25] A. Mghari, F. Regragui, E. H. Bouyakhf, “Artificial Neural Network for Discrimination of Visual Evoked potentials”, ASME Journal of Advances in modeling, signal processing and pattern recognition, 2003

[26] A. Mghari, F. Regragui, E. H. Bouyakhf., “Artificial neural network for discrimination of visual evoked potentials”, MCSEIA02, Annaba, May 6-8 2002

[27] A. Mghari, F. Regragui, M.M. Himmi, E.H. Bouyakhf “Discrimination of Evoked Potentials with adaptative zero-tracking Neural network” International Conference on Modelling and simulation in technical and social Sciences, (MS’02), Girona Spain, p699, jun 2002

[28] A. MGHARI “Application des réseaux de neurones à la classification des potentiels évoqués visuels” Thèse d’Etat, Octobre 2003, Faculté des Sciences de Rabat, Université Mohamed V, Rabat.