3.5 Cartographie statistique
3.5.4 Méthode de seuillage améliorée
Dans la thèse, nous avons appliqué une méthode de permutation par seuillage amélioré qui a récemment été utilisée en imagerie M/EEG [Mensen and Khatami, 2013, Larson and Lee, 2013], appelée en anglais Threshold Free Cluster Enhance-ment (TFCE). Le seuil peu être défini de manière arbitraire ou en fonction de la distribution des valeurs du test théorique calculé en fonction du nombre d’échan-tillons testés. Cependant, son choix a un impact sur les résultats et pose un problème dans les études de neuroimagerie [Smith and Nichols, 2009]. En effet, un seuil faible a tendance à mieux faire ressortir un effet de grande étendue et de faible amplitude,
Figure 3.11 – Etapes de traitement pour réaliser un test de permutation par seuillage : (A) Extraire les régions ayant une valeur inférieures à la valeur néga-tive du seuil (en bleu) ou supérieures à la valeur posinéga-tive du seuil (en rouge), (B) Calculer les cartes statistiques sur les permutations de données, (C) Construire la distribution correspondant à l’hypothèse nulle (H0) pour évaluer la probabilité que les régions extraites en (A) soient significatives par rapport à la somme des valeurs dans chaque région (barres verticales bleu et rouge).
alors qu’un seuil élevé a plutôt tendance à favoriser les effets intervenant brusque-ment avec une forte amplitude [Friston et al., 1996]. Par conséquent, les effets dus au bruit de mesure ou aux artefacts dans le signal peuvent aussi ressortir avec la méthode de seuillage classique. Pour éviter ce problème, la méthode de seuillage améliorée intègre la somme des valeurs du test correspondant à un ensemble de seuils appliqués de manière incrémentale sur les cartes statistiques. La figure 3.12 illustre le fonctionnement de cette méthode sur le signal correspondant à 1 voxel (p), comme le décours temporel de la puissance du signal extrait pour une source donnée.
Le signal brut contient 3 effets notables : un effet focal de forte amplitude, un effet bien plus étendu de faible amplitude et une paire d’effets qui se recouvrent avec une étendue et une amplitude intermédiaire. Il est important de noter que le signal traité conserve la position et l’amplitude relative des maxima locaux pour chaque effet (figure 3.12, à droite). La valeur du test amélioré se calcule à partir de la somme des valeurs seuillées de manière incrémentale, dont l’une des régions est montrée en gris foncé sur la figure 3.12 (à gauche). La valeur de chaque région située sous la valeur de p (gris clair) est calculée en fonction de sa hauteur (h) et de son étendue (e). Plus précisément, l’algorithme calcule la valeur du test amélioré par la somme des valeurs de toutes les régions situées en dessous d’un seuil (h) qui est ajusté de manière incrémentale, de 0 à la hauteur maximale (hp) du test calculée pour un point p. Le seuil est ajusté à la hauteur h pour extraire les groupes de
Figure 3.12 – Illustration du test de permutation par seuillage amélioré (Source : Smith and Nichols [2009]). A gauche : La valeur du test TFCE sur un voxel p. A droite : Exemple d’un signal brut (original signal) et du même signal traité par la méthode (TFCE enhancement).
valeurs contenant p qui sont utilisées pour calculer la valeur du test amélioré au point p. Pour chaque point p, la valeur du test amélioré est simplement calculée par la somme des hauteurs ajustées h multipliée par l’étendue du groupe auquel il appartient e :
T F CE(p) = Z hp
h=h0
e(h)E⇥ hHdh (3.4) avec les paramètres H et E permettant de favoriser la hauteur et l’étendue des effets, respectivement, et dh le pas incrémental appliqué sur les seuils h. Dans les analyses réalisées pendant la thèse, nous avons choisi dh=0,5 pour réduire le temps de calcul, H=0,5 et E=2 qui sont les valeurs par défaut des paramètres recommandé par [Smith and Nichols, 2009].
Expériences sur l’attention
visuospatiale
Problématique générale
Cette partie présente 3 expériences réalisées chez le sujet sain pour étudier l’orientation de l’attention visuospatiale et son influence sur la perception d’une cible visuelle. Nous nous intéressons à une situation spécifique dans laquelle le sujet regarde un emplacement central et oriente son attention de manière implicite vers un emplacement périphérique, pour anticiper la cible avant de réagir à son affichage. Nous explorons différentes approches de décodage pour détecter l’emplacement de l’attention à partir de certaines caractéristiques de l’activité cérébrale. In-fine, nous visons l’implémentation d’une approche de décodage dans une ICM basée sur l’orien-tation de l’attention visuospatiale pour améliorer la rapidité et la précision des ré-actions du sujet. L’objectif est de se rapprocher d’une situation réelle, comme le pilotage d’un appareil, qui implique de suivre une trajectoire tout en traitant le plus précisément possible un ensemble d’informations (que nous qualifions ici de cibles) provenant de l’environnement interne (écrans de contrôle, co-pilotes) ou externe de l’appareil (obstacles, relief, climat ou autres appareils). L’axe du regard peut être maintenu sur la trajectoire de l’appareil alors que l’attention s’oriente implicitement vers différents emplacements de l’environnement dans lesquels les cibles peuvent ap-paraitre. Dans ce type de situation, la problématique est d’étudier comment détecter les emplacements successifs de l’espace vers lesquels l’attention est orientée et utiliser cette information pour optimiser les performances de l’opérateur ? Cette situation complexe présente deux composantes principales. Premièrement pour l’opérateur, il n’est pas possible de prédire avec certitude dans quel emplacement la cible va ap-paraitre. Notre première expérience étudie la problématique dans une condition où l’indication sur l’emplacement de la cible est globalement non-informative. Deuxiè-mement, compte tenu de la complexité de cet environnement, les indications utilisées par l’opérateur pour orienter son attention peuvent être ambiguës. Dans ce cas, l’at-tention visuospatiale est non seulement modulée de manière implicite, c’est à dire sans mouvement oculaire, mais également sans lien systématique avec la scène vi-suelle. L’objectif de notre deuxième expérience est de démontrer qu’en l’absence de marqueurs explicites de l’attention, l’analyse de certaines modulations de l’activité cérébrale peut être utilisée pour prédire efficacement l’emplacement de l’attention du sujet. Enfin, la troisième expérience intègre les résultats obtenu dans l’expérience précédente pour implémenter une ICM capable de détecter l’orientation implicite de l’attention et d’améliorer la performance comportementale du sujet en temps-réel par des protocoles d’interactions. Nous évaluerons l’amélioration comportementale obtenue par ces protocoles en adaptant l’affichage de cibles et d’avertissements vi-suels en fonction de l’emplacement détecté par l’ICM.