Le seuil de pente a été défini sur la base de la comparaison entre les résultats obtenus manuellement, par un expert, et automatiquement. Le seuil considéré comme optimal était celui qui offrait une corrélation maximale entre l’analyse manuelle et l’analyse automatisée.
Les tracés EOG de 10 nuits ont été traités. Différents seuils de pente ont été testés pour déterminer la valeur permettant à l’utilitaire de reproduire au mieux l’analyse de l’expert. Un seuil de 45 µV/s a donné les meilleures corrélations (coefficient de corrélation de Pearson :
Figure II.13 : Détection des REM en fonction des variations de pente.
Les REM sont marqués par des flèches bleues sur le tracé EOG brut, vertes sur la dérivée du tracé EOG (EOG’), et rouges sur le tracé des valeurs absolues d’EOG’. La ligne rouge discontinue marque le seuil pour qu’un REM soit retenu.
Figure II.14 : Coefficient de corrélation entre les résultats de l’analyse manuelle et automatique.
Chaque point représente le coefficient de corrélation pour les seuils de pente testés. La ligne continue représente la valeur moyenne du coefficient de corrélation pour l’ensemble des nuits d’enregistrement. Les lignes discontinues représentent les valeurs maximales et minimales de ce coefficient. La couleur rouge marque le coefficient retenu. 0,5 0,6 0,7 0,8 0,9 1 0 25 50 75 100 125 Co eff ici ent d e c o rr éla tion
r = 0,96, p < 0,001 ; Figure II.14). Pour détecter les REM, l’application de notre utilitaire avec ce seuil, est donc une méthode fiable, qui donne des résultats très proches de ceux obtenus par analyse manuelle.
Il est à noter que, dans la mesure où ce seuil a été calculé pour un expérimentateur humain uniquement, il pourrait être intéressant, voire souhaitable, de reproduire l’analyse avec un second. Certains expérimentateurs peuvent en effet être plus téméraires que d’autres et ainsi utiliser un seuil de pente plus bas, et inversement. En vue des résultats actuels concernant la comparaison personne-machine, le fonctionnement de l’utilitaire a cependant été jugé robuste et fiable.
5.5. Mesures neurovégétatives
L’analyse des activités électrodermale et cardiaque a permis d’indicer l’activité neurovégétative durant la présentation des séquences vidéo inductrices et la période de sommeil.
5.5.1. Activité électrodermale
De manière à standardiser la détection des réponses électrodermales, un utilitaire de détection automatique a été conçu et appliqué à l’enregistrement après filtrage (passe-bas, 0,5 Hz). Cet utilitaire base sa détection sur la comparaison des portions du tracé à une série de réponses prototypiques.
Fonctionnement de l’utilitaire
Les prototypes sont des RED complètes standardisées, obtenues par le moyennage de différentes réponses relevées manuellement (Figure II.15).
L’utilitaire utilise une fenêtre glissante pour calculer une courbe de corrélation entre le signal et le prototype, permettant la détection de maxima de similarité de forme, comme le ferait un expert humain lors d’une analyse manuelle. Les maxima dépassant un seuil défini par l’utilisateur repèrent des « zones de RED probable » sur le tracé. Pour chaque zone (± 0,5 sec de part et d’autre du pic de
0 1 2 3 4 5
Temps (sec)
Figure II.15 : Exemple de trois prototypes utilisés pour la détection des RÉD.
L’amplitude n’entre pas en consi-dération dans la détection.
corrélation), l’utilitaire recherche alors le maximum local sur la courbe d’AED de manière à identifier le pic de la RED (Figure II.16).
Le minimum local précédant le pic de la RED est ensuite détecté en recherchant la valeur minimale avant une dérivée négative. La différence d’amplitude entre minimum et le pic de RED est ensuite calculée pour obtenir une valeur provisoire de l’amplitude de la réponse. Cette valeur sert au calcul d’une estimation de la pente de la partie ascendante de la RED, basée sur les points à 40 et 80 % de l’amplitude provisoire (portion la plus linéaire de la courbe). Puis, le point de départ de la réponse, c’est-à-dire la date où l’amplitude est nulle (0 %), est calculé. Enfin, l’estimation finale de l’amplitude est calculée entre le point de départ de la RED et son pic (Figure II.17). -1 -0,5 0 0,5 1 0 0,2 0,4 0,6 0 10 20 30 40 50 Co eff ici ent d e c o rr éla tion A ctiv it é éle ctrod er male (µS) Temps (sec)
Figure II.16 : Détection des RED en fonction du coefficient de corrélation avec la réponse prototypique.
En bleu : courbe d’AED, en rouge : courbe de corrélation entre le tracé d’AED et le prototype (voir Figure II.15). La barre rouge discontinue représente un seuil défini à 0,75. Les flèches noires représentent les pics de RED détectés.
0,1 0,2 0,3 30 31 32 33 34 35 36 37 38 39 A cti v it é élect rode rm ale (µS ) Temps (sec)
Figure II.17 : Méthode de calcul du point de départ de la RED.
La portion du tracé d’AED est extraite de la Figure II.16. Les flèches
représentent le minimum (point de départ préliminaire) et le maximum (pic). La droite (rouge discontinue) permet d’estimer la pente de la courbe. Le point d’intersection entre cette droite et celle du 0 % définit le point de départ de la RED.
L’utilitaire a été testé en comparant les résultats de l’analyse automatisée à celui d’une analyse manuelle (par un expert), pour un échantillon de 10 nuits (7,4 ± 0,7 heures).
Optimisation du seuil de corrélation
Le seuil de corrélation a été défini sur la base de la comparaison entre les résultats obtenus manuellement et automatiquement. En prenant comme référence la performance de l’expert, lorsqu’une RED détectée par l’expert l’est aussi par l’utilitaire, il s’agit d’une bonne détection. Lorsque rien n’est détecté manuellement mais qu’une RED est détectée automatiquement, c’est une fausse alarme. Enfin, une RED détectée par la méthode manuelle mais non par la méthode automatique est une omission. Ainsi, un seuil élevé améliore le nombre de bonnes détections, mais augmente le nombre d’omissions. Un seuil bas diminue le nombre des omissions, mais augmente celui des fausses alarmes (Figure II.18). Un seuil de 0,75, offrant un bon compromis pour une détection optimale, a été adopté.