La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Intégration de modèles de dynamique neuronale et de sources d'activité pour l'interprétation du signal EEG. Application à l'épilepsie F. Wendling 1, J.M.

Présentations similaires


Présentation au sujet: "Intégration de modèles de dynamique neuronale et de sources d'activité pour l'interprétation du signal EEG. Application à l'épilepsie F. Wendling 1, J.M."— Transcription de la présentation:

1 Intégration de modèles de dynamique neuronale et de sources d'activité pour l'interprétation du signal EEG. Application à l'épilepsie F. Wendling 1, J.M. Badier 2 1 Laboratoire Traitement du Signal et de LImage, INSERM 9934 Université de Rennes 1, Campus de Beaulieu, Rennes Cedex, France 2 Laboratoire de Neurophysiologie et Neuropsychologie, Unité dEpileptologie, INSERM 9926 Université de la Méditerranée, Marseille Cedex 5, France LTSI

2 Pharmacologie Sémiologie Imagerie médicale (IRM, TDM, Méd.nucléaire) Epilepsies partielles SEEG StéréoElectroEncéphaloGraphie "Signaux de profondeur" Processus cérébraux EEG, MEG "Signaux de surface" Signaux électro-magnétiques Contexte

3 Exploration SEEG Intracerebral multiple lead electrodes (lead: 0.8 mm, L 2mm) SEEG exploration

4 Interprétation des observations Identification des réseaux épileptogènes Experts (NeuroPhy) Anatomie physiologie Neurologie Patient kPatient j Patient i Observations (EEG, SEEG) Données cliniques Traitement du signal Méthodes descriptives des dynamiques locales (détection, segmentation, caractérisation, classification) Méthodes descriptives des processus globaux (mise en correspondance) Plateforme coopérative Traitement des signaux Visualisation/Représentation Modélisation des dynamiques et des processus

5 Traitement des signaux EEG (mise en correspondance et mesures de relation)

6 De lexploration SEEG au traitement des signaux Monitoring video-eeg Traitement du signal Relations statistiques

7 Méthodes destimation du couplage statistique entre signaux Méthodes linéaires : Coefficient de corrélation linéaire, Cohérence (Brazier 65, Gotman, Duckrow, …) Méthodes non linéaires : Entropie mutuelle (AAMI, Mars 83), Régression non linéaire (Pijn 90), Prédiction mutuelle non linéaire (Schiff 96, …)

8 Exemple sur données réelles à partir de la station d analyse des signaux biomédicaux : Régression non linéaire

9 Période critique: - Pas dintéraction précoce avec le NCx - Amygdale leader sur lhippocampe Résultats cliniques. Exemple (1/2) Sous-type mesial Période intercritique: h2 moyen 0.15

10 Résultats cliniques. Exemple (2/2) Période intercritique : h2 moyen 0.22 Période critique : T2 leader sur lamygdale Sous-type latéral-mésial

11 A NCTX H A H A H A H Classification des épilepsies temporales Ref: Bartolomei et al., Clinical Neurophysiology, 2001.

12 Exemple sur données réelles à partir de la station d analyse des signaux biomédicaux : Mesure de relation en sous-bandes

13 Méthodes de suivi des relations en temps et en fréquence Question : les relations statistiques sétablissent-elles sur des « rythmes » particuliers ? Bandes de fréquence caractéristiques de l EEG

14 SEEG recording 1 sec Seizure onset Application à l analyse des « décharges rapides » Wendling et al., Brain, 2003

15 Matériel - Méthode 10 patients (épilepsie frontale ou fronto-temporale) 3 sites distants Caractérisation énergie et relations (4 sous-bandes) Exemple :

16 Résultats Décorrélation spatiale des signaux Désynchronisation Re-synchronisation // études récentes

17 Modélisation des signaux EEG

18 Interprétation physiologique des signaux EEG et SEEG Relier les quantités mesurées sur les signaux SEEG aux mécanismes physiologiques sous-jacents à lorigine des activités paroxystiques Difficultés : - Choix des quantités à mesurer et choix des méthodes destimation - Evaluation des performances statistiques des estimateurs candidats - Relation entre estimées et mécanismes physiologiques... ? ? Enregistrement SEEG... Modélisation

19 Modèle de populations neuronales couplées Zone épileptogène Méthodes de Traitement du Signal Choix/ Évaluation des performances statistiques Choix/ Évaluation des performances statistiques Approche méthodologique Génération Paramètres Résultats Meilleurse compréhension Réseaux épileptogènes Modèles de réseaux Analyse de lEEG Amélioration Interprétation Signaux EEG simulés signaux SEEG réels Génération

20 Modélisation des signaux EEG Au niveau « global » (processus) Décrire certains « enchaînements » (dynamique spatio-temporelle des crises) Analyser des régularités (reproductibilités des processus critiques) Au niveau « local » (signaux) Décrire les dynamiques reflétées par les signaux EEG Interpréter ces dynamiques Etudier les transitions intercritique/critique

21 Les classes de modèles

22 Un exemple de modèle linéaire : le modèle AR Premières applications à l EEG dès 1970 (Lopes Da Silva, Bodenstein et Praetorius) Principe du modèle AR dordre N: « léchantillon courant peut sexpliquer par la combinaison linéaire des N échantillons passés + bruit »: Identification des coefficients a i : - basée sur lautocorrélation du signal - minimisation de lerreur quadratique moyenne - différents algorithmes (récursivité) Champs dapplication : analyse spectrale, détection, segmentation

23 Exemples de signaux réels / signaux simulés Signaux SEEG Réels Signaux simulés

24 Modèles non linéaires Principes: - Systèmes dynamiques non linéaires (N.L.) - Utilisation doscillateurs N.L. génériques (Lorentz, Rössler, Van der Pol,...) Utilisation récente dans le cadre de lEEG: mesures dinterdépendances N.L. entre les signaux (Martinerie et al. 1998) Un exemple: Couplage de 2 oscillateurs. Evaluation de méthodes NL Rössler Lorentz

25 Modèles « physiologiquement pertinents »

26 Modèles cellulaires Modèle de type Hodgkin & Huxley - Modèle de potentiel membranaire axonique Modèle de neurone (compartimental) - Conductances activées par neurotrans., constantes de temps membranaire, retards axoniques (Hodgkin AL, Huxley AF (1952) A quantitative description of membrane current and its application to conduction and excitation in nerve. Journal of Physiology 117: ) David T. J. Liley et al Traub R.D., Wong R.K.S., Miles R., Michelson H., A model of a CA3 hippocampal pyramidal neuron incorporating voltage-clamp data on intrinsic conductances, J. Neurophysiol., 66(2): , 1991.

27 Modèles de réseaux de neurones The spatio-temporal activity of a square array of 6400 simulated neurons in response to a random (excitatory Poisson spike train input, mean interspike interval 10ms) 5% excitatory cells. Boundary conditions were absorptive. Figures (a) -(d) represent successive frames of network activity at approximately 10ms intervals. The soma membrane potential is represented as both height and colour, with the colour scale varying from hyperpolarised (blue) to depolarised (red). D.T Liley, et al., Network:Computation in Neural Systems, 1999 Interconnections excitatrices denses Rôle de linhibition Ré-entrées Mécanismes de synchronisation Limites

28 Des modèles de neurones aux modèles de populations de neurones (1/2) Quelques chiffres: Cortex cérébral : 10 milliards de neurones Chaque neurone est connecté à un grand nombre de neurones (100 à synapses/neurone) Interactions au sein des réseaux dynamiques densembles Feedback coopératif, compétitif, et négatif Le signal EEG est le reflet de ces dynamiques « Sommation des PPS générés par un grand nombre de cellules activées de manière quasi-synchrone »

29 Des modèles de neurones aux modèles de populations de neurones (2/2) Modèles de populations: Freeman (~1970), Wilson & Cowan (1972), Lopes de Silva (1974, 1999), Jansen (1993, 1995) Fondement: W.J. Freeman, Tutorial on neurobiology: From single neurons to brain chaos, Int. J. Bif. Chaos, 1992

30 Le modèle de Freeman (1/2) Système olfactif (récepteurs bulbe olf. noyau olf. Ant. cortex prépyiforme) Equation différentielle ordinaire du 2ème ordre

31 Le modèle de Freeman: résultats W.J. Freeman, Simulation of chaotic EEG patterns with a Dynamic Model of the Olfactory System, Biol. Cyb., 1987

32 Le modèle de population Modèle From Kandel & Shwarz 1993 Population neuronale Caractéristiques: Cellules principales / interneurones locaux Processus excitateurs/inhibiteurs Non linéaire Gain synaptique Constantes de temps moyennes Nombre moyen de synapses Densité moy. de PA PPS moyen PPS moyen Densité moy. de PA

33 Modèle de populations neuronales couplées Modèle de population unique Modèle de populations couplées Couplages excitateurs (direction, degré & retards) Ref: Wendling et al., Biological Cybernetics, 2000 Population de neurones

34 Simulation de signaux EEG à partir dun couplage UNI-DIRECTIONNEL 1 2 Légende E/I + : Augmentation du rapport Excitation/Inhibition C+ : Augmentation du couplage UNI-DIRECTIONNEL Légende E/I + : Augmentation du rapport Excitation/Inhibition C+ : Augmentation du couplage UNI-DIRECTIONNEL

35 Simulation de lEEG à partir dun couplage BI-DIRECTIONNEL 1 2 Légende E/I + : Augmentation du rapport Excitation/Inhibition C+ : Augmentation du couplage BI-DIRECTIONNEL Légende E/I + : Augmentation du rapport Excitation/Inhibition C+ : Augmentation du couplage BI-DIRECTIONNEL

36 Evaluation des méthodes de traitement du signal Signaux simulés Couplage BIDIRECTIONNEL Couplage UNDIRECTIONNEL Gyrus temporal moyen Gyrus temporal supérieur Signaux SEEG réels ? ? Degré / Direction

37 Couplage uni-directionnel versus couplage bi-directionnel h2xy Dxy h2xy Dxy Bi-directionnel Uni-directionnel 0 0 Ref: Wendling et al., Clinical Neurophysiology, 2001.

38 Equations

39 Introduction dun retro-couplage Comparaison signaux simulés / signaux réels Configuration initiale: - 3 populations - couplages unidirectionnels Signaux réels

40 Transitions spontanées Activité reflétée dans lamygdale au début dune crise (TLE) Comparaison entre les signaux réels et simulés lorsque le rapport E/I est positionné sur une valeur frontière entre 2 types dactivité

41 Comparaison signaux simulés / signaux réels - Similarités des dynamiques observées / simulées - Niveau macroscopique du modèle (population) nature des signaux réels - Description des mécanismes neurophysiologiques (équilibre entre processus inhibiteurs et excitateurs) Problème : rythmes rapides (gamma)?

42 Position du problème et objectif Rythmes rapides critiques - activité caractéristique des épilepsies partielles humaines - enregistrées grâce à la SEEG - intéressent souvent et quasi-simultanément des régions distantes - peu décrites dans la littérature, donc peu étudiées (Fisher 1992) - mécanismes encore mal connus (PPSI sur les pyramidales, Engel et al.) - analyse visuelle difficile (relations de précédence ?) Objectif - Interpréter les dynamiques et les transitions entre ces dynamiques Hippocampe Nécessité de modifier le modèle

43 Pyramidal cells Interneurons Données récentes de la littérature 2) Lactivité des interneurones somatiques (circuit GABA A,fast ) est contrôlée par celle des interneurones dendritiques (GABA A,slow ) (Banks, Neuron 2000) 1) La génération des activités dans la bande gamma est liée au comportement des interneurones (« inhibition-based rhythms ») (Traub, Jefferys, …, 1999) 3) Dans le modèle expérimental d épilepsie focale (acide kainate), laltération de l inhibition GABAergique n est pas uniforme - baisse de linhibition dendritique, accrois. inhibition somatique (Ben Ari, Nature Neurosc. 2000)

44 Extension du modèle Ref: Wendling et al., European J. Neurosc., 2002

45 Activités générées par le modèle / activités réelles

46 Résultats: pointes sporadiques Réel (hippocampe) Modèle Fréquence Temps

47 Résultats: activités quasi-sinusoïdales Réel (hippocampe) Modèle Fréquence Temps

48 Résultats: activités rapides Réel (hippocampe) Modèle Fréquence Temps

49 G:somatic inhibition B:dendritic inhibition A:excitation Exploration du modèle (excitation, inhibition D & S) (A,B,G)

50 Transition intercritique critique (1/3) G:somatic inhibition B:dendritic inhibition

51 Transition intercritique critique (2/3)

52 Transition intercritique critique (3/3)

53 Réel vs simulé

54 Interictal ictal transition: 2nd example

55 Discussion (1) - Niveau macroscopique du modèle (population) nature des signaux réels - Cette classe de modèles peut être spécifiquement adaptée à certaines structures cérébrales - Description de certains mécanismes neurophysiologiques (équilibre entre processus inhibiteurs et excitateurs) - Confrontation nécessaire aux données réelles obtenues grâce à la clinique ou à partir détudes expérimentales

56 Discussion (2) - Perspectives Modèle: - description des dynamiques impliquées dans la transition intercritque/critique - confirmation, chez lhomme, de résultats récents obtenus sur modèles animaux Méthodes de traitement de linformation : - Modèle à populations multiples - Identification des paramètres à partir des signaux réels Recherche clinique : - Meilleure compréhension de l'organisation de la Z.E. à lorigine des activités rapides - Identification de réseaux épileptogènes - Typologie des crises et des épilepsies Modèles Méthodes traitement de linformation Réseaux épileptogènes

57 Signal processing Model Simulated signal Real signal Model identification Relevance of model parameters evolution?

58 Questions...


Télécharger ppt "Intégration de modèles de dynamique neuronale et de sources d'activité pour l'interprétation du signal EEG. Application à l'épilepsie F. Wendling 1, J.M."

Présentations similaires


Annonces Google