Combinaison de l'électroencéphalographie et de l'imagerie par résonance magnétique fonctionnelle pour le neurofeedback

Combining electroencephalography and functional magnetic resonance imaging for neurofeedback

• Auteur / Autrice : Lorraine Perronnet
• Direction : Christian Barillot, Anatole Lécuyer
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 07/09/2017
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : ComuE : Université Bretagne Loire (2016-2019)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en informatique et systèmes aléatoires (Rennes) - VisAGeS

Mots clés

Mots clés contrôlés

Électroencéphalographie

Neurofeedback

Mots clés libres

Neurofeedback

EEG

Imagerie par résonance magnétique fonctionnelle

Rééducation cérébrale

Multimodal

Neurofeedback

Electroencephalography

Functional magnetic resonance imaging

Brain rehabilitation

Multimodal

Résumé

Le neurofeedback (NF) est une technique consistant à renvoyer à un individu des informations sur son activité cérébrale en temps réel, lui permettant ainsi d'apprendre à mieux en contrôler certains aspects pour la réorganiser de manière durable. Des effets spécifiques sur les fonctions émotionnelles, cognitives ou comportementales du sujet sont supposés accompagner l'entraînement par NF, ce qui fait du NF une technique prometteuse pour la rééducation du cerveau de patients souffrant de troubles neurologiques ou psychiatriques et pour l'optimisation de la performance chez les sujets sains. Le NF a été étudié comme outil de rééducation cérébrale dans un grand nombre de troubles neurologiques et psychiatriques. Pourtant, son déploiement au sein de l'arsenal thérapeutique est restreint par le manque de preuves concluantes sur sa réelle efficacité. Les limitations inhérentes aux modalités de mesures de l'activité cérébrale pourraient être une des raisons à l'origine de cette efficacité débattue. En effet, la plupart des approches de NF reposent sur l'exploitation d'un seul type de modalité, l'EEG et l'IRMf étant les plus répandues. Alors que l'EEG est peu coûteux et bénéficie d'une haute résolution temporelle (milliseconde), sa résolution spatiale (quelques centimètres) est limitée par la conduction volumique de la tête et le nombre d'électrodes employées. De plus, la localisation de sources à partir de l'EEG est imprécise du fait qu'elle constitue un problème inverse mal posé. De manière complémentaire, l'IRMf rend possible l'auto-régulation de régions cérébrales spécifiques avec une haute résolution spatiale (millimètres) mais pâtit d'une faible résolution temporelle (seconde). La combinaison de l'EEG et de l'IRMf s'est révélée fructueuse dans l'étude des fonctions cérébrales chez l'homme, pourtant elle a rarement été exploitée pour des applications de NF. Dans le cadre du NF, elle permet d'évaluer et de valider différents paradigmes de manière transmodale. Mais surtout, elle ouvre un champ de possibilités pour le développement de nouvelles approches de NF qui mélangeraient les deux modalités, soit à l'étape de calibration soit pour produire un signal de NF bimodal. La combinaison de l'EEG et de l'IRMf pose de nombreux défis relatifs à la physiologie, au design expérimental, à la qualité des données, ainsi qu'à leur analyse/intégration et leur interprétation. Ces défis sont d'autant plus grands si l'EEG et l'IRMf sont destinés à être utilisés simultanément pour le calcul du signal de NF, du fait de la contrainte de temps-réel et de la difficulté de définir des tâches expérimentales compatibles avec les natures divergentes de l'EEG et de l'IRMf. La partie théorique de cette thèse vise à identifier les aspects méthodologiques qui diffèrent entre le NF-EEG et le NF-IRMf ainsi qu'à examiner les motivations et les stratégies pour combiner l'EEG et l'IRMf dans le cadre du NF. Parmi ces différentes stratégies de combinaison, nous avons choisi de nous focaliser sur le NF-EEG-IRMf bimodal car il apparaît comme une approche prometteuse et n'a quasiment pas été étudié. La faisabilité de cette approche a récemment été démontrée, faisant ainsi place à un tout nouveau champ d'investigation. Cette thèse vise à répondre aux questions suivantes : quelle est la valeur ajoutée du NF bimodal par rapport au NF unimodal ; existe-t-il des mécanismes spécifiques engagés lorsqu'un individu apprend à contrôler deux signaux de NF ; comment intégrer l'EEG et l'IRMf pour produire un seul feedback ? La partie expérimentale de cette thèse se focalise donc sur le développement et l'évaluation de méthodes de NF-EEG-IRMf. Afin de conduire des expériences de NF bimodal, nous commençons par mettre en place une plateforme EEG-IRMf temps-réel. Ensuite, dans une première étude, nous comparons les effets du NF-EEG-IRMF, du NF-EEG et du NF-IRMf. Enfin, dans une seconde étude nous proposons et évaluons deux types de feedbacks intégrés pour le NF-EEG-IRMf.

NF is the process of feeding back real-time information to an individual about his/her ongoing brain activity, so that he/she can train to self-regulate neural substrates of specific behavioral functions. NF has been extensively studied for brain rehabilitation of patients with psychiatric and neurological disorders. However its effective deployment in the clinical armamentarium is being held back by the lack of evidence about its efficacy. One of the possible reason for the debated efficacy of current approaches could be the inherent limitations of single imaging modalities. Indeed, most NF approaches rely on the use of a single modality, EEG and fMRI being the two most widely used. While EEG is inexpensive and benefits from a high temporal resolution (millisecond), its spatial resolution (centimeters) is limited by volume conduction of the head and the number of electrodes. Also source localization from EEG is inaccurate because of the ill-posed inverse problem. In a complementary way, fMRI gives access to the self-regulation of specific brain regions at high spatial resolution (millimeter) but has low temporal resolution (second). Combined EEG-fMRI has proven much valuable for the study of human brain function, however it has rarely been exploited for NF purpose. In the context of NF, combining EEG and fMRI enables cross-modal paradigm evaluation and validation. But more interestingly it opens up avenues for the development of new NF approaches that would mix both modalities, either at the calibration phase or to provide a bimodal NF signal. Combined EEG-fMRI poses numerous challenges with regard to basic physiology, study design, data quality, analysis/integration and interpretation. These challenges are even greater if EEG and fMRI are both to be used simultaneously for online NF computation, because of the real-time constraint and the difficulty to find a task design compatible with EEG and fMRI' diverging natures. The theoretical part of this PhD dissertation aims at identifying methodological aspects that differ between EEG-NF and fMRI-NF and at examining the motivations and strategies for combining EEG and fMRI for NF purpose. Among these combination strategies, we choose to focus on bimodal EEG-fMRI-NF as it seems to be one of the most promising approach and is mostly unexplored. The feasibility of this approach was recently demonstrated and opened an entire new field of investigation. First and foremost, we would like to address the following questions: what is the added value of bimodal NF over unimodal NF; are there any specific mechanisms involved when learning to control two NF signals simultaneously; how to integrate EEG and fMRI to derive a single feedback ? The experimental part of this PhD dissertation therefore focuses on the development and evaluation of methods for bimodal EEG-fMRI-NF. In order to conduct bimodal NF experiments, we start by building up a real-time EEG-fMRI platform. Then in a first study, we compare for the first time bimodal EEG-fMRI-NF with unimodal EEG-NF and fMRI-NF. Eventually, in a second study, we introduce and evaluate two integrated feedback strategies for EEG-fMRI-NF.