Détection et suppression en temps réel des artefacts de clignement de l’œil dans les signaux issus d'un électroencéphalogramme
Auteur / Autrice : | Ashvaany Egambaram |
Direction : | Christophe Stolz, Nasreen Badruddin, Eric Fauvet |
Type : | Thèse de doctorat |
Discipline(s) : | Génie électrique |
Date : | Soutenance le 10/06/2020 |
Etablissement(s) : | Bourgogne Franche-Comté en cotutelle avec Université de technologie de Petronas (1997-.... ; Seri Iskandar, Perak, Malaisie) |
Ecole(s) doctorale(s) : | École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....) |
Partenaire(s) de recherche : | Laboratoire : Imagerie et Vision Artificielle (ImVia) (Dijon) |
Etablissement de préparation : Université de Bourgogne (1970-....) | |
Jury : | Président / Présidente : Christophe Ducottet |
Examinateurs / Examinatrices : Eric Fauvet, Olivier Laligant | |
Rapporteurs / Rapporteuses : Valeriu Vrabie, Dro Désiré Sidibé |
Mots clés
Résumé
Parmi les artefacts contaminant les signaux d'électroencéphalogramme (EEG) les plus importants sont les clins d’oeuil qui pourraient potentiellement conduire à une mauvaise interprétation du signal EEG. La détection et la suppression en ligne des artefacts de clignement des yeux des signaux EEG sont essentielles dans des applications telles que les interfaces cerveau ordinateur (BCI), le neurofeedback et la surveillance de l’épilepsie. Dans cette thèse, des algorithmes qui combinent la détection non supervisée des artefacts de clignement des yeux (eADA) avec une décomposition en mode empirique améliorée (FastEMD) et une analyse de corrélation canonique (CCA) sont proposés, sous le nom de FastEMD-CCA2 et FastCCA, pour identifier automatiquement les artefacts de clignement des yeux et les supprimer en temps réel. Les algorithmes FastEMD-CCA2 et FastCCA sont comparés à la méthode FORCe. La précision, la sensibilité, la spécificité et le taux d’erreur moyens de suppression des artefacts de FastEMD-CCA2 sont respectivement de 97,9%, 97,65%, 99,22% et 2,1%, validés sur un ensemble de données Hitachi. Pour ces mêmes critères nous obtenons avec FastCCA une moyenne de 99,47%, 99,44%, 99,74% et 0,53% validés également sur l’ensemble de données Hitachi. Les algorithms FastEMD-CCA2 et FastCCA sont développés et mis en œuvre dans le langage de programmation C ++ pour étudier la vitesse de traitement qu’ils pourraient atteindre en cas d’implémentation embarquée. L’analyse a montré que FastEMD-CCA2 et FastCCA ont pris respectivement environ 10,7 et 12,7 millisecondes, en moyenne, pour traiter un segment d’EEG de 1 seconde. Cela en fait une solution realisable pour les applications nécessitant la suppression en temps réel des clins d’oeuil dans les signaux EEG.