Embed Size (px)
Citation preview
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 L’Image, INSERM 9934Université de Rennes 1, Campus de Beaulieu, 35042 Rennes Cedex, France
2 Laboratoire de Neurophysiologie et Neuropsychologie, Unité d’Epileptologie, INSERM 9926Université de la Méditerranée, 13385 Marseille Cedex 5, France
LTSI
Pharmacologie Sémiologie
Imagerie médicale (IRM, TDM,
Méd.nucléaire)
Epilepsies partielles
SEEGStéréoElectroEncéphaloGraphie
"Signaux de profondeur"
Processus cérébraux
EEG, MEG"Signaux de surface"
Signaux électro-magnétiques
Contexte
Exploration SEEG
Intracerebral multiple lead electrodes(lead: 0.8 mm, L 2mm)
SEEG explorationSEEG exploration
Interprétation des observationsIdentification des réseaux
épileptogènes
Experts(NeuroPhy)
Anatomie physiologieNeurologie
Patient kPatient j
Patient i
Observations(EEG, SEEG)
Donnéescliniques
Traitement du signalMéthodes descriptives des dynamiques locales
(détection, segmentation, caractérisation, classification) Méthodes descriptives des processus globaux
(mise en correspondance)
Plateforme coopérativeTraitement des signaux
Visualisation/Représentation
Modélisationdes dynamiques et des processus
Traitement des signaux EEG(mise en correspondance et mesures de relation)
De l’exploration SEEG au traitement des signaux
Monitoring video-eeg
Traitement du signalRelations statistiques
Méthodes d’estimation 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, …)
S1 S2
?Couplage statistique
Relationinter-structures
Exemple sur données réelles à partir de la station d ’analyse des signaux
biomédicaux :
Régression non linéaire
Périodecritique:
- Pas d’intéraction précoce avec leNCx
- Amygdale leader sur l’hippocampe
Résultats cliniques. Exemple (1/2)
Sous-type
mesial
Périodeintercritique:
h2 moyen 0.15
Résultats cliniques. Exemple (2/2)
Période intercritique :
h2 moyen 0.22
Période critique :
T2 “leader” sur l’amygdale
Sous-type
latéral-mésial
A
NCTX
H
A
NCTX
H
A
NCTX
H
A
NCTX
H
Classification des épilepsies temporales
Ref: Bartolomei et al., Clinical Neurophysiology, 2001.
Exemple sur données réelles à partir de la station d ’analyse des signaux
biomédicaux :
Mesure de relation en sous-bandes
Méthodes de suivi des relations en temps et en fréquence
)]([)].([
)](),(²[)(2
tYVARtXVAR
tYtXCOVr
maxmin
*22*2 )()](max[
rrr
Question : les relations statistiques s’établissent-elles sur des « rythmes » particuliers ?
Bande 1 2 1 2 1 2 1 2 fréquence 0f<2 2f<3.5 3.5f<5.5 5.5f<7.5 7.5f<9.9 9.9f<12.4 12.4f<18 18f<24 24f
Bandes de fréquence caractéristiques de l ’EEG
SEEG recording
1 sec
Seizure onset
Application à l ’analyse des « décharges rapides »
Wendling et al., Brain, 2003
Matériel - Méthode
• 10 patients (épilepsie frontale ou fronto-temporale)• 3 sites distants• Caractérisation énergie et relations (4 sous-bandes)
Exemple :
Résultats
• Décorrélation spatiale des signaux• Désynchronisation• Re-synchronisation
• // études récentes
Modélisation des signaux EEG
Interprétation physiologique des signaux EEG et SEEG
Relier les quantités mesurées sur les signaux SEEG aux mécanismes physiologiques sous-jacents à l’origine des activités paroxystiques
Difficultés :- Choix des quantités à mesurer et choix des méthodes d’estimation- Evaluation des performances statistiques des estimateurs candidats
- Relation entre estimées et mécanismes physiologiques
...?
?
Enregistrement SEEG
...
Modélisation
Modèle de populations neuronales couplées
Modèle de populations neuronales couplées
Zone épileptogène
Zone épileptogène
Méthodes de Traitement du
Signal
Méthodes de Traitement du
Signal
Choix/Évaluation des performances statistiques
Choix/Évaluation des performances statistiques
Approche méthodologique
Génération
Paramètres
Résultats
Meilleursecompréhension
Réseaux épileptogènes
Modèles de réseaux
Analyse de l’EEG
Amélioration
InterprétationInterprétation
Signaux EEG simulés
Signaux EEG simulés
signaux SEEG réels
signaux SEEG réels
Génération
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
Les classes de modèles
Modèles util isables dans le cadre de l ’analyse du signal EEG
Modèles “ externes ”Modèles “ physiologiques ”
(paramètres neurobiologiques)
1 neurone Réseau de neurones
Membranaires (axone) Cellule entière (compartimentaux)
Linéaires Non linéaires Populations de neurones
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 d’ordre N: « l’échantillon courant peut s’expliquer par la combinaison linéaire des N échantillons passés + bruit »:
• Identification des coefficients ai :- basée sur l’autocorrélation du signal- minimisation de l’erreur quadratique moyenne- différents algorithmes (récursivité)
• Champs d’application : analyse spectrale, détection, segmentation
][][...]2[]1[][ 21 kNksaksaksaks N
Exemples de signaux réels / signaux simulés
Signaux SEEG Réels
Signaux simulés
Modèles non linéaires
• Principes:- Systèmes dynamiques non linéaires (N.L.)- Utilisation d’oscillateurs N.L. génériques (Lorentz, Rössler, Van der Pol, ...)
• Utilisation récente dans le cadre de l’EEG: mesures d’interdépendances N.L. entre les signaux (Martinerie et al. 1998)
• Un exemple: Couplage de 2 oscillateurs. Evaluation de méthodes NL
Rössler
Lorentz
Modèles « physiologiquement pertinents »
Modèles util isables dans le cadre de l ’analyse du signal EEG
Modèles “ externes ”Modèles “ physiologiques ”
(paramètres neurobiologiques)
1 neurone Réseau de neurones
Membranaires (axone) Cellule entière (compartimentaux)
Linéaires Non linéaires Populations de neurones
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: 500-544)
David T. J. Liley et al. 1999
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):635-650, 1991.
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 l’inhibition• Ré-entrées• Mécanismes de synchronisation• Limites
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 100 000 synapses/neurone)
• Interactions au sein des réseaux dynamiques d’ensembles 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 »
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
Le modèle de Freeman (1/2)
Système olfactif (récepteurs bulbe olf. noyau olf. Ant. cortex prépyiforme)
Equation différentielle ordinaire du 2ème ordre
Le modèle de Freeman: résultats
W.J. Freeman, Simulation of chaotic EEG patterns with a Dynamic Model of the Olfactory System, Biol. Cyb., 1987
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
Main neuronal cells(pyramidal cells)
Inhibitoryinterneurons
Excitatoryinterneurons
(he , A)(hi , B)
(he , A)+ (he , A)
-+
+
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
Simulation de signaux EEG à partir d’un 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
Simulation de l’EEG à partir d’un 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
Evaluation des méthodes de traitement du signalS
ign
aux
sim
ulé
s
Couplage BIDIRECTIONNELCouplage UNDIRECTIONNEL
Gyrus Gyrus temporal temporal moyenmoyen
Gyrus Gyrus temporal temporal supérieursupérieurS
ign
aux
SE
EG
rée
ls
?? Degré / Direction
1
2
1
2
Couplage uni-directionnel versus couplage bi-directionnel
h2xy
Dxy
h2xy
Dxy
Bi-directionnelBi-directionnel
Uni-directionnelUni-directionnel
0
0
Ref: Wendling et al., Clinical Neurophysiology, 2001.
Equations
)()(2))()(()(
)()(
)()(2)]([)(
)()(
)()(2)()()()(
)()(
)()(2)]()([)(
)()(
62
7217
76
22
50345
52
12
4,..1
60124
41
02
3213
30
tyatyatytySaAty
tyty
tybtbytyCSCBbty
tyty
tyataytyKyCSCtpAaty
tyty
tyataytytyAaSty
tyty
nd
nd
nnd
n
nn
nnnn
nn
nn
niNi
iinnn
nn
nnnnn
nn
)(0
01
2)( vvre
evS
/).()( tte
Ktuth
Introduction d’un “retro-couplage”
Comparaison signaux simulés / signaux réels
Configuration initiale:- 3 populations- couplages unidirectionnels
Signaux réels
Transitions spontanées
Activité reflétée dans l’amygdale au début d’une crise (TLE)
Comparaison entre les signaux réels et simulés lorsque le rapport E/I est positionné sur une valeur frontière entre 2 types d’activité
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)?
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
Hip
po
ca
mp
e
Nécessité de modifier le modèle
Pyr
amid
al c
ells
Inte
rneu
ron
s
Données récentes de la littérature
2) L’activité des interneurones somatiques (circuit GABAA,fast) est contrôlée par celle des interneurones dendritiques (GABAA,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), l’altération de l ’inhibition GABAergique n ’est pas uniforme - baisse de l’inhibition dendritique, accrois. inhibition somatique (Ben Ari, Nature Neurosc. 2000)
Main neuronal cells(pyramidal cells)
Inhibitoryinterneurons
Excitatoryinterneurons
(he , A)(hi , B)
(he , A)+ (he , A)
-+
+
Extension du modèle
Ref: Wendling et al., European J. Neurosc., 2002
Activités générées par le modèle / activités réelles
Résultats: pointes sporadiques
Réel (hippocampe)ModèleFréquence
Temps
Résultats: activités quasi-sinusoïdales
Réel(hippocampe)
Modèle
Fréquence
Temps
Résultats: activités rapides
Réel(hippocampe)
Modèle
Fréquence
Temps
G:s
om
ati
c in
hib
itio
n
B:dendritic inhibition
A:excitation
Exploration du modèle (excitation, inhibition D & S)
(A,B,G)
Transition intercritique critique (1/3)
1 2 3 4
G:s
om
ati
c in
hib
itio
n
B:dendritic inhibition
123
4
Transition intercritique critique (2/3)
1 2 3 4
Transition intercritique critique (3/3)
Réel vs simulé
Interictal ictal transition: 2nd example
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 d’études expérimentales
Discussion (2) - Perspectives
Modèle:- description des dynamiques impliquées dans la transition intercritque/critique - confirmation, chez l’homme, de résultats récents obtenus sur modèles animaux
Méthodes de traitement de l’information :- Modèle à populations multiples- Identification des paramètres à partir des
signaux réels
Recherche clinique :- Meilleure compréhension de l'organisation de la Z.E. à l’origine des activités rapides
- Identification de réseaux épileptogènes- Typologie des crises et des épilepsies
Modèles
Méthodes traitement de l’information
Réseaux épileptogènes
Signal processing
Model
Simulated signal
Real signal
Model identification
Relevance of model parameters
evolution?
Questions ...
