Une approche modèle mixte pour la classification supervisée de signaux électrophysiologiques

auteurs

  • Spinnato Juliette
  • Roubaud Marie-Christine
  • Torrésani Bruno
  • Casini Laurence
  • Burle Boris

mots-clés

  • Supervised classification
  • Linear mixed-effects model
  • Discrete wavelets transform
  • EEG signals
  • Between-trials temporal variability
  • Error-negativity
  • Classification supervisée
  • Modèle linéaire mixte
  • Transformée en ondelettes discrète
  • Signaux EEG
  • Variabilité temporelle inter-essais
  • Onde d'erreur

type de document

COMM

résumé

La classification de données fortement bruitées et présentant une importante variabilité constitue un enjeu important. Les signaux électrophysiologiques (EEG) correspondent à ce type de données complexes. Pour une tâche cognitive étudiée, l'activité cérébrale associée présente une importante variabilité temporelle d'une répétition à une autre et le signal d'intérêt, de faible amplitude, est noyé dans un ensemble d'artefacts et de bruit. Nous proposons une procédure permettant de classer, chez un même sujet, deux types de signaux cérébraux à partir d'une modélisation par le modèle linéaire mixte gaussien. Ce travail s'inspire de la méthode présentée par Huang et al. (2008). Notre contribution réside d'une part dans une formalisation simplifiée de la modélisation et d'autre part dans l'introduction d'une transformation en ondelettes permettant une réduction de la dimension temporelle sans perte d'information. La procédure présentée est appliquée à la détection d'ondes d'erreurs au cours d'une tâche cognitive, et nous étudions la performance de notre méthode sur six sujets en comparant les résultats obtenus aux résultats d'une analyse factorielle discriminante.

article PDF

plus d'information