Les 5 principes fondamentaux de l'EEG 101 : collecte, traitement et analyse des données

Découvrez les principes fondamentaux de l’EEG dans le guide « 5 Basics of EEG 101 », qui aborde les aspects essentiels de la collecte, du traitement et de l’analyse des données. Ce guide complet offre des informations utiles aux chercheurs et aux professionnels du domaine des neurosciences.

Lorsqu’il s’agit d’analyser des données EEG, on peut facilement se sentir dépassé par la grande diversité des étapes de prétraitement, qui exigent toutes de prendre des décisions éclairées quant à leurs effets potentiels sur les données.

Dans cet article, nous souhaitons mettre en lumière cinq aspects essentiels au traitement des données EEG.

1) Mener des projets pilotes

Les expériences EEG nécessitent une préparation minutieuse. Vous devez préparer les participants, consacrer du temps à la mise en place du matériel et effectuer des tests préliminaires. Vous ne voulez certainement pas que votre expérience EEG échoue en cours de route ; c’est pourquoi, avant de mener une étude à grande échelle avec 100 participants, commencez modestement et organisez quelques séances pilotes afin de vérifier que tout fonctionne correctement.

• Les stimuli sont-ils présentés dans le bon ordre ?
• La souris et le clavier fonctionnent-ils correctement ?
• Les participants ont-ils bien compris les instructions ?
• Recevez-vous des signaux ?

Une fois que vous aurez réglé ces questions, vous serez prêt à passer à la collecte et à l’analyse des données proprement dites.

2) « Rien ne remplace des données fiables »

Ces sages paroles du professeur Steve Luck (UC Irvine) méritent d’être gardées à l’esprit chaque fois que vous enregistrez et pré-traitez des données EEG afin d’en extraire les paramètres d’intérêt.

À ce jour, il n’existe aucun algorithme capable de corriger des données mal enregistrées, et il est tout simplement impossible de nettoyer ou de traiter ces données de manière à modifier le signal comme par magie. Il faut donc toujours partir de données correctement enregistrées.

Les systèmes d’EEG proposent généralement des indicateurs de qualité logiciels ou matériels, tels que des panneaux d’impédance, qui permettent de visualiser graphiquement l’impédance de chaque électrode.

Des valeurs d’impédance faibles sont synonymes d’une haute qualité d’enregistrement (une faible impédance indique que le signal enregistré reflète les processus se déroulant à l’intérieur de la tête plutôt que des interférences provenant de l’environnement).
Des données fiables permettent d’apporter des réponses claires à vos questions de recherche !

3) Prendre des décisions éclairées

Les données EEG peuvent être enregistrées et analysées de nombreuses façons différentes, et ce n’est pas seulement le traitement lui-même qui importe, mais aussi l’ordre dans lequel il est effectué (un exemple illustrant l’importance de l’ordre des étapes de prétraitement est présenté dans Bigdely-Shamlo et al., 2015). Toutes les techniques de traitement du signal modifient les données dans une certaine mesure, et le fait d’être conscient de leur impact sur les données aide incontestablement à choisir celles qui conviennent le mieux.

L’expression « prendre des décisions éclairées » est la clé : si vous hésitez sur les méthodes à choisir, consultez la littérature existante bien documentée. Vous trouverez très certainement des conseils précieux dans les articles de recherche scientifique ou même dans les « traditions de laboratoire » de votre équipe.

En vous assurant que les méthodes choisies produisent les résultats escomptés, vous pouvez optimiser les normes de la recherche scientifique telles que l’objectivité, la fiabilité et la validité. Vous pouvez vérifier cela en visualisant les résultats obtenus dans le logiciel dans lequel vous effectuez votre analyse, après avoir modifié les étapes de prétraitement ou les paramètres correspondants.

Processus recommandé pour l’analyse temps-fréquence :

4) Atténuer ou supprimer les artefacts

Les données EEG contiennent des éléments pertinents et d’autres qui ne le sont pas. Par exemple, on peut s’intéresser aux potentiels liés à un événement, synchronisés avec l’apparition d’un stimulus visuel spécifique. Si le participant cligne des yeux à ce moment précis, l’EEG risque de ne pas refléter les processus corticaux liés à la perception du stimulus à l’écran.

En tant qu’expert en EEG, vous pourriez être tenté d’exclure cet essai de l’analyse, car les données EEG ne contiennent pas d’informations pertinentes. Cependant, si des clignements de paupières se produisent systématiquement au moment de l’apparition du stimulus tout au long de l’expérience, cela pourrait révéler des informations intéressantes.

Il se peut que le participant évite de regarder une image qu’il juge potentiellement menaçante. Le fait d’écarter tous les essais au cours desquels des clignements de paupières sont observés entraîne en effet une réduction drastique du volume de données (il pourrait très bien arriver qu’il ne reste plus que 10 essais sur 100 – imaginez un peu !).

Par conséquent, des méthodes d’atténuation fondées sur des techniques statistiques telles que la régression, l’interpolation ou l’analyse en composantes indépendantes pourraient s’avérer plus appropriées. Dans ce cas, les portions de données contaminées sont remplacées par des données interpolées à partir des canaux de données ou des points temporels environnants (sur l’image ci-dessous, les lignes rouges représentent le signal corrigé).

Malheureusement, le débat sur la question de savoir s’il faut atténuer ou rejeter les artefacts fait toujours rage au sein de la communauté scientifique, et vous devrez peut-être déterminer quelles procédures permettent d’obtenir le signal de sortie souhaité.

Cependant, l’association de l’EEG du cuir chevelu à d’autres capteurs, tels que des oculomètres, des électrodes EMG ou ECG, permet de recueillir des données sur des processus physiologiques, comme les clignements des yeux et les mouvements musculaires des membres ou du cœur, grâce à d’autres modalités, ce qui facilite l’identification de leur interférence dans les données EEG.

5) Choisissez les bonnes statistiques

Lors de la conception et de l’analyse d’une expérience EEG, il est toujours recommandé de fonder vos procédures sur des données connues. Vous n’aurez certainement aucun mal à expliquer les effets observés si vous pouvez relier vos résultats à des publications existantes largement citées dans lesquelles une procédure statistique comparable a été utilisée.

Comme indiqué plus haut, il est également important de prendre des décisions éclairées lorsqu’il s’agit de choisir les procédures statistiques appropriées. Si vous envisagez d’étudier les potentiels évoqués (ERP), il peut être utile d’examiner de plus près les latences et les amplitudes des pics observés sur les tracés ERP à certains emplacements d’électrodes.

En revanche, si vous vous intéressez aux mesures basées sur les fréquences, telles que la puissance des bandes thêta, alpha et bêta, vous vous concentrerez plutôt sur l’examen de la fréquence maximale ou de la puissance cumulée au sein de la bande qui vous intéresse (voir ici pour plus d’informations sur l’outil d’analyse de la densité spectrale de puissance EEG d’iMotions – EEG R Notebooks).

Les indicateurs EEG tels que « Workload » (Advanced Brain Monitoring B-Alert) ou « Focus » (Emotiv EPOC) s’appuient soit sur des caractéristiques du domaine temporel, soit sur celles du domaine fréquentiel des données EEG, et peuvent également être analysés en fonction des amplitudes maximales ou des latences par rapport au début d’un événement donné.

Les techniques d’analyse peuvent aller de simples tests t à des analyses de variance (ANOVA) plus complexes, en passant par des procédures non paramétriques telles que le bootstrapping ou les techniques de randomisation. Veillez toutefois à bien choisir au préalable en fonction de votre contexte, de l’objectif de votre recherche, etc.

Heureusement, la complexité liée à la réalisation et à l’analyse d’expériences EEG peut être considérablement simplifiée en effectuant des essais préliminaires, en collectant des données de qualité et en prenant des décisions éclairées tout au long du processus de prétraitement et d’analyse statistique des données.

N’hésitez pas à nous contacter chez iMotions si vous souhaitez enrichir vos travaux de recherche grâce à l’EEG et à d’autres capteurs physiologiques. Nous serons ravis de vous fournir les outils et les informations nécessaires pour vous permettre de commencer à collecter des données de haute qualité en un rien de temps ! Contactez-nous ici

Cliquez ici pour en savoir plus sur la recherche universitaire ou la recherche commerciale !

Foire aux questions

Qu’est-ce que les données EEG ?

Les données EEG (électroencéphalogramme) désignent l’activité électrique du cerveau enregistrée sur une période donnée. Cette activité est captée à l’aide d’électrodes placées sur le cuir chevelu, qui détectent les variations électriques infimes résultant de l’activité synchronisée des réseaux neuronaux. Les données EEG peuvent fournir des informations sur différents états de conscience, les processus cognitifs et d’éventuelles anomalies neurologiques.

Qui analyse les résultats de l’EEG ?

Les résultats des EEG sont généralement analysés par des neurologues ou des techniciens spécialisés en EEG. En milieu clinique, un neurologue interprète ces données afin de diagnostiquer ou de suivre des troubles neurologiques tels que l’épilepsie, les troubles du sommeil ou d’autres problèmes liés au cerveau. Dans le cadre de la recherche, des neuroscientifiques, des psychologues ou d’autres chercheurs spécialisés peuvent analyser les données d’EEG pour étudier le fonctionnement du cerveau, les processus cognitifs ou le comportement.

Pour ces professionnels dévoués et ces étudiants en herbe, la formation continue et l’accès aux connaissances fondamentales sont essentiels. Pour approfondir vos connaissances et vous assurer de disposer des meilleures ressources, consultez notre guide des ouvrages incontournables sur l’EEG.

Comment les données EEG sont-elles présentées ?

Les données EEG sont généralement représentées sous la forme d’une série de courbes sur un graphique, où l’axe des x représente le temps et l’axe des y représente la tension ou l’amplitude des ondes cérébrales. Ces courbes peuvent varier en fréquence et en amplitude, et différents motifs peuvent être associés à des états ou à des activités cérébrales spécifiques.

Les données peuvent être affichées sous forme de courbes brutes, ou être traitées afin de mettre en évidence des fréquences ou des schémas spécifiques. De plus, dans certaines présentations avancées, les données EEG peuvent être associées à des techniques d’imagerie pour créer des cartes cérébrales qui mettent en évidence l’activité dans différentes régions.

Conclusion

L’analyse des données EEG peut s’avérer une tâche ardue compte tenu de la multitude d’étapes de prétraitement qu’elle implique. Cet article met en avant cinq aspects essentiels au traitement des données EEG :

Réaliser des essais pilotes : avant de lancer une étude EEG à grande échelle, il est indispensable de mener des séances pilotes afin de tester le système, de s’assurer que les stimuli sont présentés correctement et de vérifier que les participants comprennent bien les instructions.

« Rien ne remplace des données fiables » : en reprenant les propos du professeur Steve Luck de l’université de Californie à Irvine, l’article souligne l’importance d’une collecte de données de qualité. Aucune technologie ni aucun algorithme ne peut rattraper des données mal enregistrées, d’où l’importance cruciale de commencer par des enregistrements précis. Les systèmes sont généralement équipés d’indicateurs, tels que des panneaux d’impédance, permettant de visualiser la qualité des données.

Prendre des décisions éclairées : les méthodes d’enregistrement et d’analyse des données EEG peuvent varier, et l’ordre des étapes de traitement peut influencer les résultats. Se familiariser avec les implications des différentes techniques de traitement et consulter la littérature existante peut aider à prendre des décisions éclairées.

Atténuer ou rejeter les artefacts : les données EEG contiennent souvent des informations non pertinentes ou du « bruit ». Par exemple, un clignement des yeux pendant la présentation d’un stimulus peut perturber les données. Cet article explore le débat actuel sur la question de savoir s’il faut atténuer (corriger) ou rejeter ces artefacts. Il aborde également l’intérêt d’utiliser d’autres capteurs, tels que des oculomètres et des électrodes ECG, pour identifier les perturbations potentielles dans les données EEG.

Optez pour les statistiques appropriées : l’élaboration d’analyses s’appuyant sur la littérature existante peut aider à comprendre les effets observés. Le choix des procédures statistiques dépend de l’objectif de l’étude, qu’il s’agisse de potentiels évoqués ou de mesures basées sur la fréquence. Diverses techniques d’analyse sont disponibles, allant des simples tests t à des procédures plus complexes.