Découvrez comment l’EEG ambulatoire permet de faire sortir la recherche sur le cerveau des laboratoires pour l’amener dans des contextes réels, offrant ainsi aux chercheurs la possibilité d’étudier l’activité neuronale au cours de comportements naturels. Cet article explore les compromis entre mobilité et bruit du signal, et explique comment une conception expérimentale rigoureuse et des méthodes d’analyse appropriées permettent de transformer des données cérébrales brutes issues de la vie quotidienne en informations pertinentes.
Table of Contents
C’est un principe scientifique bien établi : pour comprendre quelque chose, il faut d’abord le mesurer. Les tentatives visant à comprendre le comportement humain peuvent passer par la mesure de divers signaux physiologiques, mais pour se rapprocher du cerveau, il faut disposer d’équipements permettant d’enregistrer son activité.
Il existe plusieurs appareils de neuroimagerie, mais aucun d’entre eux n’offre une résolution temporelle aussi élevée que l’EEG. Bien que le niveau de détail des informations visuelles obtenues ne soit pas aussi élevé que celui d’autres techniques de neuroimagerie (telles que l’IRMf, ou imagerie par résonance magnétique fonctionnelle), sa résolution temporelle, associée à sa portabilité, à son coût relativement abordable et à sa facilité d’utilisation, fait de l’EEG l’une des méthodes de neuroimagerie les plus couramment utilisées, voire la plus courante.
L’EEG est souvent utilisé dans des conditions expérimentales strictement contrôlées, c’est-à-dire dans des situations où les données sont recueillies pendant une durée déterminée, avec un minimum de mouvements et des stimuli clairement définis. Si cette méthode s’est avérée idéale pour évaluer l’activité cérébrale dans des contextes spécifiques, une approche différente s’impose parfois.
L’EEG ambulatoire est une méthode qui permet de recueillir des données EEG sur une longue période (pouvant aller de quelques heures à plusieurs jours) dans des conditions de vie quotidiennes. Cela signifie non seulement que le volume de données sera plus important, mais aussi que les mouvements seront plus nombreux et que (probablement) un large éventail de facteurs interdépendants viendra influencer ces données.
Quelles sont les indications de l’EEG ambulatoire ?
L’EEG ambulatoire est généralement réalisé pour les raisons suivantes :
- Détection et surveillance de l'épilepsie
- Enquêtes sur les saisies
- Études du sommeil
- Recherche sur les comportements naturels (par exemple, études sur les consommateurs, études sur l'interaction des utilisateurs)
Les deux premiers exemples relèvent principalement de considérations médicales : le recours à des méthodes ambulatoires vise à détecter ou à mesurer une activité neurologique anormale tout au long de la journée. Les deux derniers s’attachent davantage à comprendre comment les processus cérébraux évoluent au fil du temps chez une population normale (et éventuellement dans différents contextes également).
Nous aborderons ci-dessous plus en détail la manière dont les processus cérébraux liés aux comportements naturels peuvent être mesurés à l’aide d’un EEG ambulatoire, ainsi que les pièges courants liés à la collecte et à l’analyse des données.
Comment ça marche ?
Dans de nombreux cas, l’EEG ambulatoire se déroule essentiellement de la même manière qu’une séance d’EEG classique : on place un casque d’EEG sur la tête du participant, les électrodes sont mises en contact avec la peau à l’aide d’un gel conducteur, la conductance est vérifiée, puis l’ensemble du dispositif est contrôlé dans le logiciel associé.
Bien qu’il existe des similitudes importantes, il existe également des différences notables. Alors que certaines configurations d’EEG nécessitent un équipement difficile (voire impossible) à déplacer facilement, l’EEG ambulatoire requiert des appareils offrant une grande liberté de mouvement et une bonne portabilité. Tout participant portant un casque EEG pendant une certaine durée doit pouvoir se déplacer sans entrave et se sentir à l’aise dans ses mouvements.
Il convient d’examiner plus en détail la question des données : non seulement leur destination (la collecte de volumes considérables de données exige bien sûr un stockage efficace), mais aussi la manière dont elles sont collectées. Dans de tels contextes, les participants sont souvent amenés à se déplacer, ce qui introduit du bruit et des artefacts dans les signaux.
Le signal et le bruit
Le bruit sera toujours présent dans pratiquement toutes les mesures, qu’il s’agisse de l’acquisition de données EEG ou de tout autre type de mesure (même si l’EEG est particulièrement sensible à la présence de bruit). Le niveau de bruit peut être infime, mais on s’attend toujours à ce qu’il y en ait un certain. Atténuer (et éventuellement filtrer) le signal pour le séparer du bruit constitue donc un élément essentiel de toute analyse de données.
Ce phénomène est encore plus marqué lors des enregistrements EEG ambulatoires, au cours desquels le participant peut se déplacer ou effectuer d’autres mouvements susceptibles de perturber la position des électrodes sur la tête. Comme vous pouvez le constater sur l’image d’un enregistrement EEG ci-dessous, cela peut avoir de graves répercussions sur la qualité des données.
Cela ne veut pas dire qu’il ne faut pas collecter de données dans les situations où les gens doivent se déplacer, mais simplement qu’une nouvelle stratégie s’impose.
Il existe deux principales façons d’atténuer ce problème. La première relève de la conception expérimentale, l’autre de l’analyse des données.
Protocole expérimental pour l’EEG ambulatoire
Pour contourner le problème des données bruitées, la meilleure approche consiste souvent à réserver des plages temporelles « sans artefacts » dans l’enregistrement. Par exemple, un scénario courant pour l’EEG ambulatoire consiste à enregistrer les données EEG d’un participant pendant qu’il se déplace et interagit avec des objets (pensez à une étude sur le comportement d’achat dans un supermarché ou à une étude sur le développement chez les enfants). Bien qu’il puisse y avoir beaucoup de mouvements à certains moments de l’enregistrement, l’analyse se concentre sur les moments exempts d’artefacts.
La conception expérimentale permet donc de s’assurer qu’il y ait des moments de faible activité à enregistrer — par exemple, lorsqu’un participant s’arrête pour regarder un rayon de supermarché, ou lorsqu’un enfant est (enfin !) immobile.
Cela soulève également la question de savoir quel matériel d’EEG est le mieux adapté aux environnements ambulatoires. Les casques Neuroelectrics présentent l’avantage d’être équipés d’un bonnet, ce qui limite quelque peu les mouvements des électrodes. Ils peuvent également être équipés de différents types d’électrodes, ce qui peut faciliter la mise en place ou améliorer la qualité du signal.
Les casques ABM (Advanced Brain Monitoring) peuvent également être portés de manière mobile et les données collectées via une connexion Bluetooth, bien qu’ils ne soient pas intégrés à un bonnet.
Les mesures répétées, dans lesquelles les participants sont exposés au même stimulus et où différentes parties des données peuvent être recueillies à chaque fois, permettent d’obtenir une image complète des réponses neuronales tout au long de la durée d’exposition au stimulus.
Cela signifie, par exemple, que les données EEG correspondant aux 10 premières secondes de la première exposition au stimulus pourraient être complétées par les 10 secondes suivantes issues de la deuxième exposition au stimulus. En calculant la moyenne sur un nombre suffisant d’essais et de participants, il est possible d’obtenir une vue d’ensemble fiable des réponses des participants.
Cela vaut également pour les plans d’expérience intra-participants : il est plus pertinent de comparer des éléments similaires au sein d’une même expérience. En substance, cela signifie qu’il est plus pertinent de comparer les réactions des participants au stimulus A avec leurs réactions au stimulus B que de comparer les réactions de deux groupes de participants différents.
Toutes ces approches exigent toutefois que des efforts soient également consentis dans un autre domaine de l’étude : l’analyse.
Méthodes d’analyse de l’EEG ambulatoire
Il est évident que la collecte de données EEG dans un environnement en constante évolution sur une certaine période représente un véritable défi. Des interférences provenant de diverses sources peuvent facilement se glisser dans les mesures.
La première étape de l’analyse des données consiste souvent en une inspection visuelle : il se peut que les seules données affectées par le bruit proviennent de moments de l’expérience (ou d’électrodes) qui ne font pas l’objet de l’étude (par exemple, lorsque l’enfant ne prête pas attention aux stimuli ou lorsque la personne se déplace entre les rayons). Ces parties bruitées des données sont simplement supprimées.
Si le bruit persiste dans les parties importantes des données, l’étape suivante consiste à appliquer un filtrage. Le filtrage est particulièrement efficace lorsque le bruit se situe dans des fréquences très basses (inférieures à 1 Hz) ou très hautes (supérieures à 50 Hz) – des fréquences qui ne présentent généralement pas d’intérêt pour l’étude.
Dans ce cas, on peut appliquer aux données un filtre passe-haut (qui élimine les artefacts en dessous d’une fréquence de coupure) ou un filtre passe-bas (qui élimine les artefacts au-dessus d’une fréquence de coupure). Par exemple, si l’objet de la recherche porte sur l’activité alpha (c’est-à-dire l’activité dans la gamme de fréquences comprise entre 8 et 12 Hz), le bruit à haute fréquence peut souvent être éliminé sans risque à l’aide d’un filtre passe-bas.
Les artefacts sont-ils pris en charge dans iMotions ? Dans iMotions, il est important de faire la distinction entre le traitement des « données brutes » et celui des « mesures ». Les utilisateurs qui se servent d’iMotions comme outil d’enregistrement exportent les « données brutes » pour les traiter ensuite dans des logiciels EEG spécialisés, tels que EEGLAB, Fieldtrip, BCILAB, BESA ou Cartool.
Ainsi, l’utilisateur a le contrôle total (et assume l’entière responsabilité) du traitement du signal appliqué aux données. D’autres utilisateurs travaillent avec des « indicateurs », qui sont fournis soit par le matériel (pour ABM ou Emotiv), soit par iMotions (par exemple, « asymétrie frontale »). Dans ce cas, le nettoyage du signal est déjà pris en charge lors du calcul des indicateurs.
Conclusion
L’EEG ambulatoire offre la possibilité de comprendre le fonctionnement du cerveau dans des environnements réalistes et dynamiques. Cela s’accompagne toutefois (souvent) d’une baisse de la qualité des données. Ce phénomène n’est malheureusement pas tout à fait évitable, mais avec une approche expérimentale, une configuration de l’étude et un traitement des données adaptés, ses effets peuvent être atténués. Cela signifie qu’il est possible de mener à bien des recherches naturalistes.
Si les méthodes décrites ci-dessus peuvent faciliter le traitement des données issues d’expériences d’EEG ambulatoire, l’aspect le plus important et le plus utile de toute expérience (ambulatoire ou non) réside dans la mise en place d’une phase pilote avant de l’étendre à un plus grand nombre de participants. Tester le test est essentiel à la réussite de la recherche, car cela permet de comprendre ce qui fonctionne et ce qui ne fonctionne pas.
J’espère que vous avez apprécié cet article sur ce qu’est l’EEG ambulatoire et son fonctionnement. Si vous souhaitez en savoir plus sur l’EEG, téléchargez notre guide gratuit ci-dessous.