Letteratura scientifica selezionata sul tema "EEG, électroencéphalogramme"

Introduction : L'épilepsie figure parmi les affections neurologiques chroniques graves et courantes affectant les personnes de tout âge. Dans cette étude, les objectifs étaient d’estimer la fréquence brute, de décrire les caractéristiques épidémio-cliniques et paracliniques de l’épilepsie chez les adolescents auprès du Centre de Neurologie d’Antananarivo (CNA), Madagascar. Méthodes : Une étude descriptive, retrospective et transversale était menée allant du 12 Juin 2020 au 02 Mars 2021 dans le CNA. Elle incluait les adolescents de 12 à 18 ans ayant effectué un électroencéphalogramme (EEG) dans le CNA et diagnostiqués comme épileptiques après une interprétation effectuée par un neurologue. Résultats : Cent trente-trois adolescents (96,8‰) étaient inclus. L’âge moyen était de 14,47 ans avec un sex-ratio de 1,14. Les crises épileptiques débutaient entre 12 à 18 ans dont 30,83% avaient un antécédent familial d’épilepsie. Les crises généralisées (53,38%) dominaient la clinique. Les décharges focalisées (78,95%) dans la région frontale étaient les plus fréquentes à l’EEG. L’épilepsie absence de l’adolescent était les plus rencontrées dans (7,52%) des cas. L’épilepsie d’origine indeterminée prédominait dans 80,45% des cas. Conclusion : L’épilepsie chez les adolescents est fréquente. La recherche étiologique reste difficile à Madagascar par le manque de ressource pour réaliser les investigations plus approfondies. Introduction: Epilepsy is one of the serious and common chronic neurological conditions affecting people of all ages.. In this study, the objectives were to estimate the raw frequency, to describe the clinical and paraclinical characteristics of epilepsy in adolescents at the Neurology Center of Antananarivo (NCA), Madagascar. Methods: A descriptive, retrospective, and cross-sectional study was conducted from June 12, 2020, to March 2, 2021, in the NCA. It included adolescents aged 12 to 18 with performed an electroencephalogram (EEG) in the NCA and were diagnosed as epileptic after interpretation by a neurologist. Results: One hundred and thirty-three adolescents (96.8‰) were included. The mean age was 14.47 years with a sex ratio of 1.14. Epileptic seizures began between 12 and 18 years of age, and 0.83% had a family history of epilepsy. Generalized seizures (53.38%) dominated the clinic. Focused discharges (78.95%) in the frontal region were the most frequent on the EEG. Adolescent absence epilepsy was the most encountered in (7.52%) cases. Epilepsy of undetermined origin predominated in 80.45% of cases. Conclusion : Conclusion: Epilepsy in adolescents is common. Etiological research remains difficult in Madagascar due to the lack of resources to carry out more in-depth investigations.

Dans une enquête sur le modèle de cohérence interhémisphérique (CIh) dans la désensibilisation et le retraitement par les mouvements oculaires (EMDR) et les effets des mouvements oculaires bilatéraux (MOB), 30 sujets ont été exposés à un point fixe, à un point clignotant vert/rouge ou à des MOB alternés pendant la visualisation d'un souvenir agréable. On a mesuré ensuite les électroencéphalogrammes (EEG) lors d'une étape de traitement où les participants avaient les yeux fermés. Les analyses n'ont pas révélé d'amélioration significative de la CIh pour la condition MOB, mais des augmentations importantes dans la cohérence MOB intrahémisphérique des EEG des ondes delta et bêta basses dans les zones frontales droites et gauches, respectivement, et une augmentation tendancielle dans la cohérence MOB des ondes bêta basses de la zone frontale droite. On a eu recours à la neuro-imagerie LORETA afin de visualiser les changements significatifs d'amplitude correspondants aux effets de cohérence observés. Nous exposons ici la signification fonctionnelle de ces effets de cohérence intrahémisphérique et nous suggérons d'étendre le modèle CIh à la cohérence corticale.

Les interfaces cerveau-machine visent à établir un lien de communication entre le cerveau et un système externe à ce dernier. Les électroencéphalogrammes (EEG), dans ce contexte, ont l’avantage d’être non invasifs. Par contre, l’information sensorielle qui se retrouve dans un signal EEG est beaucoup moins ciblée que dans un signal neuronal acquis par une méthode invasive. De plus, étant donné que le cortex auditif est situé dans des repliements du tissu cortical, les neurones qui déchargent, suite à un stimulus auditif, sont parallèles à la surface corticale sur laquelle les EEG sont enregistrés. Par conséquent, l’information auditive qui se retrouve dans le canal EEG situé vis-à-vis du cortex auditif est faible. L’objectif principal de ce projet de recherche consiste donc à étudier la répartition de l’information auditive dans l’ensemble des canaux EEG. Pour ce faire, nous utilisons deux approches. Dans la première, nous tenterons d’estimer l’activité corticale sous-jacente à partir des signaux EEG en utilisant un modèle de couplage bande fréquence. En effet, certaines bandes de fréquences sont des bons prédicteurs des décharges neuronales. Cependant, cette approche n’a pas été validée pour le système auditif, nous confronterons donc l’estimation obtenue à une autre estimation en ayant recours à un modèle spécialisé pour l’encodage du signal de parole faisant appel aux processus ponctuels. Ce modèle prend en compte les dynamiques intrasèques des neurones et également des propriétés spectrotemporelles du stimulus d’entrée. Dans la seconde approche, nous étudierons la possibilité de classifier 3 voyelles (a, i et u) en fonction du nombre de canaux EEG utilisés ainsi que leur répartition sur le cuir chevelu. Nous aurons recours, pour cela, à un réservoir de neurone à décharge récurrent activé en entrée par les données EEG. Les résultats démontrent que l’information auditive se retrouve en fait dans l’ensemble des canaux EEG et qu’elle n’est pas confinée à un nombre restreint d’électrodes. Il est également montré que lorsque l’on utilise les 64 électrodes que comporte l’EEG pour classifier les 3 voyelles, on obtient une classification de l’ordre de 80%, mais aussi qu’un nombre limité de 10 électrodes suffit pour obtenir une classification satisfaisante et, qu’en plus, la position de ces électrodes sur le cuir chevelu est peu importante.

Le travail présenté dans ce mémoire est relatif à la détection, la localisation et l'analyse spectrale des fuseaux de sommeil (en anglais spindles). Après une présentation des différentes caractéristiques du signal EEG et du contexte de l'étude, le problème de la détection des fuseaux de sommeil est traité. Quatre méthodes sont évaluées. Les deux premières sont fondées sur des techniques de rupture de modèles et les deux autres sur le test d'une ou plusieurs caractéristiques du spindle. Le problème de la localisation des spindles est abordé ensuite. Nous appliquons deux procédures différentes. La première consiste à extraire le signal enveloppé du fuseau et à lui appliquer le test de Hinkley, la seconde utilise l'approche asymptotique locale couplée au test du rapport de vraisemblance généralise (en anglais generalized likelihood rati: GLR). La dernière partie de ce mémoire traite de l'analyse spectrale des spindles. Dans un premier temps, un panorama des méthodes d'estimation spectrale est dressé. Dans un second temps une étude comparative de ces méthodes sur des signaux sinusoïdaux est présentée. L'analyse spectrale des fuseaux de sommeil préalablement localisés est alors effectuée en utilisant l'algorithme forward-backward associe à l'estimateur de Prony

Lorsque l'on enregistre l'activité cérébrale en électroencéphalographie (EEG) de surface, le signal d'intérêt est fréquemment bruité par des activités différentes provenant de différentes sources de bruit telles que l'activité musculaire. Le débruitage de l'EEG est donc une étape de pré-traitement important dans certaines applications, telles que la localisation de source. Dans cette thèse, nous proposons six méthodes permettant la suppression du bruit de signaux EEG dans le cas particulier des activités enregistrées chez les patients épileptiques soit en période intercritique (pointes) soit en période critique (décharges). Les deux premières méthodes, qui sont fondées sur la décomposition généralisée en valeurs propres (GEVD) et sur le débruitage par séparation de sources (DSS), sont utilisées pour débruiter des signaux EEG épileptiques intercritiques. Pour extraire l'information a priori requise par GEVD et DSS, nous proposons une série d'étapes de prétraitement, comprenant la détection de pointes, l'extraction du support des pointes et le regroupement des pointes impliquées dans chaque source d'intérêt. Deux autres méthodes, appelées Temps Fréquence (TF) -GEVD et TF-DSS, sont également proposées afin de débruiter les signaux EEG critiques. Dans ce cas on extrait la signature temps-fréquence de la décharge critique par la méthode d'analyse de corrélation canonique. Nous proposons également une méthode d'Analyse en Composantes Indépendantes (ICA), appelé JDICA, basée sur une stratégie d'optimisation de type Jacobi. De plus, nous proposons un nouvel algorithme direct de décomposition canonique polyadique (CP), appelé SSD-CP, pour calculer la décomposition CP de tableaux à valeurs complexes. L'algorithme proposé est basé sur la décomposition de Schur simultanée (SSD) de matrices particulières dérivées du tableau à traiter. Nous proposons également un nouvel algorithme pour calculer la SSD de plusieurs matrices à valeurs complexes. Les deux derniers algorithmes sont utilisés pour débruiter des données intercritiques et critiques. Nous évaluons la performance des méthodes proposées pour débruiter les signaux EEG (simulés ou réels) présentant des activités intercritiques et critiques épileptiques bruitées par des artéfacts musculaires. Dans le cas des données simulées, l'efficacité de chacune de ces méthodes est évaluée d'une part en calculant l'erreur quadratique moyenne normalisée entre les signaux originaux et débruités, et d'autre part en comparant les résultats de localisation de sources, obtenus à partir des signaux non bruités, bruités, et débruités. Pour les données intercritiques et critiques, nous présentons également quelques exemples sur données réelles enregistrées chez des patients souffrant d'épilepsie partielle
In the process of recording electrical activity of the brain, the signal of interest is usually contaminated with different activities arising from various sources of noise and artifact such as muscle activity. This renders denoising as an important preprocessing stage in some ElectroEncephaloGraphy (EEG) applications such as source localization. In this thesis, we propose six methods for noise cancelation of epileptic signals. The first two methods, which are based on Generalized EigenValue Decomposition (GEVD) and Denoising Source Separation (DSS) frameworks, are used to denoise interictal data. To extract a priori information required by GEVD and DSS, we propose a series of preprocessing stages including spike peak detection, extraction of exact time support of spikes and clustering of spikes involved in each source of interest. Two other methods, called Time Frequency (TF)-GEVD and TF-DSS, are also proposed in order to denoise ictal EEG signals for which the time-frequency signature is extracted using the Canonical Correlation Analysis method. We also propose a deflationary Independent Component Analysis (ICA) method, called JDICA, that is based on Jacobi-like iterations. Moreover, we propose a new direct algorithm, called SSD-CP, to compute the Canonical Polyadic (CP) decomposition of complex-valued multi-way arrays. The proposed algorithm is based on the Simultaneous Schur Decomposition (SSD) of particular matrices derived from the array to process. We also propose a new Jacobi-like algorithm to calculate the SSD of several complex-valued matrices. The last two algorithms are used to denoise both interictal and ictal data. We evaluate the performance of the proposed methods to denoise both simulated and real epileptic EEG data with interictal or ictal activity contaminated with muscular activity. In the case of simulated data, the effectiveness of the proposed algorithms is evaluated in terms of Relative Root Mean Square Error between the original noise-free signals and the denoised ones, number of required ops and the location of the original and denoised epileptic sources. For both interictal and ictal data, we present some examples on real data recorded in patients with a drug-resistant partial epilepsy

Dans cette thèse, nous abordons le défi de l'utilisation d'interfaces cerveau-machine (ICM) sur l'application spécifique de la séparation de sources musicales qui vise à isoler les instruments individuels qui sont mélangés dans un enregistrement de musique. Ce problème a été étudié pendant des décennies, mais sans jamais considérer les ICM comme un moyen possible de guider et d'informer les systèmes de séparation. Plus précisément, nous avons étudié comment l'activité neuronale caractérisée par des signaux électroencéphalographiques (EEG) reflète des informations sur la source à laquelle on porte son attention et comment nous pouvons l'utiliser pour informer un système de séparation de sources.Tout d'abord, nous avons étudié le problème du décodage par l'EEG de l'attention auditive d'un instrument spécifique dans une pièce musicale polyphonique, en montrant que l'EEG suit les caractéristiques musicales pertinentes qui sont fortement corrélées avec la représentation temps-fréquence de la source à laquelle on porte l'attention et seulement faiblement corrélées avec les autres. Ensuite, nous avons exploité ce "contraste" pour informer un modèle de séparation de sources non supervisé basé sur une nouvelle variante de factorisation en matrices positives (NMF), appelée contrastive-NMF (C-NMF) et séparer automatiquement la source à laquelle on porte l'attention.La NMF non supervisée est une approche efficace dans de telles applications ne disposant pas ou peu de données d'apprentissage, comme c'est le cas dans des scénarios nécessitant des enregistrements EEG. En effet, les jeux de données EEG liés à la musique disponibles sont coûteux et longs à acquérir, ce qui exclut la possibilité d'aborder le problème par des approches d'apprentissage profond entièrement supervisées. Dans la dernière partie de la thèse, nous avons exploré des stratégies d'apprentissage alternatives. Plus précisément, nous avons étudié la possibilité d'adapter un modèle de séparation de sources de l'état de l'art à un mélange spécifique en utilisant les activations temporelles de sources dérivées de l'activité neuronale de l'utilisateur au moment du test. Cette approche peut être considérée comme étant " à adaptation unitaire" (one-shot), car l'adaptation agit uniquement sur une instance de chanson.Nous avons évalué les approches proposées sur les jeu de données MAD-EEG qui a été spécifiquement assemblé pour cette étude, obtenant des résultats encourageants, en particulier dans les cas difficiles où les modèles non informés sont mis à mal
In this PhD thesis, we address the challenge of integrating Brain-Computer Interfaces (BCI) and music technologies on the specific application of music source separation, which is the task of isolating individual sound sources that are mixed in the audio recording of a musical piece. This problem has been investigated for decades, but never considering BCI as a possible way to guide and inform separation systems. Specifically, we explored how the neural activity characterized by electroencephalographic signals (EEG) reflects information about the attended instrument and how we can use it to inform a source separation system.First, we studied the problem of EEG-based auditory attention decoding of a target instrument in polyphonic music, showing that the EEG tracks musically relevant features which are highly correlated with the time-frequency representation of the attended source and only weakly correlated with the unattended one. Second, we leveraged this ``contrast'' to inform an unsupervised source separation model based on a novel non-negative matrix factorisation (NMF) variant, named contrastive-NMF (C-NMF) and automatically separate the attended source.Unsupervised NMF represents a powerful approach in such applications with no or limited amounts of training data as when neural recording is involved. Indeed, the available music-related EEG datasets are still costly and time-consuming to acquire, precluding the possibility of tackling the problem with fully supervised deep learning approaches. Thus, in the last part of the thesis, we explored alternative learning strategies to alleviate this problem. Specifically, we propose to adapt a state-of-the-art music source separation model to a specific mixture using the time activations of the sources derived from the user's neural activity. This paradigm can be referred to as one-shot adaptation, as it acts on the target song instance only.We conducted an extensive evaluation of both the proposed system on the MAD-EEG dataset which was specifically assembled for this study obtaining encouraging results, especially in difficult cases where non-informed models struggle

Brain-computer interfaces (BCI) have been used to control the gait of a virtual self-avatar with the aim of being used in gait rehabilitation. A BCI decodes the brain signals representing a desire to do something and transforms them into a control command for controlling external devices. The feelings described by the participants when they control a self-avatar in an immersive virtual environment (VE) demonstrate that humans can be embodied in the surrogate body of an avatar (ownership illusion). It has recently been shown that inducing the ownership illusion and then manipulating the movements of one’s self-avatar can lead to compensatory motor control strategies. In order to maximize this effect, there is a need for a method that measures and monitors embodiment levels of participants immersed in virtual reality (VR) to induce and maintain a strong ownership illusion. This is particularly true given that reaching a high level of both BCI performance and embodiment are inter-connected. To reach one of them, the second must be reached as well. Some limitations of many existing systems hinder their adoption for neurorehabilitation: 1- some use motor imagery (MI) of movements other than gait; 2- most systems allow the user to take single steps or to walk but do not allow both, which prevents users from progressing from steps to gait; 3- most of them function in a single BCI mode (cue-paced or self-paced), which prevents users from progressing from machine-dependent to machine-independent walking. Overcoming the aforementioned limitations can be done by combining different control modes and options in one single system. However, this would have a negative impact on BCI performance, therefore diminishing its usefulness as a potential rehabilitation tool. In this case, there will be a need to enhance BCI performance. For such purpose, many techniques have been used in the literature, such as providing modified feedback (whereby the presented feedback is not consistent with the user’s MI), sequential training (recalibrating the classifier as more data becomes available). This thesis was developed over 3 studies. The objective in study 1 was to investigate the possibility of measuring the level of embodiment of an immersive self-avatar, during the performing, observing and imagining of gait, using electroencephalogram (EEG) techniques, by presenting visual feedback that conflicts with the desired movement of embodied participants. The objective of study 2 was to develop and validate a BCI to control single steps and forward walking of an immersive virtual reality (VR) self-avatar, using mental imagery of these actions, in cue-paced and self-paced modes. Different performance enhancement strategies were implemented to increase BCI performance. The data of these two studies were then used in study 3 to construct a generic classifier that could eliminate offline calibration for future users and shorten training time. Twenty different healthy participants took part in studies 1 and 2. In study 1, participants wore an EEG cap and motion capture markers, with an avatar displayed in a head-mounted display (HMD) from a first-person perspective (1PP). They were cued to either perform, watch or imagine a single step forward or to initiate walking on a treadmill. For some of the trials, the avatar took a step with the contralateral limb or stopped walking before the participant stopped (modified feedback). In study 2, participants completed a 4-day sequential training to control the gait of an avatar in both BCI modes. In cue-paced mode, they were cued to imagine a single step forward, using their right or left foot, or to walk forward. In the self-paced mode, they were instructed to reach a target using the MI of multiple steps (switch control mode) or maintaining the MI of forward walking (continuous control mode). The avatar moved as a response to two calibrated regularized linear discriminant analysis (RLDA) classifiers that used the μ power spectral density (PSD) over the foot area of the motor cortex as features. The classifiers were retrained after every session. During the training, and for some of the trials, positive modified feedback was presented to half of the participants, where the avatar moved correctly regardless of the participant’s real performance. In both studies, the participants’ subjective experience was analyzed using a questionnaire. Results of study 1 show that subjective levels of embodiment correlate strongly with the power differences of the event-related synchronization (ERS) within the μ frequency band, and over the motor and pre-motor cortices between the modified and regular feedback trials. Results of study 2 show that all participants were able to operate the cued-paced BCI and the selfpaced BCI in both modes. For the cue-paced BCI, the average offline performance (classification rate) on day 1 was 67±6.1% and 86±6.1% on day 3, showing that the recalibration of the classifiers enhanced the offline performance of the BCI (p < 0.01). The average online performance was 85.9±8.4% for the modified feedback group (77-97%) versus 75% for the non-modified feedback group. For self-paced BCI, the average performance was 83% at switch control and 92% at continuous control mode, with a maximum of 12 seconds of control. Modified feedback enhanced BCI performances (p =0.001). Finally, results of study 3 show that the constructed generic models performed as well as models obtained from participant-specific offline data. The results show that there it is possible to design a participant-independent zero-training BCI.
Les interfaces cerveau-ordinateur (ICO) ont été utilisées pour contrôler la marche d'un égo-avatar virtuel dans le but d'être utilisées dans la réadaptation de la marche. Une ICO décode les signaux du cerveau représentant un désir de faire produire un mouvement et les transforme en une commande de contrôle pour contrôler des appareils externes. Les sentiments décrits par les participants lorsqu'ils contrôlent un égo-avatar dans un environnement virtuel immersif démontrent que les humains peuvent être incarnés dans un corps d'un avatar (illusion de propriété). Il a été récemment démontré que provoquer l’illusion de propriété puis manipuler les mouvements de l’égo-avatar peut conduire à des stratégies de contrôle moteur compensatoire. Afin de maximiser cet effet, il existe un besoin d'une méthode qui mesure et surveille les niveaux d’incarnation des participants immergés dans la réalité virtuelle (RV) pour induire et maintenir une forte illusion de propriété. D'autre part, atteindre un niveau élevé de performances (taux de classification) ICO et d’incarnation est interconnecté. Pour atteindre l'un d'eux, le second doit également être atteint. Certaines limitations de plusieurs de ces systèmes entravent leur adoption pour la neuroréhabilitation: 1- certains utilisent l'imagerie motrice (IM) des mouvements autres que la marche; 2- la plupart des systèmes permettent à l'utilisateur de faire des pas simples ou de marcher mais pas les deux, ce qui ne permet pas à un utilisateur de passer des pas à la marche; 3- la plupart fonctionnent en un seul mode d’ICO, rythmé (cue-paced) ou auto-rythmé (self-paced). Surmonter les limitations susmentionnées peut être fait en combinant différents modes et options de commande dans un seul système. Cependant, cela aurait un impact négatif sur les performances de l’ICO, diminuant ainsi son utilité en tant qu'outil potentiel de réhabilitation. Dans ce cas, il sera nécessaire d'améliorer les performances des ICO. À cette fin, de nombreuses techniques ont été utilisées dans la littérature, telles que la rétroaction modifiée, le recalibrage du classificateur et l'utilisation d'un classificateur générique. Le projet de cette thèse a été réalisé en 3 études, avec objectif d'étudier dans l'étude 1, la possibilité de mesurer le niveau d'incarnation d'un égo-avatar immersif, lors de l'exécution, de l'observation et de l'imagination de la marche, à l'aide des techniques encéphalogramme (EEG), en présentant une rétroaction visuelle qui entre en conflit avec la commande du contrôle moteur des sujets incarnés. L'objectif de l'étude 2 était de développer un BCI pour contrôler les pas et la marche vers l’avant d'un égo-avatar dans la réalité virtuelle immersive, en utilisant l'imagerie motrice de ces actions, dans des modes rythmés et auto-rythmés. Différentes stratégies d'amélioration des performances ont été mises en œuvre pour augmenter la performance (taux de classification) de l’ICO. Les données de ces deux études ont ensuite été utilisées dans l'étude 3 pour construire des classificateurs génériques qui pourraient éliminer la calibration hors ligne pour les futurs utilisateurs et raccourcir le temps de formation. Vingt participants sains différents ont participé aux études 1 et 2. Dans l'étude 1, les participants portaient un casque EEG et des marqueurs de capture de mouvement, avec un avatar affiché dans un casque de RV du point de vue de la première personne (1PP). Ils ont été invités à performer, à regarder ou à imaginer un seul pas en avant ou la marche vers l’avant (pour quelques secondes) sur le tapis roulant. Pour certains essais, l'avatar a fait un pas avec le membre controlatéral ou a arrêté de marcher avant que le participant ne s'arrête (rétroaction modifiée). Dans l'étude 2, les participants ont participé à un entrainement séquentiel de 4 jours pour contrôler la marche d'un avatar dans les deux modes de l’ICO. En mode rythmé, ils ont imaginé un seul pas en avant, en utilisant leur pied droit ou gauche, ou la marche vers l’avant . En mode auto-rythmé, il leur a été demandé d'atteindre une cible en utilisant l'imagerie motrice (IM) de plusieurs pas (mode de contrôle intermittent) ou en maintenir l'IM de marche vers l’avant (mode de contrôle continu). L'avatar s'est déplacé en réponse à deux classificateurs ‘Regularized Linear Discriminant Analysis’ (RLDA) calibrés qui utilisaient comme caractéristiques la densité spectrale de puissance (Power Spectral Density; PSD) des bandes de fréquences µ (8-12 Hz) sur la zone du pied du cortex moteur. Les classificateurs ont été recalibrés après chaque session. Au cours de l’entrainement et pour certains des essais, une rétroaction modifiée positive a été présentée à la moitié des participants, où l'avatar s'est déplacé correctement quelle que soit la performance réelle du participant. Dans les deux études, l'expérience subjective des participants a été analysée à l'aide d'un questionnaire. Les résultats de l'étude 1 montrent que les niveaux subjectifs d’incarnation sont fortement corrélés à la différence de la puissance de la synchronisation liée à l’événement (Event-Related Synchronization; ERS) sur la bande de fréquence μ et sur le cortex moteur et prémoteur entre les essais de rétroaction modifiés et réguliers. L'étude 2 a montré que tous les participants étaient capables d’utiliser le BCI rythmé et auto-rythmé dans les deux modes. Pour le BCI rythmé, la performance hors ligne moyenne au jour 1 était de 67±6,1% et 86±6,1% au jour 3, ce qui montre que le recalibrage des classificateurs a amélioré la performance hors ligne du BCI (p <0,01). La performance en ligne moyenne était de 85,9±8,4% pour le groupe de rétroaction modifié (77-97%) contre 75% pour le groupe de rétroaction non modifié. Pour le BCI auto-rythmé, la performance moyenne était de 83% en commande de commutateur et de 92% en mode de commande continue, avec un maximum de 12 secondes de commande. Les performances de l’ICO ont été améliorées par la rétroaction modifiée (p = 0,001). Enfin, les résultats de l'étude 3 montrent que pour la classification des initialisations des pas et de la marche, il a été possible de construire des modèles génériques à partir de données hors ligne spécifiques aux participants. Les résultats montrent la possibilité de concevoir une ICO ne nécessitant aucun entraînement spécifique au participant.

Environ 2-3% d’enfants avec convulsions fébriles (CF) développent une épilepsie, mais les outils cliniques existants ne permettent pas d’identifier les enfants susceptibles de développer une épilepsie post-convulsion fébrile. Des études ont mis en évidence des anomalies d’EEG quantifiée, et plus particulièrement en réponse à la stimulation lumineuse intermittente (SLI), chez des patients épileptiques. Aucune étude n’a analysé ces paramètres chez l’enfant avec CF et il importe de déterminer s’ils sont utiles pour évaluer le pronostic des CF. Les objectifs de ce programme de recherche étaient d’identifier, d’une part, des facteurs de risque cliniques qui déterminent le développement de l’épilepsie après des CF et, d’autre part, des marqueurs électrophysiologiques quantitatifs qui différencieraient les enfants avec CF des témoins et pourraient aider à évaluer leur pronostic. Afin de répondre à notre premier objectif, nous avons analysé les dossiers de 482 enfants avec CF, âgés de 3 mois à 6 ans. En utilisant des statistiques de survie, nous avons décrit les facteurs de risque pour développer une épilepsie partielle (antécédents prénataux, retard de développement, CF prolongées et focales) et généralisée (antécédents familiaux d’épilepsie, CF récurrentes et après l’âge de 4 ans). De plus, nous avons identifié trois phénotypes cliniques distincts ayant un pronostic différent : (i) CF simples avec des antécédents familiaux de CF et sans risque d’épilepsie ultérieure; (ii) CF récurrentes avec des antécédents familiaux d’épilepsie et un risque d’épilepsie généralisée; (iii) CF focales avec des antécédents familiaux d’épilepsie et un risque d’épilepsie partielle. Afin de répondre à notre deuxième objectif, nous avons d’abord analysé les potentiels visuels steady-state (PEVSS) évoqués par la SLI (5, 7,5, 10 et 12,5 Hz) en fonction de l’âge. Le tracé EEG de haute densité (128 canaux) a été enregistré chez 61 enfants âgés entre 6 mois et 16 ans et 8 adultes normaux. Nous rapportons un développement topographique différent de l’alignement de phase des composantes des PEVSS de basses (5-15 Hz) et de hautes (30-50 Hz) fréquences. Ainsi, l’alignement de phase des composantes de basses fréquences augmente en fonction de l’âge seulement au niveau des régions occipitale et frontale. Par contre, les composantes de hautes fréquences augmentent au niveau de toutes les régions cérébrales. Puis, en utilisant cette même méthodologie, nous avons investigué si les enfants avec CF présentent des anomalies des composantes gamma (50-100 Hz) des PEVSS auprès de 12 cas de CF, 5 frères et sœurs des enfants avec CF et 15 témoins entre 6 mois et 3 ans. Nous montrons une augmentation de la magnitude et de l’alignement de phase des composantes gamma des PEVSS chez les enfants avec CF comparés au groupe témoin et à la fratrie. Ces travaux ont permis d’identifier des phénotypes électro-cliniques d’intérêt qui différencient les enfants avec CF des enfants témoins et de leur fratrie. L’étape suivante sera de vérifier s’il y a une association entre les anomalies retrouvées, la présentation clinique et le pronostic des CF. Cela pourrait éventuellement aider à identifier les enfants à haut risque de développer une épilepsie et permettre l’institution d’un traitement neuroprotecteur précoce.
The incidence of epilepsy in children with febrile seizures (FS) varies from 2 to 3%, but available clinical tools do not allow the identification of those children who will later develop epilepsy. Evidences have shown quantitative EEG abnormalities, more particularly revealed by intermittent photic stimulation (IPS), in patients with epilepsy. No studies have yet examined quantitative EEG parameters in children with FS. It is not known either whether they can be relevant to the evaluation of FSs prognosis. The objectives of this research program were to identify, first, clinical risk factors for developing epilepsy after FS and, second, to determine quantitative EEG markers that differentiate FS patients from normal controls and may aid to evaluate their prognosis. In order to meet our first objective, we reviewed the charts of 482 children with FS, aged 3 months to 6 years. Using survival statistics, we described risk factors for developing partial (prenatal antecedents, developmental delay, prolonged and focal FS) and generalized (family history of epilepsy, recurrent FS and FS after the age of 4 years) epilepsy after FS. In addition, we identified several distinct clinical phenotypes related to the prognosis of FS: (i) simple FS with a family history of FS, not related to a subsequent epilepsy, (ii) recurrent FS with a family history of epilepsy and an increased risk of generalised epilepsy and (iii) focal FS with a family history of epilepsy and an increased risk of partial epilepsy. In order to meet our second objective, we analyzed the steady-state visual potentials (SSVEP) evoked by IPS (5, 7.5, 10 and 12.5 Hz) as a function of age. The high density EEG (128 channels) was recorded in 61 normal children between 6 months and 16 years of age and 8 adults. We showed different topographical development of low (5-15 Hz) and high (30-50 Hz) frequency SSVEP components phase alignment. Thus, low frequency phase alignment increased with age only over the frontal and occipital regions, whereas high frequency phase alignment increased over all cerebral regions. Then, using the same methodology, we investigated whether children with FS show abnormalities of gamma frequency SSVEP components. We show an increase of both magnitude and phase alignment of the gamma frequency SSVEP components in 12 FS patients compared to 5 siblings of FS patients and 15 control children between 6 and 36 months of age. This study has identified distinct electro-clinical phenotypes that differentiate FS patients from the group of siblings and controls. Future studies should investigate whether detected abnormalities are associated with the clinical presentation of FS and their prognosis. This could help identify children with FSs who will later develop epilepsy and would eventually allow the institution of an early neuroprotective treatment.