dissertation

: P
l›
r•
Ÿ› d ¤ w¡ ,T®O˜ ¤ ,AA C¯ ¤ ,T•r˜ ºWb œst§ ©@˜ ,( ›) wsn•CA |r› 
­rkb› Tlr› ¨ (EEG)  CAJ  d
tF Ylˆ Tflt
› AF C z•r .¾ CAKtž TybO`˜ A rWR¯
Ahž± Ty˜A`f (EEG) ®ys  d
tF `O˜ Ÿ› š z§ ¯ ,–˜Ð ‰›¤ . wsn•CA º Py
K Ÿ›
¨ ryb Ylˆ wsn•CA |rm˜ (EEG) š d
tsm˜ ©dylqt˜ Py
Kt˜ dmt`§ .A¡rysf `O§
Kkl˜ ¾Ay˜ ¾A›A\ž rtqž TF Cd˜ £@¡ ¨ .”AJ ¤ `} r›
w¡¤ ,A§¤d§ TˆwnOm˜  zym˜  r
tF
Ÿ› “qtž .(CNN d`ub-1) Tftlm˜ TybO`˜ TkbK˜ ¤ (EEG)  CAJ Y˜ dnts§ wsn•CA |r› Ÿˆ
r
25¤ ( ›) 25 Ÿ› šw Â
T® Ty`mF Tmh› ºAn
Tlsm˜ (EEG)  CAJ Ylˆ Ðwmn˜ T}
Ÿkm§ .( ›) Py
K Ylˆ % 88 T’d ¾º
dqtm˜ Ðwmn˜ “q .T§rm`˜ TqAWm˜ Tb’ r› Tˆwm›
™b’ §Cdt˜ r
Ÿ› rb•
dˆ w¤ Ÿstsm˜ Ÿ› Ÿk˜¤ ,ºAbV± ­dˆAsm˜ Ty›EC w
˜  d
tF
Aˆwm› Tyb˜A‹ ¨ dw ¨t˜ ,T·ys˜ AžAyb˜ ¤rJ T˜s› An˜¤An Am• .©r§rs˜  d
tF¯
¥ œ˜¤ .T·ys˜ AqOlm˜ ryyŒt ms§ Am› TkbKl˜ ¨ @˜ rySt˜ Ylˆ AnwlF
dmt` .AžAyb˜
.TmFA ¶Atž Y˜ ­ry± £@¡
A’AWb˜ ,(EEG) ynO ,TÌftlm˜ TybO`˜ TkbK˜ , wsn•CA |r› ,“ym`˜ œl`t˜ :TyAtfm˜ Amlk˜
.TJÄwK›

Abstract :

Parkinson's disease (PD), characterized by slowness of movement, tremor and rigidity, is one of
the most prevalent neurodegenerative disorders. Various studies focus on the use of EEG signals
for the early stage PD diagnosis. However, it is still challenging to eectively use EEG recordings
since they are hard to interpret. Conventional EEGbased diagnosis for PD relies on an expert to
performe handcrafted feature extraction, which is laborious and time-consuming. In this study we
propose an automated Parkinson's disease detection system based on EEG signals and a convo-
lutional neural network (1-D CNN). We validate out model on EEG signals recorded during an
auditory 3-oddball task from 25 PD and 25 control subjects gender and age-matched. The devel-
oped model has achieved a performance of 88 % accuracy and F1-score of 88.5 % on PD diagnosis.
The algorithm can be used to assist doctors, however, a larger training population is desirable
before clinical use. We also addressed the issue of poor data annotations, the latter being present
in the majority of data sets. Our method is based on a self-priming of the network allowing the
change of bad labels. The latter did not lead to conclusive results.
Key word : Deep learning, Parkinson's disease, 1-D convolutional neural network, EEG classi
-
cation, noisy labels.

Résumé :

La maladie de Parkinson (MP), caractérisée par une lenteur du mouvement, des tremblements et de
la rigidité, est l'une des maladies neuro-dégénératives la plus courante. Diérentes études portent
sur l'utilisation des signaux d'électroencéphalogramme (EEG) pour le diagnostic précoce de la MP.
Toutefois, leur utilisation pour le diagnostic reste encore di
cile.
La majorité des travaux reposent sur l'extraction par un expert des discriminants de la maladie,
ce qui est coûteux et laborieux. Le présent travail propose un système automatisé de détection de
la maladie de Parkinson (MP) utilisant les signaux EEG ainsi qu'un réseau neuronal convolutif
(1-D CNN). Nous avons validé notre méthode sur des signaux EEG issue d'un test auditif "3-
oddball" réalisé sur 25 malades de Parkinson et 25 individus contrôle appariés selon l'âge et le sexe.
Notre modèle arrive à classi
er les malades et leurs
gurants avec une précision de 88 % et un
score F1 de 88.5 %. L'algorithme peut être utilisé pour assister les médecins, mais une plus grande
population d'entrainement est souhaitable avant l'utilisation clinique. Nous avons également abordé
le problème des mauvaises annotations des données puisque celui-ci est présent dans la majorité des
ensembles de données. Notre méthode se base sur un auto-amorçage du réseau permettant ainsi le
changement des mauvais labels. Cette dernière approche n'a pas abouti à des résultats concluants.
Mots clés : Apprentissage profond, maladie de Parkinson, réseau de neurones convolutif 1-D,
classi
cation EEG, labels bruités.

, Table des matières



Liste des figures

Introduction générale 10

1 Maladie de parkinson 12
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2 Description de la MP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 Épidémiologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.2 Causes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.3 Diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.4 Symptômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5 Stades cliniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.6 Traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3 Électroencéphalographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.1 Types d’électrodes . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.2 Nomenclatures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3 Système d’amplification . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.4 Difficultés d’enregistrement . . . . . . . . . . . . . . . . . . . . . . 24
1.3.5 Rythmes cérébraux . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.6 Potentiels évoqués . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2 État de l’art 28
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Extraction des caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1 Choix des caractéristiques (réduction de dimension) . . . . . . . 30
2.3 Algorithmes d’apprentissage statistique "classiques" . . . . . . . . . . . . 31
2.3.1 Présentation des algorithmes les plus courants . . . . . . . . . . . 31
2.3.2 Revue de littérature . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4 Algorithmes d’apprentissage profond . . . . . . . . . . . . . . . . . . . . 33
2.4.1 Algorithmes d’apprentissage profond pour le traitement du signal 34
2.4.2 Revue de littérature . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3 Ensemble de données (dataset) 37

, 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Présentation du dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 Population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.2 Auditory 3-oddball task . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.3 Système d’acquisition . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.4 Pré-traitement des donnés . . . . . . . . . . . . . . . . . . . . . . . 43
3.3 Composantes indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.1 Classification des composantes indépendantes . . . . . . . . . . . 45
3.3.2 Pourcentage de variance représentatif . . . . . . . . . . . . . . . . 49
3.3.3 Analyse des composantes indépendantes . . . . . . . . . . . . . . 50
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4 Méthodologie et implémentation 57
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Notions en apprentissage profond . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1 Couches (layers) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.2 Objectif d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2.3 Algorithmes d’optimisation . . . . . . . . . . . . . . . . . . . . . . 64
4.2.4 Rétro-propagation du gradient . . . . . . . . . . . . . . . . . . . . 65
4.2.5 Améliorations de l’apprentissage . . . . . . . . . . . . . . . . . . . 65
4.3 Architecture proposée et implémentation . . . . . . . . . . . . . . . . . . 67
4.4 Traitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4.1 Premier bloc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4.2 Second bloc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4.3 Comparatif des traitements . . . . . . . . . . . . . . . . . . . . . . 71
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

5 Évaluation et résultats 73
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2 Évaluation des performances du modèle . . . . . . . . . . . . . . . . . . 74
5.2.1 Partitionnement des données . . . . . . . . . . . . . . . . . . . . . 74
5.2.2 Répétition des entrainements . . . . . . . . . . . . . . . . . . . . . 75
5.2.3 Choix du type de stimulus . . . . . . . . . . . . . . . . . . . . . . 75
5.2.4 Métriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.4 Difficultés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.5 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.5.1 Vérification médicale . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.5.2 Utilisation futuriste . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.6 Labels corrompus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

Conclusion générale 90

Annexe 92
6.1 Annexe A : PCA (Principal Component Analysis) . . . . . . . . . . . . . 92
6.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.1.2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.1.3 Projection et décomposition . . . . . . . . . . . . . . . . . . . . . . 94

, 6.2 Annexe B : ICA (Independent Component Analysis) . . . . . . . . . . . 96
6.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.2.2 Application de la méthode ICA . . . . . . . . . . . . . . . . . . . 96
6.2.3 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.2.4 Théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . 100
6.2.5 démêlage des signaux . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.2.6 ICA preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.2.7 Pourquoi le blanchiment du signal . . . . . . . . . . . . . . . . . . 102
6.2.8 Estimation de la matrice de démêlage W . . . . . . . . . . . . . . 103
6.3 Annexe C : EEGLAB Composantes indépendantes . . . . . . . . . . . . . 105

Références 107

Sources des figures 114