Pourquoi le prétraitement est important

L'EEG est extrêmement sensible à l'activité électrique, tant neuronale que non neuronale. Bien qu'une conception expérimentale et une collecte de données rigoureuses minimisent de nombreuses sources de bruit, un certain degré de contamination par des artefacts est inévitable. Le prétraitement aide les chercheurs à distinguer l'activité cérébrale significative des signaux indésirables tout en améliorant la cohérence des analyses ultérieures.[1]

Il est important de souligner que le prétraitement ne doit pas être considéré comme un moyen de corriger des enregistrements de mauvaise qualité. Il s'agit plutôt d'un processus structuré visant à affiner des données de haute qualité collectées grâce à des pratiques expérimentales solides. Les décisions prises lors du prétraitement influencent chaque étape ultérieure de l'analyse, rendant la transparence et la cohérence essentielles.

Construire un pipeline de prétraitement

Le prétraitement est généralement effectué sous la forme d'une séquence d'étapes plutôt que de procédures isolées. Bien que les flux de travail individuels varient en fonction de la question de recherche et des méthodes d'analyse, l'établissement d'un pipeline cohérent permet de s'assurer que les données de chaque participant sont traitées de la même manière.

Les chercheurs doivent déterminer leur stratégie de prétraitement avant de commencer l'analyse formelle dans la mesure du possible. Définir le flux de travail à l'avance réduit le risque d'introduire des biais en prenant des décisions de traitement après avoir examiné les résultats.[1]

Puisqu'aucun pipeline de prétraitement unique ne convient à toutes les études, les flux de travail doivent être guidés par la littérature établie, la conception expérimentale, la méthodologie d'enregistrement et les objectifs scientifiques.

Filtrer le signal EEG

Le filtrage est souvent l'une des premières étapes du prétraitement. Les filtres réduisent les composantes de fréquence indésirables tout en préservant l'activité neuronale pertinente pour la question de recherche.

Les filtres passe-haut peuvent réduire la dérive lente du signal, tandis que les filtres passe-bas aident à supprimer le bruit à haute fréquence. Certaines études appliquent également des filtres coupe-bande (notch) pour réduire les interférences électriques provenant des réseaux électriques, le cas échéant.[1],[5]

Le choix des filtres doit être abordé avec prudence. Un filtrage excessif peut déformer les signaux neuronaux ou altérer la synchronisation et l'amplitude des réponses liées aux événements. Les chercheurs doivent sélectionner des paramètres de filtre qui soutiennent l'analyse envisagée tout en évitant toute modification inutile du signal.

Identifier et gérer les artefacts

Même après une collecte de données minutieuse, certains enregistrements contiendront des artefacts qui nécessitent une attention particulière lors du prétraitement.

Les chercheurs commencent généralement par inspecter visuellement les enregistrements pour identifier les périodes de bruit excessif, les canaux instables ou les interruptions d'enregistrement. Des outils automatisés d'évaluation de la qualité peuvent aider à la détection des artefacts, mais l'examen manuel reste un composant important de nombreux flux de travail de prétraitement.[3]

Selon la nature de la contamination, les chercheurs peuvent supprimer des essais individuels, rejeter des canaux bruyants, interpoler des électrodes isolées ou appliquer des techniques de correction d'artefacts. Ces décisions doivent suivre des critères de qualité prédéfinis, établis avant le début de l'analyse.

Analyse en composantes indépendantes

L'analyse en composantes indépendantes (ICA) est l'une des techniques les plus largement utilisées pour séparer des signaux électriques mélangés en composantes statistiquement indépendantes. En décomposant l'EEG enregistré en sources de signaux sous-jacentes, l'ICA peut aider les chercheurs à identifier les composantes associées aux clignements d'yeux, aux mouvements oculaires, à l'activité musculaire ou à d'autres artefacts non neuronaux.[4]

Une fois identifiées, les composantes liées aux artefacts peuvent être supprimées avant de reconstruire le signal EEG. Bien que l'ICA puisse améliorer considérablement la qualité des données, une application réussie dépend d'un prétraitement approprié, d'une qualité de données suffisante et d'une interprétation minutieuse des composantes obtenues.

Les chercheurs doivent documenter la manière dont l'ICA a été réalisée et quelles composantes ont été supprimées afin de favoriser la transparence et la reproductibilité.

Découpage en époques des données continues

De nombreuses analyses EEG se concentrent sur les réponses neuronales survenant autour d'événements expérimentaux spécifiques. Pour faciliter ces analyses, les enregistrements EEG continus sont souvent divisés en segments temporels plus courts appelés époques.

Chaque époque est alignée sur un marqueur d'événement représentant la présentation d'un stimulus, la réponse d'un participant ou un autre événement significatif au cours de l'expérience. Ce fractionnement permet aux chercheurs de comparer l'activité neuronale à travers des conditions expérimentales répétées et constitue la base de nombreuses analyses de potentiels évoqués (ERP).[2],[6]

Une synchronisation précise des événements est donc essentielle avant de commencer le découpage en époques.

Correction de la ligne de base

L'activité neuronale change continuellement, même lorsque les participants sont au repos. La correction de la ligne de base permet de prendre en compte ces fluctuations continues en comparant chaque époque expérimentale à une période de référence précédant immédiatement l'événement d'intérêt.

La soustraction de cette ligne de base de la réponse neuronale ultérieure permet aux chercheurs de mieux isoler l'activité associée à l'événement expérimental tout en réduisant la variabilité introduite par l'activité de fond non liée.[2]

La sélection de la ligne de base doit rester cohérente tout au long de l'étude et doit refléter les pratiques établies pour le paradigme expérimental choisi.

Contrôle qualité et documentation

Le prétraitement ne s'arrête pas lorsque les données semblent plus propres. Les chercheurs doivent documenter soigneusement chaque étape du traitement, y compris les paramètres de filtrage, les critères de rejet des artefacts, les procédures d'interpolation, les versions des logiciels et les paramètres d'analyse.

Une documentation détaillée favorise la reproductibilité en permettant à d'autres chercheurs de comprendre, d'évaluer et de reproduire le pipeline de prétraitement. Les rapports transparents rendent également les comparaisons futures entre les études plus significatives.[1]

Le maintien d'un protocole de prétraitement cohérent pour tous les participants réduit encore la variabilité et renforce la confiance dans les analyses qui en découlent.

Choisir un logiciel pour le prétraitement de l'EEG

Plusieurs plateformes logicielles prennent en charge le prétraitement et l'analyse de l'EEG, chacune offrant des flux de travail et des capacités d'analyse différents. Les chercheurs doivent sélectionner des outils qui correspondent à leur conception expérimentale, à leur expertise technique et à leurs exigences en matière de rapports.

Les environnements de prétraitement courants comprennent EEGLAB, MNE-Python et FieldTrip, ainsi que des logiciels d'acquisition commerciaux qui prennent en charge la synchronisation des événements, la visualisation des données et l'exportation vers des formats d'analyse courants.[4],[5] Choisir des outils interopérables peut simplifier la collaboration tout en favorisant des pratiques de recherche transparentes et reproductibles.

Points clés à retenir

Le prétraitement prépare les enregistrements EEG bruts pour l'analyse scientifique en réduisant le bruit, en gérant les artefacts et en organisant les données tout en préservant les signaux neuronaux significatifs.

Le filtrage, la gestion des artefacts, l'analyse en composantes indépendantes, le découpage en époques, la correction de la ligne de base et le contrôle de la qualité contribuent tous à améliorer la qualité du signal tout en maintenant l'intégrité des données.

Un pipeline de prétraitement bien conçu est cohérent, transparent et adapté à la question de recherche. En documentant chaque étape de traitement et en appliquant des procédures standardisées à l'ensemble des participants, les chercheurs renforcent la fiabilité et la reproductibilité de leurs résultats.

Continuez à construire votre étude EEG

Une fois les données EEG préparées pour l'analyse, les chercheurs peuvent commencer à explorer comment les différents emplacements d'électrodes contribuent à la compréhension de l'activité cérébrale.

Dans le guide suivant, Choisir les électrodes et les montages EEG, nous examinerons les systèmes de positionnement des électrodes, la sélection des canaux et l'influence des emplacements d'enregistrement sur la conception expérimentale et l'interprétation des données.

Références

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme and S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.