La référence moyenne commune en EEG

Qu'est-ce que la référence moyenne commune en EEG ?

Chaque électrode de scalp mesure une tension par rapport à un canal de référence, ou un petit ensemble de canaux de référence, choisi au moment de l'enregistrement. Les choix courants incluent une seule électrode sur le lobe de l'oreille, les mastoïdes reliées derrière les oreilles, ou un site du scalp comme Cz.

Le problème avec une référence sur un seul site est qu'elle n'est jamais vraiment « silencieuse ». Si l'électrode de référence elle-même capte du bruit ou de l'activité cérébrale, cette contamination est soustraite dans tous les autres canaux, puisque le signal de chaque canal est défini par rapport à elle.

La CAR contourne ce problème en utilisant un type de référence différent où la tension moyenne est enregistrée sur l'ensemble du réseau d'électrodes à chaque instant. Au lieu de soustraire la valeur d'une seule électrode de toutes les autres, la CAR soustrait la moyenne de toutes les électrodes de chaque électrode individuelle.

En théorie, cette moyenne agit comme un point de référence plus stable et plus « silencieux » que n'importe quelle électrode physique unique ne pourrait le faire, car elle s'appuie sur les informations de l'ensemble du scalp plutôt que d'un seul emplacement.

La CAR dans la recherche sur les BCI

C'est pourquoi la CAR apparaît si souvent dans la recherche sur les interfaces cerveau-machine (BCI). Par exemple, une étude publiée dans l'International Journal of Engineering and Technology a testé la CAR comme l'une des douze méthodes de re-référencement pour un système d'écriture P300, un système qui détecte une réponse cérébrale spécifique lorsqu'un utilisateur se concentre sur une lettre ou un symbole cible, et a désigné la CAR comme la technique la mieux adaptée parmi celles testées.

De plus, une étude de 2025 a appliqué la CAR comme étape standard de prétraitement dans un pipeline de classification de l'imagerie motrice, décrivant son but comme l'augmentation du rapport signal/bruit.

Comment calculer la formule de la CAR

La mécanique de la CAR relève de l'algèbre simple, et non d'un modèle statistique nécessitant des données pour prouver son fonctionnement mathématique. Pour un réseau de N électrodes, chacune enregistrant une tension au temps t, notée V₁(t), V₂(t), jusqu'à Vₙ(t), la valeur transformée par CAR pour n'importe quelle électrode individuelle i est :

V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N

En termes simples, pour trouver la CAR d'une électrode spécifique, prenez sa lecture d'origine à une milliseconde donnée, et soustrayez la lecture moyenne de toutes les électrodes du scalp à cette même milliseconde exacte.

Applications de l'EEG à référence moyenne commune

Le choix de la bonne approche de référence détermine le succès des évaluations diagnostiques et des études de recherche complexes.

Les configurations cliniques privilégient souvent la clarté et la cohérence, garantissant que les neurologues peuvent identifier les marqueurs sans interférence d'artefacts induits par la référence. Les chercheurs favorisent cette approche globale lorsqu'ils cartographient la manière dont les interventions peuvent influencer l'activité neurale, comme le démontrent les résultats sur les oscillations modulées par la respiration, où une ligne de base neutre est nécessaire pour isoler les effets liés à la respiration des rythmes neuraux locaux.

Aussi bien dans les contextes cliniques que dans les neurosciences expérimentales, les chercheurs s'appuient sur une interprétation cohérente des données qui minimise les distorsions artificielles. Cette méthode aide à maintenir la transparence lors de la comparaison des enregistrements de patients entre différentes sessions ou établissements.

En utilisant un référencement standard, les analystes s'assurent que les changements d'amplitude observés reflètent des variations biologiques plutôt que des décalages techniques de la ligne de base. Cette position objective favorise des rapports diagnostiques plus clairs et des résultats valides dans de larges applications de mesure des ondes cérébrales.

Comment la CAR réduit le bruit en mode commun

L'argument en faveur de la CAR repose sur un concept appelé bruit en mode commun. Cela fait référence à des interférences qui apparaissent sur presque toutes les électrodes avec à peu près la même intensité, plutôt qu'à un bruit spécifique à un emplacement.

Les exemples classiques incluent le bruit de ligne électrique de 50/60 Hz provenant de sources d'alimentation proches, l'activité musculaire qui se propage à travers le scalp par conduction tissulaire, et les dérives lentes causées par une électrode qui glisse légèrement contre la peau.

Parce que ce type de bruit est partagé largement sur l'ensemble du réseau, faire la moyenne de tous les canaux devrait, en théorie, produire une estimation raisonnable de cette composante de bruit partagée. Soustraire la moyenne de chaque canal élimine alors une grande partie de cette interférence partagée tout en laissant les différences de canal à canal, qui sont plus susceptibles de refléter l'activité cérébrale réelle, largement intactes.

Les hypothèses fondamentales derrière la CAR

La logique de réduction du bruit de la CAR ne tient que si plusieurs conditions sont vérifiées dans les données. Ces hypothèses sont décrites de manière cohérente dans les manuels et tutoriels d'EEG, bien que leur validation en conditions réelles soit mince au vu des preuves disponibles.

• L'hypothèse d'une moyenne nulle. À tout instant, la moyenne de toutes les tensions sur la tête est présumée proche de zéro, ce qui signifie que l'activité positive et négative s'équilibre à peu près sur l'ensemble du scalp.

• Une couverture d'électrodes dense et uniforme. Le réseau est présumé couvrir la tête de manière suffisamment complète pour que la moyenne se rapproche de ce qu'un point de référence infiniment éloigné de la tête, et donc électriquement neutre, enregistrerait. Une couverture clairsemée ou inégale affaiblit cette approximation.

• Pas de source dominante unique. Aucune électrode individuelle, aucun mauvais canal, ni aucun artefact majeur (comme un clignement d'yeux prononcé) ne doit être assez important pour fausser à lui seul la moyenne.

Lorsque ces trois conditions sont remplies, la moyenne se comporte comme un point de référence véritablement neutre. Lorsqu'elles ne le sont pas, la moyenne elle-même devient déformée, et soustraire une moyenne déformée introduit de nouveaux problèmes plutôt que d'éliminer les anciens.

Tester les hypothèses de la CAR avec des données EEG réelles

Prendre un enregistrement EEG au repos accessible au public, par exemple un jeu de données standard à 64 canaux, et calculer la forme d'onde moyenne globale avant d'appliquer la CAR révèle souvent des valeurs qui s'écartent de zéro, parfois de manière notable. Cet écart est la preuve directe d'un contenu en mode commun présent dans le signal brut, ce qui est précisément ce que la CAR est conçue pour éliminer. Après l'application de la CAR, cette même moyenne globale est forcée à exactement zéro à chaque instant, par définition de la formule.

Un test plus révélateur consiste à examiner des époques contenant de grands artefacts de clignement d'yeux.

Les clignements d'yeux génèrent d'importantes variations de tension qui sont plus fortes au niveau des électrodes frontales mais qui se diffusent sur une grande partie du réseau. Pendant ces époques, la moyenne globale avant la CAR s'écarte souvent brusquement de zéro, car le clignement n'est pas réparti uniformément mais concentré sur une partie de la tête. Lorsque la CAR est ensuite appliquée, cet artefact concentré se retrouve intégré dans la moyenne et redistribué, en plus petites quantités, sur chaque canal individuel, y compris ceux qui étaient initialement propres et éloignés des yeux.

Ce que dit la recherche : des preuves mitigées issues des études sur les BCI

L'étude susmentionnée a comparé douze techniques de re-référencement sur trois jeux de données d'un système d'écriture P300, dans des conditions de test hors ligne et en ligne, et a conclu que la CAR était la technique la mieux adaptée parmi les douze. Cependant, bien que l'étude fournisse des comparaisons graphiques de la précision de classification et des tableaux détaillant les débits binaires maximaux moyens avec écarts-types, elle ne signale pas les tailles d'effet ni de tests de signification statistique formels entre les méthodes, ce qui limite le niveau de confiance que l'on peut accorder à ce classement.

Parallèlement, une étude de 2017 a adopté une approche différente avec une tâche d'imagerie motrice et d'intention de mouvement. Onze sujets ont effectué et imaginé des mouvements du poignet droit pendant que leur EEG était enregistré à partir de 28 électrodes. Le signal a été traité en utilisant à la fois la CAR et le référencement laplacien, une méthode de filtrage spatial qui accentue la différence entre une électrode centrale et ses voisines immédiates plutôt que la moyenne de l'ensemble du scalp.

La précision de la classification à l'aide du référencement laplacien variait de 63,33 % à 100 % pour le mouvement imaginé et de 60 % à 96,67 % pour le mouvement réel, les classifieurs des k plus proches voisins surpassant l'analyse discriminante quadratique. Le référencement laplacien a globalement surpassé la CAR, bien que l'étude ne rapporte pas les chiffres exacts de précision de la CAR pour une comparaison directe. Ce résultat suggère que la CAR pourrait être moins adaptée aux tâches impliquant une activité cérébrale motrice focale et localisée.

Enfin, l'étude de 2025 mentionnée précédemment a intégré la CAR comme étape de prétraitement précoce au sein d'un pipeline de réseau neuronal convolutif plus large pour la classification de l'imagerie motrice, qui comprenait également des fenêtres temporelles glissantes, une transformation spectrale et l'extraction de bandes de fréquences. Le pipeline complet a atteint une précision de 91,75 % sur un jeu de données de référence de compétition. C'est un excellent résultat, mais comme la CAR ne représentait qu'une étape de traitement parmi d'autres, l'étude ne peut pas nous dire quelle part de cette précision est attribuable à la CAR elle-même par rapport à l'architecture du CNN, à la technique de fenêtrage ou à la sélection des bandes de fréquences.

Prises ensemble, ces trois études ne convergent pas vers une conclusion unique. La CAR a bien fonctionné dans un contexte P300, a obtenu de moins bons résultats qu'une alternative dans un contexte d'imagerie motrice, et était présente mais non isolée dans un contexte d'apprentissage profond de haute précision. Ainsi, les preuves analysées suggèrent que l'avantage autonome de la CAR reste flou et semble dépendre fortement du type de signal cérébral mesuré.

Quand la CAR échoue : artefacts, réseaux d'électrodes clairsemés et sources focales

Le schéma se dégageant de ces études s'aligne sur trois modes de défaillance largement discutés dans la méthodologie EEG, bien qu'ils ne soient que partiellement étayés par des preuves directes dans les recherches disponibles.

1. Grands artefacts. Un seul événement de forte amplitude, tel qu'un clignement d'yeux prononcé ou un pic musculaire, peut dominer le calcul de la moyenne s'il est suffisamment important par rapport au reste du réseau. Lorsque cela se produit, la CAR n'élimine pas l'artefact ; elle en propage une version déformée dans chaque canal, y compris ceux qui étaient initialement exempts d'artefact. Il s'agit d'une conséquence directe de la formule de la CAR plutôt que d'une découverte testée séparément, mais cela découle logiquement de la démonstration décrite plus haut dans cet article.

2. Réseaux d'électrodes clairsemés. La CAR repose sur l'approximation d'un point de référence neutre par la moyenne, ce qui nécessite une couverture raisonnablement dense et uniforme du scalp. Avec seulement une poignée d'électrodes, par exemple de huit à seize canaux, la moyenne est une estimation beaucoup plus faible de ce point neutre, et l'hypothèse de couverture derrière la CAR est directement violée.

3. Sources focales. L'activité cérébrale qui provient d'une petite région localisée, plutôt que de se propager largement sur le scalp, peut se comporter comme un signal « local » que la moyenne sur l'ensemble du réseau de la CAR n'est pas conçue pour préserver. Étant donné que la CAR soustrait une moyenne globale, elle peut annuler en partie des signaux qui sont concentrés plutôt que généralisés.

Comment atténuer les faiblesses de la CAR

Plusieurs ajustements sont couramment recommandés dans la pratique de l'EEG pour faire face à ces points de défaillance :

• Lorsque les grands artefacts sont une préoccupation, identifiez et interpolez ou supprimez les mauvais canaux ou les segments chargés d'artefacts avant de calculer la CAR.

• Lorsque vous travaillez avec un réseau d'électrodes clairsemé (par ex. 8 à 16 canaux), évitez la CAR et utilisez une référence physique fixe telle que les mastoïdes reliées.

• Pour les tâches ciblant une activité cérébrale focale et localisée, envisagez le référencement laplacien ou des méthodes en espace de source qui mettent l'accent sur les gradients locaux plutôt que sur une moyenne globale.

La CAR est-elle le bon choix de référence pour votre configuration EEG ?

La CAR reste une méthode de référence largement utilisée, dotée d'une base mathématique claire et cohérente. Elle force le signal moyen sur l'ensemble du réseau à zéro, ce qui peut, en principe, éliminer le bruit qui apparaît de manière large et uniforme sur le scalp. Cet attrait théorique explique pourquoi elle apparaît si souvent comme une étape par défaut dans les pipelines d'EEG et de BCI.

Toute personne appliquant la CAR à ses propres données devrait la traiter comme un choix par défaut raisonnable plutôt que comme une amélioration garantie. Il convient de vérifier ses hypothèses (un signal de moyenne à peu près nulle, une couverture d'électrodes dense et uniforme, et l'absence d'artefact dominant) par rapport à l'enregistrement et à la tâche spécifiques plutôt que de les présumer automatiquement.

Là où ces hypothèses ont peu de chances de se vérifier, en particulier avec des réseaux clairsemés ou des tâches centrées sur des sources cérébrales focales et localisées, des alternatives telles que le référencement laplacien méritent d'être sérieusement envisagées.

Pourquoi vérifier vos hypothèses de référence EEG l'emporte sur les paramètres par défaut

La référence moyenne commune repose sur l'idée mathématique simple consistant à soustraire la moyenne de l'ensemble du scalp pour éliminer le bruit partagé entre les électrodes. Cela fonctionne à merveille sur le papier, mais les enregistrements cérébraux réels coopèrent rarement parfaitement. L'algorithme force toujours la moyenne des électrodes à zéro, mais cet équilibre forcé ne garantit pas une vision plus claire de l'activité cérébrale, seulement que les chiffres concordent.

Ce qui importe plus que le montage EEG lui-même, c'est de savoir si la configuration d'enregistrement répond aux hypothèses sous-jacentes. Une couverture d'électrodes dense et uniforme et l'absence d'artefacts envahissants comme les clignements d'yeux peuvent transformer la CAR d'un raccourci risqué en un outil utile. Pour des réseaux d'électrodes clairsemés ou des tâches qui doivent capturer des signaux cérébraux petits et focalisés, cette même étape peut propager la contamination et brouiller l'activité même qu'un chercheur espère détecter.

Ce qu'il faut retenir de la recherche, ce n'est pas que la CAR est bonne ou mauvaise, mais que son utilisation exige une vérification délibérée de l'état des données, et non une confiance aveugle dans un préréglage populaire.

Références

1. Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.

2. Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001

3. Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028

Foire aux questions

Qu'est-ce que la référence moyenne commune (CAR) en EEG ?

La CAR est une méthode de re-référencement qui soustrait la tension moyenne de toutes les électrodes du scalp de chaque électrode individuelle à chaque instant. Elle remplace une référence physique unique par la moyenne de l'ensemble du scalp, dans le but de créer un point de référence plus stable pour l'enregistrement.

Comment la CAR réduit-elle le bruit dans les signaux EEG ?

La CAR cible le bruit en mode commun — des interférences qui apparaissent de manière similaire sur de nombreuses électrodes, comme le bourdonnement du réseau électrique ou l'activité musculaire. En faisant la moyenne de tous les canaux et en soustrayant cette moyenne, le bruit partagé est en grande partie éliminé tandis que les différences d'activité cérébrale spécifiques à chaque canal sont préservées.

Quelles sont les hypothèses de base requises pour que la CAR fonctionne bien ?

La CAR suppose que la moyenne des tensions sur l'ensemble du scalp est proche de zéro à chaque instant, que la couverture d'électrodes est dense et uniforme, et qu'aucun artefact ou canal unique ne domine la moyenne. Si ces conditions ne sont pas remplies, la moyenne calculée devient faussée et sa soustraction introduit des erreurs.

Quand la CAR échoue-t-elle ou introduit-elle des artefacts ?

La CAR peut échouer face à des artefacts localisés importants, comme les clignements d'yeux, qui faussent la moyenne et se propagent ensuite à tous les canaux. Elle pose également problème avec des réseaux d'électrodes clairsemés ou des signaux cérébraux très focalisés, car la moyenne globale ne représente plus une référence neutre.

Que dit la recherche disponible sur l'efficacité de la CAR ?

Les avis sont partagés. Une étude a montré que la CAR fonctionnait bien pour une tâche de système d'écriture P300, mais une autre a révélé que le référencement laplacien surpassait la CAR pour l'imagerie motrice. Une troisième étude a intégré la CAR dans un pipeline d'apprentissage profond performant sans isoler sa contribution spécifique, de sorte que son intérêt autonome reste incertain.

Dois-je toujours utiliser la CAR comme référence par défaut pour mes analyses EEG ?

Pas aveuglément. La CAR est un choix par défaut raisonnable si vous disposez d'une couverture d'électrodes dense et uniforme et que le signal a une moyenne d'environ zéro sans artefacts dominants. Pour les réseaux d'électrodes clairsemés ou l'activité cérébrale focale, des alternatives comme une référence physique fixe ou le référencement laplacien peuvent être plus appropriées.

Qu'est-ce que le référencement laplacien et comment se compare-t-il à la CAR ?

Le référencement laplacien met l'accent sur la différence de tension entre une électrode centrale et ses voisines immédiates, mettant en valeur l'activité cérébrale locale. Il a surpassé la CAR dans une étude sur l'imagerie motrice, suggérant qu'il est mieux adapté pour détecter des signaux spatialement focalisés.

Comment puis-je atténuer les faiblesses de la CAR lorsque je souhaite l'utiliser ?

Avant de calculer la CAR, identifiez et supprimez ou interpolez les mauvais canaux ainsi que les grands artefacts comme les clignements d'yeux. Cela empêche qu'un canal bruyant ou un événement unique ne vienne fausser la moyenne globale et contaminer tous les canaux.

Que se passe-t-il lors d'un clignement d'yeux dans un enregistrement référencé par CAR ?

Les clignements d'yeux créent de fortes variations de tension concentrées sur les électrodes frontales. Lorsque la CAR est appliquée, l'influence du clignement se retrouve incluse dans la moyenne globale puis soustraite, ce qui propage une version atténuée mais déformée du clignement dans chaque canal, même ceux qui étaient propres à l'origine.

La CAR ramène-t-elle réellement la moyenne de tous les canaux à zéro ?

Oui, par définition, la transformation CAR force la somme de toutes les tensions re-référencées à zéro à chaque instant. Cependant, cette propriété mathématique ne garantit pas que le signal résultant soit une représentation plus propre de l'activité cérébrale — elle impose simplement une condition qui peut ou non correspondre à la réalité.