Artéfacts EEG

Les deux catégories fondamentales d'artéfacts en EEG

Chaque fluctuation indésirable dans un enregistrement EEG provient de l'une de ces deux origines. Les artéfacts liés au sujet, ou physiologiques, sont générés par le propre corps du participant. Ceux-ci incluent les clignements d'yeux, la tension musculaire, les battements cardiaques et l'activité des glandes sudoripares, qui produisent tous des champs électriques que les électrodes du cuir chevelu captent en même temps que la véritable activité cérébrale.

Les artéfacts techniques, ou non physiologiques, proviennent de l'équipement d'enregistrement et de l'environnement. Les électrodes desserrées, le balancement des câbles, la saturation de l'amplificateur et les interférences électriques du secteur entrent dans ce second groupe.

Distinguer ces deux catégories est la première compétence à maîtriser car les stratégies de prévention et d'élimination diffèrent fondamentalement. Une poussée musculaire due à une mâchoire serrée nécessite une intervention différente de celle d'un bourdonnement périodique de 60 hertz entrant par un câble mal blindé.

Comment reconnaître les artéfacts liés au sujet

Clignements d'yeux

L'œil se comporte comme une petite pile électrique. La cornée porte une charge positive par rapport à la rétine, formant un dipôle cornéo-rétinien. Lorsqu'un participant cligne des yeux, la paupière balaie ce dipôle et entraîne le champ positif vers le haut, générant une déflexion de tension positive importante au niveau des électrodes frontales les plus proches des yeux.

Dans le tracé temporel, un clignement apparaît comme une onde lente de grande amplitude qui atteint son maximum sur les canaux frontopolaires tels que Fp1 et Fp2, puis s'atténue nettement à mesure que l'on se dirige vers les dérivations centrales ou postérieures. Parce que la forme d'onde est si stéréotypée, un œil entraîné peut la repérer presque instantanément.

Mouvements oculaires et pointes saccadiques

Lorsque les yeux bougent latéralement sans clignement, le dipôle cornéo-rétinien pivote plutôt que d'être couvert. Cela produit un décalage en forme de marche dans le signal de l'électro-oculogramme qui peut déborder sur les canaux EEG adjacents.

De plus, la contraction rapide des muscles extra-oculaires lors d'une saccade crée un transitoire électrique bref et net appelé potentiel de pointe saccadique. Sur un tracé brut, ces pointes peuvent ressembler de manière trompeuse à une activité épileptiforme. Elles sont généralement limitées aux électrodes frontales et temporales et coïncident avec un changement de regard.

Les reconnaître permet d'éviter une fausse impression clinique et d'éviter le rejet inutile de données neuronales autrement propres. La brièveté de la pointe, sa corrélation avec un mouvement oculaire horizontal ou vertical et son absence d'onde lente consécutive aident à la différencier d'une véritable décharge corticale.

Activité musculaire

Les muscles du cuir chevelu, du visage et du cou sont de prolifiques générateurs de bruit électrique à haute fréquence. Lorsqu'un participant serre la mâchoire, fronce les sourcils ou maintient simplement une tension dans le cou, les potentiels d'action des unités motrices se déclenchent de manière asynchrone et se somment en un motif d'interférence irrégulier et pointu.

Dans le domaine temporel, l'artéfact musculaire ressemble à une rafale rapide de déflexions nettes et de faible amplitude se superposant à l'EEG, souvent plus prononcée sur les électrodes temporales ou frontales. Son contenu fréquentiel se situe principalement au-dessus de 20 Hz, bien dans les bandes bêta et gamma où résident de nombreuses mesures cognitives, ce qui le rend particulièrement problématique pour la surveillance de l'état mental et les applications d'interface cerveau-ordinateur.

Les configurations EEG haute densité avec des électrodes rapprochées peuvent aider à localiser la source musculaire, mais la première ligne de défense consiste à demander au participant de se détendre et à fournir un support physique pour la tête.

Sueur et dérives électrodermales

Les variations de la conductance cutanée dues à l'activité des glandes sudoripares modifient l'interface électrode-peau. Cela introduit une dérive très lente et fluide de la tension de base, souvent inférieure à 1 Hz, qui peut errer sur plusieurs secondes.

L'artéfact n'apparaît pas comme une pointe ou un bourdonnement rythmique, mais comme un roulement doux, semblable à une vague, de l'ensemble du tracé. Il est plus fréquent lors d'enregistrements longs, dans des environnements chauds ou chez des participants anxieux. Ce facteur de confusion à basse fréquence peut être géré en maintenant une température ambiante stable et en assurant un bon contact des électrodes.

Signaux cardiaques

Le champ électrique du cœur est suffisamment puissant pour atteindre le cuir chevelu, en particulier lorsque les impédances des électrodes sont élevées ou lorsqu'une électrode de référence est placée près d'un vaisseau sanguin sur la mastoïde ou le lobe de l'oreille.

L'artéfact d'électrocardiogramme qui en résulte apparaît sous la forme d'un complexe QRS régulier et net se répétant au rythme cardiaque, soit environ une fois par seconde. Il déborde souvent sur plusieurs canaux simultanément avec un décalage temporel constant, et les classificateurs formés sur des caractéristiques d'artéfacts à large spectre peuvent le détecter aux côtés d'autres contaminants.

Si la forme d'onde cardiaque est visible mais non écrasante, elle peut souvent être soustraite en enregistrant un canal ECG dédié ; sinon, les segments affectés peuvent nécessiter un rejet manuel.

Reconnaître les artéfacts techniques sur le tracé

Sauts d'électrodes et pointes liées au mouvement

Un changement soudain d'impédance causé par un pont de gel desséché, un câble tiré ou un déplacement d'électrode génère un transitoire abrupt et raide souvent appelé « pop » ou saut d'électrode. Cela entre dans la catégorie des « discontinuités génériques » que des algorithmes automatisés comme ADJUST sont conçus pour signaler.

Dans le domaine temporel, un saut d'électrode ressemble généralement à une pointe isolée d'amplitude extrême qui peut saturer l'amplificateur, rendant le signal plat pendant un instant avant une lente récupération. Contrairement à une pointe biologique, elle n'est pas entourée d'une activité physiologique continue et apparaît généralement sur un seul canal, ce qui la rend facile à identifier lors d'une inspection visuelle.

Une étude d' EEG néonatal menée par Hagmann et al. a également documenté de fréquentes interférences de mouvement qui altéraient le tracé d'amplitude intégrée, soulignant que même de brèves perturbations physiques créent une contamination mesurable.

Interférences du secteur

Le couplage capacitif de l'alimentation électrique dans l'installation d'enregistrement produit un bourdonnement continu et rythmique à la fréquence du secteur — 50 Hz en Europe et dans une grande partie du monde, 60 Hz en Amérique du Nord.

Sur un tracé EEG brut, cette interférence apparaît comme une onde sinusoïdale épaisse superposée à chaque canal, souvent avec une amplitude constante. Même une petite quantité de bruit de ligne peut masquer les rythmes cérébraux de faible tension, et sa présence signale un problème d'impédance d'électrode, de blindage ou de mise à la terre.

Il s'agit invariablement d'un artéfact technique, non d'une oscillation neuronale, et sa fréquence fixe le rend simple à identifier à l'œil nu ou à l'aide d'un simple tracé spectral.

Électrodes desserrées et mouvement des câbles

Lorsqu'une électrode n'est pas solidement fixée au cuir chevelu ou que son câble oscille en cours d'enregistrement, la perturbation mécanique introduit des fluctuations irrégulières à basse fréquence. Celles-ci peuvent ressembler à une dérive lente et erratique ou à une rafale d'ondes irrégulières de grande amplitude sur un seul canal.

La nature sporadique et la limitation à une seule électrode distinguent immédiatement cet artéfact d'événements physiologiques généralisés tels qu'un clignement ou une tension musculaire. Annoter de tels moments en temps réel permet d'économiser un effort considérable par la suite en limitant la recherche aux segments de données défectueux.

Prévenir et documenter les artéfacts pendant un enregistrement

La stratégie de gestion des artéfacts la plus efficace commence bien avant que le premier point de données ne soit enregistré.

Un participant détendu produit considérablement moins d'artéfacts musculaires et de mouvements oculaires. Par conséquent, prenez le temps d'expliquer la session, proposez un fauteuil confortable avec un repose-tête et donnez aux yeux un point de fixation stable pour réduire les clignements et les saccades spontanés. Ces étapes sont si fondamentales qu'elles sont rarement détaillées dans les articles de recherche, pourtant chaque étude qui rapporte des données propres repose implicitement sur elles.

La pose des électrodes est la ligne de défense suivante. Une préparation minutieuse de la peau, une quantité adéquate de gel conducteur et un acheminement soigné des câbles minimisent à la fois la captation environnementale et les sauts d'électrodes liés aux mouvements.

L'étude de l'EEG chez le nourrisson mentionnée précédemment a révélé que les interférences électriques et de mouvement se produisaient avec une fréquence similaire, confirmant qu'aucun environnement d'enregistrement n'est intrinsèquement immunisé contre les problèmes techniques. Vérifier les impédances avant et après la session et fixer les câbles aux vêtements ou au fauteuil élimine une grande partie des artéfacts évitables.

Enfin, tenez un journal de bord des artéfacts visibles pendant l'enregistrement. Notez l'heure de tout mouvement brusque, toux ou ajustement d'électrode. Ce type d'annotation manuelle reflète l'étiquetage d'expert utilisé pour former les classificateurs automatiques, où des évaluateurs humains marquent des segments pour servir de vérité de terrain aux algorithmes d'apprentissage automatique.

Un simple horodatage manuscrit ou un marqueur d'événement dans le logiciel d'acquisition transforme les conjectures en une documentation reproductible.

Rejet manuel et interpolation : nettoyer avant de calculer

Inspection visuelle du tracé continu

Avant de déléguer l'élimination des artéfacts à un algorithme de traitement du signal, parcourez les données brutes et utilisez les signatures de forme d'onde décrites ci-dessus pour identifier les intervalles contaminés.

Il est souvent recommandé de rechercher l'onde lente frontale caractéristique d'un clignement, le grésillement à haute fréquence de l'activité musculaire, la pointe isolée d'un saut d'électrode ou l'onde sinusoïdale persistante du bruit du secteur. Cette étape entraîne votre œil à distinguer les artéfacts de la véritable activité cérébrale et évite le rejet automatique d'événements neuronaux rares et de grande amplitude qui pourraient superficiellement ressembler à des artéfacts.

• Onde lente frontale : indique un clignement d'yeux

• Grésillement à haute fréquence : indique une activité musculaire

• Pointe isolée d'amplitude extrême : indique un saut d'électrode

• Onde sinusoïdale persistante : indique une interférence du secteur

Marquage et exclusion des segments temporels défectueux

Une fois que vous avez identifié une portion de données chargées d'artéfacts, marquez-la pour exclusion. Cela peut impliquer d'enregistrer les heures de début et de fin ou d'utiliser les outils de marquage intégrés au logiciel d'analyse EEG.

L'élimination manuelle des segments les plus contaminés est la norme sur laquelle reposent même les méthodes automatisées les plus avancées. Dans le travail qui a produit l'algorithme ADJUST, par exemple, des experts ont étiqueté manuellement 640 composants pour créer un ensemble d'entraînement, et les performances du classificateur ont ensuite été mesurées par rapport à cette vérité de terrain définie manuellement.

L'élimination manuelle des artéfacts les plus flagrants réduit la charge sur les algorithmes en aval et les empêche de propager du bruit dans les canaux voisins lors des étapes de filtrage spatial.

Interpoler un canal constamment bruyant

Lorsqu'une seule électrode n'est pas fiable pendant tout l'enregistrement en raison d'un contact lâche, d'un gel séché ou d'une instabilité mécanique, supprimer ce canal et reconstruire ses données à partir des électrodes propres voisines permet de préserver la dimensionnalité globale des données.

L'interpolation utilise la distribution spatiale de la tension sur le cuir chevelu pour estimer ce que le canal défectueux aurait enregistré, remplaçant ainsi l'artéfact par un signal neutre plausible. Cette étape maintient l'intégrité de l'ensemble de données pour les analyses topographiques et évite la perte de données qui résulterait de la mise au rebut complète du canal.

Pourquoi le nettoyage manuel reste essentiel

Même les classificateurs automatiques les plus sophistiqués bénéficient d'un ensemble de données préalablement débarrassé des artéfacts grossiers. Le résultat de l'étude néonatale, montrant que les artéfacts occupaient 12% du temps d'enregistrement et influençaient l'interprétation clinique, illustre à quel point une contamination non éliminée peut facilement fausser les conclusions.

Par conséquent, l'inspection manuelle garantit que les artéfacts les plus importants et les plus évidents ont disparu avant que les données n'entrent dans un pipeline de calcul efficace, où ils pourraient autrement dominer la variance et induire la décomposition en erreur. Cela permet également de développer une familiarité intime avec l'ensemble de données qu'aucun algorithme ne peut reproduire.

Comment l'élimination automatisée soutient le travail manuel

L'analyse en composantes indépendantes comme outil de dissection

Une fois les pires segments éliminés manuellement, l'ICA peut décomposer l'EEG restant en composantes sources statistiquement indépendantes. Cette technique sépare le mélange de signaux cérébraux et d'artéfacts captés par les électrodes du cuir chevelu, isolant les mouvements oculaires, les clignements et l'activité musculaire en composantes distinctes basées sur leurs motifs spatiaux et temporels uniques.

Une composante ayant une projection frontale et une forme d'onde correspondant étroitement au signal de clignement peut alors être identifiée et soustraite, laissant le reste des données intactes sur le plan neurophysiologique. La force de l'ICA réside dans sa capacité à gérer plusieurs sources d'artéfacts se produisant simultanément, une tâche que la correction par régression plus simple sur-corrige ou sous-corrige fréquemment.

La fiabilité des classificateurs modernes

Les méthodes automatisées ont aujourd'hui atteint un niveau de performance qui correspond étroitement au jugement humain d'un expert.

Un classificateur linéaire indépendant du sujet, entraîné sur six caractéristiques tirées des domaines fréquentiel, spatial et temporel, a obtenu une erreur quadratique moyenne inférieure à 10% sur un ensemble de données de temps de réaction, ce qui se situe dans la fourchette de divergence entre deux experts humains.

De plus, l'algorithme ADJUST, qui combine des caractéristiques spatiales et temporelles spécifiques aux artéfacts, a concordé avec l'étiquetage manuel des experts sur 95.2% de la variance des données lors de tests sur un ensemble de données complètement indépendant, et son élimination des composantes artéfactées a conduit à une reconstruction propre des potentiels évoqués.

Une approche différente utilisant des modèles autorégressifs combinés à une machine à vecteurs de support a classé plusieurs types d'artéfacts générés par le sujet parmi les individus avec une précision d'environ 94%.

Pour les artéfacts oculaires spécifiquement, un algorithme intégrant les informations d'un eye-tracker pour identifier objectivement les composantes pertinentes s'est avéré presque deux fois plus efficace que les experts humains qui devaient se fier uniquement aux topographies des composantes, atteignant une zone sous la courbe de la fonction d'efficacité du récepteur supérieure à 0.99.

Ces chiffres ne remplacent pas le nettoyage manuel mais démontrent que le domaine dispose désormais d'assistants informatiques fiables capables de gérer l'identification répétitive et volumineuse autrefois effectuée entièrement à la main.

Équilibrer l'élimination des artéfacts et la préservation du signal

Un rejet d'artéfacts trop agressif peut par inadvertance supprimer de véritables informations neuronales. Dans un paradigme d'interface cerveau-ordinateur d'imagerie motrice, des chercheurs ont découvert qu'ils pouvaient éliminer en toute sécurité jusqu'à 60% des composantes ICA les plus artéfactuelles tout en préservant les informations discriminantes utilisées par le système BCI pour décoder l'intention de l'utilisateur.

Cette découverte souligne le principe crucial selon lequel chaque composante portant une part de variance d'artéfact n'est pas forcément dépourvue de signal neuronal. Un examen manuel des composantes sélectionnées par un classificateur automatique reste conseillé pour confirmer que le seuil de rejet n'empiète pas sur le territoire de l'activité cérébrale utile.

Pourquoi la sensibilisation aux artéfacts détermine la qualité des données

Les artéfacts influencent directement l'interprétation visuelle et les mesures quantitatives. Que l'objectif soit un diagnostic clinique, une découverte en neurosciences ou une application de bien-être grand public, le chemin vers des résultats fiables passe par une compréhension claire de l'origine des artéfacts, de leur apparence sur le tracé brut et par le processus rigoureux de prévention, de documentation et de nettoyage manuel.

L'automatisation basée sur l'ICA peut accélérer le flux de travail de nettoyage, mais elle fonctionne de la manière la plus efficace sur des données qui ont déjà été inspectées par un œil humain entraîné. Un taux de contamination de 12% peut sembler faible, mais lorsque cette fraction peut modifier une décision médicale ou masquer un biomarqueur cognitif subtil, l'investissement dans la gestion des artéfacts devient indissociable de l'intégrité scientifique de l'enregistrement.

Références

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

Foire aux questions

Quelles sont les deux principales catégories d'artéfacts EEG, et en quoi diffèrent-elles ?

Les artéfacts EEG se divisent en deux catégories : les artéfacts liés au sujet (physiologiques) générés par le corps du participant — tels que les clignements d'yeux, la tension musculaire, les battements cardiaques et la sueur — et les artéfacts techniques (non physiologiques) provenant de l'équipement ou de l'environnement, comme les électrodes desserrées, le balancement des câbles et les interférences du secteur. La distinction est importante car chaque catégorie nécessite des stratégies de prévention et d'élimination différentes ; par exemple, une poussée musculaire nécessite une intervention différente d'un bourdonnement de ligne à 60 Hz.

Comment reconnaître un artéfact de clignement d'yeux sur un tracé EEG ?

Un clignement d'yeux apparaît comme une onde lente, positive et de grande amplitude, particulièrement forte sur les électrodes frontales comme Fp1 et Fp2, et s'estompe rapidement vers les canaux centraux ou postérieurs. Parce que la cornée porte une charge positive par rapport à la rétine, la paupière balayant ce dipôle crée une déflexion stéréotypée de grande amplitude facile à repérer avec un peu d'entraînement.

Pourquoi l'activité musculaire peut-elle être particulièrement problématique pour les interfaces cerveau-ordinateur ?

Les artéfacts musculaires dus au serrage de la mâchoire, au froncement des sourcils ou à la tension du cou produisent des interférences pointues à haute fréquence qui chevauchent souvent les bandes d'ondes cérébrales bêta et gamma où s'effectuent les mesures cognitives et la surveillance de l'état mental. Cette contamination peut corrompre les analyses algorithmiques et dégrader les performances des modèles d'interface cerveau-ordinateur, ce qui en fait l'un des artéfacts physiologiques les plus difficiles à gérer.

À quoi ressemble un artéfact d'interférence du secteur et qu'est-ce qui le cause ?

L'interférence du secteur apparaît comme un bourdonnement sinusoïdal continu et rythmique superposé à chaque canal EEG, généralement à 50 ou 60 Hz selon l'alimentation électrique de la région. Elle provient du couplage capacitif de la source d'alimentation dans le système d'enregistrement en raison d'une mauvaise impédance de l'électrode, d'un blindage inadéquat ou de problèmes de mise à la terre, et il s'agit clairement d'un artéfact technique plutôt que d'un signal neural.

Pourquoi l'annotation manuelle des artéfacts pendant un enregistrement est-elle importante ?

Tenir un journal de bord des mouvements brusques, de la toux ou des ajustements d'électrodes pendant la session aide à cibler les segments de données défectueux par la suite et transforme les suppositions en documentation reproductible. Cette annotation manuelle reflète également l'étiquetage d'expert utilisé pour former les classificateurs automatisés, fournissant une vérité de terrain qui améliore la fiabilité du nettoyage manuel et informatique.

Quel est le but d'interpoler un canal EEG constamment bruyant ?

Lorsqu'une seule électrode n'est pas fiable tout au long de l'enregistrement en raison d'un mauvais contact ou de gel desséché, l'interpolation reconstruit les données de ce canal à partir des électrodes propres voisines en utilisant la distribution spatiale de la tension sur le cuir chevelu. Cela préserve la dimensionnalité globale de l'ensemble de données pour les analyses topographiques, évitant la perte de données qui se produirait si l'ensemble du canal était rejeté.

Comment l'analyse en composantes indépendantes (ICA) aide-t-elle à éliminer les artéfacts ?

L'ICA décompose les signaux EEG mixtes en composantes sources statistiquement indépendantes, séparant les clignements d'yeux, l'activité musculaire et d'autres artéfacts en fonction de leurs motifs spatiaux et temporels uniques. Une fois identifiée, une composante d'artéfact — comme une composante avec une projection frontale correspondant à un clignement — peut être soustraite, laissant les signaux neuronaux sous-jacents largement intacts et gérant plusieurs sources d'artéfacts simultanées plus efficacement que les méthodes de régression simples.

Quel est le risque d'être trop agressif avec l'élimination automatisée des artéfacts ?

Un rejet trop agressif peut involontairement éliminer de véritables informations neuronales, car certaines composantes portent à la fois une variance d'artéfact et une activité cérébrale utile. Même si les classificateurs automatisés signalent de nombreuses composantes, un examen manuel des composantes à supprimer est conseillé pour s'assurer que le seuil de rejet n'élimine pas de signal essentiel au décodage de l'intention de l'utilisateur ou à la détection de biomarqueurs cognitifs.

Pourquoi la sensibilisation aux artéfacts affecte-t-elle directement l'intégrité scientifique d'un enregistrement EEG ?

Les artéfacts peuvent se faire passer pour des formes d'onde pathologiques ou introduire une variance qui fausse à la fois l'interprétation visuelle et les analyses quantitatives, modifiant potentiellement les classifications cliniques ou masquant de subtils signaux cognitifs. Un processus rigoureux de prévention, de documentation et de nettoyage manuel des artéfacts est essentiel avant tout traitement informatique, garantissant que les conclusions tirées des données sont fiables et exemptes de contamination.