La décomposition en modes empiriques (EMD) a été développée en réponse à un décalage entre les outils de traitement de l'EEG et les données qu'ils sont censés interpréter. Plutôt que de contraindre un signal dans un ensemble fixe d'ondes sinusoïdales ou d'ondelettes choisies à l'avance, l'EMD laisse les données définir leurs propres briques élémentaires. Ces briques élémentaires sont appelées fonctions de mode intrinsèque (IMF), et le processus qui les génère ne nécessite aucune hypothèse de stationnarité ou de linéarité du signal.
Cela rend l'EMD conceptuellement attrayante pour l'EEG, où des événements transitoires et irréguliers sont souvent précisément les caractéristiques qu'un chercheur souhaite détecter. Cet attrait a stimulé un ensemble de recherches appliquées dans la détection des crises d'épilepsie, la classification des émotions, la suppression des artéfacts et les interfaces cerveau-machine.
Pourquoi les signaux EEG résistent aux outils de traitement du signal traditionnels
Le problème fondamental de l'application des méthodes classiques de traitement du signal à l' EEG est d'ordre structurel. L' analyse basée sur Fourier décompose un signal en une bibliothèque fixe d'ondes sinusoïdales et cosinusoïdales, une approche qui fonctionne parfaitement lorsque le processus sous-jacent ne modifie pas son comportement statistique au fil du temps.
L'EEG ne répond pas à cette condition. L'activité cérébrale d'une personne au repos calme est statistiquement différente de celle de la même personne lors d'un sursaut d'attention soutenue ou, dans un cadre clinique, lors d'une crise d'épilepsie. La recherche cite cette qualité non stationnaire comme justification de départ pour se tourner vers l'EMD plutôt que vers des outils basés sur la fréquence conçus pour des signaux stables.
La conséquence pratique est qu'une méthode supposant la stationnarité peut estomper ou déformer des événements neuronaux transitoires, traitant une brève pointe comme si elle était répartie uniformément sur une fenêtre plus longue. Pour des applications telles que le diagnostic de l'épilepsie, où le moment et la forme d'une pointe ont un poids diagnostique, ce genre d'estompement est une réelle limitation.
La solution proposée par l'EMD est d'éviter complètement l'hypothèse de base fixe et de laisser la décomposition s'adapter à la forme réelle du signal.
Ce que fait la décomposition empirique en modes (EMD) et comment elle fonctionne
L'EMD opère à travers un processus répété appelé tamisage (sifting). L'algorithme identifie les pics et les creux locaux d'un signal, les relie en enveloppes supérieure et inférieure, et soustrait la moyenne de ces enveloppes du signal d'origine.
Cette étape se répète jusqu'à ce que le composant résultant réponde à deux conditions :
Ses enveloppes supérieure et inférieure sont symétriques par rapport à zéro
Sa moyenne reste proche de zéro sur l'ensemble du segment.
Une fois qu'un composant satisfait à ces conditions, il est qualifié de fonction de mode intrinsèque (IMF) et il est soustrait du signal d'origine afin que le processus puisse extraire le suivant.
Le résultat est un empilement d'IMF ordonnées des oscillations les plus rapides aux plus lentes, suivi d'une tendance résiduelle finale qui capture toute dérive lente restante. Étant donné que chaque IMF est extraite directement de la forme locale des données plutôt que d'être comparée à une forme d'onde prédéterminée, l'EMD peut, en principe, représenter des dynamiques irrégulières et changeantes sans que l'analyste ait besoin de choisir une base à l'avance.
Méthode | Meilleure condition |
|---|---|
EMD | Forte contamination |
ICA ou CCA | Bruit léger, source unique |
Transformée en ondelettes | Bruit léger, deux sources |
Comment l'EMD capture les événements transitoires comme les pointes de crise
Les événements transitoires dans l'EEG, les pointes épileptiformes ou les brèves bouffées liées à une tâche cognitive, revêtent une importance clinique et neuroscientifique majeure, mais ils sont souvent enfouis sous l'activité cérébrale de fond ou un bruit contaminant. C'est précisément le scénario où la décomposition locale et adaptative de l'EMD est censée offrir un avantage par rapport aux méthodes à base fixe.
Une étude de Safieddine et al. a testé cela directement en simulant des signaux de type pointe épileptique et en les contaminant avec de véritables artefacts musculaires à différentes intensités, puis en comparant quatre méthodes de correction :
EMD
Analyse en composantes indépendantes (ICA)
Analyse de corrélation canonique (CCA)
Transformée en ondelettes
Lorsque la contamination était forte, l'EMD a surpassé les trois autres alternatives. Cet avantage n'était toutefois pas absolu. Lorsque le signal était moins bruité et que les pointes provenaient d'une seule source corticale, la CCA et l'ICA ont produit de meilleurs résultats. Lorsque les pointes provenaient de deux sources distinctes, l'EMD ou l'ICA fonctionnaient le mieux sous un bruit lourd, tandis que la transformée en ondelettes fonctionnait mieux sous un bruit plus léger.
En d'autres termes, le meilleur outil d'élimination des artefacts dépendait à la fois du niveau de bruit et de la configuration de la source sous-jacente, et l'avantage de l'EMD était le plus marqué spécifiquement dans le cas d'une forte contamination.
Pendant ce temps, des études de recherche menées par Riaz et al. et Shafiul Alam et al. sont passées de la correction des artefacts à la classification, en utilisant les IMF comme source de caractéristiques pour détecter les crises et l'épilepsie.
L'équipe de Riaz a extrait des moments temporels, c'est-à-dire des mesures statistiques telles que la variance, l'asymétrie (skewness) et l'aplatissement (kurtosis), ainsi que des caractéristiques spectrales telles que le centroïde spectral et l'asymétrie spectrale, de chaque IMF. Ces caractéristiques ont été introduites dans une machine à vecteurs de support, un classifieur d'apprentissage supervisé standard, et la classification résultante des patients épileptiques et des segments de crise a produit ce que les auteurs ont décrit comme de bons résultats qui se comparent favorablement à d'autres méthodes d'extraction de caractéristiques établies.
L'équipe d'Alam est allée plus loin en utilisant des moments statistiques d'ordre supérieur calculés dans le domaine de l'EMD, en les introduisant dans un réseau de neurones artificiels. Sur plusieurs tâches de classification, notamment la distinction entre l'activité critique (crise) et non critique, la méthode a rapporté une exactitude, une sensibilité et une spécificité allant jusqu'à 100 pour cent, tout en fonctionnant plus rapidement que les techniques d'analyse temps-fréquence comparables.
Prises ensemble, ces études suggèrent que l'EMD peut aider à isoler l'activité épileptique transitoire, mais ses performances sont sensibles au niveau de bruit, à la géométrie de la source et au jeu de données sur lequel elle est testée, plutôt que de constituer un avantage fixe et garanti.
Défis courants de la décomposition empirique en modes
L'EMD est flexible, mais cette flexibilité crée des choix méthodologiques qui peuvent affecter les conclusions scientifiques. De petites perturbations dans un signal peuvent modifier les extrema, et donc modifier les enveloppes et les modes extraits. Le bruit, le filtrage, les enregistrements courts et les frontières nettes peuvent tous rendre la décomposition moins stable.
Des vérifications courantes aident à exposer plutôt qu'à dissimuler ces difficultés. Elles comprennent :
Mesurer l'erreur de reconstruction après avoir sommé les IMF et le résidu.
Tester la sensibilité au traitement des extrémités et aux seuils de tamisage.
Comparer les décompositions sur des segments répétés ou des ensembles de bruit.
Inspecter si un composant supprimé contient une activité neuronale plausible.
Ces vérifications n'éliminent pas l'ambiguïté, mais elles la rendent visible. Le mélange de modes (mode mixing) peut nécessiter une variante d'ensemble, tandis qu'un contenu excessif à haute fréquence peut indiquer une contamination plutôt qu'un mode neuronal utile. Dans tous les cas, l'analyse doit signaler les décisions qui ont produit la représentation finale.
Un autre défi est la communication. Un indice d'IMF est une étiquette algorithmique, pas un diagnostic ni une bande EEG universellement définie. Des figures claires, des enregistrements de paramètres et un langage prudent sont nécessaires lorsque les résultats passent du traitement exploratoire du signal à l'interprétation biomédicale.
Mélange de modes (Mode Mixing) : La principale faiblesse de l'EMD de base
La faiblesse structurelle la plus évidente de l'EMD de base est un phénomène appelé mélange de modes. Cela se produit de deux manières liées. Soit des oscillations qui opèrent sur des échelles de temps très différentes se retrouvent piégées à l'intérieur de la même IMF, soit un composant rythmique unique et cohérent se retrouve fragmenté et dispersé sur plusieurs IMF au lieu de rester confiné dans une seule. Les deux versions du problème font qu'il est plus difficile de croire qu'une IMF correspond à un processus physiologique unique et authentique.
Le risque pratique est d'ordre interprétatif. Si un chercheur suppose qu'une IMF donnée représente, par exemple, l'activité dans une bande de fréquence spécifique, mais que cette IMF contient en réalité un mélange d'artefacts musculaires et d'activité de pointe résiduelle en raison du mélange de modes, toute conclusion tirée de cette IMF devient peu fiable.
Décomposition empirique en modes par ensemble complète (CEEMD)
La décomposition empirique en modes par ensemble complète, communément appelée CEEMD, est une extension de l'EMD assistée par le bruit. Elle ajoute des réalisations de bruit soigneusement contrôlées au signal, décompose l'ensemble résultant et fait la moyenne des modes correspondants. L'objectif est de rendre la décomposition plus stable lorsque des échelles oscillatoires proches sont difficiles à séparer.
Comment la CEEMD améliore l'EMD standard
L'EMD standard peut souffrir de mélange de modes, dans lequel des oscillations d'échelles différentes apparaissent dans une même IMF ou des échelles similaires sont réparties sur plusieurs IMF. La CEEMD résout cette instabilité de manière statistique plutôt qu'en modifiant l'idée de base du tamisage d'enveloppe. Des décompositions répétées et le calcul de moyennes peuvent réduire l'influence d'une réalisation de bruit individuelle, mais le résultat dépend toujours de la conception de l'ensemble, de l'amplitude du bruit, du nombre d'essais et des détails d'implémentation.
La méthode n'est pas automatiquement supérieure pour chaque jeu de données. Elle augmente le coût de calcul et peut conserver du bruit résiduel ou introduire une sensibilité aux frontières si ses paramètres sont mal choisis. Pour l'EEG, les comparaisons doivent donc examiner la qualité de la reconstruction, la stabilité d'un essai à l'autre, la préservation des événements transitoires et la question de savoir si les modes résultants restent interprétables pour la question de recherche posée.
Quelles applications EEG ont testé l'EMD jusqu'à présent
L'EMD a été couramment appliquée dans trois grandes catégories.
L'extraction de caractéristiques pour la classification représente le cas d'utilisation le plus important. Par exemple, une étude menée par Ning Zhuang a utilisé l'EMD pour la reconnaissance des émotions, en extrayant des caractéristiques multidimensionnelles des IMF, y compris la première différence de la série temporelle, la première différence de phase et l'énergie normalisée, puis en les testant sur la base de données émotionnelle DEAP accessible au public. L'étude a révélé que le composant haute fréquence IMF1 avait un effet significatif sur la distinction des états émotionnels, et l'approche globale a surpassé les méthodes de comparaison, notamment la dimension fractale, l'entropie d'échantillon et la transformée en ondelettes discrète.
L'élimination des artefacts est représentée dans des études comme celle de Safieddine et al., où la décomposition déterministe basée sur l'enveloppe de l'EMD a éliminé l'artefact musculaire de l'EEG épileptique simulé plus efficacement que l'ICA, la CCA ou les méthodes basées sur les ondelettes, en particulier dans des conditions de forte contamination.
Enfin, l'analyse multicanal et l' interface cerveau-ordinateur (BCI) se retrouvent dans des recherches publiées dans le Journal of Circuits, Systems and Computers, où l'EMD a été appliquée séparément à chaque canal d'un enregistrement EEG multicanal, et les IMF résultantes ont été regroupées en clusters selon leur similarité spectrale pour identifier quels composants étaient corrélés à un stimulus externe.
La reconstruction du signal à partir des seuls composants liés au stimulus a permis aux chercheurs d'identifier quand un sujet prêtait attention à un stimulus donné, une capacité directement pertinente pour les systèmes BCI qui dépendent de la distinction entre les signaux neuronaux intentionnels et le bruit de fond.
Tutoriel sur la décomposition empirique en modes pour les débutants
Un débutant peut considérer l'EMD comme le fait de peler de manière répétée l'oscillation visible la plus rapide d'une forme d'onde complexe. L'algorithme ne commence pas par une liste de bandes de fréquences. Au lieu de cela, il observe où le signal monte et descend, estime une ligne médiane locale et supprime cette ligne médiane de l'oscillation candidate.
Un exercice d'apprentissage judicieux commence par un signal synthétique court et propre contenant deux oscillations et une tendance lente. Le résultat attendu n'est pas une séparation parfaite dans tous les cas, mais un ensemble de composants dont la somme reproduit approximativement l'entrée. Tracer le signal d'origine, chaque IMF et le résidu sur un axe temporel partagé est souvent plus informatif que d'inspecter uniquement les résultats numériques.
Pour un enregistrement EEG, le flux de travail comprend également des décisions qui précèdent la décomposition :
Sélection des canaux et des segments
Vérification des informations d'échantillonnage
Marquage des mauvais intervalles
Documentation du prétraitement
Un guide de décomposition en fréquences général peut aider à situer l'EMD parmi les méthodes de Fourier, d'ondelettes et autres méthodes temps-fréquence associées. Ces choix ne transforment pas l'EMD en un test clinique ; ils définissent les conditions dans lesquelles ses résultats peuvent être évalués.
Décomposition empirique en modes avec Python : un guide de codage
Les implémentations Python acceptent généralement un tableau unidimensionnel et renvoient une collection d'IMF, parfois avec un résidu ou via une opération de résidu distincte. Un flux de travail de base charge un signal, confirme son ordre d'échantillonnage et l'état des valeurs manquantes, lance la décomposition et trace les composants. Une analyse reproductible enregistre également la version de la bibliothèque et les paramètres contrôlant le tamisage et le comportement de l'ensemble.
Bibliothèques Python populaires pour l'EMD
Plusieurs packages Python scientifiques fournissent l'EMD ou des algorithmes associés, mais leurs API et leurs valeurs par défaut diffèrent. Certains exposent l'EMD standard, les variantes d'ensemble, les seuils d'arrêt, les choix de splines et des assistants de visualisation ; d'autres nécessitent un assemblage plus manuel. La tâche de codage centrale n'est pas simplement d'appeler une fonction, mais de vérifier ce que signifient les composants renvoyés et si leur somme reconstruit le signal d'entrée.
Un modèle de pseudocode minimal est :
Le code est intentionnellement schématique car les noms de fonctions et les valeurs de retour varient d'un package à l'autre. La validation doit inclure une erreur de reconstruction, des tracés d'extrema et de frontières, et des vérifications de sensibilité sous des changements de paramètres raisonnables.
Pour l'EEG, les dimensions des données comptent également : un enregistrement multicanal peut nécessiter un flux de travail par canal ou une méthode spécifiquement multivariée plutôt que d'aplatir silencieusement tous les canaux en un seul tableau.
Application de la décomposition empirique en modes aux signaux EEG
L'EEG est un cadre naturel pour la décomposition empirique en modes car les changements de tension peuvent contenir des rythmes qui se chevauchent, des événements transitoires et une activité non stationnaire. L'EMD peut être appliquée à des canaux individuels ou à des segments sélectionnés pour examiner comment les oscillations locales évoluent. La question scientifique pertinente peut concerner la structure temporelle, la séparation des artefacts, les changements liés aux événements ou les caractéristiques pour un modèle statistique ultérieur.
Avant la décomposition, la qualité du signal et le contexte d'enregistrement nécessitent une attention particulière. Le placement des électrodes, le schéma de référence, le taux d'échantillonnage, le filtrage, les échantillons manquants et les artefacts marqués peuvent tous influencer les extrema locaux.
De plus, les IMF résultantes ne doivent pas se voir attribuer d'étiquettes physiologiques uniquement en fonction de leur ordre. Les composants rapides peuvent inclure du bruit musculaire ou instrumental, et les composants plus lents peuvent contenir de la dérive ainsi qu'une activité significative.
L'interprétation est plus robuste lorsqu'elle compare les signaux reconstruits, conserve une piste d'audit claire des composants exclus et teste si les résultats persistent à travers les canaux, les participants et les choix d'analyse.
Décomposition empirique en modes vs transformée en ondelettes
L'EMD et la transformée en ondelettes permettent toutes deux l'analyse temps-fréquence, mais elles organisent la structure du signal différemment. L'EMD dérive les modes des extrema locaux dans les données observées, tandis que l'analyse par ondelettes compare le signal à une famille sélectionnée de fonctions de base mises à l'échelle et décalées. L'une est adaptative aux données ; l'autre fournit un système de coordonnées multi-échelles prédéfini.
La distinction devient plus claire lorsque l'on compare les priorités analytiques :
Caractéristique | Décomposition empirique en modes | Transformée en ondelettes |
|---|---|---|
Représentation | Fonctions de mode intrinsèque dérivées des données | Coefficients sur les échelles d'ondelettes choisies |
Base | Adaptative et dépendante du signal | Famille d'ondelettes spécifiée à l'avance |
Localisation temporelle | Locale, avec des modes dépendant des données | Dépendante de l'échelle et contrôlée par l'ondelette |
Principales préoccupations | Mélange de modes, effets de bord, règles d'arrêt | Choix de la base, compromis de résolution, effets de frontière |
Aucune méthode n'est universellement préférable. L'EMD peut offrir une décomposition intuitive pour les oscillations changeantes, tandis que les ondelettes peuvent fournir un cadre cohérent pour comparer les signaux lorsque la base et les échelles sont scientifiquement appropriées.
Le choix doit dépendre de la question posée, des transitoires attendus, du besoin de reproductibilité et de la stratégie de validation, plutôt que d'une affirmation générale selon laquelle une méthode est plus avancée.
Ce que l'analyse des signaux cérébraux gagne grâce à la décomposition guidée par les données
L'activité cérébrale reste rarement stable assez longtemps pour que les outils de fréquence classiques saisissent ses moments les plus révélateurs, c'est pourquoi une méthode qui laisse les signaux définir leurs propres briques de construction a attiré une réelle attention.
La décomposition empirique en modes contourne le besoin de modèles mathématiques fixes, produisant des résultats qui se sont révélés utiles pour isoler les pointes de crise sous un bruit lourd et extraire des caractéristiques significatives pour la reconnaissance des émotions. Ce passage vers une analyse de forme adaptative ouvre la voie à la capture d'événements neuronaux transitoires qui seraient autrement estompés ou manqués. Le résultat pratique, comme le montrent les études, est un outil qui peut aider à la classification et à l'élimination des artefacts lorsque les conditions s'y prêtent.
Références
Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127
Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835
Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409
Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357
Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037
Foire aux questions
Qu'est-ce que la décomposition empirique en modes (EMD) et pourquoi est-elle utile pour l'EEG ?
L'EMD est une méthode de traitement du signal adaptative qui décompose une forme d'onde en composants oscillatoires appelés fonctions de mode intrinsèque sans supposer que le signal est stationnaire. Elle est utile pour l'EEG car l'activité cérébrale change continuellement et contient des événements transitoires, que les outils traditionnels à base fixe ont du mal à représenter avec précision.
Comment fonctionne le processus de tamisage (sifting) dans l'EMD ?
Le processus de tamisage identifie de manière répétée les pics et les creux locaux d'un signal, construit des enveloppes supérieure et inférieure, et soustrait leur moyenne du signal. Cette étape se répète jusqu'à ce que le composant restant présente des enveloppes symétriques et une moyenne proche de zéro, point auquel il devient une fonction de mode intrinsèque.
Que sont les fonctions de mode intrinsèque (IMF) ?
Les IMF sont les briques de construction guidées par les données produites par l'EMD, ordonnées des oscillations les plus rapides aux plus lentes. Parce qu'elles sont extraites directement de la forme locale du signal plutôt que d'être adaptées à une forme d'onde prédéfinie, elles peuvent capturer des dynamiques neuronales irrégulières et changeantes.
Pourquoi le mélange de modes est-il un problème dans l'EMD ?
Le mélange de modes se produit lorsque des oscillations d'échelles de temps différentes se retrouvent piégées dans la même IMF ou lorsqu'un rythme unique est divisé sur plusieurs IMF. Cette ambiguïté fait qu'il est difficile de garantir qu'une IMF représente un processus physiologique unique, risquant de mélanger du bruit ou des artefacts avec une véritable activité cérébrale.
Comment l'EMD gère-t-elle les événements transitoires comme les pointes de crise ?
L'EMD isole les brèves pointes en les extrayant dans des IMF à haute fréquence, où l'activité de fond est séparée. Sous une forte contamination musculaire, l'EMD a surpassé les autres méthodes d'élimination des artefacts, bien que son avantage ait diminué avec des signaux plus propres ou des configurations de sources différentes.
L'EMD peut-elle remplacer les méthodes traditionnelles comme la transformée de Fourier pour toutes les analyses EEG ?
L'EMD n'est pas un remplacement universel ; elle est particulièrement précieuse pour les signaux non stationnaires et transitoires là où les méthodes de Fourier à base fixe sont insuffisantes. Sa fiabilité, cependant, varie selon les niveaux de bruit et n'est pas encore prouvée pour toutes les conditions d'enregistrement EEG.
L'EMD nécessite-t-elle de supposer que le signal est stationnaire ?
Non, l'EMD ne suppose pas la stationnarité, un avantage clé par rapport à l'analyse de Fourier classique pour l'EEG. La décomposition s'adapte directement au caractère statistique changeant des données, ce qui lui permet de suivre l'évolution de la dynamique cérébrale et des événements brefs sans préconditionnement.
L'EMD peut-elle analyser directement des EEG multicanaux ?
L'EMD de base est couramment appliquée à des signaux unidimensionnels. L'analyse multicanal nécessite une stratégie délibérée par canal ou multivariée, car combiner simplement les canaux peut masquer la signification spatiale et temporelle.
Emotiv est un leader des neurotechnologies qui aide à faire progresser la recherche en neurosciences grâce à des outils d'EEG et de données cérébrales accessibles.
Christian Burgos
