Un guide de la transformation de Fourier à court terme pour l'EEG

Le problème de la transformée de Fourier standard

La transformée de Fourier standard est un pilier du traitement du signal classique car elle décompose efficacement les signaux complexes en une somme de sinusoïdes pures. En intégrant sur un temps infini, elle révèle le contenu fréquentiel total présent dans un enregistrement.

Cependant, cette méthode suppose que le signal est stationnaire ; si la composition fréquentielle change au cours du temps, la sortie typique obscurcit la séquence temporelle. Cette limitation rend impossible la distinction entre un événement court et dynamique et une harmonique soutenue, ce qui est vital dans des domaines comme les neurosciences.

Qu'est-ce que la transformée de Fourier à court terme dans l'analyse de l'EEG

La STFT aborde le problème de la temporalité avec une stratégie assez directe. Au lieu d'exécuter une transformée de Fourier sur l'ensemble d'un enregistrement EEG d'un coup, elle découpe le signal en segments courts et consécutifs, souvent appelés fenêtres, et applique la transformée de Fourier séparément à chacun d'eux. Chaque fenêtre produit son propre instantané fréquentiel miniature, et l'assemblage de ces instantanés en séquence crée une image animée de la façon dont le contenu fréquentiel évolue au fil du temps.

Le résultat de ce processus est généralement affiché sous forme de spectrogramme, une carte visuelle avec le temps sur un axe et la fréquence sur l'autre. La couleur ou l'intensité en un point donné de cette carte représente la puissance, ou la force, de cette fréquence à cet instant précis. C'est exactement la valeur que l'analyse STFT est conçue pour fournir.

Comme l'indiquent Zabidi et al., l'analyse STFT fonctionne de manière à « révéler le contenu fréquentiel des signaux EEG à chaque point temporel ».

Pourquoi la longueur de la fenêtre est le paramètre le plus important de la STFT

Découper un signal en fenêtres semble simple, mais la longueur choisie pour chaque fenêtre détermine presque tout de la qualité et de la fidélité du spectrogramme obtenu. Cette décision implique un compromis qui ne peut être évité, mais seulement géré.

Voyez les choses ainsi : une fenêtre longue agit comme une règle de fréquence précise mais un chronomètre flou. Parce qu'elle contient plus de points de données, une fenêtre longue peut distinguer des fréquences rapprochées avec une réelle précision. Mais parce qu'elle s'étend sur une plus longue période, tout événement se produisant à l'intérieur de cette fenêtre se retrouve étalé, et vous perdez la capacité de localiser exactement quand un changement s'est produit.

Une fenêtre courte inverse ce compromis. Elle agit comme un chronomètre précis mais une règle de fréquence floue. Elle peut vous dire presque exactement quand un événement s'est produit, mais elle a du mal à séparer des fréquences proches les unes des autres, car une tranche de signal courte ne contient tout simplement pas assez de cycles d'oscillation pour mesurer la fréquence avec précision.

Il s'agit d'une version du principe d'incertitude qui régit toute analyse temps-fréquence : on ne peut pas obtenir une résolution parfaite à la fois en temps et en fréquence au même moment. Améliorer l'un se fait toujours au détriment de l'autre. Reconnaître ce compromis, plutôt que d'essayer de le surmonter, est la compétence essentielle pour travailler avec la STFT.

Puisque les différents rythmes EEG oscillent à des vitesses très différentes, aucune longueur de fenêtre unique ne convient parfaitement à tous. Les directives suivantes sont des heuristiques pratiques de départ tirées du comportement habituel de ces rythmes :

• Ondes delta (environ 0,5 à 4 Hz) : Ce sont les rythmes cérébraux les plus lents, et une fenêtre doit être suffisamment longue, souvent de l'ordre de 1 à 2 secondes, pour capturer au moins un cycle complet de la vague la plus lente mesurée. Une fenêtre plus courte ne contiendra tout simplement pas assez d'ondes pour les caractériser.

• Rythmes thêta et alpha (environ 4 à 13 Hz) : Une fenêtre intermédiaire, souvent autour de 500 millisecondes, a tendance à offrir un équilibre exploitable. Elle est assez longue pour capter plusieurs cycles d'oscillation, ce qui aide à définir clairement le rythme, tout en restant assez courte pour suivre les changements significatifs, comme l'apparition d'une bouffée d'ondes alpha lorsque les yeux se ferment.

• Rythmes bêta et gamma (au-dessus d'environ 13 Hz) : Ces rythmes plus rapides évoluent rapidement, une fenêtre courte, de l'ordre de 250 millisecondes ou moins, devient donc nécessaire pour suivre leur dynamique rapide. Le coût de cette opération est une capacité réduite à discriminer précisément des fréquences proches dans la gamme gamma supérieure, une conséquence directe du même compromis décrit ci-dessus.

Comment la STFT révèle les différences entre le mouvement réel et imaginé

La valeur pratique de la STFT devient très évidente dans la recherche sur les interfaces cerveau-machine (BCI), dont le but est de traduire l'activité cérébrale directement en signaux de commande pour un appareil.

Un exemple bien étudié consiste à comparer l'EEG enregistré pendant qu'une personne imagine un mouvement de la main à l'EEG enregistré pendant qu'elle imagine un mouvement du pied, ou à comparer des actions imaginées à la véritable version physique de ces actions.

Dans ces paradigmes liés à la motricité, une cible d'analyse courante est un phénomène appelé désynchronisation liée à l'événement, ou ERD, une baisse de la puissance du signal dans les gammes de rythmes mu et bêta sur les régions cérébrales associées au mouvement. Parce que l'ERD est une baisse de puissance spécifique et liée au temps plutôt qu'une caractéristique de fond constante, c'est exactement le genre d'événement qu'un résumé fréquentiel sur l'ensemble de l'enregistrement effacerait et qu'un spectrogramme résolu en temps peut capturer.

L'étude de recherche de Zabidi et al., appliquant la STFT directement à cette question, a examiné l'EEG collecté pendant l'écriture manuscrite réelle et pendant l'écriture manuscrite imaginée. Le signal a d'abord été passé à travers un filtre passe-bande limitant l'analyse à la plage de 8 à 30 Hz, couvrant les rythmes alpha et bêta les plus pertinents pour l'activité motrice, avant que la STFT ne soit calculée avec une fenêtre de Hamming ajustée.

Le résultat a été une conclusion directe et spécifique : « les composantes fréquentielles des signaux EEG obtenus lors de l'écriture sont les mêmes que celles obtenues lors de l'écriture imaginée ».

En termes pratiques, le modèle rythmique électrique du cerveau lors d'une action imaginée ressemblait étroitement au modèle lors de l'action physique réelle, une corrélation qui sous-tend une grande partie de la logique des systèmes BCI visant à détecter le mouvement planifié sans nécessiter de mouvement physique réel.

Utilisation de la STFT pour construire des images destinées aux modèles de Deep Learning

Au-delà de l'inspection visuelle, les spectrogrammes générés par la STFT ont trouvé une seconde vie en tant qu'étape de prétraitement alimentant des systèmes de deep learning, et plus particulièrement des réseaux de neurones convolutifs (CNN), un type de modèle initialement conçu pour reconnaître des motifs dans les images. Puisqu'un spectrogramme est essentiellement une image colorée montrant la puissance à travers le temps et la fréquence, les chercheurs estiment qu'il peut être fourni directement à un modèle de deep learning basé sur l'image, qui peut alors détecter des structures cachées dans les données qu'il est difficile de spécifier manuellement.

Une étude de 2019 a transformé les enregistrements EEG d'une tâche d'imagerie motrice, distinguant le mouvement de la main droite de celui du pied droit, en images à l'aide de la STFT et d'une autre approche temps-fréquence, puis a alimenté un modèle CNN pré-entraîné avec les deux ensembles d'images.

La performance sur les deux approches a été forte, le pipeline global atteignant une précision de classification de 99.35%, décrit comme le meilleur score parmi les méthodes comparables existantes. Cependant, lorsque les deux méthodes de génération d'images ont été comparées directement l'une à l'autre au sein de cette même étude, les résultats n'étaient pas égaux : « l'approche CWT donne de meilleurs résultats que l'approche STFT », pointant vers un compromis réel et mesuré dans la fidélité avec laquelle chaque méthode traduit le signal EEG sous-jacent en une image exploitable.

Ce compromis aurait été le problème motivateur d'un autre développement méthodologique. Des chercheurs ont construit ce qu'ils ont appelé la STFT ancrée (anchored-STFT), décrite comme « une version avancée de la STFT, car elle minimise le compromis entre la résolution temporelle et spectrale présenté par la STFT ».

Associé à une méthode d'augmentation de données accusatrice, ce pipeline amélioré a rapporté des précisions de classification allant d'environ 69% à plus de 90% sur plusieurs ensembles de données BCI, renforçant la tendance selon laquelle la STFT classique peut servir d'outil d'extraction de caractéristiques véritablement performant, mais dont les limites de résolution connues laissent de la place pour des améliorations, que ce soit par l'ajustement de paramètres, une version améliorée de la technique elle-même ou une approche temps-fréquence totalement différente.

Quand la STFT montre ses limites : le problème de la résolution fixe

Le compromis évoqué ci-dessus est la limitation centrale que tout chercheur utilisant la STFT doit évaluer de manière critique avant de tirer des conclusions d'un spectrogramme.

Une fois la longueur de fenêtre choisie, disons 500 millisecondes, cette même fenêtre est appliquée uniformément sur l'ensemble du spectre fréquentiel analysé, que le chercheur s'intéresse à l'activité delta lente de 2 Hz ou à l'activité gamma rapide de 100 Hz. La fenêtre ne s'ajuste pas d'elle-même. Le compromis temps-fréquence décrit précédemment est verrouillé sur un seul paramètre pour toute l'analyse, même si différents rythmes bénéficieraient idéalement de paramètres différents.

Cette nature fixe est précisément ce qui sépare la STFT d'une catégorie de techniques adaptatives, telles que les méthodes basées sur les ondelettes. Plutôt que de verrouiller une taille de fenêtre pour chaque fréquence, les méthodes adaptatives utilisent en réalité des fenêtres plus longues pour les basses fréquences et des fenêtres plus courtes pour les fréquences plus élevées, ajustant la résolution selon les besoins au sein d'une seule analyse plutôt que de s'engager sur un seul compromis pour l'ensemble du signal.

Par exemple, une étude menée par Wang et al. développant une méthode temps-fréquence adaptative a rapporté que son approche « peut fournir une résolution temps-fréquence optimale par rapport à la STFT et à la CWT », nommant explicitement la STFT comme la référence surpassée.

Dans une application clinique distincte prédisant les résultats du traitement antidépresseur dans le trouble dépressif majeur à partir de données EEG de prétraitement, des chercheurs ont comparé une approche basée sur les ondelettes directement avec la STFT et une autre méthode de décomposition, et ont rapporté que « l'analyse par ondelettes (WT) a montré la précision de classification la plus élevée » parmi les techniques comparées, atteignant 87.5% de précision par rapport aux alternatives.

Un flux de travail étape par étape pour générer et évaluer un spectrogramme EEG

Compte tenu de ces forces et de ces limites, un workflow rigoureux permet de s'assurer que la STFT est appliquée de manière appropriée et que ses résultats sont interprétés avec honnêteté.

Étape 1 : Définir la question avant de toucher aux données. L'objectif est-il de détecter un sursaut gamma rapide et bref, ou de suivre une dérive lente de la puissance delta sur plusieurs minutes ? La réponse détermine quelle extrémité du compromis sur la longueur de fenêtre importe le plus.

Étape 2 : Sélectionner une longueur de fenêtre initiale adaptée au rythme cible. Utilisez les directives pratiques ci-dessus comme point de départ : des fenêtres plus longues pour delta, des fenêtres intermédiaires pour thêta et alpha, des fenêtres plus courtes pour bêta et gamma. Associez cela à un schéma de chevauchement des fenêtres, généralement entre 50% et 90% de recouvrement entre fenêtres consécutives, ce qui lisse le spectrogramme obtenu et réduit l'apparition de transitions artificielles entre les tranches de temps.

Étape 3 : Générer le spectrogramme et l'inspecter de manière critique. La longueur de fenêtre choisie présente-t-elle un début clair et net pour un rythme rapide d'intérêt, ou l'événement semble-t-il étalé sur une période plus large qu'il ne le devrait ? Le spectrogramme peut-il distinguer clairement un pic alpha d'un pic thêta voisin, ou les deux rythmes se mélangent-ils ? Ces vérifications visuelles sont un test direct et pratique de la pertinence de la longueur de fenêtre choisie pour les données.

Étape 4 : Traiter le résultat comme une vue parmi d'autres possibles, non comme un verdict final. Un résultat négatif, tel que l'absence de différence gamma mesurable entre deux groupes expérimentaux, pourrait refléter une absence réelle d'effet, ou simplement les limites de résolution de la fenêtre STFT spécifique choisie. Une étape suivante raisonnable pour confirmer un résultat ambigu ou important consiste à réanalyser les mêmes données en utilisant une méthode adaptative comme contre-vérification.

Pourquoi suivre le moment où les rythmes cérébraux s'activent ouvre de nouveaux Insights

L'activité cérébrale est une séquence d'événements chronométrés, et récupérer cette temporalité transforme un enregistrement plat en un compte rendu en temps réel des états mentaux changeants. En passant d'un résumé de fréquence unique à une carte instant par instant, les chercheurs peuvent relier des pensées, des intentions ou des sensations spécifiques directement aux rythmes cérébraux qui les accompagnent. Ce changement est ce qui transforme l'EEG d'une mesure statique en un outil capable de soutenir les interfaces cerveau-machine et d'alimenter des modèles de deep learning qui apprennent à reconnaître des schémas mentaux.

Le compromis de résolution fixe de cette méthode offre une leçon plus large : chaque choix analytique met en lumière certaines vérités tout en risquant d'en masquer d'autres, de sorte qu'aucun résultat unique ne raconte toute l'histoire. Cela incite à effectuer des vérifications croisées avec d'autres approches lorsque les résultats sont importants, et cela renforce le fait que les modèles électriques du cerveau – tout comme la forte correspondance constatée entre le mouvement imaginé et réel – sont profondément structurés. Cette similitude sous-jacente soutient l'idée que le cerveau répète les actions en utilisant une grande partie des mêmes signatures rythmiques qu'il utilise pour les exécuter.

Références

1. Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, Septembre). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (pp. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284

2. Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645

3. Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w

4. Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109

5. Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Devessive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

Foire aux questions

Qu'est-ce que la transformée de Fourier à court terme dans l'analyse de l'EEG ?

La transformée de Fourier à court terme (STFT) découpe le signal EEG brut en fenêtres temporelles courtes et consécutives et calcule un spectre de fréquences pour chacune d'elles. Superposer ces instantanés dans l'ordre crée une image animée, appelée un spectrogramme, qui montre comment la puissance des différents rythmes cérébraux évolue d'un instant à l'autre.

Pourquoi ne puis-je pas simplement utiliser une transformée de Fourier classique sur un enregistrement EEG ?

Une transformée de Fourier de base décompose l'ensemble de l'enregistrement en ses fréquences composantes mais efface toutes les informations temporelles, de sorte que vous savez quels rythmes étaient globalement présents, mais pas quand ils sont apparus. La STFT récupère cette chronologie en analysant séparément de courts segments, ce qui vous permet de voir quand une poussée d'ondes alpha ou une baisse de puissance bêta s'est réellement produite.

Que montre un spectrogramme ?

Un spectrogramme est une carte visuelle avec le temps sur un axe, la fréquence sur l'autre, et la couleur ou la luminosité représentant la puissance de chaque fréquence à cet instant précis. Il transforme l'EEG d'un résumé plat en une sorte de partition musicale de l'activité électrique du cerveau.

Pourquoi la longueur de la fenêtre est-elle si importante ?

Des fenêtres plus longues fournissent des informations de fréquence précises mais floutent le moment exact des événements, tandis que des fenêtres plus courtes localisent bien la temporalité mais brouillent les fréquences proches les unes des autres. Ce compromis inévitable signifie que le choix de la longueur de fenêtre façonne directement ce qu'un spectrogramme peut révéler et ce qu'il va masquer.

Quelles longueurs de fenêtres sont un bon point de départ pour les différents rythmes cérébraux ?

Pour les rythmes delta très lents, une fenêtre plus longue d'environ une à deux secondes est nécessaire pour capturer des cycles complets. Les rythmes thêta et alpha sont souvent bien analysés par une fenêtre d'environ une demi-seconde, et les rythmes rapides bêta et gamma nécessitent des fenêtres plus courtes d'environ un quart de seconde ou moins pour suivre leurs changements rapides.

Comment la STFT peut-elle révéler des similitudes entre le mouvement réel et imaginé ?

La STFT capture des baisses de puissance synchronisées avec un événement, appelées désynchronisation liée à l'événement, dans les bandes mu et bêta, qui se produisent à la fois lorsqu'une personne bouge et lorsqu'elle imagine mentalement ce même mouvement. Les spectrogrammes de tâches motrices réelles et imaginées peuvent présenter des motifs de fréquence presque identiques, ce qui conforte la logique des interfaces cerveau-machine.

La STFT peut-elle être utilisée avec des modèles de Deep Learning ?

Oui, les images de spectrogrammes générées par la STFT peuvent être injectées directement dans des réseaux de neurones convolutifs conçus pour la reconnaissance d'images. Ces modèles peuvent apprendre à distinguer les états cérébraux d'après les motifs temps-fréquence, atteignant souvent une précision de classification très élevée dans des tâches comme la détection de l'imagerie motrice.

Quelle est la principale limite de la STFT par rapport à d'autres méthodes temps-fréquence ?

La STFT se fige sur une taille de fenêtre unique pour toutes les fréquences, ce qui signifie qu'elle ne peut pas donner à la fois un détail temporel net pour des bouffées rapides et un détail fréquentiel précis pour des ondes lentes en même temps. Les techniques adaptatives, telles que les ondelettes, font varier la longueur de fenêtre effective en fonction de la fréquence, ce qui conduit souvent à une meilleure résolution et à de meilleures performances de classification dans les comparaisons directes.

Quelle est la bonne approche étape par étape lors de l'utilisation de la STFT sur des données EEG ?

Commencez par adapter une longueur de fenêtre initiale au rythme qui vous intéresse, utilisez des fenêtres chevauchantes pour lisser le spectrogramme et inspectez le résultat pour voir si les événements apparaissent avec une temporalité nette ou étalée. Si la conclusion est cruciale, envisagez de confronter les données à une méthode adaptative, car un seul réglage de la STFT peut ne favoriser qu'un seul type de résolution.