Une approche modèle mixte pour la classification supervisée de signaux électrophysiologiques

Juliette Spinnato (1, 2) , Marie-Christine Roubaud (2) , Bruno Torrésani (2) , Laurence Casini (1) , Boris Burle (1)

1 LNC - Laboratoire de Neurosciences Cognitives [Marseille]
2 LATP - Laboratoire d'Analyse, Topologie, Probabilités

Abstract. The classification of noisy-data with high variability is an important issue. Electrophysiological (EEG) signals correspond to this type of complex data. In a Reaction-Time task, brain activity has an important temporal variability accross repetitions and the signal of interest, which is of low amplitude, is embedded into a set of artifacts and noise. For a fixed subject, we propose a procedure in order to classify two types of brain signals using a parametric modeling based on the Gaussian Mixed-Effects model. The present work is based on the method presented by Huang et al. (2008). Our contribution is first a simplified formalization of the modeling and second the introduction of a wavelet transform which leads to a reduction of temporal dimension without loss of information. The procedure is applied to the detection of error-negativities during a cognitive task, and we study the performance of our method on six subjects by comparing the results with those obtained with a discriminant analysis.

La classification de données fortement bruitées et présentant une importante variabilité constitue un enjeu important. Les signaux électrophysiologiques (EEG) correspondent à ce type de données complexes. Pour une tâche cognitive étudiée, l'activité cérébrale associée présente une importante variabilité temporelle d'une répétition à une autre et le signal d'intérêt, de faible amplitude, est noyé dans un ensemble d'artefacts et de bruit. Nous proposons une procédure permettant de classer, chez un même sujet, deux types de signaux cérébraux à partir d'une modélisation par le modèle linéaire mixte gaussien. Ce travail s'inspire de la méthode présentée par Huang et al. (2008). Notre contribution réside d'une part dans une formalisation simplifiée de la modélisation et d'autre part dans l'introduction d'une transformation en ondelettes permettant une réduction de la dimension temporelle sans perte d'information. La procédure présentée est appliquée à la détection d'ondes d'erreurs au cours d'une tâche cognitive, et nous étudions la performance de notre méthode sur six sujets en comparant les résultats obtenus aux résultats d'une analyse factorielle discriminante.

Mots clés: Supervised classification; Linear mixed-effects model; Discrete wavelets transform; EEG signals; Between-trials temporal variability; Error-negativity

Mots clés: Classification supervisée; Modèle linéaire mixte; Transformée en ondelettes discrète; Signaux EEG; Variabilité temporelle inter-essais; Onde d'erreur

Domaines: Méthodologie [stat.ME]; Applications [stat.AP]

Juliette Spinnato, Marie-Christine Roubaud, Bruno Torrésani, Laurence Casini, Boris Burle. Une approche modèle mixte pour la classification supervisée de signaux électrophysiologiques. 44èmes journées de statistique, SFDS, May 2012, Bruxelles, Belgique. ⟨hal-01291969⟩