PIPEMAT-RS : Développement et validation d’un pipeline MATLAB standardisé pour le prétraitement de l’EEG à l’état de repos

Ce protocole présente PIPEMAT-RS, un pipeline de prétraitement standardisé basé sur MATLAB pour les données EEG à l’état de repos. Il garantit la suppression des artefacts, améliore la qualité du signal et améliore la reproductibilité des données entre les études. Le pipeline automatise les étapes clés de prétraitement, notamment le filtrage, l’analyse des composants indépendants (ICA) et la classification des artefacts, facilitant ainsi une analyse EEG cohérente et fiable pour la recherche neurophysiologique.

L’électroencéphalographie (EEG) est un outil crucial dans la recherche en neurosciences et les applications cliniques, mais les données EEG brutes contiennent souvent du bruit et des artefacts qui compromettent la qualité du signal. Pour résoudre ce problème, nous avons développé PIPEMAT-RS, un pipeline de prétraitement standardisé basé sur MATLAB pour les données EEG à l’état de repos. PIPEMAT-RS suit un flux de travail structuré en sept étapes : conversion de format de fichier, configuration du montage EEG, sous-échantillonnage, filtrage, rejet d’artefacts, analyse indépendante des composants (ICA) et classification ICLabel pour la suppression automatique des artefacts. Ce protocole améliore la qualité des données EEG en minimisant l’intervention humaine tout en maintenant une grande précision dans le rejet des artefacts. Il a été validé à l’aide de plusieurs ensembles de données, démontrant sa robustesse dans l’amélioration de l’intégrité du signal. PIPEMAT-RS fournit une approche systématique qui facilite la reproductibilité et la fiabilité des études EEG, en s’alignant sur les pratiques couramment adoptées sur le terrain et en offrant une structure clairement documentée qui peut compléter les pipelines existants. En normalisant le prétraitement de l’EEG, PIPEMAT-RS facilite la recherche neurophysiologique et les applications cliniques, permettant des interprétations plus précises de l’activité cérébrale au repos et de ses associations avec les affections neurologiques et psychiatriques.

L’électroencéphalogramme (EEG) est un outil essentiel à la fois dans la recherche en neurosciences et dans la pratique clinique, offrant des informations précieuses sur l’activité électrique du cerveau. Les données EEG au repos, en particulier, sont largement utilisées pour étudier diverses affections neurologiques et psychiatriques, telles que les accidents vasculaires cérébraux, la fibromyalgie et la douleur neuropathique chronique. Malgré son application généralisée, l’analyse des données EEG nécessite un prétraitement rigoureux pour éliminer les artefacts et le bruit, garantissant ainsi l’intégrité et la fiabilité des résultats ^1,2,3. Au fil des ans, l’EEG a été inestimable pour fournir des mesures non invasives et à haute résolution temporelle de l’activité cérébrale, ce qui le rend indispensable pour l’étude des processus dynamiques du cerveau ^4,5. Cependant, les signaux EEG bruts sont souvent contaminés par une variété de sources de bruit qui peuvent obscurcir les signaux neuronaux d’intérêt, compliquant ainsi l’interprétation des données⁶.

Les signaux EEG sont très sensibles à la contamination par des sources telles que l’activité musculaire, les mouvements oculaires et les interférences électriques⁷. Ces artefacts peuvent obscurcir les signaux neuronaux, faisant du prétraitement une étape critique de l’analyse EEG. Ce processus implique généralement la conversion de format de fichier en plusieurs étapes, le sous-échantillonnage, le filtrage, le rejet d’artefacts, l’analyse indépendante des composants (ICA) et l’exclusion des composants liés au bruit ^8,9. Chaque étape contribue à améliorer la qualité du signal et à s’assurer que les données reflètent fidèlement l’activité neuronale¹⁰. La complexité de ces processus nécessite l’utilisation d’algorithmes et d’outils logiciels sophistiqués pour garantir que le prétraitement est à la fois efficient et efficace¹¹.

L’un des principaux défis du prétraitement des données EEG est la variabilité des données, qui peut différer considérablement entre les sujets et les sessions d’enregistrement^10,12. Cette variabilité est due à des différences dans les caractéristiques physiologiques et anatomiques des sujets, ainsi qu’à des variations dans les conditions expérimentales et l’équipement utilisé. De plus, l’absence de protocoles de prétraitement normalisés peut entraîner des incohérences dans l’analyse et l’interprétation des données^13,14. Bien que plusieurs pipelines et scripts de prétraitement soient disponibles, beaucoup d’entre eux sont soit adaptés à des ensembles de données spécifiques, soit manquent de documentation complète, ce qui les rend moins accessibles à l’ensemble de la communauté des chercheurs¹⁴. Des plateformes comme GitHub hébergent de nombreux scripts et plugins de prétraitement EEG, facilitant le partage et l’amélioration collaborative de ces outils¹⁵. Cependant, la nature fragmentée de ces ressources souligne la nécessité d’un pipeline de prétraitement modifiable robuste, efficace et standardisé qui peut être largement appliqué à différents ensembles de données et contextes de recherche¹⁶. Un tel pipeline permettrait non seulement d’améliorer la reproductibilité des études EEG, mais aussi de fournir une base sur laquelle la communauté des chercheurs pourrait s’appuyer et s’adapter à des besoins spécifiques¹⁷.

En plus d’EEGLAB, qui constitue la base de PIPEMAT-RS en raison de sa vaste base d’utilisateurs et de son intégration avec MATLAB, d’autres boîtes à outils de traitement EEG sont également largement utilisées sur le terrain. Par exemple, MNE-Python est une plate-forme open source basée sur Python qui offre des fonctionnalités avancées pour la localisation des sources, les analyses de l’espace des capteurs et l’intégration avec les flux de travail d’apprentissage automatique. FieldTrip, une boîte à outils basée sur MATLAB comme EEGLAB, est connue pour son environnement de script flexible et sa prise en charge complète des analyses temps-fréquence et de connectivité. Bien que ces plateformes offrent des alternatives puissantes, elles nécessitent généralement des courbes d’apprentissage plus abruptes et des compétences de programmation plus avancées. PIPEMAT-RS a été conçu pour faire le lien entre l’accessibilité et la transparence, en particulier pour les chercheurs à la recherche d’une solution modifiable et modulaire pour le prétraitement de l’EEG à l’état de repos à l’aide d’EEGLAB. Néanmoins, la structure conceptuelle de PIPEMAT-RS peut être adaptée à d’autres boîtes à outils si nécessaire, favorisant ainsi l’interopérabilité et la personnalisation dans différents environnements logiciels.

Plusieurs pipelines de prétraitement EEG automatisés ont été développés ces dernières années, tels que RELAX¹⁸, Automagic¹⁹, APP²⁰ et PREP⁷. Ces pipelines intègrent des algorithmes avancés pour la suppression des artefacts et le nettoyage des données, utilisant souvent des stratégies basées sur l’ICA avec une transparence ou une personnalisation limitée pour les utilisateurs non experts. Par exemple, RELAX introduit une méthode de nettoyage ICA en plusieurs étapes qui améliore le rejet des artefacts, mais s’appuie sur des configurations complexes qui peuvent ne pas être facilement modifiables²¹. En revanche, PIPEMAT-RS est conçu pour fournir une alternative flexible, transparente et accessible sur le plan éducatif, permettant aux chercheurs de comprendre et d’ajuster manuellement chaque étape de prétraitement. Cette transparence permet à PIPEMAT-RS d’être utilisé à la fois comme outil de recherche et d’enseignement tout en conservant rigueur et reproductibilité. De plus, PIPEMAT-RS met l’accent sur la documentation, l’exécution modulaire et l’adaptabilité à travers les ensembles de données, des caractéristiques qui sont souvent sous-estimées ou absentes dans d’autres pipelines.

D’un point de vue économique, le développement et la mise en œuvre d’un pipeline de prétraitement standardisé et modifiable pour les données EEG peuvent avoir des impacts significatifs. Le marché mondial des appareils EEG était évalué à environ 1,2 milliard USD en 2020 et devrait croître à un taux de croissance annuel composé (TCAC) de 7,5 % de 2021 à 2028²². Des pipelines de prétraitement efficaces, en particulier ceux qui sont modifiables et modulaires, peuvent réduire le temps et les coûts associés à l’analyse des données, un élément important à prendre en compte dans les essais cliniques à grande échelle et la recherche en santé publique. En minimisant les erreurs humaines et en automatisant les tâches répétitives, ces pipelines peuvent améliorer la précision de l’analyse des données EEG et conduire à des résultats de recherche plus fiables¹³. Cela peut à son tour accélérer le développement de nouveaux outils de diagnostic et d’interventions thérapeutiques, ce qui pourrait réduire les coûts des soins de santé et améliorer les résultats pour les patients¹.

Cet article vise à présenter et à valider un pipeline intégré de prétraitement standardisé et modifiable pour l’EEG à l’état de repos à l’aide de MATLAB (PIPEMAT-RS). Conçu pour être à la fois robuste et efficace, ce pipeline modifiable est polyvalent et peut être largement appliqué à divers ensembles de données et scénarios de recherche. Les sept étapes complètes comprennent la conversion de format de fichier, le sous-échantillonnage, le filtrage, le rejet d’artefacts, l’analyse indépendante des composants (ICA) et l’exclusion des composants liés au bruit, le tout intégré dans un flux de travail cohérent^23,24. Le développement de PIPEMAT-RS a été guidé par la nécessité de relever les défis courants du prétraitement EEG et de fournir un outil que les chercheurs peuvent utiliser pour rationaliser leurs processus d’analyse de données²⁵. En s’intégrant aux pratiques couramment adoptées sur le terrain et en tirant parti des capacités de MATLAB, PIPEMAT-RS vise à offrir un cadre fiable, modifiable et convivial pour prendre en charge le prétraitement des données EEG²⁶.

Pour valider l’efficacité de PIPEMAT-RS, nous l’avons appliqué dans plusieurs études. Dans une étude, PIPEMAT-RS a été utilisé pour étudier les biomarqueurs EEG chez les patients victimes d’un AVC, identifiant des corrélations significatives entre la fonction motrice inadaptée et les profils dépressifs²⁷. Une autre étude a appliqué PIPEMAT-RS pour analyser les signatures neuronales de la compensation cérébrale chez les patients victimes d’un AVC à l’aide de l’EEG et de la TMS, révélant ainsi des informations essentielles sur les mécanismes adaptatifs du cerveau après l’AVC²⁸. Une validation supplémentaire provient d’une étude qui a exploré les adaptations et les compensations neuronales chez les patients atteints de fibromyalgie²⁹. De plus, une autre étude a démontré comment les bandes delta et thêta dans l’EEG au repos servent de mécanismes compensatoires dans la douleur neuropathique chronique³⁰.

Ces études mettent collectivement en évidence l’utilité de PIPEMAT-RS dans le traitement et l’analyse des données EEG, établissant ainsi son efficacité dans diverses conditions et applications. En fournissant une approche standardisée, ce pipeline améliore non seulement la reproductibilité des études EEG, mais facilite également l’adoption plus large de méthodes de prétraitement cohérentes dans la communauté des chercheurs. À travers cet article, nous visons à apporter une ressource précieuse au domaine, en promouvant une analyse plus précise et plus fiable des données EEG^16,17. Ce faisant, nous espérons soutenir l’avancement de la recherche en neurophysiologie et le développement de nouvelles approches thérapeutiques pour les affections neurologiques et psychiatriques.

Les étapes fondamentales de prétraitement utilisées dans PIPEMAT-RS sont ancrées dans des méthodes robustes et largement validées qui sont devenues essentielles dans la recherche EEG pour garantir la qualité et la reproductibilité des données ^2,8,14. Bien que ces méthodologies soient bien établies, elles restent cruciales en raison de leur efficacité à traiter les artefacts et le bruit EEG courants, ce qui continue de soutenir des analyses fiables dans toutes les études. Cependant, peu d’études ont récemment fourni un pipeline standardisé entièrement documenté et adapté à l’EEG au repos. En intégrant ces techniques éprouvées à des avancées récentes, telles que ICLabel pour la classification automatisée des artefacts, PIPEMAT-RS offre une approche contemporaine et structurée qui améliore la reproductibilité et l’accessibilité pour les chercheurs, répondant ainsi à un besoin continu de flux de travail de prétraitement rigoureusement documentés sur le terrain.

Bien que le pipeline PIPEMAT-RS suive les étapes de prétraitement couramment utilisées dans les études EEG, sa documentation sous la forme d’un article scientifique comble une lacune importante dans la littérature. De nombreuses études EEG reposent sur des méthodes de prétraitement similaires, mais manquent souvent d’une description complète, étape par étape, qui permet une reproductibilité totale et une facilité d’adoption par d’autres chercheurs. En détaillant chaque composant de PIPEMAT-RS et en présentant une séquence standardisée pour l’analyse EEG à l’état de repos, ce travail vise à améliorer la transparence, à minimiser la variabilité de l’utilisateur et à fournir un cadre reproductible applicable à toutes les études. Plutôt que d’introduire de nouvelles méthodes, cette contribution vise à servir de guide pédagogique et pratique qui aide à normaliser les pratiques de prétraitement et à améliorer l’accessibilité pour un large éventail de chercheurs EEG, en particulier ceux qui travaillent avec des données à l’état de repos.

Le prétraitement des données EEG est une étape critique qui influence considérablement la qualité et la fiabilité des analyses ultérieures. Le pipeline intégré de prétraitement pour l’EEG à l’état de repos à l’aide de MATLAB (PIPEMAT-RS) a été développé pour relever les défis courants du prétraitement des données EEG en fournissant une approche complète et standardisée applicable à divers ensembles de données. Ce pipeline structuré et modifiable se compose de sept étapes clés : i) Conversion du format de fichier ; ii) Montage EEG ; iii) Sous-échantillonnage et filtrage ; iv) Rejet et réréférencement d’artefacts ; v) l’analyse en composantes indépendantes (ICA) ; vi) Classification ICLabel ; vii) Normalisation des données. Chaque étape est méticuleusement conçue pour améliorer la qualité du signal et faciliter l’extraction d’informations significatives à partir de données EEG brutes.

L’une des caractéristiques essentielles de PIPEMAT-RS est que chaque étape de prétraitement se termine par l’enregistrement de l’ensemble de données sous un nom de fichier distinct. Cette structure garantit que, pour chaque fichier traité, une version dérivée correspondant à chaque étape spécifique est générée. Cette approche systématique permet aux utilisateurs d’accéder aux données à n’importe quel point du pipeline de prétraitement en sept étapes. Les fichiers enregistrés incluent des identificateurs qui indiquent clairement l’étape de prétraitement, ce qui facilite le suivi et la gestion des données tout au long du flux de travail.

PIPEMAT-RS commence par la conversion de format de fichier, où les fichiers de données EEG brutes sont transformés dans un format compatible MATLAB. Cette conversion est essentielle pour le traitement transparent des données dans l’environnement de calcul robuste de MATLAB. Ensuite, l’étape de montage EEG attribue des emplacements spatiaux précis à chaque électrode sur le cuir chevelu sur la base de systèmes de placement d’électrodes standardisés. Ces informations spatiales sont cruciales pour l’interprétation précise des données EEG dans les études neurophysiologiques.

Ensuite, le pipeline applique un sous-échantillonnage et un filtrage pour réduire le taux d’échantillonnage des données et éliminer le bruit tout en conservant les composantes de fréquence pertinentes pour la recherche neurophysiologique. Le sous-échantillonnage réduit la charge de calcul et les besoins de stockage sans compromettre la qualité des données. Le filtrage supprime des composants de fréquence spécifiques connus pour être associés à des artefacts, préservant ainsi les signaux neuronaux essentiels.

Par la suite, le rejet et le reréférencement de l’artefact sont effectués. Cette étape identifie et supprime les segments de données contaminés par des sources de bruit telles que les clignements d’yeux, l’activité musculaire et le mouvement des électrodes. Des algorithmes de rejet automatique des artefacts sont utilisés pour minimiser les interventions manuelles, réduire le risque d’erreur humaine et augmenter l’efficacité du prétraitement. Le réréférencement des données à la moyenne de toutes les électrodes permet d’atténuer l’influence d’une seule électrode et fournit une référence stable pour les signaux EEG.

L’étape ICA (Independent Component Analysis) affine encore les données en séparant les signaux mixtes en leurs sources indépendantes. Cette décomposition facilite l’identification et l’élimination des artefacts tels que les clignements d’yeux, les artefacts musculaires et le bruit de ligne. L’ICA est une technique puissante qui garantit que les données restantes reflètent avec précision l’activité neuronale sous-jacente.

Enfin, la classification ICLabel est appliquée pour identifier et supprimer automatiquement les composants classés comme artefacts. ICLabel attribue des étiquettes probabilistes à des composants indépendants, en les classant comme activité cérébrale, activité musculaire, clignements, battements cardiaques, bruit de ligne ou bruit de canal. Les composants ayant une forte probabilité de représenter l’activité cérébrale sont conservés, tandis que ceux identifiés comme des artefacts sont supprimés. Cette approche automatisée réduit considérablement les efforts manuels et garantit une classification cohérente et objective entre les ensembles de données.

Chacune de ces étapes de prétraitement est essentielle pour améliorer la qualité des données EEG. En standardisant le flux de travail de prétraitement, PIPEMAT-RS minimise la variabilité introduite par les différentes méthodes de prétraitement, facilitant ainsi la comparaison des résultats entre les études. L’implémentation du pipeline dans MATLAB, une plateforme largement utilisée dans la communauté des neurosciences, garantit l’accessibilité et la facilité d’intégration dans les flux de travail de recherche existants.

Le développement de PIPEMAT-RS a été guidé par des pratiques couramment adoptées en matière d’analyse de données EEG, intégrant des méthodes et des techniques validées dans des recherches antérieures. Chaque étape a été soigneusement conçue et rigoureusement testée pour s’assurer de son efficacité à améliorer la qualité des données (figure 1). Cette approche globale améliore non seulement la fiabilité des données EEG, mais soutient également l’identification de marqueurs neurophysiologiques essentiels à la compréhension de diverses affections neurologiques et psychiatriques.

PIPEMAT-RS a été développé dans le cadre de notre projet de recherche en cours, approuvé par le Comité d’éthique de l’Hôpital Clinics de la Faculté de médecine de l’Université de São Paulo (CAAE : 86832518.7.0000.0068). Ce projet vise à améliorer la qualité et la fiabilité des données EEG à l’état de repos pour diverses études neurologiques et psychiatriques. Les données utilisées dans cette étude sont dérivées d’une étude de cohorte, dont le protocole a déjà été publié par Simis et al. (2021)³¹. L’étude principale est toujours en cours, et la collecte de données est en cours pour les autres groupes cliniques. Le script du pipeline est fourni dans le fichier supplémentaire 1.

1. Conversion du format de fichier

1. Préparez le répertoire de données.
   1. Ouvrez MATLAB et accédez au répertoire contenant les fichiers de données EEG brutes.
   2. Définissez le chemin à l’aide de pathname = 'C :\\Path\\To\\RawData\\' ; et lister les sujets avec name_subj_raw = {'subject1', 'subject2', ...} ;.
   3. Si le jeu de données est déjà au format . , sautez cette étape et passez au montage EEG.
2. Convertissez des fichiers.
   1. Chargez chaque fichier de données brutes à l’aide de la fonction MATLAB appropriée pour le type de fichier. Par exemple, utilisez load pour les fichiers .mat ou les fonctions EEGLAB spécifiques telles que pop_biosig (pour .edf, .bdf) ou pop_fileio (pour divers formats propriétaires).
      REMARQUE : Les utilisateurs doivent adapter cette étape en fonction du format de leurs fichiers EEG bruts et se référer à la documentation d’EEGLAB pour une prise en charge supplémentaire des fichiers.
   2. Enregistrez chaque fichier au format .mat , en garantissant l’intégrité des données et en conservant toutes les métadonnées pertinentes.

2. Montage EEG

1. Chargez les données EEG.
   1. Ouvrez MATLAB et accédez au répertoire contenant les fichiers .mat.
   2. Utilisez la fonction pop_loadset de la boîte à outils EEGLAB pour charger l’ensemble de données EEG de chaque sujet (par exemple, EEG = pop_loadset('filename.set') ;).
2. Appliquez les emplacements des électrodes.
   1. Assurez-vous que le fichier d’emplacement d’électrode approprié (par exemple, EEGSystem_128.loc) correspondant à la configuration du capuchon EEG est disponible.
   2. Utilisez la fonction pop_chanedit pour appliquer les emplacements des électrodes. Par exemple:
      EEG = pop_chanedit(EEG, 'load', {'EEGSystem_128.loc', 'filetype', 'loc'}) ;
   3. Vérifiez visuellement que les positions des électrodes ont été correctement chargées en examinant la disposition des canaux à l’aide de l’interface graphique d’EEGLAB.
3. Enregistrez le jeu de données.
   1. Enregistrez le jeu de données EEG mis à jour à l’aide de la fonction pop_saveset (par exemple, pop_saveset(EEG, 'filename', 'subject1_loc.set')).

3. Sous-échantillonnage et filtrage

1. Sous-échantillonnez les données EEG.
   1. Réduisez la fréquence d’échantillonnage des données EEG à 250 Hz à l’aide de la fonction pop_resample (en option).
      REMARQUE : La fonction pop_resample applique automatiquement un filtre anti-aliasing passe-bas approprié avant le sous-échantillonnage. Cette étape permet de s’assurer que les composants haute fréquence sont atténués avant le rééchantillonnage, ce qui permet d’éviter les artefacts de repliement et de préserver la qualité du signal EEG.
2. Appliquez un filtrage passe-bande.
   1. Appliquez un filtre passe-bande de 1 Hz à 50 Hz aux canaux 1 à 64 à l’aide de la fonction pop_basicfilter avec une conception Butterworth et un ordre de filtre de 2.
   2. Utilisez un filtrage direct et inverse de phase zéro pour éviter la distorsion de phase.
3. Appliquez un filtrage par encoche (facultatif).
   1. Appliquez un filtre coupe-bande à 50 ou 60 Hz aux canaux 1 à 64 à l’aide de pop_basicfilter avec la conception « PMnotch » et l’ordre de filtre de 180.
      REMARQUE : Cette étape est facultative et doit être utilisée lors de l’analyse de l’activité oscillatoire au-dessus de 30 Hz (par exemple, la bande gamma). Dans de tels cas, les chercheurs peuvent augmenter la limite supérieure du filtre passe-bande (par exemple, jusqu’à 80 ou 100 Hz), ce qui rend le filtre coupe-bande crucial pour éliminer les interférences des lignes électriques. La commande est fournie dans le pipeline pour plus de commodité et peut être facilement ajustée en fonction de la fréquence électrique locale (par exemple, 50 Hz ou 60 Hz).

4. Rejet et reréférencement des artefacts

1. Effectuer le rejet automatique des artefacts.
   1. Utilisez la fonction clean_rawdata avec les paramètres (5, [-1], 0,7, -1, 8, 0,85) pour détecter et supprimer automatiquement les canaux plats, les segments bruyants et les dérives de basse fréquence. Ces paramètres correspondent respectivement à :
      FlatlineCriterion (5) : supprime les canaux à plat pendant plus de 5 s.
      ChannelCriterion ([-1]) : désactive le rejet basé sur la corrélation de canal.
      LineNoiseCriterion (0.7) : supprime les canaux avec un bruit de ligne excessif au-dessus de ce seuil.
      Passe-haut (-1) : désactive le filtrage passe-haut supplémentaire pendant le nettoyage.
      BurstCriterion (8) : supprime les rafales de données qui dépassent 8 écarts-types.
      WindowCriterion (0,85) : nécessite que 85 % des données d’une fenêtre soient propres pour les conserver.
      REMARQUE : Les utilisateurs peuvent ajuster ces valeurs en fonction des caractéristiques de l’ensemble de données. Par exemple, la réduction du BurstCriterion entraînera un rejet plus agressif des artefacts, tandis que la réduction du WindowCriterion augmentera la tolérance aux fenêtres de données bruyantes.
2. Effectuer l’inspection manuelle des artefacts (facultatif).
   1. Si nécessaire, inspectez visuellement les données EEG à l’aide d’eegplot d’EEGLAB afin d’identifier les artefacts résiduels non détectés par les méthodes automatiques.
   2. Marquez et supprimez manuellement les artefacts restants pour garantir une qualité de données élevée.
      REMARQUE : Cette étape est facultative et principalement recommandée lorsqu’il s’agit d’ensembles de données qui présentent des modèles de bruit non standard ou lorsqu’une plus grande précision est nécessaire au-delà des procédures automatisées.
3. Reréférencez les données.
   1. Utilisez la fonction pop_reref pour réréférencer les signaux EEG à la moyenne de toutes les électrodes, en vous assurant que l’électrode de référence d’origine est conservée dans l’ensemble de données.
      REMARQUE : Dans ce pipeline, le reréférencement moyen est effectué à l’aide des canaux disponibles sans reconstruire l’électrode de référence d’origine. Cependant, les utilisateurs qui souhaitent améliorer l’uniformité des rangs et la comparabilité entre les sujets peuvent envisager de réinsérer temporairement l’électrode de référence d’origine (p. ex., Cz) en tant que série chronologique à valeur nulle avant de procéder à un nouveau référencement. Cela permet à la référence de contribuer au calcul de la moyenne. Ensuite, le canal ajouté peut être supprimé pour éviter une insuffisance de rang avant d’effectuer l’ICA. Ce processus est illustré par la fonction RELAX_average_rereference.m du pipeline RELAX, qui inclut également l’interpolation de tous les canaux avant le référencement. Bien que PIPEMAT-RS conserve une version simplifiée pour plus de clarté et d’accessibilité, les utilisateurs sont encouragés à adapter cette étape au besoin en fonction des objectifs de leur analyse.

5. Analyse indépendante en composantes (ICA)

1. Chargez les données EEG prétraitées.
   1. Chargez le fichier avec le suffixe _loc_filt_cleanraw_reref.set à l’aide de la fonction pop_loadset .
2. Effectuer l’ICA.
   1. Exécutez ICA à l’aide de la fonction pop_runica avec l’algorithme runica pour décomposer les données en composants indépendants. L’algorithme « runica », basé sur l’approche Infomax, maximise l’indépendance statistique des composants et est largement utilisé dans le prétraitement EEG.
      REMARQUE : Pour les utilisateurs qui recherchent un calcul ICA plus rapide, des algorithmes alternatifs tels que picard peuvent être utilisés en spécifiant icatype, picard dans l’appel de fonction. Ces alternatives offrent des performances comparables et peuvent réduire le temps de calcul.
3. Enregistrez l’ensemble de données ICA.
   1. Enregistrez l’ensemble de données avec le suffixe _loc_filt_cleanraw_reref_ICA à l’aide de pop_saveset pour indiquer que l’ICA a été effectuée.

6. Classification ICLabel

1. Chargez le jeu de données ICA.
   1. Importez le jeu de données avec les composants ICA à l’aide de la fonction pop_loadset .
2. Appliquez la classification ICLabel.
   1. Exécutez la fonction pop_iclabel avec le modèle par défaut pour classer les composants indépendants en catégories de cerveau et d’artefact.
   2. Identifiez les composants dont la probabilité est supérieure à 0,7 de représenter l’activité cérébrale.
3. Supprimez les composants de l’artefact.
   1. Utilisez la fonction pop_subcomp pour supprimer tous les composants dont la probabilité cérébrale ICLabel est inférieure à 0,7.
   2. Ne retenir que les composants dont la probabilité d’activité cérébrale est supérieure à 0,7. Le seuil de 0,7 équilibre la nécessité de préserver les signaux neuronaux authentiques tout en assurant l’élimination efficace des artefacts.
4. Enregistrez le jeu de données nettoyé.
   1. Enregistrez le jeu de données nettoyé avec le suffixe _loc_filt_cleanraw_reref_ICA_Cleaned en utilisant pop_saveset pour indiquer la suppression des composants d’artefact.

7. Normalisation des données

1. Chargez les données EEG nettoyées.
   1. Importez le jeu de données avec des composants ICA sans artefact à l’aide de la fonction pop_loadset .
2. Appliquez la normalisation Z-Score.
   1. Normalisez chaque canal EEG à l’aide de la transformation du score Z en calculant (x - mean(x)) / std(x) pour chaque canal individuellement.
      REMARQUE : La normalisation du score Z est facultative et doit être appliquée en fonction des objectifs analytiques de l’étude. Bien qu’il réduise la variabilité inter-sujets et normalise les données pour les comparaisons au niveau du groupe, il peut également atténuer les distinctions topographiques et éliminer les différences d’amplitude significatives entre les canaux. Il est conseillé aux chercheurs intéressés par la préservation de l’amplitude du signal brut ou de la distribution spatiale de sauter cette étape.
3. Enregistrez le jeu de données final.
   1. Enregistrez l’ensemble de données entièrement prétraité et normalisé avec le suffixe _loc_filt_cleanraw_reref_ICA_Normalized en utilisant pop_saveset pour indiquer la fin du prétraitement.

La validation du pipeline de prétraitement EEG est essentielle pour garantir la fiabilité et l’efficacité des méthodes employées pour extraire des données neurophysiologiques significatives. Ce processus s’appuie sur des preuves empiriques tirées d’études publiées, d’évaluations statistiques et de comparaisons avec des références établies dans le domaine.

La robustesse et l’utilité de PIPEMAT-RS ont été démontrées par son application réussie dans plusieurs études publiées couvrant une gamme de conditions neurologiques et psychiatriques. Par exemple, dans l’étude des biomarqueurs EEG chez les patients victimes d’un AVC, des corrélations significatives ont été trouvées entre la fonction motrice inadaptée, les profils dépressifs et des marqueurs EEG spécifiques, validant l’efficacité des étapes de prétraitement pour améliorer la qualité du signal et faciliter l’analyse significative des données³². De même, l’analyse des signatures neuronales de la compensation cérébrale chez les patients victimes d’un AVC a révélé des informations essentielles sur les mécanismes adaptatifs du cerveau après un AVC, démontrant la capacité de PIPEMAT-RS à gérer des ensembles de données complexes et à produire des résultats fiables²⁸. D’autres validations sont évidentes dans les études explorant les adaptations et les compensations neuronales chez les patients atteints de fibromyalgie, qui ont identifié des signatures neuronales distinctes associées à la douleur et aux mécanismes de compensation, soutenant les méthodes de prétraitement dans divers contextes cliniques²⁹. De plus, l’étude des mécanismes compensatoires dans la douleur neuropathique chronique a mis en évidence la pertinence des bandes delta et thêta dans les états de douleur chronique, démontrant ainsi l’efficacité de PIPEMAT-RS dans diverses conditions neurophysiologiques³⁰.

La validation statistique de PIPEMAT-RS comprend des évaluations quantitatives et qualitatives pour garantir la robustesse des méthodes de prétraitement. Des mesures quantitatives telles que le rapport signal/bruit (SNR), l’aplatissement et l’asymétrie ont été utilisées pour évaluer objectivement la qualité des données. Le SNR a été calculé comme le rapport entre la puissance du signal dans la gamme de fréquences de 1 à 50 Hz et la puissance à l’extérieur de cette plage (par exemple, <1 Hz et >50 Hz), qui contient généralement du bruit non neuronal. L’augmentation de ce rapport après prétraitement indique une meilleure préservation de l’information neuronale par rapport au bruit. De même, l’aplatissement et l’asymétrie ont été évalués pour évaluer les caractéristiques de distribution du signal EEG. Un aplatissement élevé reflète souvent la présence de transitoires ou d’artefacts musculaires aigus, tandis qu’une asymétrie élevée peut résulter de distributions de signaux asymétriques causées par le bruit ou des problèmes d’enregistrement. La réduction de ces valeurs après le prétraitement suggère une meilleure régularité du signal et une réduction de la contamination par des sources non neuronales, ce qui soutient l’amélioration globale de la qualité des données. Le prétraitement a conduit à des améliorations notables du SNR, indiquant que PIPEMAT-RS réduit efficacement le bruit et améliore le signal neuronal. Par exemple, dans les ensembles de données avec des valeurs SNR initialement faibles (~5 dB), les étapes de prétraitement ont augmenté le SNR à environ 7,5 dB, reflétant un signal neuronal plus clair. De même, les réductions de l’aplatissement (par exemple, de 5,2 à 2,3) et de l’asymétrie (par exemple, de 1,5 à 0,8) ont confirmé l’atténuation des artefacts non neuronaux². Les évaluations qualitatives comprenaient une inspection visuelle des données prétraitées pour s’assurer que les artefacts avaient été correctement éliminés et que les données reflétaient fidèlement l’activité neuronale sous-jacente (figure 2). Cette étape a permis aux chercheurs de vérifier manuellement l’efficacité des étapes de prétraitement automatique, en s’assurant qu’il ne reste aucun artefact significatif.

L’inclusion de techniques avancées telles que l’analyse en composantes indépendantes (ICA) et ICLabel pour l’élimination des artefacts a été particulièrement validée dans la littérature. Des études ont montré que l’ICA, lorsqu’il est combiné à des algorithmes de classification automatisés comme ICLabel, permet d’obtenir des précisions de classification qui correspondent étroitement aux composants étiquetés par des experts. ICLabel démontre une précision de classification moyenne d’environ 91 %, ce qui reflète une forte concordance avec les classifications d’experts humains et offre une solution standardisée et évolutive pour de grands ensembles de données EEG tout en minimisant la variabilité inter-juges³².

Un autre aspect de la validation est la comparaison avec les références établies dans le domaine. Les méthodes et les résultats de notre pipeline ont été alignés sur les pratiques et les directives standard en matière de prétraitement EEG, comme recommandé par des chercheurs et des institutions de premier plan¹⁴. Bien que PIPEMAT-RS ne prétende pas à la supériorité sur les pipelines existants, sa structure modulaire, sa transparence et sa facilité d’utilisation visent à respecter ou à compléter les normes de qualité communément acceptées dans le domaine (Tableau 1).

Figure 1 : Structure du code de canalisation PIPEMAT-RS. Vue d’ensemble du code MATLAB implémentant chaque étape du pipeline de prétraitement PIPEMAT-RS. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : Qualité du signal EEG avant et après le prétraitement. Comparaison (A) des données brutes, (B) des données nettoyées manuellement et (C) des données traitées avec PIPEMAT-RS, illustrant la réduction des artefacts et l’amélioration de la clarté du signal. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Tableau 1 : Comparaison entre le prétraitement manuel et automatisé de l’EEG à l’aide de PIPEMAT-RS. Veuillez cliquer ici pour télécharger ce tableau.

Fichier supplémentaire 1 : Pipeline intégré complet de prétraitement pour l’EEG au repos à l’aide du script MATLAB (PIPEMAT-RS). Ce script englobe toutes les étapes détaillées dans la section Protocole, de la conversion du format de fichier à l’assurance qualité des données. Veuillez cliquer ici pour télécharger ce fichier.

Le pipeline PIPEMAT-RS a été développé pour fournir une méthode standardisée et efficace de prétraitement des données EEG à l’état de repos. Les étapes critiques de ce protocole comprennent le rejet d’artefact et l’analyse indépendante des composants (ICA), qui améliorent toutes deux considérablement le rapport signal/bruit et garantissent l’extraction de signaux neuronaux significatifs. La combinaison du rejet automatique des artefacts à l’aide de la fonction clean_rawdata et de l’inspection manuelle via eegplot garantit une gestion complète des artefacts, en équilibrant efficacité et précision. L’application d’ICLabel pour la classification automatisée de composants indépendants affine encore les données, réduisant la charge de travail manuelle tout en maintenant une précision de classification élevée (91 %) compatible avec l’étiquetage par des experts humains³².

Des modifications du protocole peuvent être nécessaires en fonction des caractéristiques de l’ensemble de données. Par exemple, alors que le pipeline est conçu pour les données EEG à l’état de repos, les chercheurs peuvent adapter les paramètres de filtre et les seuils de rejet d’artefact pour les enregistrements EEG basés sur des tâches ou les ensembles de données avec des taux d’échantillonnage différents. Les étapes de dépannage comprennent l’ajustement du critère de flatline et des seuils de corrélation des canaux en clean_rawdata si une suppression excessive des canaux se produit ou si un bruit résiduel persiste après le nettoyage automatique. De plus, alors que l’ICA fonctionne généralement bien avec des ensembles de données de 32 électrodes ou plus, les ensembles de données avec moins d’électrodes peuvent nécessiter un réglage fin manuel ou d’autres méthodes de correction des artefacts pour obtenir des résultats optimaux².

Malgré ses points forts, PIPEMAT-RS a des limites. L’efficacité de l’ICA et de l’ICLabel peut varier en fonction du nombre de canaux et de la qualité des données brutes. Des niveaux élevés de bruit ou un mauvais contact avec l’électrode peuvent réduire la précision de la séparation et de la classification des composants. De plus, le pipeline est optimisé pour les études sur un seul site et peut nécessiter des étapes d’harmonisation supplémentaires, telles que ComBat, afin de minimiser la variabilité spécifique au site dans la recherche multicentrique³³. Bien que PIPEMAT-RS améliore la qualité des données grâce à un prétraitement standardisé, le potentiel de variabilité induite par l’utilisateur persiste si les paramètres par défaut sont modifiés sans validation minutieuse.

Bien que l’ICA combinée à la classification ICLabel offre une solution efficace et automatisée pour le rejet des artefacts, il est important de reconnaître ses limites. La séparation des composants neuronaux et non neuronaux n’est pas parfaite, et le rejet des composants classés comme artefacts peut toujours entraîner la suppression involontaire de signaux neuronaux, en particulier lorsque les sources sont mélangées²². Bien que PIPEMAT-RS applique un seuil prudent (en retenant les composants ayant une probabilité cérébrale > 0,7) pour réduire ce risque, il ne l’élimine pas. Ce seuil suit les pratiques standard pour équilibrer la préservation du signal et l’élimination des artefacts, mais les améliorations futures du pipeline pourraient intégrer des stratégies plus raffinées - telles que l’ajustement dipolaire, l’ICA amélioré par ondelettes ou le nettoyage ICA ciblé - pour améliorer encore la spécificité et la précision du rejet des artefacts.

Par rapport aux méthodes existantes, PIPEMAT-RS offre une séquence rationalisée et standardisée d’étapes de prétraitement qui réduit la variabilité entre les études. Contrairement aux plates-formes flexibles telles que BEAPP, qui permettent aux utilisateurs de personnaliser les séquences de prétraitement, PIPEMAT-RS applique une structure fixe, garantissant la cohérence entre les ensembles de données³⁴. Cette approche minimise les interventions manuelles, réduit l’erreur humaine et garantit la reproductibilité, en particulier dans les études à grande échelle. De plus, l’intégration d’outils avancés tels qu’ICLabel et l’accent mis sur les données EEG à l’état de repos distinguent PIPEMAT-RS des autres pipelines qui ne privilégient pas toujours le rejet d’artefacts et l’analyse indépendante des composants dans la même mesure.

L’importance de PIPEMAT-RS réside dans sa capacité à produire des données EEG fiables et de haute qualité, adaptées à diverses applications en neurosciences et en recherche clinique. Le pipeline a été appliqué avec succès à des études portant sur les marqueurs neuronaux de la récupération d’un AVC, de la douleur chronique et de la fibromyalgie, démontrant sa polyvalence et sa robustesse 27,28,29,30. En améliorant la qualité des données et en réduisant le temps de prétraitement, PIPEMAT-RS facilite les études à grande échelle, contribue à l’identification de biomarqueurs neurophysiologiques et soutient les progrès de la médecine personnalisée. Son approche standardisée garantit que les résultats sont comparables d’une étude à l’autre, ce qui améliore la reproductibilité et la fiabilité de la recherche EEG dans les contextes cliniques et universitaires.

En conclusion, PIPEMAT-RS fournit une solution robuste et standardisée pour le prétraitement des données EEG à l’état de repos, répondant ainsi aux défis courants liés au rejet d’artefacts, à la clarté du signal et à la cohérence des données. En intégrant des techniques automatisées telles que ICA et ICLabel avec des étapes de vérification manuelles, le pipeline garantit des données de haute qualité et reproductibles adaptées à un large éventail d’applications de recherche neurologique et psychiatrique. Sa séquence fixe d’étapes de prétraitement minimise la variabilité induite par l’utilisateur, ce qui facilite la cohérence des résultats entre les études. Bien que le pipeline démontre de solides performances dans divers contextes cliniques, y compris la recherche sur les accidents vasculaires cérébraux et la douleur chronique, les travaux futurs devraient se concentrer sur la validation de son applicabilité à divers paradigmes expérimentaux et études multicentriques. Dans l’ensemble, PIPEMAT-RS offre une alternative structurée et bien documentée pour le prétraitement de l’EEG, conçue pour améliorer la qualité, la reproductibilité et l’accessibilité des données dans toutes les études.

Les auteurs déclarent qu’ils n’ont pas d’intérêts financiers concurrents connus ou de relations personnelles qui auraient pu sembler influencer les travaux rapportés dans cet article.

Plus précisément, LMM a été soutenu par une subvention de recherche postdoctorale #21/05897-5, Fondation de recherche de São Paulo (FAPESP). AC a été soutenu par une subvention d’initiation scientifique #21/12790-2, Fondation de recherche de São Paulo (FAPESP). SPB a été soutenu par une subvention de recherche postdoctorale #20/08512-4, Fondation de recherche de São Paulo (FAPESP). FF et LRB sont soutenus par la subvention de recherche #17/12943-8, Fondation de recherche de São Paulo (FAPESP). Individuellement, FF a reçu le soutien de NHI 2020 R01 AT, projet #1R01AT009491-01A1.