Introduction :

Dans le domaine médical, au cours du bilan pré chirurgical des anomalies neuronales

l’exploration de l’activité cérébrale est essentielle pour la décision. Cette activité électrique neuronale

produit une oscillation électromagnétique mesurable grâce à l’électroencéphalogramme (EEG).

L’électroencéphalogramme (EEG) est un examen qui permet d’enregistrer l’activité électrique

du cerveau en recueillant le signal des neurones au moyen d’électrodes. Cette activité correspond à

des différences de potentiel électrique entre deux électrodes le plus souvent les électrodes sont

disposées sur le scalp selon le système 10-20.

L’enregistrement EEG est considéré comme outil de diagnostic en neurophysiologique mais

jusqu’à présent, l’analyse EEG repose encore sur l’analyse visuelle. Pour cela plusieurs méthodes ont

été proposées à fin d’analyser et de traiter l’information portée par l’EEG. Parmi celles-ci, la

transformée en ondelettes discrètes et la décomposition modale empirique sont apparues comme

des outils très puissants capables de caractériser les composantes fréquentielles des signaux EEG. Si

on remarque bien le titre du mini projet on trouve qu’il regroupe 3 objectifs, l ’analyse du signal EEG,
la modélisation paramétrique et la prédiction.

Notre rapport est organisé en trois chapitres. Nous dressons dans le premier chapitre l’activité

du cerveau, des notions générales sur l’électroencéphalogramme ainsi que les différents rythmes

cérébraux et le montage des électrodes. Dans le deuxième chapitre nous présentons un aperçu sur
les méthodes d’analyse des signaux non stationnaires, dans notre étude on parle précisément sur la

transformée en ondelettes discrète (DWT) et la décomposition modale empirique (EMD). Et sur une

base de données réelle les deux méthodes sont appliquées afin de quantifier les performances de
chacune. La modélisation paramétrique et prédiction fait l’objet du troisième chapitre.
=

12
 ELECTROENCEPHALOGRAPHIE EEG

L’activité électrique cérébrale fut enregistrée pour la première fois par un jeune assistant de
physiologie de la Royal Infirmary de Liverpool nommé Caton en 1875.
En 1929, le neuropsychiatre Allemand Hans Berger met au point une technique d’enregistrement
permettant de mesurer l’activité électrique cérébrale sans ouvrir la boite crânienne. Il utilise des
électrodes posées sur le scalp et reliées à des amplitudes pour mesurer des oscillations électriques
de quelques dizaines de microvolts. Cette nouvelle technique, l’électroencéphalographie, donnera lieu
à de nombreuses études de l’activité électrique cérébrale.

1. Le système nerveux :

Le système nerveux humain est responsable de l'envoi, de la réception et du traitement des

influx nerveux. Tous les muscles et les organes du corps dépendent de ces influx pour fonctionner.

a) Cerveau

Le cerveau proprement dit est formé de deux hémisphères cérébraux, d'aspect plissé dont la
substance blanche, interne, est recouverte d'un cortex cérébral gris, d'épaisseur variable. Trois sillons
plus accentués (scissure de Sylvius, sillon de Rolando, sillon perpendiculaire) divisent chaque
hémisphère en quatre lobes comprenant chacun un certain nombre de circonvolutions :

Le lobe frontal, Le lobe temporal, Le lobe pariétal et Le lobe occipital.

Figure 1.1 : les lobes cérébraux

3
 b) Les neurones

L’activité de chaque neurone peut être décomposée en celle de ses différents constituants :
axone, soma et dendrite. On peut considérer le neurone comme un système à deux pôles, un pôle
récepteur somatodendritique et un pôle effecteur axonique. Ce système cellulaire est caractérisé par
la polarisation de sa membrane.

La charge électrique des cellules cérébrales (neurones ou substance grise) vraie

constamment dans le temps. Chaque neurone n’est pas indépendant du neurone voisin, il ne se
charge pas et ne se décharge pas de façon anarchique : la synchronisation est suffisante au sein de
groupe importants de neurones pour créer des différences de potentiel mesurable au niveau du cuir
chevelu. La mesure de ces différences de potentiel et l’enregistrement de leur variation dans le
temps constituent l’électroencéphalographie.

2. L'électroencéphalographie :

L'électroencéphalographie (EEG) est une méthode d'exploration cérébrale qui mesure l'activité
électrique du cerveau par des électrodes placées sur le cuir chevelu souvent représentée sous la
forme d'un tracé appelé électroencéphalogramme.
Les courants recueillis sont surtout ceux générés au niveau des dendrites des neurones pyramidaux
que l’on retrouve massivement dans le cortex. Ceux-ci ont une orientation parallèle, ce qui amplifie le
signal de leur activité commune. Comparable à l'électrocardiogramme qui permet d'étudier le
fonctionnement du cœur, L’EEG est un examen indolore et non-invasif qui renseigne sur l'activité
neurophysiologique du cerveau au cours du temps et en particulier du cortex cérébral soit dans un but
diagnostique en neurologie, soit dans la recherche en neurosciences cognitives.

Le signal électrique à la base de l'EEG est la résultante de la sommation des différentes oscillations
produites par différentes assemblées neuronales, chacune de ces « harmoniques » se superposant
pour produire le tracé global enregistré. Celui-ci offre d’ailleurs pour l’analyse les deux mêmes
caractéristiques que les ondes sonores : la fréquence d’oscillation et son amplitude.
Le signal EEG est très faible amplitude, de l’ordre du microvolt. Il se pressente différemment selon
l’âge, selon l’état de vigilance.

4
 3. Les rythmes cérébraux :
Les rythmes caractérisant l’état cérébral sur des périodes temporelles variables allant de
quelques secondes à quelques minutes voire une heure.

Dans les zones du cerveau, l’influx nerveux fonctionne en relative cohérence et de façon
rythmique. Les neurones s’activent ensemble, comme une pulsation, puis se calment, puis s’activent
de nouveau. Grâce à de petites électrodes placées sur le cuir chevelu et reliées à un appareil appelé
électrœncéphalographie. Le rythme de ces pulsations peut se traduire en forme d’onde.

On divise les ondes cérébrales en cinq catégories. Selon la fréquence des ondes émises ou leur
nombre d’oscillations par seconde de ces ondes en hertz (Hz).
Le cerveau humain émet des ondes 4 à 45 oscillations par secondes. Ces ondes cérébrales mesurent
entre 10 et 100 Méga mètre. Ces ondes cérébrales ont une très faible amplitude, une fréquence très
courte (quelque hertz). Et une faible puissance (quelques microvolts).

Figure 1.2 : les rythmes cérébraux

a) Delta ( 0.5-3.5 Hz )

Ce sont les plus lentes des ondes cérébrales, leur fréquence est faible (de 0 à 4Hz) mais leur
amplitude est plus élevée. Elles apparaissent sur un tracé EEG d’un patient en état de sommeil lent.

b) Thêta ( 4-8 Hz )

Les ondes thêta possèdent des fréquences assez basses (de 4 a 8Hz), sont produites lors de la
première phase du sommeil lent.
Les ondes thêta ouvrent l’esprit au monde subconscient, à une compréhension soudaine, à des
intuitions et à plus de créativité.

5
 c) Alpha ( 8-12 Hz )

Les ondes alpha jettent un pont entre conscient et subconscient. C’est le rythme principal de la
détecte chez les adultes .on rapporte que des rythmes alpha sont dérivés de la mariée blanche du
cerveau. La matière blanche est la matière du cerveau qui relie toutes les pièces à l’une à l’autre. Les
ondes alpha sont plus en activité dans la région occipitale,
d) Beta ( 12-35 Hz )

C’est un rythme qui est dominant quand nous avons les yeux ouverts, écoutons et pensons au
cours de la résolution de problèmes analytiques, prise de décision.
e) Gamma ( 35-80 Hz )

Est le seul groupe de fréquence présent dans chaque partie du cerveau. Quand le cerveau doit
traiter simultanément l’information de différents secteurs, l’activation d’une fréquence de 40Hz
favorise l’information entre les secteurs exigés pour un traitement simultané. Une bonne mémoire
est associée à l’activité de 40Hz, tandis qu’une insuffisance d’onde de 40Hz crée des incapacités
d’étude.

4. Les électrodes :
Les électrodes ont pour rôle d’assurer un contact étroit et stable avec la peau, La plupart des
électrodes actuellement utilisées sont en argent recouvert d’une mince couche de chlorure d’argent
afin d’éviter les phénomènes de polarisation. La surface en contact avec la peau ne doit pas dépasser
un demi-centimètre carré.

Les différentes électrodes sont de trois types :

• Électrodes tampon : (Electrode maintenue à l’aide d’un casque)
• Électrodes cupules : (électrodes fixées directement sur le cuir chevelu)
• Électrodes aiguilles

Figure 1.3 : les électrodes

6
 5. Emplacement des électrodes :

Système « 10-20 » de H. Jasper proposé par la fédération internationale des sociétés

d’électroencéphalographie et de neurophysiologie. Les mesures antéro-postérieures sont basées sur
la distance entre la nasion et l’inion en passant le vertex. Le système 10-20 est basé sur la relation
entre le lieu d’implantation de l’électrode et de la sous-région du cortex cérébral. Chaque point sur ce
chiffre à gauche indique une éventuelle position de l’électrode. Chaque site dispose d’une lettre (pour
identifier les lobes) et d’un numéro ou d’une autre lettre pour identifier l’emplacement de
l’hémisphère.

Les lettres sont marquées sur cette ligne et désignés par les appellations : fronto-polaire(Fp),
frontal(F), centre(C) ou rolandique(R), pariétal(P) et occipital(O).

Figure 1.4 : Système 10 - 20

Figure 1.5 : l’emplacement standard des électrodes

7
 ANALYSE DU SIGNAL EEG

Que ce soit en mathématique ou en physique, la transformée de Fourier a été pendant

longtemps un des outils les plus utilisés pour le traitement du signal. Cette représentation est bien
adaptée pour traiter des signaux stationnaires. Par contre cette transformation reste imparfaite pour
la description de phénomènes transitoires. Pour résoudre ce problème, des représentations dites
temps-fréquence ont été proposées afin d’analyser des signaux EEG.

Dans ce chapitre, on va présenter deux méthodes d’analyse temps-fréquence, la transformation en

ondelettes (DWT) et la décomposition modale empirique (EMD). Ces méthodes sont maintenant très
à la mode et qu’on a parfois en faire les outils adaptés à tous les signaux non stationnaires. Le signal
EEG est à ce titre exemplaire.

Système linéaire et non-linéaire :

Comme son nom l’indique, un système non-linéaire est un système pour lequel le principe de
superposition ne s’applique pas. Un système physique est dit « linéaire » quand le tout est exactement
égal à la somme des composantes.

Signal stationnaire et non-stationnaire :

Un signal est dit stationnaire si, dans le cas déterministe, il peut s’écrire comme une somme
discrète de sinusoïdes et si, dans le cas aléatoire, ses propriétés statistiques sont invariantes par
translation de l’origine des temps. Les signaux non-stationnaires sont donc caractérisés par une «
non-propriété » qui traduit une dépendance vis-à-vis du temps de leur contenu spectral. Or, en
pratique, la grande majorité des signaux rencontrés sont non-stationnaires, et la notion de
décomposition (projection) sur une somme infinie d’exponentielles complexes (ou sinusoïdes)
propres à la TF doit être reconsidérée.

Un modèle est déterministe s’il ne fait pas appel au calcul de probabilités. Un modèle est stochastique
s’il fait appel au calcul de probabilités

8
A. La transformée en ondelettes discrète :

Le principe de base est de séparer le signal en deux composantes, l’une représentant l’allure
du signal, l’autre représentant ses détails. L’allure générale d’une fonction est représentée par ses
basses fréquences, les détails par ses hautes fréquences. Les hautes fréquences ont meilleure
résolution en temps et les basses fréquences ont Meilleure résolution en fréquence. Ceci signifie,
qu’aux hautes fréquences, les composantes sont mieux localisées en temps (moindre erreur relative)
qu’aux basses fréquences. Au contraire, une composante de basse fréquence est mieux localisée en
fréquence qu’une composante de haute fréquence.

Figure 2.1 : Principe de décomposition

Pour séparer les deux, nous avons donc besoin d’une paire de filtres : un filtre passe-bas pour
obtenir l’allure générale (aussi appelée approximation ou mœre), et un filtre passe-haut pour estimer
ses détails, c’est-à-dire les éléments qui varient rapidement. Pour ne pas perdre d’information, ces
deux filtres doivent bien sûr être complémentaires : les fréquences coupées par l’un doivent être
conservées par l’autre.

En effet, si le signal a traité possède N points, le signal D’approximation et le signal de détails feront
également N points chacun, soit 2.N en tout

1. L’arbre de décomposition :

Le processus de décomposition peut être réitéré, de sorte qu’un signal peut être décomposé
en plusieurs composantes de basse résolution : ceci s’appelle l’arbre de décomposition d’ondelette.

L’analyse discrète par ondelette consiste donc à décomposer un signal en un arbre hiérarchique
d’approximation et de détail.

9
 Figure 2.2 : Arbre de décomposition

2. Les familles d’ondelettes :

a. L'ondelette de Daubechies (db)

L’ondelette de Daubechies est la famille la plus connue des ondelettes orthonormales à

support compact de régularité arbitraire. Ses ondelettes sont généralement dénommées par le
nombre de coefficients ak non nuls, on parlera donc d’ondelettes Daubechies 2, Daubechies 3,
Daubechies 4, etc.

Figure 2.3 : l’ondelette de Daubechies

b. L’ondelette de Biorthogonale (bior)

Cette famille d'ondelettes présente la propriété de phase linéaire, qui est nécessaire pour le
signal et la reconstruction de l'image. En utilisant deux ondelettes, l'une pour la décomposition (sur le
côté gauche) et l'autre pour la reconstruction (du côté droit) à la place du même seul, des propriétés
intéressantes sont dérivées.

10
 Figure 2.4 : l’ondelette de Biorthogonale

c. L’ondelette de Symlet (sym)

Les symlets (symN) constituent une famille d’ondelettes presque symétrique, proposée par
Daubechies en modifiant la construction des dbN. A part la symétrie, les autres propriétés des deux
familles sont similaires. Les symlets d’ordre 2 à 8 (sym1est simplement l’ondelette de Haar)

Figure 2.5 : l’ondelette de Symlet

d. L’ondelette de Coiflet (coif)

Construite par I. Daubechies sur la demande de R. Coifman, les coiflets (coifN) constituent une
famille d’ondelettes possédant une propriété inhabituelle.

Figure 2.6 : l’ondelette de Coiflet

11
B. La décomposition modale empirique :

La décomposition modale empirique (EMD pour Empirical Mode Decomposition) a été

introduite par l’équipe de N.E. Huang de la NASA en 1998 pour étudier des données climato
atmosphériques. C’est une méthode non linéaire d’analyse de données qui ne fait pas appel à des
hypothèses de stationnarité (propriétés statistiques constantes dans le temps). Elle est par ailleurs
intuitive et simple à mettre en œuvre, ne nécessitant quasiment aucun paramétrage. Enfin, c’est une
méthode totalement adaptative, dans le sens où l’espace de représentation est construit directement
à partir du signal.

1. Principe EMD :

Le principe de l’EMD repose sur une décomposition adaptée en décrivant localement le signal
comme une succession de contributions d’oscillations rapides (hautes fréquences) sur des oscillations
plus lentes (basses fréquences). Pour illustrer la décomposition, nous considérons l’exemple simple
d’un signal x(t) formé de deux contributions : une oscillation rapide et une autre lente.

Figure 2.7 : Principe de l’EMD

Considérons un signal s, l’EMD va le décomposer en une somme finie de modes oscillants. On

pourra alors écrire :

Les modes oscillants dk appelés IMFs (Intrinsic Mode Function), sont des fonctions oscillantes autour
de 0, et de moyenne locale nulle.

12
 Le résidu 𝑟 est plutôt moins oscillant donc plus basse fréquence que 𝑑𝑘 c’est-à-dire qu’il
contient au plus 3 extrema.

La méthode originale définit l’enveloppe supérieure d’un signal (resp. Inférieure) comme
l’interpolation par splines cubiques des maxima (resp. Minima) du signal. On peut alors définir
l’enveloppe moyenne comme demi somme de ces deux enveloppes. L’algorithme consiste donc à
extraire successivement les modes en soustrayant au signal son enveloppe moyenne. Cependant, les
modes ainsi extraits ne sont pas des IMF : bien qu’ils oscillent autour de 0, ils ne pourront être ainsi
que si leur moyenne locale est nulle. Pour cela, on soustrait au mode son enveloppe moyenne,
plusieurs fois, jusqu’à obtenir une moyenne locale - ou enveloppe moyenne - quasi-nulle.

Algorithme de la décomposition modale empirique

L’algorithme précis est le suivant :

1. Identification des extrema locaux du signal x(t).

2. Connexion des maxima locaux pour former une enveloppe supérieure emax(t), obtenue par une
interpolation spline cubique. La même chose est faite pour l’enveloppe inférieure emin(t).

3. Estimation de la moyenne m1(t) = (emax(t) + emin(t))/2.

4. Soustraction de la moyenne pour obtenir le détail local h1(t) = x(t) − m1(t).

5. On considère alors h1(t) : si ce dernier satisfait aux conditions pour être une IMF, il s’agit de la
première IMF, notée C1(t) = h1(t), qui est soustraite du signal d’origine et le premier résidu
r1(t)=x(t)−C1(t) est la nouvelle série à analyser, qui est réinjectée dans la procédure à l’étape 1.Si h1(t)
n’est pas une IMF, on utilise un processus de tamisage (en anglais « sifting process ») appliquée autant
de fois que nécessaire pour obtenir une IMF. Dans le processus de tamisage, h1(t) est considéré
comme la nouvelle série, les extrema locaux sont estimés, les enveloppes supérieures et inférieures
sont formées et leur moyenne notée m11(t). Cette moyenne est soustraite de h1(t), fournissant
h11(t)=h1(t) − m11(t). Si h11(t) n’est pas une IMF, le processus de tamisage est répété, jusqu’à ce que
la composante h1k (t) satisfasse la condition pour être une IMF. À la fin de ce processus, la première
IMF est notée C1(t) = h1k (t) et le résidu r1(t) = x(t) − C1(t) est considéré comme une nouvelle série à
l’étape 1.

13
Figure 2.8 : Principe de tamisage pour l’estimation

14
C. Analyse du signal EEG par l’EMD et DWT :

Dans cette partie, on cherche à faire une analyse du signal électroencéphalogramme EEG par
deux méthodes, l’une vise à décrire, en fournissant des informations sur la régularité locale,
l’évolution temporelle d’un signal à différentes échelles de temps appelée la transformée en
ondelettes, et l’autre c’est une technique récente de décomposition locale et auto-adaptative de
signaux non stationnaires, on parle ici sur la décomposition modale empirique (EMD).

1. Données :

La base de données utilisée dans notre travail contient un enregistrement EEG d’un cas normal.
L’enregistrement EEG est échantillonné à 256 échantillons par seconde, ils contiennent 20 des
signaux (chaines) remarquons que la taille des signaux normaux est de 99001 échantillons, acquis à
partir de différentes électrodes positionnées sur le scalp selon le système international de 10/20
Jasper.

Figure 2.6 : les signaux EEG

15
 2. L'analyse par la transformée en ondelette discrète :

L’objectif fixé par la transformée en ondelette discrète est l’extraction ou la séparation de

différentes ondes constituant le signal EEG. L’analyse par la transformée en ondelette discrète (DWT),
nous a permis de quantifier les ondes cérébrales (gamma, delta, thêta, alpha et bêta) sur leur bande
fréquentielle.

La sélection de l’ondelette appropriée et le nombre de niveaux de décomposition sont très importants

pour l'analyse de signaux EEG.

a. Choix de l’ondelette mère

La transformée en ondelettes nécessite un bon choix d’ondelette mère analysante pour les
différentes applications en traitement numérique du signal. En effet, le choix de l'ondelette utilisée
pour la décomposition temps-échelle est le point le plus important.

• Le choix sera effectué sur la base d’un test de plusieurs ondelettes analysantes. Ceci se fera
sur l’étude de l’erreur, existant entre le signal original et le signal de synthèse (signal après
reconstruction).

• L’ondelette analysante choisie sera celle qui présentera la plus faible erreur.

Il existe différentes méthodes pour quantifier l’erreur entre le signal original et le signal
reconstruit, ici on va citer deux méthodes :

• La 1ère méthode consiste à calculer l’erreur moyenne par l’addition des valeurs absolues de la
différence existante entre les deux signaux par rapport la taille du signal.

• La 2eme méthode fait appel à l’erreur quadratique moyenne (MSE) les erreurs à chaque point
sont tout d'abord élevées au carré, puis additionnées les unes aux autres. On divise ensuite le
résultat obtenu par la taille du signal, puis on en prend la racine carrée.

Figure 2.6 : script de la fonction erreur

On cite les ondelettes utilisées dans l’analyse :

• Daubechies (db)

• Symelet (sym)

• Coiflet (coif)

• Biorthogonal (bior)

16
 Ondelette DB2 DB3 DB4 DB5 DB6 DB7 DB8

Erreur Moyenne 11.51 12.24 11.90 11.40 12.41 12.40 12.45

Erreur quadratique Moyenne 15.19 16.83 16.13 15.14 16.39 16.59 15.71

Résultats obtenus en utilisant l’ondelette Daubechies

Ondelette Sym2 Sym3 Sym4 Sym5 Sym6 Sym7 Sym8

Erreur Moyenne 11.40 12.24 12.32 12.07 12.38 12.23 12.32

Erreur quadratique Moyenne 15.19 16.83 16.64 15.74 16.57 15.77 16.45

Résultats obtenus en utilisant l’ondelette Symlet

Ondelette Bior1.3 Bior1.5 Bior2.2 Bior2.4 Bior2.6 Bior2.8 Bior3.1

Erreur Moyenne 13.04 14.30 11.75 12.20 12.27 12.22 27.78

Erreur quadratique Moyenne 16.64 17.64 16.86 16.83 16.66 16.66 37.14

Résultats obtenus en utilisant l’ondelette Biorthogonal

Ondelette Coif1 Coif2 Coif3 Coif4 Coif5

Erreur Moyenne 11.36 12.31 12.38 12.64 12.37

Erreur quadratique Moyenne 16.45 16.65 16.58 16.23 15.51

Résultats obtenus en utilisant l’ondelette Coiflet

A partir des résultats présentés dans les tableaux au-dessus, on distingue parmi les familles
d’ondelettes étudiées les ondelettes optimales pour cette analyse sont : db5, bior2.2, ciof1, sym2.

Le calcul de l’erreur est utilisé pour distinguer laquelle des ondelettes (db5, sym2, coif1 et bior2.2)
peut être utilisée de façon convenable, au plus que le calcul de l’erreur on peut calculer l’énergie du
signal et l’énergie du signal reconstruit.

D’après la comparaison des résultats trouvés par le calcul de l’erreur on a retrouvé que
l’ondelette Daubechies d’ordre (5) considérait comme une ondelette mère la plus convenable car
l’erreur de reconstruction est minimale par cette ondelette.

17
 b. Choix de niveau

Dans notre étude, on a trouvé que le choix du niveau a une relation d’une part avec le nombre
des ondes cérébrales et d’autre part avec l’apparition de toutes les ondes. C’est à dire que les bandes
de fréquences des niveaux dépendent de la fréquence d’échantillonnage des données.

Les signaux de l’enregistrement EEG ont une fréquence d’échantillonnage égale à 256 Hz.
Selon le théorème de Shannon la fréquence maximale de ces signaux est de 128 Hz et cette dernière
a une importance dans la décomposition. La décomposition du signal EEG donc a été fait à 5 niveaux,
à chaque niveau on calcule un signal de haute fréquence (détail) et un signal de basse fréquence
(approximation), comme il est illustré ci-dessous :

Figure 2.7 : décomposition par DWT

Figure 2.7 : Signal EEG (chaine 4)

Il est noter que le signal visualisé est un seul signal parmi plusieures d’un EEG.

18
 c. Application de la transformée en ondelette discrète (DWT Multi-niveau)

Comme c’est déjà mentionné dans les paragraphes précédents, l’ondelette optimale pour
l’analyse du signal EEG c’est « db » d’ordre 5 avec un choix du niveau égal à 5.

Prenant à titre d’exemple la décomposition par transformée en ondelettes discrète du signal 4

(le signal est choisi par hasard) de l’enregistrement EEG, ce signal sera décomposé en approximation
(A5) et en détails (D1 à D5), ce qui est présenté dans la figure suivante :

Figure 2.8 : les rythmes cérébraux

La synthèse de chaque rythme sur Matlab se fait à partir des coefficients des rythmes originales.

Figure 2.9 : les rythmes reconstruit

19
 d. Analyse spectrale

Pour voir les fréquences contenues dans le signal EEG, on le représente sous la forme d’un
diagramme amplitude-fréquence appelé spectre qui définit la répartition de la puissance du signal
dans domaine fréquentiel.

Figure 2.10 : Signal EEG es son spectre

D’après la figure les rythmes dominantes dans ce signal (chaine 4) sont Delta et Thêta.

Figure 2.11 : DSP du signal EEG

Puisque nous savons que la décomposition en ondelettes décompose le signal en

signaux sachant que la synthèse se fait par la somme de la dernière approximation et
tous les détails et que l’analyse spectrale fournit des informations sur la distribution
fréquentielle, alors on la représente dans la figure suivante :

20
 Figure 2.12 : les rythmes et son spectre

Nous avons généré les coefficients, et à partir de ces coefficients, nous avons pu obtenir le
signal modèle et puis nous avons calculé l’erreur par la différence entre le signal réel et le signal
modèle.
Figure 2.13 : EEG Réel, Reconstruit, Erreur

Figure 2.14 : les rythmes dans un seul signal

21
 e. Rapport énergétique

Chacune des ondes cérébrales (delta, thêta, alpha et bêta) occupent une quantité de l’énergie
du signal EEG d’une chaîne donnée parmi les treize chaînes étudiées. Nous procédons à une étude
quantitative des rapports d’énergétiques de chacune des ondes par rapport a l’énergie globale du
signal. Pour cela, nous proposons une grandeur notée RE (rapport énergétique). Il est calculé par le
rapport entre l’énergie d’onde (Eo) et l’énergie totale du signal (Es).
𝐸𝑜
𝑅𝑎𝑝𝑝𝑜𝑟𝑡 𝑒𝑛𝑒𝑟𝑔𝑒𝑡𝑖𝑞𝑢𝑒 =
𝐸𝑠
Ce rapport énergétique est donné en pourcentage de 100 %. Nous aboutissons alors aux
pourcentages énergétiques des différentes ondes cérébrales par rapport à l’énergie globale.

L’onde cérébrale Delta Thêta Alpha Beta Gamma

Rapport Energétique ( % ) 6.57 14.76 18.01 16.31 43.63

Résultats

La transformée en ondelettes discrète nous a permis d’extraire directement les différentes

ondes cérébrales (delta, thêta, alpha, béta et gamma) constituant le signal EEG et les quantifier sur
leur bande fréquentielle. Comme il est indiqué dans le chapitre I, les rythmes (ondes) cérébraux et
leurs fréquences, l’onde delta de 0.5 à 3.5Hz, thêta de 4 à 8 Hz, alpha de 8 à 12 Hz, béta de 12 à 35
Hz et l’onde gamma occupe la bande fréquentielle supérieure à 35 Hz.
Comme il est indiqué dans le chapitre I, les rythmes (ondes) cérébraux et leurs fréquences,
l’onde delta de 0.5 à 3.5Hz, thêta de 4 à 8 Hz, alpha de 8 à 12 Hz, béta de 12 à 45 Hz et l’onde gamma
occupe la bande fréquentielle supérieure à 35 Hz. Alors Chacune des ondes est affectée de
l’approximation ou du détail correspondant à sa bande spectrale. On représente dans le tableau
suivant le lien entre les ondes cérébrales et les niveaux de décomposition d’un côté et l’approximation
ou détail les correspondant d’un autre côté.

L’onde cérébrale Delta Thêta Alpha Beta Gamma

La bande fréquentielle 11.36 12.31 12.38 12.64 12.37

Le niveau de décomposition Cinquième Cinquième Quatrième Troisième Deuxième

Approximation ou détail Approximation Détail Détail Détail Détail

22
 3. L'analyse par la décomposions modale empirique :

Dans cette partie on va analyser le signal EEG par la méthode de décomposition modale

empirique qui consiste à décomposer le signal comme la somme de composantes hautes

fréquences et basses fréquences extraites directement du signal ou les hautes fréquences sont les

IMFs et les basses fréquences représentent le résidu.

On applique l’EMD sur notre signal (signal 2 de l’enregistrement EEG) et on a trouvé que

l’implémentation de l’algorithme (sous MATLAB) sur tout le signal prend un temps d’exécution assez

long. Le résultat est illustré dans les figures suivantes :

Dans notre étude et expérimentalement, le processus s’arrête à la 30ème IMF.

Figure 2.15 : Décomposition par EMD

Figure 2.16 : représentation de IMF2

23
 Figure 2.17 : Les enveloppes à IMF2

Figure 2.18 : représentation de IMF5

Figure 2.19 : représentation de IMF30

Les IMFs vont de la plus oscillante à la moins oscillante. On remarque également que le nombre

d'extrema diminue à chaque itération. De plus, l'amplitude des variations est aussi décroissante.

24
 MODELISATION PARAMETRIQUE ET PREDICTION

Dans la bibliographie, nous avons deux grandes familles de méthodes permettant la

modélisation du signal EEG : la modélisation du signal EEG par des méthodes paramétriques et non-
paramétriques.

Les méthodes paramétriques d’analyse spectrale nécessitent une connaissance a priori sur les
caractéristiques du signal (allure générale de son spectre). Elles permettent de dresser un modèle
mathématique du signal à partir des coefficients d’un filtre. Pour illustrer ces méthodes, un signal
d’électroencéphalogramme (EEG) va être modélisé.

La modélisation de ce signal par des techniques paramétriques nécessite une intervention

humaine sur le modèle. Il faut, dans un premier temps, définir le modèle le mieux adapté au signal à
modéliser.
Une fois le modèle choisi, il faut déterminer son ordre, c’est à dire le nombre de coefficients
permettant au mieux de modéliser ce signal. Le choix du modèle se fait en général en fonction de
l’allure du spectre, mais l’ordre du modèle ne peut pas être déterminé précisément sans une analyse
plus fine. Le choix de l’ordre se fait en général en minimisant un certain critère d’erreur entre le signal
en sortie du modèle et le signal mesuré.

1. Modèle autorégressif (AR) :

Un modèle autorégressif est un filtre tout-pôle (composé uniquement de pôles) au travers

duquel passe un bruit blanc. On détermine les coefficients de ce filtre tels que le signal à sa sortie soit
le plus proche possible du signal à modéliser.

Fonction de transfert d’un filtre autorégressif d’ordre P :

La sortie d’un tel filtre dépend des échantillons précédents de la sortie et de l’échantillon actuel
du bruit. Les coefficients 𝑎𝑝 (𝑘) agissent uniquement sur les échantillons précédents de la sortie.

Pour la visualisation du comportement du modèle,

25
L’ordre du modèle autorégressif est donc 10, le modèle comporte 11 coefficients.

Figure 3.1 : Prédiction par modèle AR

Figure 3.2 : Représentation fréquentielle

2. Modèle moving average (MA) :

Un modèle moving average est un filtre tout-zéro (composé uniquement de zéros) au travers
duquel passe un bruit blanc. On détermine les coefficients de ce filtre tels que le signal à sa sortie soit
le plus proche possible du signal à modéliser.

Fonction de transfert d’un filtre moving average d’ordre P :

La sortie d’un tel filtre dépend des échantillons précédents du bruit. Les coefficients 𝑏𝑝(𝑘)
agissent uniquement ces derniers.

26
 Le calcul des coefficients du modèle se fait par l’intermédiaire de la fonction « ar » donnée
précédemment. La technique utilisée consiste à modéliser le signal comme un modèle autorégressif
d’ordre trois fois supérieur à l’ordre du modèle moving average souhaité. Les coefficients ainsi
obtenus sont considérés comme un second signale que l’on modélise comme un modèle
autorégressif d’ordre égal à celui souhaité. Les coefficients obtenus sont ceux du modèle moving
average recherché.

Figure 3.3 : Prédiction par modèle MA

Figure 3.4 : Représentation fréquentielle

3. Modèles Autorégressifs et Moyenne Mobile (ARMA) :

Le modèle est composé de deux parties : une part autorégressive (AR) et une part moyenne-
mobile (MA). Le modèle est généralement noté ARMA(p,q), où p est l'ordre de la partie AR et q l'ordre
de la partie MA.

27
 Figure 3.5 : Prédiction par modèle ARMA

Figure 3.6 : Représentation fréquentielle

Ces techniques paramétriques sont très utiles dans les cas où le signal a des caractéristiques

connues, souvent fréquentielles. Elles permettent une estimation assez simple et plutôt efficace du

signal sans forcément en connaître la source et les modifications à y apporter. Le fait d’ignorer la

provenance du signal permet de supposer qu’il a été généré par un bruit blanc passé à travers un

filtre. Cette supposition permet de modéliser n’importe quel signal sans restriction, à condition de

posséder quelques indications sur l’allure de son spectre. Elle offre également l’avantage d’être

applicable à n’importe quel processus physique assimilable à un filtre.

28
 Conclusion :

L’analyse du signal EEG est une étape très importante dans le diagnostic médical. Il est de

grande importance de ne pas perdre l'information potentiellement utile à l'analyse. Plusieurs

approches d’analyse sont proposées dans la littérature. Dans notre travail, on a utilisé la transformée

en ondelettes discrète et la décomposition modale empirique.

Ce travail nous a été d’une très grande utilisé, il nous a permis de forger nos compétences en

traitement de signal, la chose qui nous a permis de découvrir les notions de la prédiction linéaire des

signaux et aussi d’autres méthodes d’analyse et de modélisation paramétrique pour les signaux non

stationnaire.

Tout d’abord, nous avons commencé par une étude générale sur l’examen

électroencéphalographie, en passant par une étude théorique sur les deux approches proposées.

Dans la partie pratique, on a fait l’analyse en appliquant les deux méthodes sous MATLAB.

Nous avons dans un premier temps effectué plusieurs teste sur les différentes familles

d’ondelette et déduire l’ondelette qui générer le minimum d’erreur par la suite on applique une

transformé d’ondelette discrète sur notre signal EEG pour visualiser son comportement spectral. par

la suite nous avons travaillé avec une autre méthode d’analyse des signaux non stationnaire qui

s’appelle EMD.

En en fin nous avons travaillé sur la modélisation paramétrique et prédiction du signal par les

méthodes AR , MA, ARMA.

La démarche est refaite pour plusieurs signaux souffrant des épilepsies afin de visualiser la

différence de prédiction.

29
Annexe :

Décomposition par ondelette discrète

Erreur entre deux signaux

Densité spectrale de puissance

30
Charger les signaux EEG

Modélisation AR, MA, ARMA

Modélisation AR,MA,ARMA
 Energie d’un signal

Décomposition par DWT ( la suite )

Décomposition par EMD