Une équipe de recherche dirigée par le professeur Ji-Woong Choi du Département de génie électrique et d’informatique de la DGIST (président Kunwoo Lee), en collaboration avec des équipes de recherche dirigées par le professeur Han-Joon Kim de l’Institut national de technologie de Kumoh, le professeur Kyong Hwan Jin de l’Université de Corée et le Dr Jong-Cheol Rah de l’Institut coréen de recherche sur le cerveau, a développé « NONOS », une technologie d’analyse basée sur l’apprentissage profond qui sépare précisément les « rythmes » des « signaux de fond » sous-jacents dans le cerveau. signaux à haute résolution temporelle.
Les signaux électriques générés dans le cerveau contiennent un mélange de « rythmes (composantes oscillatoires) » qui se répètent à intervalles réguliers et de « signaux de fond (composantes non oscillatoires) » sous-jacents. Isoler et analyser ces composants rythmiques à partir des signaux cérébraux revient à détecter la voix d’une personne au milieu du bourdonnement d’un café bondé. En particulier, dans le cerveau des patients atteints de la maladie de Parkinson, la force d’un rythme appelé « ondes bêta », qui oscille des dizaines de fois par seconde, devient excessivement élevée. Ceci est associé à des symptômes de ralentissement des mouvements et est utilisé comme indicateur pour évaluer l’efficacité du traitement.
Le problème est que les méthodes d’analyse conventionnelles ne peuvent pas distinguer correctement les changements rapides de rythmes de ceux des signaux de fond. Les techniques de filtrage les plus largement utilisées calculent la force des ondes bêta sans tenir compte des signaux de fond, ce qui risque de confondre les changements de signaux de fond avec des changements de rythmes. Des méthodes plus récentes qui suppriment les signaux de fond analysent les signaux en les regroupant dans des fenêtres temporelles fixes, mais ces méthodes peuvent facilement manquer de brefs changements de rythmes, tout comme les objets en mouvement rapide apparaissent flous sur les photographies prises avec des temps d’exposition longs. Par conséquent, il a été difficile de réaliser simultanément une « séparation précise » des rythmes et des signaux de fond et une « détection de changements rapides ».
L’équipe de recherche s’est concentrée sur la caractéristique suivante des signaux de fond : leur puissance diminue de façon exponentielle avec l’augmentation de la fréquence, suivant une forme fonctionnelle spécifique. NONOS est un modèle d’IA formé pour prendre en entrée les signaux cérébraux enregistrés au fil du temps et extraire uniquement les composants d’arrière-plan qui suivent ce modèle fonctionnel. En soustrayant les signaux de fond extraits des signaux d’origine, seules les composantes rythmiques pures restent, ce qui permet de détecter des changements rapides dans les deux composantes sans perdre la résolution temporelle.
En fait, lorsque l’équipe de recherche a analysé les composants rythmiques extraits par NONOS des signaux cérébraux de patients atteints de la maladie de Parkinson, la performance de prédiction du pied avec lequel un patient avancerait (avec des valeurs plus proches de 1 indiquant une plus grande précision) a atteint 0,98, une amélioration significative par rapport aux méthodes conventionnelles (0,54-0,79). Dans des expériences utilisant des souris modélisant la maladie de Parkinson, NONOS était également la seule méthode qui détectait avec sensibilité la diminution rapide de la force des ondes bêta suite à une stimulation cérébrale profonde (thérapie par stimulation électrique), difficile à identifier avec les méthodes conventionnelles.
« L’importance de cette étude réside dans la démonstration que les rythmes et les signaux de fond mélangés dans les signaux cérébraux peuvent être séparés sans perte de résolution temporelle.« , a déclaré le professeur Ji-Woong Choi de la DGIST (directeur du Brain Engineering Convergence Research Center).
Si nous développons davantage NONOS pour fonctionner en temps réel sur des dispositifs cérébraux implantables en réduisant ses besoins informatiques, cela contribuera à améliorer la précision de la thérapie personnalisée de stimulation cérébrale profonde, qui ajuste la stimulation électrique en fonction de l’état de chaque patient.«
Ji-Woong Choi, professeur, DGIST
« NONOS a l’avantage de pouvoir séparer les composantes périodiques et apériodiques de divers signaux biologiques qui changent rapidement dans le temps avec une résolution temporelle élevée. Il sera donc utile pour analyser une large gamme de signaux variant dans le temps au-delà des exemples présentés dans l’article.« , a déclaré le professeur Han-Joon Kim de l’Institut national de technologie de Kumoh.
Entre-temps, cette recherche a été soutenue par le programme de recherche STEAM de la Fondation nationale de recherche de Corée (BRIDGE Convergence R&D) et le programme de développement de technologies de convergence leader en sciences du cerveau, ainsi que par le programme Glocal Lab du ministère de l’Éducation. Le professeur Ji-Woong Choi de la DGIST et le professeur Han-Joon Kim de l’Institut national de technologie de Kumoh ont été co-auteurs, tandis que Jinmo Kim, étudiant au programme intégré de maîtrise et de doctorat du département de génie électrique et d’informatique de la DGIST, a participé en tant que premier auteur. Les résultats ont été publiés dans NeuroImageune revue internationale de premier plan dans le domaine de la neuroimagerie.
