Résumé du projet de thèse

Limiter les séquelles suites à un Accident vasculaire cérébral (AVC) est un enjeu majeur de santé publique : il y a 130 000 nouveaux cas par an en France dont au moins 2/3 nécessitent une rééducation longue et couteuse. Pour mieux rééduquer, il faut mieux comprendre pour mieux exploiter la neuroplasticité (Cramer et al., 2011).

L'analyse fine du fonctionnement du cortex sensorimoteur lors d'un mouvement est réalisable en routine clinique en combinant 3techniques d'imagerie fonctionnelle : fNlRS, fEEG et fMOCAP. La technique fNIRS (functional near infrared spectroscopy) est basée sur l'enregistrement indirect de l'activité́ é́ hémodynamique du cerveau et le couplage neuro-vasculaire (comme la fMRl, functional magnetic resonance imagery). La technique fEEG est basée sur l'enregistrement de l'activité électrique du cortex cérébral. La technique fMOCAP (functional motion capture) est basée sur l'enregistrement du mouvement dans des tâches spécifiques. En combinant fEEG et fNlRS, on obtient une image plus complète de l'activité cérébrale : électrophysiologie des neurones et leur consommation d'énergie. En combinant l'imagerie fonctionnelle cérébrale et la capture de mouvement, on obtient une image du fonctionnement cérébral pendant le mouvement quantifié.

La technique fNIRS+fEEG+fMOCAP est très intéressante en rééducation car elle permet un enregistrement de différents signaux en situation écologique (debout, assis) lors de tâches impliquant des mouvements proximaux et distaux des membres supérieurs (Delorme et al., 2019 ; Bakhti et al., 2018). De plus, le système est sans fil et sans marqueur, rapide et facile d'utilisation, et ne présente aucun risque pour le patient. Notre équipe UM/IMT/CHU maitrise en routine l'acquisition simultanée fNIRS+ fEEG+fMOCAP lors de tâches motrices, ainsi que le pipeline d'analyse des données. L'indice de latéralisation (lL) dérivant des données fNIRS caractérise la distribution de l'activation entre les deux cortex sensorimoteurs lors de tâches fonctionnelles ; tandis que l'analyse temps-fréquence alpha et beta dérivée des données fEEG fournit des informations supplémentaires sur le niveau excitateur/inhibiteur de chaque cortex sensorimoteur lors des tâches fonctionnelles. L'analyse de la cinématique dérivée des données fMOCAP informe sur la qualité de chaque réalisation motrice. Ainsi un nouveau protocole de tâches fonctionnelles ainsi que des pipelines d'analyse des données fNIRS+fEEG+fMOCAP ont été développés.

Pour les signaux de types EEG et NIRS, les caractéristiques (au sens features) temporelles et fréquentielles classiques seront complétées par des mesures non-linéaires issues de méthodes plus récentes (Kantz & Schreiber, 2004). Plus spécifiquement, des caractéristiques issues d’analyses de récurrence (Marwan et al. 2007 ; Ramdani et al. 2021 ; Medrano et al. 2021) seront exploitées pour obtenir une description plus complète de la structure temporelle des données recueillies.

L’étape suivante sera fondamentale pour le projet. Il s’agira de construire des algorithmes pour classer les signatures de la plasticité cérébrale permettant de suivre l'effet de la rééducation post AVC sur la plasticité cérébrale et la récupération de l’usage du bras parétique en nous concentrant sur un traitement prudent des incertitudes (Denoeux et al, 2020 ; Jacquin et al, 2021, Imoussaten et al. 2020) dans les données enregistrées.

L’objectif de ce projet est donc de classifier numériquement les signatures de la plasticité cérébrale permettant de suivre l'effet de la rééducation post AVC sur la récupération de l'usage du bras parétique. Des données sont déjà disponibles, grâce à des mesures avant-après rééducation (pour évaluer l’effet de la rééducation) et 6 mois après (pour évaluer la persistance de l’effet) réalisées dans le cadre du PHRIP ReArm (Muller et al., 2021). Enfin, ce projet est également original car il permet l’analyse de données multimodales (activité cérébrale et mouvement) (Bakhti 2020).

Objectif et contexte

• - Identifier des biomarqueurs fonctionnels et cérébraux de la rééducation post AVC, lesquels fourniront des informations cruciales sur la relation entre la plasticité cérébrale et la récupération du membre supérieur parétique.
• - Classifier numériquement des signatures de la plasticité cérébrale permettant de suivre l'effet de la rééducation post AVC sur la plasticité cérébrale et la récupération de l’usage du bras parétique.
• - A plus long terme, notre ambition est que de telles signatures de la plasticité cérébrale et comportementale soient utilisées en routine clinique d’évaluation des patients post-AVC pour le guidage des stratégies de rééducation intensives à l’hôpital, mais aussi au suivi à plus long terme au domicile du patient

Ce projet de thèse s’insère dans une collaboration interdisciplinaire visant à mieux comprendre les déterminants de la plasticité cérébrale et comportementale pour une rééducation de précision du post-AVC dans la logique des GT « Réadaptation Personnalisée » et « TIC et modélisation pour évaluer la fonction » de la FHU Regenhab. Notre équipe fédère les compétences des partenaires de manière originale et innovante, mettant en lumière une collaboration alliant le recrutement des patients, l'évaluation clinique, les acquisitions cinématiques et cérébrales (CHU MPL-NIM), l’accès à la base de données et le pipeline standard d'analyse combinée fNIRS+fEEG+fMOCAP (EuroMov DHM), et le développement de méthodes pour caractériser la dynamique de l’activité cérébrale (LIRMM IDH).

Méthode

Traitement du signal et extraction de features :
Pour la classification des patients en lien avec la qualité de leurs récupérations motrice et cérébrale, la première étape est d’extraire des features à partir des différents signaux. Ces features participeront à construire des signatures motrices et cérébrales. Ce travail est déjà en cours de réalisation (financement de NUMEV pour 18 mois de postdoc). Alternativement, cette tache pourra être effectuée par des réseaux de neurones profonds. Les résultats des deux méthodes seront comparés.
Les signaux recueillis en fNIRS + fEEG + fMOCAP de façon synchronisée ont des propriétés statistiques et dynamiques différentes. On notera en particulier la non-stationnarité et la non-linéarité des signaux, ainsi que des échelles temporelles et des fréquences d’échantillonnage différentes. Des prétraitements adaptés sont donc appliqués. Les partenaires Euromov DHM + LIRMM possèdent une solide expérience dans ce domaine.
Dans le cas des signaux de MOCAP, des caractéristiques de type cinématiques classiques (durée du mouvement, longueur de trajectoires, vitesse maximale et moyenne) sont utilisées. Pour les signaux de types EEG et NIRS des paramètres issus d’analyses fréquentielles sont exploités mais également, de façon complémentaire et non-redondante, des mesures non-linéaires qui décrivent la structure temporelle de ces signaux.
Ces mesures dites dynamiques sont calculées à partir de cartes de récurrence des signaux (Marwan et al., 2007). Ces cartes décrivent géométriquement les structures des patterns récurrents observés et permettent de quantifier la régularité des signaux expérimentaux de façon statistiquement robuste. Les différentes mesures extraites à partir des cartes sont décrites par le terme RQA pour Recurrence Quantification Analysis (Marwan et al., 2007). L’équipe IDH a obtenu récemment des résultats intéressants concernant l’optimisation d’un paramètre d’entrée crucial de la RQA (Medrano et al., 2021) et de son temps de calcul via une approche paramétrique, la pRQA (Ramdani et al., 2021). Des résultats pour des applications cliniques chez des patients présentant des tumeurs du cerveau de type gliome infiltrant ont déjà été obtenus via la pRQA (cf. figure 1), en partenariat avec le CHU de Montpellier (Ramdani et al., 2021). D’autres résultats méthodologiques ont été validés sur des données EEG chez des sujets sains et des patients épileptiques issues d’une base de données publique (Medrano et al., 2021)

Classification prudente à partir des features :
La seconde étape est la mission principale de la thèse. Il s’agit de construire des algorithmes pour classer les des signatures de la plasticité cérébrale permettant de suivre l'effet de la rééducation post AVC sur la plasticité cérébrale et la récupération de l’usage du bras parétique en nous concentrant sur un traitement prudent des incertitudes dans les données enregistrées. L'incertitude est liée à la fiabilité des capteurs, mais aussi à la variabilité humaine et à son évolution dans le temps. Ici, il est essentiel d'avoir la représentation la plus fidèle des données, y compris de leurs imperfections, pour alimenter la stratégie. En effet, il convient de distinguer l'incertitude épistémique due à une connaissance imparfaite et l'incertitude ontique due à l'aléatoire (Denoeux et al, 2020). Les algorithmes d'apprentissage automatique basés sur une représentation appropriée de l'imperfection des données ont l'avantage d'être prudents et explicables. L'objectif de ce travail est de s'inspirer des travaux traitant des problèmes de classification supervisée prudente (Jacquin et al, 2021, Imoussaten et al. 2020)pour mettre en place un algorithme de régression prudente. Nous identifions trois objectifs au sein de l'équipe multidisciplinaire :
(1) représentation des différentes modalités des données pour la régression prudente.
(2) comprendre la corrélation entre les différentes variables mesurées.
(3) sélectionner les variables pertinentes sur lesquelles le suivi thérapeutique doit se concentrer.
Cela permettra d'identifier des biomarqueurs fonctionnels et cérébraux de la rééducation post AVC, lesquels fourniront des informations cruciales sur la relation entre la plasticité cérébrale et la récupération du membre supérieur parétique.

Précision sur l'encadrement

Directeur : Gérard Dray (EuroMov DMH)
Co-Directeur : Sofiane Ramdani (LIRMM IDH)
Encadrants : Karima Bakhti (CHU Montpellier), Abdelhak Imoussaten (EuroMov DMH), Denis Mottet (EuroMov DMH)

Le travail de thèse se fera au sein du laboratoire EuroMov DHM et de l'équipe IDH du département de robotique du LIRMM, et également sur les sites des CHU de Montpellier et Nîmes, notamment pour l’acquisition des données cliniques.

Références bibliographiques

• Cramer et al. (2011). Harnessing neuroplasticity for clinical applications. [link]
• Delorme et al. (2019). Time course of sensorimotor cortex reorganization during upper extremity task accompanying motor recovery earlyafter stroke. [link]
• Bakhti et al (2018). Kinect-based assessment of proximal arm non-use after a stroke. [link]
• Bakhti 2020, https://clinicaltrials.gov/study/NCT04291573 .
• Kantz, H. & Schreiber, T. (2004) Nonlinear time series analysis. Cambridge University Press, 2nd edition.
• Ramdani, S., Boyer, A., Caron, S., Bonnetblanc, F., Bouchara, F., Duffau, H., Lesne, A. (2021) Parametric recurrence quantificationanalysis of autoregressive processes for pattern recognition in multichannel electroencephalographic data. Pattern. Recog., 109, 107572.
• Medrano, J., Kheddar, A., Lesne, A. Ramdani, S. (2021) Radius selection using kernel density estimation for the computation of nonlinearmeasures. Chaos, 31(8), 083131.
• Marwan et al. (2007). Recurrence plots for the analysis of complex systems. [link]
• Denoeux (2020) Representations of Uncertainty in AI: Beyond Probability and Possibility. [link]
• Imoussaten, A., & Jacquin, L. (2022). Cautious classification based on belief functions theory and imprecise relabelling [link].
• Jacquin, et al. (2021) Control of waste fragment sorting process based on MIR imaging coupled with cautious classification. Resources,Conservation and Recycling 168 (2021): 105258.
• Besson, P., Muthalib, M., Dray, G., Rothwell, J., and Perrey, S. (2019). Concurrent anodal transcranial direct-current stimulation andmotor task to influence sensorimotor cortex activation. Brain Res, 1710:181–187.
• Delorme, M., Vergotte, G., Perrey, S., Froger, J., and Laffont, I. (2019). Time course of sensorimotor cortex reorganization during upperextremity task accompanying motor recovery early after stroke: An fnirs study. Restorative Neurology and Neuroscience, 37(3):207–218.
• Muller, C. O., Muthalib, M., Mottet, D., Perrey, S., Dray, G., Delorme, M., Duflos, C., Froger, J., Xu, B., Faity, G., Pla, S., Jean, P., Laffont,I., and Bakhti, K. K. A. (2021). Recovering arm function in chronic stroke patients using combined anodal hd-tdcs and virtual reality therapy(rearm): a study protocol for a randomized controlled trial. Trials, 22(1):747.
• Imoussaten, A. (2022) Choosing the Decision Hyper-parameter for Some Cautious Classifiers. Information Processing and Managementof Uncertainty in Knowledge-Based Systems: 19th International Conference, IPMU 2022, Milan, Italy, July 11–15, 2022, Proceedings, PartII. Cham: Springer International Publishing.
• Muller, C., Perrey, S., Bakhti, K., Muthalib, M., Dray, G., Xu, B., Mottet, D., and Laffont, I. (2023). Aging effects on electrical andhemodynamic responses in the sensorimotor network during unilateral proximal upper limb functional tasks. Behavioural Brain Research,443:114322.