Localisation en Temps Réel des Signaux EEG des Foyers Épileptogènes : Une Mise en Œuvre Basée sur FPGA

Le foyer épileptogène est une zone du cerveau qui peut être retirée chirurgicalement pour contrôler les crises épileptiques. Le localiser est une étape essentielle et cruciale avant le traitement chirurgical. Cependant, étant donné la difficulté de déterminer la localisation de cette région cérébrale responsable du décharge initiale de la crise, de nombreux travaux ont proposé des méthodes d'apprentissage automatique pour la classification automatique des signaux électroencéphalographiques (EEG) focaux et non focaux. Ces travaux utilisent la classification automatique comme un outil d'analyse pour aider les neurochirurgiens à identifier les zones focaux hors ligne, en dehors de la chirurgie, lors du traitement de l'énorme quantité d'informations collectées pendant plusieurs jours de suivi des patients. À son tour, cet article propose une procédure de classification automatique capable d'assister les neurochirurgiens en ligne, lors de la chirurgie de résection de l'épilepsie, pour affiner la localisation de la zone épileptogène à résecter, s'ils ont des doutes. Cet objectif nécessite une mise en œuvre en temps réel avec un coût computationnel aussi bas que possible. Pour cette raison, ce travail propose un ensemble de caractéristiques et un modèle de classificateur qui minimise la charge computationnelle tout en préservant la précision de classification à 95,5%, un niveau similaire aux travaux précédents. De plus, la procédure de classification a été mise en œuvre sur un dispositif FPGA pour déterminer ses besoins en ressources et son débit. Ainsi, on peut conclure qu'un tel dispositif peut intégrer l'ensemble du processus de classification, depuis l'acceptation des signaux bruts jusqu'à la livraison des résultats de classification sur un dispositif FPGA Xilinx Spartan-6 économique. Cette mise en œuvre en temps réel commence à fournir des résultats après une latence de 5 s et, par la suite, peut délivrer des résultats de classification en point flottant à un taux de 3,5 Hz, en utilisant des fenêtres temporelles superposées.