Anda di halaman 1dari 55

Méthodes de beamforming

appliquées à la localisation de sources


en MEG-EEG

Françoise BAUCHET Formation inter-régionale MEG


Département MEG-EEG 28/10/05
CERMEP-Imagerie du Vivant
Qu'est ce que le beamforming ?

origine : traitement d'antenne

applications : RADAR, SONAR

projection du front d’onde sur tous les capteurs :


⇒ signature d’un signal émis dans cette direction

utilisation de cette signature pour isoler le signal et le localiser.


objectifs

•détecter une source parmi du bruit et des


interférences

•construire une carte du milieu : caractérisation de


toutes les sources et détermination de leur position
spatiale
principe : synthétiser un filtre spatial pour chaque direction d'intérêt

W1

W2

Σ
W3

W4

W5

W6

gain unitaire pour la direction d’intérêt

atténuation des signaux émis dans les directions non souhaitées (interférences)

la sortie du filtre est une estimation du signal émis dans la direction d’intérêt
réponse d'un beamformer en fonction de la direction d'émission du signal
0
beamformer synthétisé pour la direction 0° 330 30

300 60

270 90
beamformer idéal

240 120

210 150
180

0
330 30

300 60

270 90
beamformer réel

240 120

210 150
180

incidence directe sur la résolution spatiale


le beamforming appliqué à la
localisation de sources en MEG-EEG
contexte :

hypothèses •onde plane : discrimination à partir de l’amplitude des signaux


•signaux stationnaires sur la période d'analyse
•nombre de sources < nombre de capteurs
•modèle dipolaire (ECD)

•sources non corrélées


notations
C1

C2
• N capteurs (C1, C2, …CN) C2
q2

• M sources (q1, q2, …qM) C1 q1

• K échantillons temporels
qM
CN

CN

1 K

x1
x2

x3
sortie des capteurs …
W(qi) sortie du filtre
(beamformer)
y = ∑ wi x i

xN
principe général
W6
W5
W4

W3

W2

W1

• définition d'une grille 3D

• un dipôle situé en chaque voxel

• pour chaque dipôle qθ, recherche du filtre spatial minimisant la puissance du signal
global mesuré sur tous les capteurs sous la contrainte d'un gain unitaire pour le
signal émis par qθ

expression du beamformer minW Pθ


θ
sous la contrainte Wθt L(θ ) = 1

Linearly Constrained Minimum Variance (LCMV)


min W Pθ
θ
sous la contrainte Wθt L(θ ) = 1

minimisation de la puissance du signal mesuré sur tous les capteurs

⇒ on éteint toutes les sources qi

expression de la puissance

x1
x2
Pθ = y 2
x3
W(qθ)
Pθ = Wθt Cc ( x)Wθ

y = ∑ wi (qθ). xi

xN

utilisation de la matrice de covariance du signal sur la fenêtre d'analyse


la solution dépend des données
min W Pθ
θ
sous la contrainte Wθt L(θ ) = 1

gain unitaire pour la direction θ


⇒ on laisse "passer" qθ
rappel sur les leads-fields
(cas discret, modèle dipolaire)

lz, j l z ,i
modèle de la tête
uz

uy
ux

l z ,1
uz

domaine
des
sources

⇒projection de la solution du
problème direct sur tous les
capteurs

L  avec la profondeur
qθ qθ = m x u x + m y u y + m z u z

xi = m x l x , i + m y l y , i + m z l z , i
x = L ( qi ) × m( qi )

x2
q2 signal mesuré sur tous les
capteurs
x1 q1

x = ∑ L ( qi ) × m( qi ) + n
M
qM
xN

contribution de contribution du
chaque source bruit des
capteurs
Wθt L(θ ) = 1

x1
x2

x3


W(qθ)

xN

L(θ ) 1

L(θ ) × m(θ ) W(qθ) m(θ )


application à la localisation de sources

en chaque voxel :

estimation d'un filtre spatial


estimation du moment de ce dipôle sur la fenêtre d'analyse
estimation de la puissance de la source située dans ce voxel

W(qθ) y(qθ,t) P(qθ)

étude des activités construction


dans le domaine d'images 3D
des sources "fonctionnelles"

capteurs virtuels cartes SPM


notion de capteur virtuel

x1
x2

y ≈ m(θ )
x3


W(qθ)

xN

estimation du moment de la source située en θ sur la fenêtre


d'analyse
analyse des activités dans le domaine des
sources
moyennes
filtrage
analyse temps-fréquence
synchronie/cohérence ()
tests statistiques
statistical parametric maps (SPM)

en chaque voxel, représentation d'un index de l'activité neuronale

puissance

puissance normalisée par le bruit

différence de puissance entre deux états (correction en ligne de


base)

valeur d'un test statistique (tests non paramétriques)

(stimulation du nerf
médian, Cheyne et al)
en pratique…
estimation de la matrice de covariance du signal

C1 CN

x(k)
échantillons

1 K
C = ∑ x(k) T x(k) C ~ moyenne temporelle
K k=1

Ne essais : essai 1 → C1
(cas général) essai 2 → C2 moyenne à travers les
essais
1 N e

… C= ∑ Ci
N e i=1
essai Ne → CNe
choix de la largeur de la fenêtre d'analyse

compromis stationnarité des sources / quantité d’informations

Pourquoi une hypothèse de stationnarité ?


condition nécessaire : N ech ≥ N capteurs

3 × N capteurs × f ech
N ech =
2 × ( f max − f min )
en général, on préconise :

par exemple :
3 × 275 × 1200
N ech = = 33000
2 × (30 − 15)

150 essais ⇒ largeur de la fenêtre = 185 ms

100 essais ⇒ largeur de la fenêtre = 275 ms

OK pour les réponses stationnaires


attention pour les réponses transitoires
Imaged time point
(t = 0.525 s)
CONTINUOUS

covariance window = 1 s
TRANSIENT

Imaged time point


(t = 0.525 s)

covariance window = 1 s

Cheyne,D.
le beamformer projette le bruit des capteurs

les capteurs sont bruités : SQUIDs, électronique,…

⇒ le signal mesuré contient une partie bruitée

x = ∑ L ( qi ) × m( qi ) + n
M

contributions des
différentes sources

C W(qθ) y(qθ,t) P(qθ)


« paradoxe » du bruit non corrélé

présence de bruit non corrélé ⇒ introduction d’erreur dans l’estimation des sources

absence de bruit non corrélé ⇒ impossibilité de résoudre le problème

la matrice de covariance n’est plus inversible


correction des effets du bruit

estimation de la contribution de la puissance du bruit Pθ = Sθ + Λ θ

n1
n2

n3

inconnues …
W(qθ) Λ θ = WθtCbruitWθ

nN
hypothèses :
σ 2 0
•bruit non corrélé  
•puissance ϭ2 identique sur chaque capteur  σ2 
Cbruit = ... 
 
 σ2 
approximation de ϭ2à partir de la  0 2
σ 
covariance du signal

soustraction de la puissance du bruit Sθ = Pθ − Λ θ


normalisation par la puissance du bruit

Pθ Λθ


Pθ avec seuil
Λθ
Λθ

Robinson et Vrba, 1999


résolution spatiale du beamformer


la sélectivité spatiale du beamformer est
proportionnelle à Λθ

une source unique + pas de bruit ⇒ pas de solution

plus l'amplitude de la source est grande par rapport aux interférences et au bruit

 plus la résolution spatiale augmente

0
330 30

300 60
leakage

270 90

240 120

210 150  leakage 
180 Λθ
⇒la résolution spatiale dépend :

•du nombre de capteurs et de leur


distribution

• de la positions de sources (+/-profondes)

•du nombre d'échantillons

•de l'amplitude de la source par rapport aux


interférences et au bruit

simulation EEG :
32 électrodes, modèle sphérique
Van Veen, 1997

MEG :
épilepsie : ≥ 1mm
activité "normale" : ≥ 5mm
sensibilité au modèle de tête

erreur / incertitude dans le modèle

erreur / incertitude dans les leads-fields L(θ ) ← L' (θ )

mauvaise contrainte imposé au beamformer


Wθt L' (θ ) = 1

le filtre bloque une partie du signal recherché


et laisse passer des interférences

mauvaise reconstruction des sources


modèles de tête utilisés

modèle modèle à sphères


sphérique locales

utilisation de contraintes anatomiques : Hillebrand et al, 2003

attention au recalage IRM/MEG !


que se passe-t'il en présence de sources corrélées ?
l'hypothèse initiale de sources non corrélées n'est plus vérifiée

exemple :
source 1 source 2

m1 (t ) = m2 (t ) =

L(q 2 ) =
L(q1 ) =

addition des "signatures"

L ( q3 )

les deux sources se confondent dans une troisième source 'virtuelle'


x = m1 (q1 )[L(q1 ) + αL(q 2 )] + ∑ L(qi ) × m( qi ) + n
M ≠1, 2

bruit
contribution des sources 1 et 2 contribution des autres sources

recherche des poids pour la source 1 W1t L(q1 ) = 1

W1t L(q 2 ) ≠ 0

le filtre laisse passer le signal émis par la source ainsi qu'une partie du signal émis par les
sources corrélées

W(qθ) −α ×

mauvaise estimation de m(q1)


Van veen et al , 1997
Simulation dans une sphère
SNR=10

c=0

c=0.5 X

++

c=1

degré de corrélation
entre les deux sources
sources proches sources lointaines
solutions envisagées

estimation des coefficients de corrélations entre les sources corrélées :


jusqu'à 3 sources (Sekihara et al, 2002)

utilisation d'une fenêtre d'analyse plus grande


problème de stationnarité

calcul des beamformers pour chaque paire de voxels (permutations)


problème du temps de calcul

calcul des beamformers hémisphère par hémisphère


baisse du SNR
beamforming et oscillations …
rappel sur les oscillations induites

•relatives à un stimulus mais non phase-


locked

•n’apparaissent plus après moyennage

•il existe différents rythmes


synchronisation/désynchronisation :

•interactions entre aires cérébrales proches ou distantes


•phénomène induit et non phase-locked
•hypothèse d'un rôle fonctionnel dans le traitement de certaines tâches

étude des à partir des essais


oscillations élémentaires

analyse temps-fréquence
dans le domaine des capteurs
synchronie/cohérence
étude des oscillations dans le domaine des sources

obstacle majeur des méthodes de localisation « classiques » : il faut moyenner les données

solutions envisagées :
filtrage dans une bande de fréquence et modélisation inverse
(Salmelin et Hari, 1994)
Minimum Current Estimate appliqué dans le domaine fréquentiel
(Jensen et Vanni, 2001)
Beamforming

pourquoi des données non moyennées sont-elles bien adaptées pour le beamforming ?
•le moyennage diminue le nombre d'échantillons

•le moyennage introduit des corrélations spatiales (bruit)

•l'élimination du bruit est inhérente à la méthode

•les poids sont calculés à partir de la covariance des signaux mesurés

intérêt majeur de cette méthode


analyse TF dans le domaine des capteurs au préalable!
différents beamformers …
Différents beamformers

-Linearly Constrained Minimum Variance (LCMV)

-LCMV + MUSIC

-Synthetic aperture magnetometry (SAM)

-Dynamic Imaging of Coherent Sources (DICS)


Synthetic aperture magnetometry
SAM Vrba et Robinson, 1998

LCMV SAM

- beamformer adaptatif à variance minimum

- non-linéaire : recherche de l’orientation qui maximise la puissance en sortie

- régularisation de C : stabilité de la matrice de covariance


Distribution spatiale de la sensibilité des capteurs

leadfield idéal un gradiomètre radial

SAM
100 gradiomètres radiaux

voxel cible

interférences

Les dipôles sont perpendiculaires au plan

SAM : maximisation de la sensibilité dans la direction de la source


discrimination sources/interférences
puissance* P
coefficients des
filtres spatiaux
P
pseudo Z-deviate** Pbruit
statistique

SAM la variabilité inter-essais


n’est pas prise en single state différence Pactif − Pcontrôle
compte

Pactif Pcontrôle
Z ** −
Pbruit , actif Pbruit, contrôle
image la variabilité inter-
fonctionnelle essais est estimée Pactif − Pcontrôle
dual state T **
Pbruit , actif + Pbruit , contrôle
Jackknife
comparaison
Pactif
entre deux F **
états Pcontrôle

•: puissance ou moment

•** : pseudo Z-deviate,T ou F dans le cas ‘pseudo-statistique’


Cartes SPM
(differential imaging)

2 conditions

-50 50 100 ms

2 filtres
contrôle actif

moyenne Pθ(contrôle) moyenne Pθ (actif)

pseudo  normalisé par la puissance du bruit

Pθ (actif ) − Pθ (contrôle) Pθ (actif )


pseudo − t = pseudo − F =
N θ (actif ) − N θ (contrôle) Pθ (contrôle)
un exemple : étude des variations des rythmes mu et beta lors de
stimulations tactiles

Cheyne et al, 2003


-Stimulation de l'index
-5 sujets
-100 essais par sujets

fenêtre contrôle : 2s pré-stim


deux matrices de covariance
fenêtre active :2s post-stim

Cartes pseudo-t

capteurs virtuels

8-15 Hz 15-25 Hz
Résultats 1/3 Décours temporels
SI contralateral SI ipsilateral
Résultats 2/3
analyse temps-fréquence
des capteurs virtuels
Résultats 3/3 Localisation des activités oscillatoires
DICS : dynamic imaging of coherent sources

domaine temporel •utilisation d'un beamformer LCMV pour la localisation des


régions cohérentes et la localisation des oscillations

domaine fréquentiel •utilisation de la matrice de covariance spectrale

d=3cm
corr=0.28
(simulations) f=18 Hz

Gross et al, 2001

sensibilité au SNR et à la cohérence entre sources !


synthèse…
attraits de la méthode

•étude des oscillations, étude de données non moyennées

•pas d'a priori sur le nombre de sources

•images 3D fonctionnelles, SPM

•capteurs virtuels : étude des signaux domaine source


limites de la méthode

•choix des fenêtres d’analyses :

•stationnarité difficile à estimer


•quantité d’observations requise importante
•problème pour les réponses transitoires
•contrainte d’égalite des fenêtres « actives » et « contrôle »

•choix du modèle de tête (si le nombre de capteurs est important)

•problème de définition d'un seuil de significativité : tests non paramétriques

•les sources corrélées

•ne convient pas à l'étude de la cohérence dans le cas de fortes corrélations

beamforming ≠ solution « miracle » !


comparaisons avec d’autres méthodes
(Minimum Norm, Moindres-carrés, MUSIC)

•filtrage spatial ≠ minimisation d’écarts « données mesurées/modèle direct »

•solution voxel par voxel ≠ solution globale

•la solution dépend des données mesurées

•utilisation des statistiques du second ordre

•les sources corrélées

•pas d'a priori sur le nombre de sources

•supporte des données non moyennées

Mosher et al, 2003 : méthodes équivalentes : différence dans la formulation et


l’estimation des matrices de covariances (signal et bruit)

David et al, 2002 : approche minimum-norm pour la localisation de synchronie


quelques références…

•revue : Hillebrand et al, 2005

•principe du beamforming : Van Veen et al, 1997

•SAM : Vrba et Robinson, 1998

•DICS : Gross et al, 2001