Intégration de la dynamique des attracteurs et des caractéristiques de connectivité pour la classification de la démence à partir de l’EEG

Pourquoi les ondes cérébrales comptent pour la mémoire de tous les jours

La démence ne se résume pas à oublier des noms ou égarer des clés ; elle peut progressivement éroder l’autonomie et la personnalité d’une personne. Les médecins peinent particulièrement à distinguer la maladie d’Alzheimer de la démence frontotemporale, deux formes majeures qui exigent des plans de soins différents. Cette étude pose une question simple mais puissante : un test rapide et abordable des ondes cérébrales peut-il aider les médecins à différencier ces affections de manière plus fiable en regardant non seulement l’amplitude des signaux, mais aussi la façon dont ils circulent et se connectent dans le temps ?

Aller au‑delà des scanners cérébraux standard

Aujourd’hui, le diagnostic de démence repose largement sur des tests de mémoire et des imageries cérébrales telles que l’IRM ou le PET. Bien que ces outils soient précieux, ils sont coûteux, pas toujours accessibles et détectent souvent des changements seulement après des lésions cérébrales importantes. L’électroencéphalographie, ou EEG, offre une autre fenêtre : elle enregistre l’activité électrique du cerveau via des électrodes placées sur le cuir chevelu. L’EEG est sûr, peu coûteux et capture des variations rapides, milliseconde par milliseconde, de l’activité cérébrale. Le problème est que les signaux EEG paraissent désordonnés et complexes. Plutôt que de se contenter de mesurer la puissance de certains rythmes, les auteurs ont exploré si suivre les motifs détaillés et la coordination de ces ondes cérébrales pouvait révéler des signatures cachées de la maladie d’Alzheimer et de la démence frontotemporale.

Suivre les chemins cachés de l’activité cérébrale

Les chercheurs ont analysé des enregistrements EEG au repos provenant de trois groupes : des personnes atteintes de la maladie d’Alzheimer, des personnes atteintes de démence frontotemporale et des personnes âgées en bonne santé. Plutôt que de se concentrer uniquement sur des mesures traditionnelles comme la puissance moyenne dans différentes bandes de fréquence, ils ont emprunté des idées issues de l’étude des systèmes complexes. D’abord, ils ont reconstruit la « trajectoire » que trace chaque signal cérébral dans un espace abstrait au fil du temps, connue sous le nom d’attracteur. Ils ont ensuite décrit la forme et le mouvement de ces trajectoires à l’aide de caractéristiques telles que l’étendue de leur dispersion, la vitesse de déplacement et la brusquerie des changements de direction. Ces mesures captent la richesse, la stabilité ou l’instabilité de la dynamique cérébrale sous‑jacente, offrant une vision fine de l’activité locale sur chaque canal EEG.

Mesurer comment les régions cérébrales communiquent entre elles

Le fonctionnement du cerveau dépend aussi de la communication entre régions éloignées. Pour rendre compte de cela, l’équipe a calculé à quel point différents canaux EEG gardaient leurs rythmes synchronisés, une propriété appelée synchronisation de phase. Pour chaque participant, ils ont construit une carte de connectivité résumant la force des liens entre différentes paires d’électrodes. À partir de ces cartes, ils ont extrait des mesures de réseau simples qui décrivent, de manière globale, la force de la connectivité du réseau cérébral et à quel point des grappes locales de canaux sont serrées. Ces caractéristiques de connectivité complètent les mesures basées sur les attracteurs : tandis que les attracteurs décrivent les motifs locaux du signal, la connectivité résume la coordination à grande échelle du cerveau.

Apprendre aux machines à repérer les motifs de la démence

Toutes ces caractéristiques — 133 décrivant la dynamique des attracteurs plus 2 résumant la connectivité — ont été utilisées comme entrées pour plusieurs modèles d’apprentissage automatique entraînés à distinguer des paires de groupes : Alzheimer vs témoins sains, démence frontotemporale vs témoins sains, et Alzheimer vs démence frontotemporale. Sur l’ensemble des tâches, les modèles ont obtenu des performances bien supérieures au hasard, avec les meilleures précisions autour de 83 % pour séparer Alzheimer des sujets sains, 81 % pour démence frontotemporale vs sains, et environ 82 % pour distinguer les deux types de démence entre eux. Dans la plupart des cas, les caractéristiques basées sur les attracteurs portaient le signal le plus fort, tandis que les mesures de connectivité apportaient une information supplémentaire modeste mais utile pour certains modèles. Différents algorithmes ont donné les meilleurs résultats selon les comparaisons, ce qui suggère que le choix du classifieur importe autant que celui des caractéristiques EEG.

Ce que cela pourrait signifier pour les patients et les cliniques

Cette étude montre que des enregistrements EEG au repos relativement courts peuvent capturer des différences subtiles dans la dynamique cérébrale entre la maladie d’Alzheimer, la démence frontotemporale et le vieillissement sain lorsqu’ils sont analysés avec des outils mathématiques modernes. Cette approche ne remplacera pas l’imagerie cérébrale ni le jugement clinique, et le travail a été mené sur un groupe de patients de taille modeste déjà porteurs de diagnostics établis. Néanmoins, elle ouvre la voie à un avenir où un simple test EEG, traité via des chaînes automatisées, pourrait aider les cliniciens à détecter la démence plus tôt et à distinguer ses sous‑types avec plus de confiance, orientant des soins et un accompagnement mieux adaptés.

Citation: Zolfaghari, S., Gholizadeh, E. & Garehdaghi, F. Integrating attractor dynamics and connectivity features for EEG-based dementia classification. Sci Rep 16, 11573 (2026). https://doi.org/10.1038/s41598-026-41745-3

Mots-clés: EEG démence, maladie d’Alzheimer, démence frontotemporale, connectivité cérébrale, diagnostic par apprentissage automatique