Prédiction des crises à partir d’un EEG monodérivation par apprentissage profond

Pourquoi prédire les crises est important

Pour de nombreuses personnes atteintes d’épilepsie, les crises surviennent sans avertissement, perturbant le travail, l’école et la vie quotidienne. Un système capable d’alerter de manière fiable d’une crise imminente, même quelques minutes à l’avance, offrirait au patient le temps de s’asseoir ou de s’allonger en sécurité, d’appeler à l’aide ou d’interrompre une activité à risque comme conduire ou cuisiner. Cette étude examine si de tels avertissements peuvent être générés à partir d’un seul petit capteur d’ondes cérébrales, au lieu d’un casque complet d’électrodes hospitalières, en utilisant une forme compacte d’intelligence artificielle susceptible de fonctionner un jour dans un appareil portable.

Une façon plus simple de surveiller l’activité cérébrale

La plupart des travaux sur la prédiction des crises reposent sur des enregistrements complexes avec de nombreuses électrodes réparties sur le cuir chevelu. Ces systèmes peuvent bien fonctionner en laboratoire mais sont encombrants, énergivores et difficiles à porter toute la journée. Les chercheurs se sont au contraire concentrés sur des enregistrements « monodérivation », qui captent l’activité cérébrale à partir d’un seul emplacement à la fois. Ils ont choisi six positions d’électrodes sur le front, la tempe et l’arrière de la tête, pratiques pour un bandeau léger ou un patch. La question clé était de savoir si un seul capteur bien placé pouvait encore détecter les changements subtils d’activité cérébrale qui se développent souvent avant une crise.

Entraîner un petit lecteur d’ondes cérébrales

Pour transformer les ondes cérébrales brutes en données exploitables par un ordinateur, l’équipe a découpé les données en segments de 10 secondes et converti chaque tranche en une sorte d’image montrant comment la puissance du signal varie selon les fréquences au fil du temps. Ces images ont ensuite été introduites dans un modèle d’apprentissage profond rationalisé, inspiré de MobileNet, une famille de réseaux neuronaux conçus pour fonctionner sur téléphones et autres appareils à faible consommation. En élaguant soigneusement les couches et les connexions, les auteurs ont réduit le modèle à un peu moins de 38 000 paramètres ajustables, une infime fraction de la taille de nombreux systèmes modernes de reconnaissance d’images, tout en lui permettant d’apprendre des motifs pertinents liés aux crises.

Définir un temps d’alerte utile

Du point de vue du patient, toutes les détections correctes n’ont pas la même valeur. Une alerte trop tardive offre peu de protection, tandis qu’une alerte beaucoup trop précoce peut provoquer une inquiétude inutile. L’étude a donc adopté des règles temporelles claires qui reflètent les besoins du monde réel. Pour chaque crise, les chercheurs ont défini une zone « sans avertissement » couvrant les 2 minutes précédant immédiatement le début, période pendant laquelle il serait déjà difficile de réagir. La période de 30 minutes précédant cette zone a été considérée comme la véritable fenêtre de prédiction : une alerte y est jugée réussie si la crise survient dans cet intervalle. Seuls les données issues de cette fenêtre et des périodes clairement normales éloignées de toute crise ont été utilisées pour entraîner et tester le modèle.

Performance du système

Le modèle a été testé sur deux groupes de patients : des adultes atteints d’épilepsie focale pharmacorésistante traités à l’hôpital national universitaire de Séoul, et des enfants et jeunes adultes issus d’un jeu de données public largement utilisé. Pour chaque personne, le système a été entraîné et évalué uniquement sur ses propres données, à l’image de la manière dont un futur dispositif pourrait s’adapter à son porteur. Chez les patients, le modèle a correctement classé environ 86 à 91 % des segments de 10 secondes, avec des taux d’alarmes intempestives relativement faibles. Jugé au niveau des crises entières et selon les règles temporelles strictes, il a prédit avec succès environ 95 % des crises dans le groupe hospitalier et 98 % dans le jeu de données public. Fait intéressant, les électrodes frontales ont eu tendance à mieux fonctionner, et une proximité avec la zone d’apparition des crises identifiée médicalement n’améliorait pas nécessairement la précision.

Ce que cela pourrait signifier au quotidien

Ces résultats suggèrent qu’un seul petit capteur d’ondes cérébrales, associé à un algorithme d’apprentissage très efficace, peut fournir des avertissements précoces fiables pour de nombreuses crises dans une fenêtre pratique de 30 minutes. Si des travaux supplémentaires sont nécessaires pour tester l’approche sur des groupes de patients plus larges et plus divers, et pour affiner le choix des canaux pour chaque personne, l’étude ouvre la voie à des systèmes de prédiction des crises que l’on pourrait porter confortablement longtemps et qui fonctionneraient sur des batteries de faible capacité. Ces outils ne préviendraient pas les crises, mais pourraient donner aux personnes épileptiques davantage de contrôle et de confiance pour organiser leurs activités quotidiennes.

Citation: Jang, D., Jung, KY., Jeon, YG. et al. Single-channel EEG-based seizure prediction using deep learning. Sci Rep 16, 15888 (2026). https://doi.org/10.1038/s41598-026-44670-7

Mots-clés: épilepsie, prédiction des crises, EEG, dispositifs portables, apprentissage profond