Une méthodologie basée sur une analyse en composantes indépendantes spatiale (ACI) a été développée spécifiquement pour des données d’électroencéphalographie (EEG) pour extraire des réseaux fonctionnels à large échelle. Les résultats préliminaires sont présentés dans cet article. Les données EEG ont été enregistrées chez 15 sujets effectuant une tâche visuelle. Elles ont été prétraitées et reconstruites sur les cortex de chaque sujet, grâce à une méthode de norme minimale. Une ACI spatiale a été réalisée sur la puissance de ces signaux reconstruits et a permis d’en extraire des composantes indépendantes. Une interpolation sur une surface commune a été effectuée pour procéder à une analyse de groupe. Une technique de regroupement des composantes a fait ressortir les composantes les plus reproductibles entre les sujets qui, regroupées, définissent des réseaux fonctionnels d’intérêt. Pour évaluer ces résultats, les réseaux extraits en IRMf sur les mêmes sujets ont été projetés sur le cortex grâce à une méthode de projection d’image volumique sur une surface utilisant un diagramme de Voronoï. Une comparaison visuelle montre que des réseaux EEG et des réseaux IRMf sont proches. Les perspectives de ce travail préliminaire prévoient de définir une régression entre ces réseaux pour analyser plus pertinemment les réseaux fonctionnels en EEG et acquérir l’expertise pour les étiqueter.

A method using spatial independent component analysis (sICA) has been developed for detecting group functional large-scale networks specifically in electroencephalography (EEG). Preliminary results are reported in this paper. EEG data were acquired on fifteen subjects undertaking a visual task. Data were preprocessed and reconstructed on the cortex of each subject using a minimum norm method. A sICA was performed on the power of the reconstructed signals to extract spatial independent components. In order to perform a group analysis, the components were interpolated on a common template. Using a hierarchical clustering algorithm that minimizes the intraclass similarity and selects the classes according to their representativity and unicity in the population, functional networks of interest were estimated. Functional networks estimated in fMRI from the same subjects were projected onto a template cortex using a Voronoï-based interpolation method. A visual comparison of the networks shows similarities between the two modalities. Prospects of this preliminary approach include developing regression between these functional network to enhance the interpretation and labelling of the EEG network.