On propose dans cette étude de comparer les performances de deux approches de statistique multivariée (l’analyse en composantes indépendantes [ICA] et l’analyse de corrélation canonique, [CCA]) pour l’élimination des artéfacts musculaires (EMG) affectant les signaux ElectroEncéphaloGraphiques ([EEG], électrodes de scalp) des patients épileptiques. Notre objectif est de choisir la méthode qui rehausse au mieux les signaux d’intérêt (transitoires de type pointes épileptiques et activité de fond) afin d’améliorer leur analyse qualitative et quantitative. La démarche entreprise pour la comparaison de ces deux méthodes exploite des signaux EEG de surface simulés, qui reproduisent de façon très réaliste les pointes épileptiques ; on ajoute à ces simulations des activités musculaires provenant de tracés EEG réels. Ces simulations nous apportent la « vérité terrain » concernant les sources d’intérêt et permettent donc de quantifier les performances de chacune des deux méthodes étudiées.

We propose in this study to compare the performances of two stochastic approaches (independent component analysis [ICA] and canonical correlation analysis [CCA]) to remove the muscular artefacts (EMG) from surface EEG signals in the context of epilepsy. The goal is to choose the method that better enhance the signals of interest (transient events called interictal spikes occur between seizures and background activity). In this paper, realistic EEG epileptic spikes are simulated from the activation of an epileptic patch. Real muscle artefacts and EEG background are then added to the simulated surface EEG. Such data allow us to quantify the performance of denoising methods since we have the “ground truth”.