Classification du TSA par EEG et graphes de visibilité

Cette étude publiée dans Neuroscience examine une classification automatisée du TSA à partir d’électroencéphalogrammes, ou EEG, enregistrés au repos. L’EEG mesure l’activité électrique cérébrale. Les auteurs cherchent à compléter les évaluations comportementales et l’observation clinique par un traitement informatique, sans que le résumé présente ce dispositif comme un outil diagnostique déjà utilisable.

Quatre méthodes d’analyse temps-fréquence ont été comparées. Elles servent à décrire comment le contenu fréquentiel d’un signal évolue dans le temps. Les représentations obtenues ont ensuite été transformées en réseaux de visibilité horizontale, une façon de convertir les données en graphes. Dix-sept caractéristiques de ces graphes ont alimenté plusieurs classifieurs d’apprentissage automatique, dont un ensemble par vote pondéré.

La combinaison de la transformée en ondelettes discrètes, des graphes de visibilité et du vote pondéré a fourni les meilleures performances rapportées . Lors d’une validation croisée stratifiée en dix plis, elle a atteint 93,54 % d’exactitude, 94,32 % de sensibilité, 92,76 % de spécificité et une aire sous la courbe de 98,17 %. Un test statistique a favorisé cette représentation par rapport aux trois autres méthodes évaluées.

Ces résultats mesurent la capacité du modèle à classer les données dans le cadre de l’étude. Une validation croisée interne ne vaut pas validation clinique sur une population indépendante. Le résumé ne précise ni le nombre et les caractéristiques des participants, ni l’existence d’une validation externe. Le texte intégral reste donc nécessaire pour apprécier la robustesse de la méthode et les conditions exactes d’évaluation.