L'EEG comme signal bon marché mais complexe
Pour un diagnostic précoce de la maladie d'Alzheimer, des méthodes accessibles sont nécessaires. L'EEG semble idéal : l'équipement est portable et peu coûteux. Mais les enregistrements présentent des particularités : ils sont bruités, varient fortement d'une personne à l'autre, et les données cliniques annotées sont rares. De ce fait, les réseaux de neurones classiques, entraînés « de front », souffrent souvent de surapprentissage et fonctionnent mal sur de nouveaux patients.
Dans ces conditions, l'analyse auto-supervisée, comme Delta2Gamma, est prometteuse.
L'auto-apprentissage au lieu de l'annotation manuelle
Les chercheurs Chanwoo Park et Chanwoo Kim ont proposé le framework Delta2Gamma, qui ne nécessite pas de grands ensembles de données annotées. L'idée est d'apprendre à partir des signaux eux-mêmes, en créant des versions augmentées et en les comparant entre elles — une approche appelée apprentissage contrastif.
Tout d'abord, chaque enregistrement est décomposé en cinq rythmes neuronaux classiques : delta, thêta, alpha, bêta et gamma. Pour chaque rythme, un encodeur dédié et une tête de projection propre sont utilisés, car les statistiques des bandes de fréquences diffèrent. Pour que chacun contribue de manière équilibrée à l'apprentissage, une température est adaptée dynamiquement pour chaque bande — un paramètre qui contrôle la sensibilité de la fonction de perte contrastive.
Résultats
Les travaux ont été acceptés à la 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS). Sur la cohorte ADFTD, l'efficacité de Delta2Gamma a été vérifiée avec un protocole strict de leave-one-subject-out : le modèle est entraîné sur tous les participants sauf un, puis testé sur le sujet exclu. Cela se rapproche au maximum d'une utilisation réelle. Lors de ce test, il a été possible de distinguer les patients atteints d'Alzheimer des personnes cognitivement normales avec une précision de 92,4 %.
Ce résultat surpasse à la fois les réseaux de neurones supervisés classiques et les méthodes spécialisées récentes d'analyse EEG, développées spécifiquement pour cette tâche.
Conclusions
Delta2Gamma démontre que l'analyse EEG auto-supervisée peut atteindre une haute précision sans bases de données annotées massives. La capacité à travailler avec des données brutes et non annotées rend l'approche évolutive — elle peut être appliquée au dépistage de masse de la démence, où le faible coût et la simplicité sont primordiaux. Ce n'est pas un substitut à un diagnostic complet, mais un outil prometteur pour la sélection primaire.
