Suppression des artefacts de mouvement dans les signaux de spectroscopie proche-infrarouge acquis pendant la marche

Ce mémoire de maîtrise présente un algorithme de suppression des artefacts de mouvement présents dans les signaux de spectroscopie proche-infrarouge (NIRS pour Near-infrared spectroscopy). Cette technique d'imagerie cérébrale est peu encombrante, peu coûteuse et offre une bonne résolution temporelle et spatiale. Il existe aujourd'hui des systèmes NIRS entièrement portables. Pour toutes ces raisons, elle est de plus en plus utilisée dans le domaine médical ainsi qu'en recherche neuroscientifique. Cependant, la NIRS est une technique encore jeune et elle doit surmonter plusieurs obstacles pour être utilisée de façon optimale. Les artefacts de mouvement sont l'un des principaux problèmes rencontrés lors de son utilisation. Ces-derniers se caractérisent par une modification plus ou moins brutale du signal NIRS, sans raison physiologique possible, due aux mouvements du sujet.L'algorithme présenté dans ce mémoire utilise l'analyse par composantes indépendantes (ACI) et des accéléromètres pour supprimer les artefacts de mouvement présents dans des signaux NIRS acquis sur des sujets marchant librement. Ce travail a été réalisé dans le cadre d'une étude clinique, dirigée par l'Institut Universitaire de Gériatrie de Montréal, visant à analyser l'influence de l'activité physique sur les capacités cognitives des aînés. Le système utilisé est un prototype développé par le groupe de recherche multidisciplinaire, Imaginc. Ce prototype est un système entièrement portable permettant l'acquisition de signaux NIRS et EEG (électroencéphalographie), et qui offre la possibilité d'imager tout le cortex cérébral sur de longues périodes de temps. L'étude présentée dans ce projet est l'une des premières applications cliniques du prototype Imaginc.La finalisation du prototype Imaginc et l'acquisition des données ont été des étapes à part entière de ce projet de maîtrise. Néanmoins, ce mémoire se concentre sur les algorithmes de suppression des artefacts de mouvement développés. Ces-derniers ont été testés sur les 24 premiers sujets de l'étude et montrent des résultats prometteurs. Le traitement des données a permis de supprimer les artefacts de mouvement tout en préservant les données utiles. Ainsi, plus d'activations cérébrales sont visibles grâce aux algorithmes présentés.