Escolar Documentos
Profissional Documentos
Cultura Documentos
THSE
PRSENTE
LUNIVERSIT DE BORDEAUX I
COLE DOCTORALE SCIENCES PHYSIQUE ET DE LINGNIEUR
DOCTEUR
SPCIALIT : lectronique
Directeur de recherche
Professeur des universits
INRIA Sophia-Antipolis
Universit de Lorraine
Matre de confrences
Directeur de recherche
Professeur des universits
Professeur des universits
Matre de confrences
Professeur des universits
Charg de recherche
Professeur des universits
-2012-
IPB Bordeaux
INRIA Sophia-Antipolis
ETH Zrich
IPB Bordeaux
Universit Bordeaux 1
IPB Bordeaux
INSERM Bordeaux
Universit de Lorraine
Co-directeur de thse
Rapporteur
Examinateur
Examinateur
Examinateur
Directeur de thse
Examinateur
Rapporteur
Remerciements
Je remercie les professeurs Pascal Fouillat et Claude Pellet pour mavoir accueilli au sein du
laboratoire IMS pendant la ralisation de ces travaux de thse.
Mes remerciements vont galement au professeur Sylvie Renaud pour mavoir accept dans
son quipe et pour mavoir encadr durant tout ce temps. Je retiendrais surtout son soutien
dans toutes les situations bonnes ou mauvaises qui se sont prsentes lors de cette thse. Sa
confiance, son sens de la pdagogie et son charisme seront des qualits qui me serviront de
modle dans ma future carrire.
Je tiens remercier chaleureusement Yannick Bornat qui ma permis, par ses conseils et son
encadrement sans faille, de mener bien cette thse. De part son dvouement et sa conscience
professionnel, nous avons pu mener bien notre projet de recherche. Je ne pense sincrement
pas avoir eu de meilleur encadrant que toi. Merci toi.
Je remercie M. David Giraud et M. Serge Weber pour leurs lectures attentives et critiques
du mmoire, en tant que rapporteurs de cette thse.
Je remercie galement M. Eric Kerhev davoir accept de prsider ce jury de thse.
Je tiens remercier M. Andreas Hierlemann, M. Matthieu Raoux et M. Pierre Vacher pour
lintrt quils ont port mon travail en acceptant de participer au jury de thse.
Je tiens avoir une pense reconnaissante pour les gens appels communment dans ce
manuscrit "les biologistes" : Jochen, Matthieu, Anton, Fanny pour lquipe provenant de LIECB
et Blaise et Sbastien pour lquipe de lINCIA.
Jai une pense amicale toutes les personnes appeles injustement les "vieux" et travaillant
dans les quipes Elibio et AS2N : Noelle, Jean, Sylvain, Timothe et Gilles.
Et bien sr, jen ai une autre pour les "jeunes" regroupant les doctorants, ingnieurs et
stagiaires qui ont partag mon quotidien : Filippo, Jean-Baptiste, Matthieu, Franois, Adeline,
Billel, Vinh, Youssef, Florian, Gwendal, Thotime, Rmi, Olivia, Agostino, Nicolas, Guillaume.
Mes remerciements vont aussi mon pouse Marion ainsi qu ma mre Catherine et mes
frres Tarik et Maroine qui mont soutenu moralement durant ces trois ans.
Enfin je souhaiterais ddier ce manuscrit de thse la mmoire de mon pre Kamal QUOTB,
docteur en lectronique, qui nous as quitt au tout dbut de cette thse et dont le souvenir et
lamour restera tout jamais grav en moi. Merci toi papa.
ii
Rsum
Rsum
Lintraction entre la biologie et llectronique est une discpline en pleine essort. De nombreux systmes lectroniques tentent de sinterconnecter avec des tissus ou des cellules vivantes
afin de dcoder linformation biologique. Le Potentiel daction (PA) est au coeur de codage
biologique et par consquent il est ncssaire de pouvoir les reprer sur tout type de signal biologique. Par consquent, nous tudions dans ce manuscrit la possibilit de concevoir un circuit
lectronique coupl un systme de microlectrodes capable deffectuer une acquisition, une
dtection des PAs et un enregistrement des signaux biologiques. Que ce soit en milieu bruit
ou non, nous considrons le taux de dtection de PA et la contrainte de temps rel comme
des notions primordiales et la consommation en silicium comme un prix payer. Initialement
dvelopps pour ltude de signaux neuronaux et pancratiques, ces systmes conviennent parfaitement pour dautres type de cellules.
Mots cls
transforme en ondelettes, dtection par seuillage, potentiel daction, dtection de spike, temps
rel, Ilots de Langherans, FPGA, microlectrodes, ASIC.
iii
iv
Abstract
Abstract
Interaction between biology and electronic is in expansion. Many electronic systems are
trying to interconnect with tissues or living cells to decode biological information. The Action
Potential (AP) is the heart of biological coding and therefore it is necessary to be able to locate
it from any type of biological signal. Therefore, we study in this manuscript the possibility of
designing an electronic circuit coupled to microelectrodes capable of acquisition, detection of
PAs and recording of biological signals. Whether or not in a noisy environment, we consider the
detection rate of PA and the real time-computing constraint as an hard specificationand and
silicon area as a price to pay. Initially developed for the study of neural signals and pancreatic,
these systems are ideal for other types of cells.
Key words
wavelet transform, threshold detection, action potential, spike detection, real-time processing,
Langherans Islets, FPGA, microelectrodes, ASIC.
vi
Abrvations
vii
viii
Introduction
I
xiii
Le vivant
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1
Anatomie du SNC . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2
1.1.3
Le neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
La rgulation de la glycmie . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Le diabte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Linterface Homme-Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1
2.1
2.2
HYRENE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.2
HY-BIOPACS . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Interfaces invasives . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2
Interfaces non-invasives. . . . . . . . . . . . . . . . . . . . . . . 16
2.2.3
2.2.4
ix
3.1
3.2
Le seuil fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.2
Le seuil adaptatif . . . . . . . . . . . . . . . . . . . . . . . . . . 25
II Structure du systme
1
Lanalyse de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.2
1.3
Stratgie de dtection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Matriels et mthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2
Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
33
57
Outils utiliss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1.2
2.2
2.3
Module de seuillage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.1
3.2
3.3
Modules dacquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1
4.2
Lacquisition on-line . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Interfaces utilisateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.1
5.2
5.3
IV Expriences et rsultats
1
NeuroBetaMed_Rs232 . . . . . .
1.1
Prsentation . . . . . . . .
1.2
Rsultats . . . . . . . . .
1.3
Discussion et perspectives
2
NeuroBetaMed . . . . . . . . . .
2.1
Prsentation . . . . . . . .
2.2
Rsultats . . . . . . . . .
2.3
Discussion et perspectives
3
NeuroBetaMed_XL . . . . . . . .
3.1
Prsentation . . . . . . . .
3.2
Rsultats . . . . . . . . .
3.3
Discussion et perspectives
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Conclusion gnrale
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
83
83
83
85
87
90
90
91
96
96
96
98
106
107
Annexe 1
111
1
Coefficients des filtres repsentant les ondelettes mres . . . . . . . . . . . . . . 111
2
Coefficients du filtre de londelette haar pour la SWT . . . . . . . . . . . . . . . 112
Rfrences bibliographiques de lauteur
Rfrences bibliographiques
113
115
xi
xii
Introduction
Linteraction entre llectronique et le vivant est une notion faisant penser instinctivement
au domaine de la science-fiction. Elle veille en nous un imaginaire dans lequel les Hommes
sont bards dimplants destins lamlioration de leur qualit de vie. Aujourdhui, la ralit
rejoint petit petit la science-fiction, et dj sans sen rendre compte, de nombreux implants
lectroniques sont largement utiliss en vue damliorer notre vie (pacemaker, prothses auditives etc..). Afin de concevoir les prochaines gnrations dimplants, de nombreuses quipes
de recherche dont Elibio, notre quipe daccueil pour nos travaux de recherches, sintressent
la comprhension et lanalyse des signaux lectriques transitant au sein du corps Humain.
En effet, un dcodage de linformation provenant des communications lectriques des cellules
vivantes pourrait amorcer lavnement de nouvelles gnrations de prothses destines pallier des handicaps tels que la ccit, la paralysie ou le diabte. Les scientifiques du domaine
du vivant saccordent sur le fait quune tape importante dans ce processus est la mesure des
changes dinflux entre les cellules, que lon appelle Potentiel dAction (PA). En retour, aprs
dcodage de linformation des PAs, il serait possible de stimuler lectriquement ou chimiquement ces mmes cellules ou dautres. Cependant, les rsultats de ces mthodes de dtection
ne sont pas encore probants et des avances significatives peuvent tre encore ralises pour
reproduire ou pallier une fonction donne.
Il est difficile de mesurer de faon prcise ces influx lectriques sans avoir recours des processus complexes. Par consquent, lide est apparue de crer des implants mesurant lactivit
lectrique directement au contact mme dune ou plusieurs cellules vivantes. La principale tche
de ces implants sera de mesurer, denregistrer, de dtecter et de traiter les PAs en perturbant
au minimum les cellules vivantes. Une premire tape est de proposer un systme dacquisition du signal permettant denregistrer lactivit lectrique de plusieurs centaines de cellules
laide de microlectrodes. Les lectrodes seront couples un circuit lectronique traitant et
transmettant le signal afin de commander un module de contrle externe (pompe insuline) ou
xiii
Chapitre . Introduction
interne (circuit de stimulation lectrique). Notre objectif terme est de raliser un tel systme
dans le cadre de collaborations entre Elibio et des units de recherche en biologie. Le contexte
de ce projet est donc interdisciplinaire avec une forte implication des biologistes et medecins
dans ltablissement du cahier des charges et la validation de notre systme.
La mesure du signal biologique par le biais des microlectrodes est donc un point crucial de
notre tude car le reste de lanalyse dpend entirement de cette acquisition. Si cette mesure
est mal effectue, quelle interfre ou pire encore perturbe le signal acquis, les calculs situs en
aval seront errons. Par consquent, une attention toute particulire sera donne au choix des
mthodes dacquisition du signal. Lenregistrement des donnes brutes mais aussi des donnes
ayant servi lanalyse du signal nous permettra de valider postriori, les diffrentes analyses
effectues. Dans un mme temps, ces donnes seront utilises pour complter des bases de
donnes partages avec dautres chercheurs.
Dans ce manuscrit, nous proposons donc un moyen fiable de mesurer, denregistrer et de
traiter un signal contenant des PAs afin den dduire le message biologique. Le but sera double :
dune part notre circuit compltera les fonctions proposes par les diffrents logiciels dacquisition de signaux biologiques quils vhiculent ; dautre part, il sera, intgrable sur silicium afin
de proposer aux biologistes des applications autonomes et embarques. Par consquent, les
contraintes temps rel ainsi que la consommation en ressources sont deux lments sur lesquels
notre attention sera porte. De plus, tant ddi ltude de signaux biologiques en gnral,
le circuit sera reconfigurable souhait afin de sadapter tout type de signal. Enfin, pour des
tudes long terme effectues par des biologistes, nous dvelopperons une interface utilisateur
qui devra tre aussi intuitive que possible, afin de faciliter lutilisation du systme lectronique
par des usagers non avertis cette discipline (biologistes).
Cet ouvrage sarticule en quatre chapitres de description des travaux raliss, aprs un
premier chapitre dentre en matire sur le sujet.
Plus particulirement, le premier chapitre sintresse aux systmes de microlectrodes qui
constituent le coeur des interactions entre llectronique et le vivant. Il prsente galement les
notions minimales de biologie, ncessaires la comprhension de la problmatique laquelle
nous avons t confronte. Une partie du chapitre est consacre lexplication des phnomnes
biologiques au sein du systme nerveux central et du pancras. Ensuite nous avons introduit
les diffrents types dinterfaces permettant dextraire les signaux biologiques, avant dexpliquer
le rle de llectronique dans le traitement du signal extrait des microlectrodes, en particulier
les diffrentes mthodes dextraction des PAs.
Dans un second chapitre, nous nous intressons et dtaillons les diffrentes structures retenues pour effectuer la dtection des PAs. Au-del de la simple prsentation, nous nous attachons
xiv
identifier une structure de dtection prsentant les meilleures caractristiques en vue dune
implmentation matrielle. Pour cela, nous avons simul sous MATLAB les diffrents modles
existants afin den retenir un ayant un taux de dtection de PAs correct en milieu bruit mais
aussi une implmentation matrielle optimale. Enfin, nous prsentons lenvironnement ncessaire lutilisation du systme de dtection par un utilisateur extrieur.
En troisime partie, nous nous plaons au coeur de limplmentation matrielle du systme.
Ce chapitre est pour nous loccasion de dtailler le fonctionnement du circuit de dtection ainsi
que les diffrentes technologies que nous avons utilis pour le raliser. Nous nous sommes notamment attachs tre particulirement vigilant sur certaines caractristiques : le temps rel,
loccupation spatiale et mmoire, les interfaces utilisateurs et le cot matriel de limplmentation.
Enfin, dans un quatrime et dernier chapitre, nous prsentons les quatre versions du systme
ayant t conues au cours de cette thse. Nous nous attachons les dtailler et prsenter les
rsultats de deux types de tests effectus avec la validation permanente des biologistes ; partir
denregistrement de signaux biologiques et sur tissus vivants en conditions exprimentales.
La conclusion de cet ouvrage prsentera une valuation du travail restant afin dexploiter
au mieux la future gnration de systme de dtection dont nous avons dj commenc la ralisation. Enfin nous pourrons nous laisser aller une discussion sur les perspectives quouvrent
ces travaux.
xv
Chapitre . Introduction
xvi
Chapitre I
Systmes de microlectrodes - Au coeur des
interactions entre llectronique et le vivant
Le principal objectif de cette thse est la conception dun systme dacquisition et de dtection de signaux biologiques. Ceci confre notre sujet un caractre interdisciplinaire nous
poussant prsenter dune part la partie lectronique lie notre expertise fondamentale et
dautre part, la partie biologie du vivant aborde grce la littrature ou aux changes avec
des biologistes et des mdecins. Ainsi, en fonction des caractristiques et des besoins du vivant, llectronique sadapte et non linverse. Do lintrt de bien cerner les caractristiques
physiologiques, fonctionnelles et structurelles des diffrents lments du vivant que nous allons
manipuler avant de les interfacer avec llectronique.
Par consquent, nous nous intresserons dans ce chapitre une caractrisation du vivant
dun point de vue anatomique, physiologique et lectrique dans le strict cadre des applications
que nous visons. Nous illustrerons ensuite la question des interfaces biolectroniques avec des
exemples concrets de signaux biologiques provenant de ces interfaces. Enfin, nous aborderons
laspect lectronique et systme de nos travaux avec la prsentation des principales structures
dacquisition et de dtection de signaux biologiques que nous avons conus.
Le vivant
Parler du "vivant" est un concept gnral puisque ce terme recouvre les animaux, les plantes
etc... Cest pourquoi dans cette partie, nous allons prciser notre pense en dtaillant les diffrentes "matires" vivantes sur lesquelles nous souhaitons mesurer des signaux lectriques biologiques. A titre dexemple, la figure I.1 propose un aperu de la localisation et de la plage de
tension/frquence de certains signaux lectriques mesurables dans le corps humain.
On peut noter ainsi lexistence de plusieurs types de signaux dont :
Figure I.1 A) Localisation des principaux signaux lectriques du corps humain. ECG
(lectrocardiogrammes), EMG (lectromyogrammes), PAs (potentiels dactions), LFPs (local field potentials)
B) Plage de tension/frquence des principaux signaux lectriques du corps
humain.
Ces signaux reprsentent une activit lectrique provenant de cellules ou dorganes reprsentatrice des nombreuses fonctionnalits du corps humain. Selon les mthodes denregistrement
ou la nature mme de lobjet vivant tudi, lactivit lectrique dune cellule vivante diffre.
Le signal biologique peut tre compos de PA isols ou presque (mesure dun seul ou un petit
groupe de neurone), compos dun trs grand nombre de sources plutt asynchrones (EMG,
LFP, EEG) ou compos de PAs synchroniss souvent nomms "composs" (ECG, PAs pancratique et neuronaux).
I.1 Le vivant
1.1
Contrairement la pense antique o le cur tait le centre de toutes les motions, ractions
et penses humaine, Hippocrate le premier, sans avoir dmontr le fonctionnement du SNC en
avait compris tout son sens et son utilit.
1.1.1
Anatomie du SNC
Le SNC est la partie centrale et primordiale de toute activit animale ; dun point de vue
anatomique il ne se rsout pas seulement au cerveau. Il se compose de lencphale (cerveau,
cervelet et tronc crbral) ainsi que de la moelle pinire et de ses terminaisons nerveuses (dont
les terminaisons motrices) plongs dans le liquide cphalorachidien (figure I.2). Le SNC est reli
au reste du corps par le SNP (systme nerveux priphrique) dont la fonction principale est de
faire circuler linformation entre les organes et le SNC.
Le cerveau possde deux hmisphres entours dune couche extrieure appel cortex crbral. Le tronc crbral est une zone de transit, dchange et de relais entre le cerveau et la
moelle pinire. Il est le carrefour entre les voies de communication ascendantes (moelle cortex) et descendantes (cortex moelle). Les premires voies ont la possibilit de senrichir, en
passant par le tronc crbral, des fibres qui proviennent des noyaux sensitifs des nerfs crniens.
Les secondes voies senrichissent des voies extrapyramidales cest--dire de la motricit non volontaire. La moelle pinire est quant elle le lieu de transmission des messages nerveux entre
le cerveau et le reste du corps par le biais de ses terminaisons nerveuses. Elle contient aussi des
circuits neuronaux indpendants qui contrlent un certain nombre de rflexes essentiels la vie
(respiration, battement du coeur etc.).
1.1.2
I.1 Le vivant
1.1.3
Le neurone
Dun point de vue physiologique plusieurs types de neurone existent selon la fonction ou la
forme spatiale de ce dernier ; la figure I.4 montre un neurone typique et dcrit ses principales
composantes. Chaque neurone est dlimit par une membrane cellulaire qui le protge et permet
de rguler les flux entrants et sortants dlectrolytes (ions sodium (Na+) et potassium (K+)
entre autres). Au repos, les ions sodium sont plus concentrs lextrieur de la membrane alors
que les ions potassium sont plus concentrs lintrieur de la membrane. Lors dune stimulation
de cette dernire, les ions sodium la traversent au voisinage de la stimulation et se propagent
le long de la membrane. Ces flux de part et dautre de la membrane engendrent une activit
lectrique dont le potentiel daction (PA) est la base. La partie centrale du neurone, appele
soma, collecte les stimulations nerveuses en provenance des synapses, via ses dendrites. Lorsque
la stimulation dpasse un certain seuil, le soma gnre un potentiel daction qui va se propager le long de laxone protg gnralement par une gaine de myline jusquaux terminaisons
synaptiques qui assurent la connexion entre les neurones ([Tritsch et al., 1998]).
et : priode rfractaire
I.1 Le vivant
1.2
La rgulation de la glycmie
Le pancras est un organe abdominal situ derrire lestomac, devant et au-dessus des reins.
Il a pour particularit de secrter des enzymes destination du tube digestif (fonction exocrine)
contribuant la digestion et la synthse des hormones (insuline, glucagon, somatostatine,
polypeptide pancratique) libres dans la circulation sanguine (fonction endocrine). Cette
fonction endocrine est dvolue des lots de cellules spciales dissmins au sein du pancras,
les lots de Langerhans composs de diffrents types de cellules :
Les
Les
Les
Les
cellules
cellules
cellules
cellules
1.3
Le diabte
Linterface Homme-Machine
Lactivit dune cellule vivante est de notre point de vue une activit lectrique. Et comme
toute activit il nous faut la mesurer. Pour cela, nous utilisons gnralement multimtres,
oscilloscopes etc., or ce genre de matriel nest pas du tout adapt pour une tude sur un matriel
biologique. Par consquent, il faut donc trouver des interfaces que lon appellera interfaces
biolectroniques capables daller capter le signal lectrique. Dans cette partie nous allons essayer
de comprendre pourquoi ce besoin dinterface est-il si important ? Nous verrons diffrents types
dinterfaces ainsi que des exemples denregistrements dactivits lectriques des cellules vivantes.
2.1
HYRENE
HYRENE (HYbridation de REseaux de NEurones pour lexploration de fonctions de rhabilitation) a t lanc dbut 2011 et doit se poursuivre jusqu fin 2014. Il sagit dun projet de
recherche fondamentale visant dvelopper de nouvelles technologies de communication hybride
entre rseaux de neurones vivants et rseaux de neurones artificiels lectroniques. Lambition
particulire de ce projet est de parvenir coupler un organe entier (moelle pinire de souris)
un rseau de neurones artificiel (RNA), avec pour objectif de rtablir une activit fonctionnelle
de lorgane lorsque celui-ci a subi une lsion. A plus long terme, les concepts mis en place dans
le cadre de ce projet permettront de dvelopper des interfaces neurolectroniques "intelligentes"
des fins de rhabilitation fonctionnelle. La figure I.8A reprsente le protocole dhybridation
vis par le projet.
Afin de rtablir la transmission dune commande motrice provenant des centres supraspinaux (tronc crbral) vers les rseaux locomoteurs lombaires, une stimulation dans le tronc
crbral est effectue. Ceci a pour effet dinitier une commande supraspinale descendante qui va
engendrer une activit locomotrice au niveau lombaire de la moelle pinire. Ensuite le signal
lectrique de la commande supraspinale est rcupr au niveau de la matrice de microlectrodes
1 (MEA1) et trait par le rseaux de neurones (RNA) et ses interfaces de communications (un
MEA est un ensemble dlectrodes extra-cellulaires mesurant une tension par couplage). Selon
la sortie du RNA plac entre les matrices MEA1 et MEA2, une stimulation lectrique sera
effectue au niveau de la matrice MEA2 vers les rseaux locomoteurs lombaires.
10
Ce projet se droule en coopration entre trois laboratoires : lIMS (Laboratoire de lIntgration du matriaux et des Systmes, UMR 5218) qui soccupe de la partie lectronique du
projet et qui est hte de cette thse, lINCIA (Institut de Neurosciences Cognitives et Intgratives dAquitaine, UMR 5287) qui soccupe des aspects biologique et physiologique du projet
et lESYCOM (Laboratoire dElectronique, Systmes de Communication et Microsystmes, EA
2552) soccupant de la mise au point des matrices de microlectrodes 3D.
La rle de lquipe ELIBIO se situe au niveau du RNA et de ses interfaces de communication.
Le schma interface homme-machine dvelopp par notre quipe est prsent en figure I.8B.
Le signal lectrique mesur sur les cellules de la moelle pinire est acquis puis amplifi grce
un LNA (Low Noise Amplifier) pour tre ensuite filtr dune part par un filtre passe-bas
afin de visualiser les PAs et dautre part un filtre passe-haut pour observer les LFPs. Enfin
linformation de dtection de PA ou denveloppe de LFP est envoye en temps rel au RNA
afin de procder la stimulation des fonctions motrices.
Lobjectif final de ce projet est bien entendu de comprendre les modalits de restauration
dune activit fonctionnelle dans un rseau spinal ls. Mais, dun point de vue technique,
nous dveloppons de nouvelles mthodes de traitement du signal biologique en temps rel, des
matrices MEAs optimises pour la stimulation localise, des neurones in-silico interconnects
avec un rseau de neurones vivant ainsi que de nouvelles mthodes de stimulation intra-spinale.
Les travaux de cette thse dans ce projet se situent au niveau de la partie dtection des PAs
et commande du RNA.
2.1.2
HY-BIOPACS
11
12
sang.
Ce projet se droule en coopration entre trois laboratoires : lIECB (Institut Europen
de Chimie et Biologie, UMR5248) dont la tche est de raliser des prparations biologiques et
denregistrer des cellules pancratiques sur des interfaces de microlectrode (MEAs), lIMS qui
dveloppe des algorithmes et des circuits de traitement des signaux cellulaires pour la dtection
des potentiels daction et de dcodage du besoin dinsuline et enfin Aquitaine Valo (service de
valorisation de la recherche du Ple de Recherche et dEnseignement Suprieur (PRES) "Universit de Bordeaux") dont le rle est de soccuper de laspect valorisation et de la protection
des interts du projet .
Ces deux projets sont la gense de cette thse et nous prouvent quel point lacquisition
du signal biologique ainsi que le traitement de ce dernier sont des actions cruciales. Une rhabilitation ou un contrle de certaines fonctions du corps humain ncessitent une acquisition suivie
dun traitement du signal ad-hoc afin de prendre une dcision adapte. Dans les applications
que nous traitons, les rseaux de multi lectrodes sont les premiers lmens du lien HommeMachine. Dans la partie suivante, nous allons voir les diffrents types de microlectrodes ainsi
que les consquences de leur utilisation sur le tissu biologique et sur la mesure de son activit
lectrique.
2.2
Une interface biolectronique est une interface qui va venir mesurer lactivit lectrique dun
organisme vivant et/ou stimuler ce dernier. Deux grandes catgories dinterface existent : les
interfaces invasives destines enregistrer des signaux lectriques au sein mme du cerveau ou
dun muscle et les interfaces non-invasives venant se placer autour de lendroit tudier. Le
panel dinterfaces en interaction avec le vivant est si large que nous ne pouvons pas en faire une
description exhaustive mais nous allons en voir les principales techniques et matriels pour les
interfaces invasives.
2.2.1
Interfaces invasives
La figure I.9 reprsente les principaux types dinterface invasives que lon retrouve lors
dexpriences in vivo (sur animal vivant), ex vivo (sur organe prlev) et in vitro (sur culture
cellulaire). Dans cette partie, nous allons faire une description des principales interfaces invasives.
13
MEMS en fourchette
La technique du patch-clamp utilise une micropipette de verre afin denregistrer la diffrence
de potentiel due aux courants ioniques transitant travers les membranes cellulaires des cellules
excitables. Cette technique est gnralement utlis dans le cas de prparations in vitro. La
pointe effile dune micropipette de verre est mise en contact troit avec un trs petit morceau
de la membrane cellulaire. Avec une lgre succion, la membrane se scelle hermtiquement
lextrmit de la pipette et permet lutilisateur de mesurer les changes ioniques travers
la membrane. Tout ion qui sort de la membrane au niveau de la pipette entre dans cette
dernire et gnre un courant lectrique ([Speier and Rupnik, 2003]). Cette mthode permet
donc denregistrer des signaux que lon qualifie de signaux intra-cellulaires car ils sont mesurs
entre lintrieur et lextrieur de la cellule.
Les MEMS (Micro Electro Mechanical Sensor) sont la deuxime grande famille dinterfaces
invasives utilises. On les retrouve la plupart du temps dans des expriences ex vivo et in
vivo. Contrairement au patch-clamp qui ncessite une trs grande prcision afin de se placer
la surface de la membrane, lutilisation des MEMS ne requiert pas une telle prcision. Il
suffit de positionner le MEMS lendroit de lexprimentation et de lenfoncer dans le tissu
afin de commencer lenregistrement des signaux extra-cellulaires (autour de la cellule). Les
MEMS se dclinent suivant un systme de microlectrodes (fig I.9.A) ou suivant des fourchettes
(figure I.9.B). En ce qui concerne la stimulation, le systme DBS (Deep Brain Stimulation)
est trs rpandu ([Benazzouz, 2004], [Bootin, 2006], [Coffey, 2009],[Kolbl et al., 2010]) dans
la thrapie de la maladie de Parkinson. En effet, une stimulation intra-cranienne du Noyau
Sous Thalamique (NST) permet la rduction des symptomes de tremblement et dakinsie.
Le modle lectrique pris en compte, pour des signaux avec des courants et tensions faibles,
avec de telles interfaces est prsent en figure I.10. Les microlectrodes implantables avec une
14
Figure I.10 Modle lectrique des lectrodes invasives [Harrison, 2011]. Rs, Rtissu et Rp :
Rsistance, Ce : Condensateur
petite surface ont une impdance comprise entre 50 kohm et 10 Mohm 1kHz suivant leur
matriau et lapplication. Langle de phase 1kHz est proche de -90 degr, donc les lectrodes
se comportent principalement comme des capacits avec des valeurs comprises entre 16pF et
3.2F. Les rsistances (RS + Rtissu) sont de lordre du k ([Harrison, 2011]).
Luniversit du Michigan avec lentreprise NeuroNexus ou luniversit de lUtah avec Blackrock Microsystem sont des pionniers dans le domaine de la fabrication de mono/multi microlectrodes invasives tel point quon parle de microlectrodes Michigan ou Utah ([Shulyzki
et al., 2011]). La technologie de fabrication des MEMS repose sur des lectrodes fabriques
en platine, en or ou en platine-irridium encapsules dans un matriau isolant tel que silicone,
polyimide ou le parylene etc. La diamtre et la profondeur des lectrodes est variable et se situe
entre 15 m et 50 m de diamtre et 2 mm 15 mm de profondeur ([Shulyzki et al., 2011]). Ces
lectrodes commerciales sont trs pratiques lorsquon veut faire des tests prliminaires, mais
lorsquon veut produire des systmes entirement personaliss, des lectrodes personalises sont
ncessaires ([Kato et al., 2006], [HajjHassan et al., 2008]).
Le principal avantage de ces interfaces est le fait quelles permettent denregistrer une activit lectrique de faon prcise. En localisant le capteur un certain endroit, lenregistrement
ou la stimulation dune zone de llment vivant cible devient facile avec toutefois une rsolution
limite (stimuler et enregistrer lactivit lectrique dune zone du cerveau est envisageable, mais
stimuler un neurone nest pas encore possible). De part leur taille et les bons rsultats obtenus, ce genre dinterface invasive est largement utilise et implante chez lanimal et lhomme
([Benazzouz, 2004], [Bootin, 2006], [Coffey, 2009]).
En revanche, long terme, lintroduction dun corps tranger au sein dun organisme vivant
a plusieurs consquences. La destruction des cellules vivantes lors de linsertion de linterface, la
hausse de la temprature ([Sohee et al., 2007]) de aux circuits lectroniques ou le phnomme
15
2.2.2
Interfaces non-invasives.
Comme pour les lectrodes invasives, on note aussi plusieurs types dlectrodes ; les interfaces
lectrode-tissu (figure I.11.A) ou les rseaux de microlectrodes (figure I.11.B). Ces lectrodes
mesurent des signaux extra-cellulaires.
Certains examens mdicaux ou expriences scientifiques ne peuvent pas tolrer linsertion
dune lectrode dans le tissu vivant. Cela est le cas par exemple pour la visualisation des
battements cardiaques (ECG) ou la mesure de lactivit lectrique globale du cerveau (EEG)
(figureI.11.A) o on va venir appliquer des lectrodes sur le tissu vivant (la poitrine ou la tte)
sans lendommager. Dun point de vue lectronique, on modlise ces interfaces de la mme
manire que dans la figure I.10. La seule diffrence se situe au niveau des valeurs des rsistances
et des capacits (CE=60 nF, RS=7 ohm, Rp =210 kohm, R tissu=1.7kohm) ([Harrison, 2011]).
Compar aux lectrodes invasives, les effets capacitifs et rsistifs sont beaucoup plus importants,
ce qui va causer une dformation et une attnuation du signal beaucoup plus importante. Ce
genre dlectrode est utilise pour des signaux damplitude leve (ECG) ou des signaux o
seule la notion denveloppe est importante (EEG).
Lautre type dinterface non-invasive concerne les rseaux de multi-lectrodes ou Micro
Electrode Arrays (MEAs) utilises dans de nombreuses expriences in vivo ou in vitro (Un MEA
est une matrice contenant L l lectrodes planaires (6 6, 8 8, 60 60 etc.) avec un diamtre
16
dlectrode compris entre 10 et 30 m). Dans le cadre de mesures in vivo, on trouve ce types
dlectrodes non-invasives dans diffrents projets concernant par exemple les travaux sur les
prothses de rtine ([Ahuja et al., 2010]). Le but est dutiliser des MEAs avec des rcepteurs
de lumire (type photodiode) et ensuite stimuler lectriquement la rtine ou le cerveau avec les
lectrodes. Plusieurs laboratoires nottamment amricains se sont lancs dans ces applications
(USC/Caltech/UCSC-SSMP, Retina Implant GmBH, Intelligent Medical Implants etc...). Ce
genre dlectrode est utilis dans le programme de recherche HYRENE o des MEAs 3D ont
t insrs dans des moelles pinires de souris afin dextraire lactivit locomotrice circulant
dans la moelle.
Au del de lutilisation des MEAs non invasifs sur des expriences in vivo, on retrouve
trs souvent ce genre dinterface sur des expriences in vitro ([Gullo et al., 2009], [Maccione
et al., 2009], [Nam and Wheeler, 2011]). Les interfaces utilises pendant cette thse ont t
acquises auprs de lentreprise Multi Channel Systems (MCS) et les caractristiques techniques
sont prsentes dans la figure I.11.B et sont utilises dans le programme de recherche HYBIOPACS. Le choix de cultiver deux types de cellules pancratiques (primaires et clonales) a
t adopt afin dtudier les phnommes biologiques. La grande diffrence entre ces deux types
de cellules est le fait que dans une prparation primaire tous les composants cellulaires dun
lot de Langerhans sont actifs (cellule alpha, cellule bta, cellule delta et cellule polypeptidique)
alors que dans les prparations clonales seul un type de composant cellulaire est actif.
2.2.3
Dans le cadre du projet Hy-BIOPACS, la mise en culture des cellules primaires sur MEA
ncessite un processus long et rigoureux qui est prsent en annexe. Afin de mieux apprhender
les contraintes et les procds utiliss par les biologistes, nous avons particip ces prparations
que nous illustrons ici. Les figures I.12 et I.13 reprsentent les grandes tapes du processus de
prparation des MEAs. Le pancras dune souris ou dun rat est extrait de manire chirurgicale
suivant un protocole bien prcis conforme aux rgles en vigueur sur la dissction danimaux en
laboratoire.
La premire tape consiste asphyxier le rat grce un mlange de glace carbonique et
dthanol afin de le sacrifier.
La peau abdominale est ensuite retire afin de faire apparaitre les diffrents organes du rat
(figure I.12A). Le pancras est situ sous lestomac et le foie. Nous allons donc dplacer
le foie afin de faire apparaitre le canal choldoque qui transporte la bile depuis le foie vers
17
18
Systme abdominal du rat, B) Etat du pancras avant linjection de collagnase, C) Etat du pancras aprs linjection de collagnase, D) Pancras
isol
19
2.2.4
La mesure dun phnomne lectrique rvle systmatiquement un bruit brouillant et pouvant mme aller jusqu couvrir le signal utile. Les sources de bruit peuvent tre classes en deux
grandes catgories : le bruit que lon appelle lectronique et le bruit issu de lenvironnement.
Le bruit lectronique est d aux dispositifs de mesure implants, en dautre terme linterface biolectronique est la source de bruit concern. Il y a tout dabord le bruit thermique
20
engendr par les composants lectroniques sur llectrode qui vont, du fait de leur fonctionnement, augmenter la temprature dans le tissu vivant et modifier le signal biologique. Si un
pr-amplificateur est plac sur llectrode (ce qui est le cas dans la majorit des cas), ce bruit
est accentu. Ensuite, on peut noter le bruit lectrique caus par les lectrodes de mesure. Et
enfin, il y a le bruit electromagntique engendr par les liaisons RF, la prsence dun tlephone
portable etc..
La seconde catgorie de source de bruit, sur laquelle le concepteur na pas ou peu de contrle,
est principalement constitue par le bruit provenant des autres entits situes dans le milieu de
mesure. En ce qui concerne les neurones, du fait de leur taille, les lectrodes de mesure in vivo
actuellement sur le march ne permettent pas encore de mesurer le signal dun seul et unique
neurone, on doit mesurer le signal de la population dune zone autour de llectrode. Or ce
milieu est affect par des potentiels de champs (LFP) de mme que par les potentiels daction
des neurones plus loigns dont la rponse est affaiblie mais tout de mme mesurable.
De manire gnrale, en ce qui concerne le niveau de bruit, les mesures faites de faon
intra-cellulaire comportent beaucoup moins de bruit que les mesures faites grce des lectrodes extra-cellulaires. Cela sexplique principalement par le fait que ce type dlectrode se
situe beaucoup plus prs de la cellule tudier. En ce qui concerne la faisabilit et la reproductibilit, les mesures extra-cellulaires sont beaucoup plus pertinentes. Ainsi en fonction de
lutilisation, lutilisateur devra valuer la meilleur mthode dinterfaage biolectronique. Lhypothse formule est que laddition de ces deux bruits peut tre approxime comme tant un
bruit blanc gaussien [Harrison, 2003].
Lors de cette thse nous avons pu ctoyer les deux types dinterfaces. Dans le projet HYRENE, la mthode privilgie a t la fabrication dinterfaces invasives afin de stimuler le tissu
vivant. En effet, plonger une lectrode au sein de la moelle pinire nous permet de stimuler le
tissu sur une plus grande surface et ainsi trouver le meilleur endroit et la meilleure profondeur
de stimulation. En ce qui concerne le projet HY-BIOPACS, les interfaces invasives ont tout
de suite t cartes car la texture du pancras (figure I.12D) nest pas du tout adapte ce
type dinterface. Ainsi la culture in vitro avec des MEAs non-invasifs nous a permis de rpter
un nombre important de fois nos expriences afin de tester nos circuits sur diffrents types de
cellule pancratiques (primaires et clonales). Un exemple de signal neuronal extrait de la moelle
pinire de souris ainsi quun signal pancratique de cellule clonale sont prsents en figure I.14.
21
22
Figure I.15 Mthodes de seuillage : A) Mthode par seuillage brut, B) Mthode par
23
3.1
Dans cette mthode, le seul degr de libert laiss lutilisateur est le calcul du seuil auquel
le signal est compar. Le principal objectif est de fixer le seuil de manire ce quil se trouve
au-dessus du bruit du signal sans tre ni trop haut, ni trop bas afin de ne pas dtecter du bruit.
Le schma structurel de cette mthode est prsent en figure I.15A. Le seuil est calcul puis est
compar au signal dentre biologique. Plusieurs implmentations matrielles sont envisageables.
3.1.1
Le seuil fixe
La premire solution est de positionner manuellement un seuil qui sera fixe. Il faut donc une
priode assez longue afin de visualiser et denregistrer le signal avant de rgler manuellement
le seuil afin de le fixer au-dessus du bruit. Cette mthode est largement rpandue dans les
laboratoires, du fait de sa simplicit dutilisation par des utilisateurs habitus aux signaux
biologiques tels que les biologistes ou des bio-ingnieurs . [Horiuchi et al., 2004] prsente un
circuit de dtection o le seuil est une simple entre en tension fixe par lutilisateur.
De par laugmentation du nombre dlectrode dans les interfaces biolectroniques ainsi que
la variabilit du signal biologique au cours du temps, fixer le seuil manuellement est une tche
fastidieuse et hasardeuse. Elle est dpendante de la sensibilit de lutilisateur et nest pas
envisageable pour des systmes embarqus et autonomes, et son tablissement ne peut donc
pas tre automatis. Il existe donc dautres mthodes, base mathmatique, pour fixer ce seuil
appel alors seuil adapt.
[Mtetwa and Smith, 2006] propose une review des diffrentes mthodes mathmatiques de
calcul de seuil adapt pour les PAs neuronaux. Sur un signal de rfrence (le "template"), une
opration mathmatique est effectue afin de calculer un seuil qui sera appliqu au signal. Parmi
elles se trouvent les oprations SSD (Sum of Square Differences) ou CONV (Convolution based
template matching). Ces mthodes ont montr de trs bons rsultats en matire de dtection
mais ont t implmentes de faon logicielle sans contrainte de temps rel et en dehors de la
chaine dacquisition du signal biologique.
Une autre mthode consiste fixer ce que [Donoho, 1995] appelle seuil universel (T ), dfini
comme suit :
v
u
N
q
u 1
X
t
(xi xi )2
(I.a)
T = 2 log(N ) avec =
N 1 i=1
O est lcart type (ou le niveau de bruit estim), xi est le signal brut chantillonn et N
le nombre dchantillons du signal dentre. Dans son quation Donoho utilise le fait quun bruit
blanc gaussien peut tre entirement dcrit par son cart type (). Or, comme nous avons pu le
24
voir dans la partie prcdente, le bruit provenant des signaux neuronaux ou pancratiques peut
tre assimil un bruit blanc Gaussien. En partant de ce fait, on peut en dduire quil suffit
de calculer lcart type du bruit afin de calculer le seuil adapt T . Pour une implmentation
en analogique [Harrison, 2003] a simplifi la formule du seuil universel de Donoho en laissant
lutilisateur le choix du coefficient de multiplication (K) afin de rgler le seuil plus ou moins
prs du niveau de bruit.
T = K
(I.b)
Avec cette mthode, il suffit de calculer lcart type du signal et ainsi avoir une approximation
du niveau de bruit et du seuil appliquer au signal biologique. Cette technique est utilise par
les outils logiciels dacquisition de signaux biologiques (type MCS). En slectionnant une partie
du signal o il ny a pas de PA (afin de ne pas corrompre le calcul de lcart type du bruit),
les logiciels calculent lcart type selon la formule en equation I.a. Ensuite il faut prciser le
coefficient K afin de se situer juste au-dessus du bruit. Par la suite le seuil est considr comme
fix.
Mais, comme la vie, un signal biologique nest pas un long fleuve tranquille. Un mouvement,
une onde radio ou de tlphone, les lectrodes elles-mmes peuvent amener une variation lente
du signal ou une lvation du niveau de bruit qui va venir faire annuler tous les efforts dploys
menant ltablissement du seuil. En effet, un seuil adapt ou un seuil valu manuellement,
ne sont pas du tout robustes pour extraire des PAs dans un milieu bruit ou instable comme
peuvent ltre les signaux vivants.
Par consquent, il faut considrer un seuil qui va venir suivre ces variations en temps rel
afin de rester en toute circonstance au dessus du niveau de bruit.
3.1.2
Le seuil adaptatif
Le seuil adaptatif est un seuil adapt dont la valeur va tre actualise afin de suivre en
continu les variations de bruit du signal source. Pour cela, un moyen est de calculer sa valeur
moyenne ou son cart type en temps rel (afin de caractriser en permanence le signal dentre).
Une solution est dutiliser les formules gnrales de Vrms et , sur des fentres temporelles
glissantes qui vont calculer intervalle rgulier la valeur moyenne ou lcart type. Ces fentres
doivent dune part tre assez longues pour produire un calcul significatif mais aussi dautre part
assez courtes afin de suivre rapidement la variation du signal dentre.
- [Barati and Sodagar, 2011] propose un systme discret utilisant la valeur Vrms ainsi que
la valeur moyenne du signal afin de calculer son seuil Tbar qui est dcrit suivant lquation
25
hauteur FWHM.
(I.c)
F W HM
q
2 2 ln(2)
(I.d)
Sur une fentre fixe, une distribution normale du signal est effectue et la largeur mihauteur en est extraite . Il ne reste plus qu fixer le bon coefficient multiplicateur pour en
dduire le seuil. En utilisant plusieurs fentres fixes que lon dcalera dans le temps, on pourra
recommencer ce calcul et obtenir un seuil qui va venir sadapter en temps rel (le temps rel
26
27
28
3.2
Cette partie sera axe sur la description des diffrentes mthodes utilisant le principe dcrit
dans la figure I.15B. Le principal objectif est deffectuer un pr-traitement rendant le signal
plus sujet un seuillage. [Obeid, 2007] a effectu un tat de lart des principaux dtecteurs
et en a dduit quun tage de pr-traitement avant le seuillage amliore les performances de
dtection de faon significative. Ainsi le seuillage en milieu trs bruit devient comme, nous
allons le voir, un dfi ralisable.
La transforme la plus simple consiste calculer la valeur absolue du signal. Ce type de
calcul permet davoir une dtection correcte sur des signaux peu bruits.
[Mukhopadhyay and Ray, 1998], [Obeid, 2007], [Moo Sung et al., 2008], [Drolet et al., 2011]
prsentent lutilisation du pr-traitement TEO (Teager Energy Operator) dfini par lquation
I.e.
T EO [x(n)] = x2 (n) x(n + 1) x(n 1)
(I.e)
O x[n] reprsente lchantillon provenant du signal dentre biologique et T EO [x(n)] reprsente la sortie du calcul du TEO. La principale fonction du TEO est de faire ressortir les
PAs du bruit en amplitude et en frquence. En terme defficacit, lutilisation du TEO apporte
une amlioration considrable par rapport au simple seuillage sur signal brut ou celui utilisant
la valeur absolue mais reste encore insuffisant pour des signaux trs bruits. En terme dutilisation, on trouve des TEO implments en analogique ([Gosselin and Sawan, 2009]) et numrique
([Drolet et al., 2011]) avec des cots en surface silicium compatibles pour limplmentation
embarque.
A un autre niveau en terme defficacit de dtection en milieu trs bruit, on trouve la
transforme en ondelettes (ou "wavelet transform"). A lorigine dveloppe pour la compression
dimage ou ltude des secousses sismiques, on retrouve maintenant cette mthode de traitement
dans le milieu biomdical. Les transformes en ondelettes sont utilises dans la littrature de
ce domaine de recherche pour deux principales applications : la compression du signal et la
dtection des PAs.
[Unser and Aldroubi, 1996] prsente un rcapitulatif des diffrentes applications biomdicales de la transforme en ondelettes. Ainsi, on les trouve dans ltude des signaux obtenus par
phonocardiographie (tude des ondes sonore provenant des battements du cur), lectrocardiographie (ECG), lectroencphalographie (EEG) ou pour des images biomdicales ([Khadra
et al., 1993], [Dickhaus et al., 1994]). En ce qui concerne ces signaux, le taux de dtection des
PAs est suprieur celui obtenu avec les mthodes conventionnelles prsentes prcdemment.
Mais ce nest pas sur ce type de PA, de forte amplitude, que la transforme en ondelettes
29
montre tout son potentiel. Cest avec des amplitudes de lordre du V et un bruit pouvant aller
jusqu recouvrir les PAs (SNR faible) que lutilisation de la transforme en ondelettes sur des
signaux neuronaux provenant dlectrode extra-cellulaires prend tout son sens et est largement
utilise ([Swendels, 1997], [Hulata et al., 2000], [Nakatani et al., 2001], [Addison, 2002],[Folkers
et al., 2003], [Karel et al., 2005], [Lee and Kipke, 2006], [Yuning et al., 2010]). Lintert de
cette mthode rside dans sa capacit de compression et dextraction de forme dans le domaine
temps-frquence. Nous dtaillerons ces aspects dans le chapitre suivant.
En ce qui concerne les expriences o le traitement est effectu en dehors de la chane dacquisition (off-line) ([Lewicki, 1994], [Wickerhauser, 1994], [Kim and Kim, 2003], [Salmanpour
et al., 2008], [Manjunath and Ravikumar, 2010], [Quotb et al., 2011]), lutilit des ondelettes
a t explore et dmontre. Pour le traitement dans la chane dacquisition (on-line et temps
rel), les ondelettes font faces un obstacle assez consquent : elles impliquent une consommation en calcul et en mmoire trs leve. Cest pourquoi lutilisation de la transforme en
ondelettes en analogique [Gosselin et al., 2011] ou en numrique embarqu (FPGA, DSP) reste
assez rare pour les traitements temps rel.
- [Imfeld et al., 2009] et [Fei et al., 2011] ont ralis un neuroprocesseur capable de compresser
et de dtecter le signal ainsi que classer les signaux provenant dun signal neuronal sur 32
canaux mesurs en parallle. Le systme utilise une architecture appele DWT (Discrete Wavelet
Transform) afin deffectuer son pr-traitement, le seuillage est quant lui calcul manuellement
sans adaptation. Le principal rsultat de ces travaux est la dmonstration que les ondelettes
sont un outil de compression remarquable et compatible avec des systmes de transmission sans
fil. Un autre aspect intressant car non systmatique est lutilisation de vrai signaux biologiques
(non-enregistrs) dmontrant concrtement lutilisation des ondelettes on-line.
- [Yuning et al., 2010] propose un systme de dtection de signaux neuronaux utilisant
une autre architecture dondelette : SWT (Stationary Wavelet Transform) avec un seuillage
adaptatif. Les rsultats en terme de dtection sont bons mais on peut regretter que ce systme
nait pas t prvu pour etre utilis en temps rel car la partie acquisition on-line n est pas
prise en compte.
- [Gosselin et al., 2011] propose un circuit intgr analogique, dont le schma a t ralis
par lauteur lors de son stage de Master, capable de calculer une DWT (Discrete Wavelet
Transform). Ce systme de dtection est un des seuls systmes calculant une transforme en
ondelette de faon analogique et mrite dtre test. Dun autre cot, lutilisation de lanalogique
ne permet pas la configurabilit du circuit, chose qui est trs importante comme nous le verrons
par la suite.
Par consquent, du fait de leur capacit de dtection en milieu bruit, la transforme en on-
30
delettes suivie dun seuillage adaptatif semble tre une mthode optimale pour notre utilisation.
Cette technique de dtection sera appelle dans la suite de la thse dtection par ondelettes.
Comme nous lavons vu, les signaux neuronaux et pancratiques sont trs souvent trop bruits
pour quun simple seuillage soit efficace. Cette hypothse devra tre confirme par la suite,
en effet le ratio dtection/consommation devra tre suivi de prs afin dtre sr de ne pas
surdimensionner notre outil de dtection par rapport aux signaux observs.
31
32
Chapitre II
Structure du systme
"to be or not to be, that is the question ?" William Shakespeare.
Aprs avoir pris connaissance des diffrentes composantes (vivant et lectronique) qui dessinent le contour de cette thse, nous allons prsenter la structure du systme retenue pour
effectuer en temps rel une dtection de signaux biologiques en milieu bruit. Avant la phase
dimplmentation matrielle, nous devons dune part choisir les lements constitutifs de la
structure de dtection voque dans le chapitre I mais aussi dautre part les valuer afin de ne
garder que les meilleurs. Un lment sera considr comme meilleur lorsque le ratio du taux
de dtection de PAs en milieu bruit rapport la consommation de puissance et despace est
optimale.
Par consquent, nous tudierons dans un premier temps les aspects thoriques du prtraitement choisi (figure I.15B). Ensuite nous exposerons notre stratgie de dtection pour un
seuillage en temps rel. Et enfin, la dernire partie sera ddie lvaluation de notre structure
de dtection.
Les exemples applicatifs illustrant cette partie se rapportent des signaux neuronaux. Dans
un souci de concision et de clart, nous navons pas prsent les rsultats de la mme tude
mene dans le cas de signaux pancratiques, dont les principes sont les mmes que pour les
signaux neuronaux.
Le dveloppement des thories sous-jacentes la transforme en ondelettes a dbut au dbut du sicle dernier avec les recherches de Alfred Haar. Toutefois, le concept dondelette ne fut
introduit vritablement ([Flandrin, 1998]) que durant les annes 1940, par les travaux notamment de Gabor [Gabor, 1946], Grossman et Morlet [Grossmann and Morlet, 1984], Daubechies
33
[Daubechies, 1992], Meyer [Meyer and Ryan, 1993] et Mallat [Mallat, 1999]. Lappropriation
des rsultats des travaux de ces mathmaticiens par les ingnieurs et chercheurs en qute de
mthodes de traitement de signal toujours plus efficaces a entran lclosion ou lamlioration
de nombreuses applications dont plusieurs sont destines lanalyse des signaux biomdicaux.
La principale caractristique dune ondelette est son support compact, cest--dire que la
fonction dondelette est limite la fois dans les domaines du temps et de la frquence. La
fonction est donc considre comme nulle lextrieur de ce support. Cette particularit a pour
effet de localiser en temps et en frquence le rsultat de la transforme en ondelettes dun
signal. La transforme de signaux non stationnaires comportant des transitions rapides, par
exemple des potentiels daction, concentre leur nergie en quelques coefficients qui peuvent tre
vus comme la signature du potentiel daction dans le domaine transform [Unser and Aldroubi,
1996]. Le reste du signal, considr comme du bruit, est rparti de faon plutt rgulire sur
tous les coefficients. De cette faon, la transforme en ondelettes contribue sparer le bruit
du signal dintrt. Les coefficients moindres, attribus au bruit, peuvent ensuite tre ngligs
lors de lanalyse du signal [Samar et al., 1999].
une bonne rsolution de temps et une faible rsolution de frquence aux hautes frquences.
ET
une bonne rsolution de frquence et une faible rsolution de temps aux basses frquences.
Cette approche a un sens particulirement quand le signal rel a des composantes haute
frquence pour des courtes dures et des composantes de basse frquence pour de longues dures,
ce qui est le cas pour des signaux neuronaux comme nous lavons vu dans le chapitre prcdent.
34
1.1
Lanalyse de Fourier
x(t)ejt dt
(II.a)
ST F Tg(,b) {x(t)} = Xg (, b) =
x(t)[ ,b (t)] dt
(II.b)
O g(t) est la fentre glissante et ,b (t) est le compos de b,t (t) = g(t b)ejt .
Cette transforme peut tre considre comme la projection de x(t) sur le panel de fonction
,b (t) et tend mettre en vidence les caractristiques spectrales du signal autour dune
zone localise par la paire de paramtres (b : indice de temps, : indice de frquence). Pour
une paire (b, ) donne, la fonction de base est localise dans le plan temps-frquence autour
du point dfini par cette paire. Les valeurs t et sont dfinies par les quations II.c et
correspondent respectivement la rsolution temporelle et frquentielle.
Z
m2 m21
o mi =
ti |,b (t)|2 dt
t =
m0
2
2 =
M2 M12
M0
o M i =
(II.c)
i |,b (t)|2 dt
De plus la STFT est limite par le principe dHeisenberg qui borne la rsolution en tempsfrquence de la STFT :
t 1/2
(II.d)
35
La meilleure rsolution est acquise lorsque lgalit est obtenue. Pour ,b (t) cette galit
doit tre obtenue en faisant varier g(t) qui est une fonction gaussienne de la forme :
g (t) =
t2
1
1
et t =
e 22 avec =
2
2
(II.e)
Ainsi avec la STFT, lorsque les valeurs de la fentre et t sont choisies, elles le sont pour
lanalyse entire. Le dcoupage en atomes de frquence peut donc tre reprsent comme dans
la figure II.1. On peut remarquer que la distribution temps-frquence est uniforme partout dans
le domaine temps-frquence. De par lutilisation dune fentre de taille fixe, la SFTF ne nous
permet pas de savoir prcisment quelle composante spectrale existe un instant donn. Le
mieux qui peut tre fait est de chercher quelles composantes spectrales existent sur un intervalle
de temps donn, ce qui constitue un problme de rsolution.
Nous sommes donc confronts avec la STFT au dilemme suivant : si nous employons une
fentre de longueur infinie, nous obtenons la FT, qui donne une rsolution parfaite de frquence,
mais aucune information de temps. En outre, afin dobtenir la stationnarit, nous devons avoir
une fentre assez troite, dans laquelle le signal est stationnaire. Plus la fentre est troite,
meilleure est la rsolution de temps ; et plus la marge sur lhypothse de la stationnarit est
bonne, plus la rsolution de frquence est pauvre :
36
1.2
tb
1
)
x(t) a,b (t) dt avec a,b (t) = (
a
a
(II.f)
37
38
que les cases possdent certaines surfaces constantes non nulles qui impliquent que la valeur
dun point particulier dans le plan temps-frquence ne peut pas tre connue. Tous les points
dans ce plan qui tombent dans une case sont reprsents par une seule valeur sur la CWT.
Ainsi :
Aux basses frquences, les hauteurs des cases sont plus faibles (ce qui correspond de
meilleures rsolutions de frquence, puisquil y a moins dambigut concernant la valeur
exacte de la frquence), mais leurs largeurs sont plus leves (ce qui correspondent la
rsolution faible de temps, puisquil y a plus dambigut concernant la valeur exacte du
temps).
des frquences plus leves la largeur des cases diminue, i.e., la rsolution de temps
est meilleure, et la hauteur des cases augmente. La rsolution de frquence devient plus
faible.
Cette caractristique est le signe quune analyse CWT est une analyse multi-rsolution. En
conclusion, lanalyse CWT est tout fait dsigne afin dtudier des signaux neuronaux car
contrairement la STFT, elle propose une analyse multi-rsolution ncessaire ltude des
signaux neuronaux dans un environnement trs bruit.
En termes dimplmentation matrielle, le contexte des diffrents projets de recherche ainsi
que le savoir faire de notre quipe nous a pouss vers une question cruciale : tre analogique ou
ne pas tre ? Limplmentation des ondelettes en analogique est une mthode trs peu rpandue.
Nous avons pu nous y confronter durant notre stage de Master et il est de toute vidence trs
difficile dutiliser les ondelettes en analogique car leur implmentations comporte beaucoup
dinconvnients :
La difficult dtablir une fonction de transfert dordre facilement implantable dune ondelette mre. En effet, pour implmenter une ondelette mre en analogique on doit connaitre
sa fonction mathmatique qui nous mnera ltablissement dune fonction de transfert.
Or cette fonction de transfert est trs souvent dordre trs lev mme aprs une approximation ([Akansu, 1994], [Edwards and Cauwenberghs, 1995], [Haddad et al., 2004]). Ce
dfaut engendre des filtres dordre trs levs difficilements implantables en analogique.
Le manque de reconfigurabilit de la mthode analogique. Un circuit est spcifique une
ondelette mre donne.
La consommation. Des calculs de consommation de la CWT ont t effectus dans [Simard, 2004] et ont montr que la CWT est quatre fois plus consommatrice en puissance
quun calcul en ondelette en numrique.
Par consquent en terme dimplmentation la CWT ne semble pas tre le meilleur moyen,
39
1.3
Une des mthodes des plus fiables et simples en matire de transforme en ondelette numrique est la transforme appele "transforme en ondelettes discrte" ou "discrete wavelet
transform" (DWT). Cette mthode est base sur un algorithme pyramidal, et plus prcisment
sur une dcomposition dune banque de filtres sur une base orthogonale. Cette dcomposition
est ralise par un calcul de convolution un niveau j entre un signal original x[n] et deux
filtres : un passe-haut (G) qui calcule dj [n] (appel "coefficient de dtail") et un passe-bas (H)
qui calcule aj [n] (appel "coefficient dapproximation") reprsentant les sorties du calcul en
ondelette. Ce calcul entre G et H est prsent dans les quations II.g et II.h :
dj [n] =
L
X
g j [k] aj1 [n k]
(II.g)
hj [k] aj1 [n k]
(II.h)
k=0
aj [n] =
L
X
k=0
40
41
42
Lalgorithme lifting.
Lalgorithme lattice.
Dans un premier temps, notre choix sest port sur lalgorithme pyramidal de base malgr
le fait quil soit rput consommateur de ressources compar aux autres architectures. En effet,
notre but final est la ralisation de toute la chane dacquisition, de traitement et dextraction
des rsultats. Nous avons voulu donc aller lessentiel avec lalgorithme pyramidal afin de ne pas
tre retard par une implmentation trop complexe. Mais comme nous allons le dmontrer dans
nos rsultats, en optimisant notre procd de calcul et nos machines dtat, la consommation
de ressources peut tre rduite et tre comparable celle des autres architectures.
En ce qui concerne le matriel, notre choix dimplmentation sest port sur un FPGA. Avec
leurs mmoires embarques (type RAM), les FPGAs nous sont apparus comme une vidence.
De plus, le calcul en ondelettes consiste en de simples additions et multiplications associes
une mmoire vive. Ce type dinterface a le mrite davoir un temps de dveloppement court
mais aussi une reconfigurabilit accrue que lon naurait jamais eu avec une implmentation
analogique. Par exemple, en changeant simplement les coefficients des filtres on obtient telle ou
telle ondelette mre.
Une autre implmentation numrique telle que lutilisation dun DSP (Digital Signal Processor) na pas t envisag. En effet, comme nous le verrons par la suite, le but du systme
nest pas seulement de faire un calcul en ondelette mais aussi de contrler, en mme temps,
diffrents priphriques externes (cartes de stockage, ADCs, cran etc...). Cette multiplication
des tches en parallle aurait t compliqu par lutilisation dun contrleur squentiel tel quun
DSP. De plus, notre objectif final est de pouvoir partir de la plateforme existante, fabriquer
un ASIC afin de pouvoir limplmenter. Cette tche est possible partir du VHDL car des
outils de synthse existent mais difficileme partir dune autre implmentation.
Stratgie de dtection
Notre stratgie finale pour une dtection des PAs sur la chaine dacquisition (on-line) et
en temps rel est dimplmenter un tage de pr-traitement (transforme en ondelettes) qui va
amplifier les PAs et attnuer le bruit, suivi dun seuillage adaptatif qui va discriminer les PAs.
Notre mthode de seuillage adaptatif sinspire de la mthode que Harrison [Harrison, 2003] a
dvelopp en analogique et dont le principe dcoule de lautomatique. Le principe gnral pour
calculer un seuil de faon automatique est de calibrer ce seuil par rapport lcart type ()
du signal, qui lui-mme value le niveau de "bruit", en prenant lhypothse que le signal tudi
43
Figure II.6 Dcomposition en ondelette dun signal neuronal : A) Localisation des spikes,
44
prsente une distribution gaussienne. Pour cela, on utilise une boucle de rtrocontrle qui va
tre asservie vis--vis dune rfrence dont lcart type est connu. Cette rfrence provient du
fait que, pour un bruit blanc gaussien, si un seuil est fix il y a 0,159% de chance quun
chantillon (ou 0,318% pour que sa valeur absolue) soit au-dessus de ce seuil. Par consquent
le calcul de passe par plusieurs tapes.
Etape
Etape
Etape
Etape
1
2
3
4
:
:
:
:
45
Figure II.8 Bruit enregistr par lintermdiaire dun MEA sur des cellules pancratiques
T = G2 f iltr
46
(II.i)
Valeur dcimale
Valeur binaire
0,003112792968750
00.00000000110011
wp
01.00000000000000
wz
-0,99371337890625
11.00000001100111
H(z) = K
1 + wz z 1
1 + wp z 1
(II.j)
H est un filtre passe-bas de Butterworth avec une frquence de coupure de 10 Hz pour une
frquence dchantillonnage de 10 kHz. En vue dune implmentation FPGA, les paramtres de
H sont encods en 16 bits avec virgule fixe. Les coefficients ont t calculs partir de lutilitaire
de cration de filtre sous MATLAB (FDATOOLS) en fixant les diffrents paramtres du filtre
et sont prsents dans le tableau II.1. Afin que ce calcul du seuil soit juste, nous avons suppos
que le bruit tait Gaussien comme cela est le cas gnralement pour les signaux biologiques.
Si cela nest pas le cas une analyse du signal biologique doit tre effectue au pralable afin de
fixer la rfrence P et G1.
Nous venons de prsenter les diffrentes mthodes que nous souhaitons utiliser dans notre
systme, il faut maintenant valider les diffrentes propositions. Pour cela, nous avons dvelopp
sous MATLAB un modle de notre systme qui va nous servir notamment tester diffrentes
configurations et ainsi les valuer. Nous allons comparer diffrentes mthodes pour la dtection
des PAs sur diffrents signaux neuronaux. Dans un premier temps nous allons prsenter les matriels et mthodes qui nous ont servi afin de caractriser notre systme, pour ensuite prsenter
nos rsultats de simulation.
47
Figure II.9 Trois types de signaux neuronaux artificiels dune dure comprise entre 1 s
3.1
Matriels et mthodes
Afin de faire une comparaison quantitative et qualitative des diffrentes mthodes, nous
avons effectu nos tests sur des signaux neuronaux artificiels o la forme et la localisation
temporelle des PAs sont connues parfaitement. Trois types de signaux neuronaux utiliss lors
de cette tude sont prsents en figure II.9. La cration des signaux neuronaux sous MATLAB
se droule en trois tapes :
On dfinit la forme du PA que lon utilise dans notre signal de test artificiel (qui est
spcifique pour chaque signal). Deux PAs artificiels sont inspirs de la littrature : figure
II.9.B ([Quiroga et al., 2004]) et figure II.9.C ([Nenadic and Burdick, 2005]). Le troisime
48
PA (figure II.9.A) a t enregistr de faon in vivo partir du cortex crbral dun singe
Macaca Mulatta au repos avec des microlectrodes en tungstne (impdance 0,5 M
1 kHz) une frquence de 10 kHz.
La seconde tape consiste crer un signal (x[n]) o les PAs apparaissent de faon alatoire
avec diffrentes amplitudes.
En ajoutant finalement un bruit blanc Gaussien selon la formule II.k, nous obtenons un
signal neuronal artificiel (y[n]) avec un SNR bien dfini.
(II.k)
K est un coefficient choisi pour obtenir un SNR spcifique. n est le numro dchantillon.
est une squence pseudo-alatoire dont la distribution est centre sur 0 avec une variance de 1.
Le SNR est calcul selon lquation II.l qui est une adaptation de lquation gnrale du SNR
II.m. De par la dure trs courte des PAs, il nest pas possible dutiliser lquation II.l qui ne
prend pas en compte les PAs. Lquation II.m amplifie le poids des PAs dans le calcul du SNR
et ainsi on obtient un SNR qui prend mieux en compte loccurence des PAs.
x[n]2
SN R = 10 log P
y[n]2
P
SN R = 10 log
(II.l)
spike[n]2 length(x)
length(s)
P
y[n]2
(II.m)
spike correspond la forme du PA, x[n] au signal ne comportant que les PAs, y[n] au signal
comportant les PAs et le bruit comme dfini dans lquation II.k et length(x[n]) digne la
longueur du signal x[n].
Nous avons effectu des simulations avec des valeurs de SNR diffrentes : de 0 10 dB
par pas de 1 dB. La figure II.9 montre des exemples de signaux neuronaux artificiels avec un
SNR de 5 dB et des formes de PAs diffrentes. Le nombre de PAs varie dun signal lautre :
50 PAs dans la figure II.9A, 18 PAs dans la figure II.9B et 10 PAs dans la figure II.9C avec
aucun recouvrement entre les PAs. Pour complter la caractrisation des signaux, nous avons
calcul et reprsent la densit de puissance spectrale de chaque signal. Ainsi, on peut noter
que les diffrents spectres ne prsentent aucune raie significative trahissant la prsence de PAs
(f>200 Hz) ; cest pourquoi une simple analyse de Fourier nest pas suffisante pour dtecter les
PAs.
49
Les diffrents PAs incorpors dans le signal sont chantillonns 10 kHz et doivent tre
dbruits car un bruit Gaussien est ensuite ajout. Cette caractristique doit tre vraiment
respecte pour la bonne continuit de notre analyse. Pour cela, nous avons appliqu au PA
avant son incorporation dans le signal un lissage par la mthode de la valeur mdiane comme
prsent dans la figure II.10. En vue de classer les diffrents algorithmes de dtection de PA
pour une future implmentation matrielle, nous avons suivi le protocole suivant :
Tout dabord, la mthode pour calculer le seuil doit tre value. Nous ne savons pas priori
partir de quel niveau dondelette il faut appliquer le seuil afin dobtenir une dtection correcte. Ensuite, il est utile de comparer les mthodes de dtection prsentes dans le chapitre
1 (seuillage brut, DWT et SWT). Le rsultat de dtection de chaque mthode est important,
mais nous prendrons aussi en compte le nombre doprations ncessaires pour chacune dentre
elles afin de rduire le cot dimplmentation estim sur circuit intgr. Enfin, nous mettrons
en vidence limpact du choix de londelette mre sur le rsultat de dtection. Dautre part,
nous avons implment deux configurations pour chacune des ondelettes mres tudies afin de
voir si en simplifiant le niveau de prcision des coefficients des filtres H et G (en passant de 10
digits 2 digits de prcision), on peut rduire le cot dimplmentation de la transforme en
ondelettes.
3.2
Rsultats
Cette partie va dvoiler les rsultats de notre stratgie de dtection explique dans la partie
prcdente. Plusieurs points ont t abords :
Niveau de dcomposition : Comme le montre la figure II.11, les diffrents niveaux de
dcomposition nont pas la mme allure et dun niveau lautre, le rsultat peut diffrer.
Afin de fixer un niveau pour la dtection, nous avons simul la rponse de notre mthode
de dtection en appliquant le seuil diffrents niveaux de dcomposition. Les rsultats
sont prsents figure II.12.
50
Les rsultats montrent que pour une SWT avec un signal neuronal chantillonn 10 kHz,
le pourcentage de dtection correcte est le meilleur quand on applique le seuil sur le troisime niveau de dcomposition. En termes de cot dopration, celui du troisime niveau
est trois fois plus lev que celui du premier. Si lon modifie la frquence dchantillonnage,
on se rend compte quau-dessus de 17 kHz, le niveau 4 devient plus intressant ce qui est
normal puisque la rponse des filtres est dpendante de la frquence dchantillonnage.
Le niveau 3 reste comptitif pour des frquences dchantillonnage comprise entre 8,5 et
14 kHz, ce qui est tout a fait compatible avec les caractristiques des signaux biologiques.
Mthode de pr-traitement : Nous avons compar trois mthodes, le seuillage brut (sans
transformation), la DWT et la SWT. La figure II.13 prsente les rsultats de dtection.
En termes defficacit de dtection, la SWT est trs clairement la meilleure mthode de
dtection pour tous les signaux tudis. Du ct calcul algorithmique, si nous considrons
quun niveau de dcomposition en ondelette cote une unit, le cot de la DWT est de
1,75 ressources cause du facteur de sous-chantillonnage (1 pour le premier niveau,
51
Figure II.12 Taux de dtection pour diffrents niveaux de dcomposition o le seuil est
52
Figure II.13 Taux de dtection pour diffrentes mthodes. (A) PAs provenant de singe
53
Figure II.14 Taux de dtection pour diffrentes ondelettes mres sur un signal provenant
des PAs in vivo de singe. La barre derreur maximale est de 0,99 %(non
reprsente) ; la valeur p et les faux positifs sont ngligeables.
0,5 pour le second et 0,25 pour le troisime) et la SWT cote 3 ressources. Au final, la
SWT utilise en thorie 58,3% plus de ressources que la DWT. Malgr cet inconvnient, la
SWT apparait tout de mme comme le meilleur choix car son taux de dtection est bien
suprieur celui de la DWT et du seuillage brut compar au cot dimplmentation.
De plus, il faut noter que pour un SNR de 5 dB (figure II.9), lextraction des PAs avec un
simple seuillage brut nest pas possible alors que la SWT propose dexcellents rsultats.
On obtient un trs bon niveau de dtection pour les signaux in vivo de singe et Nenadic
mais aussi pour Quiroga o le taux de dtection est suprieur 60%. Cette comparaison
montre la puissance de la transforme en ondelettes stationnaire pour extraire des PAs
dun signal extrmement bruit, mais cela dmontre aussi que sans ce genre de mthode,
la dtection dpend en grande partie du signal dentre.
Limpact de londelette mre : Cette tude est illustre par la figure II.14 montrant le
test effectu sur le signal neuronal cr partir de PAs de singe. On note que lutilisation
de londelette bior1.3 (Biorthogonale 1.3) donne les meilleurs rsultats de dtection. La
54
figure II.2, qui reprsente les ondelettes utilises dans cette tude, montre quil y a une
grande similitude de forme entre londelette bior 1.3 et un PA. Ceci nous confirme que
plus la forme de londelette ressemble au PA, plus la dtection est correcte.
Le cot dimplmentation : nous prfrons des coefficients dondelette avec le moins possible de digits ce qui aura une influence sur la prcision numrique en nombre de bits
(voir table 2). Pour une implmentation matrielle (sur circuit intgr), au vu des rsultats de dtection et du nombre de coefficients, londelette Haar semble tre en dfinitive
le meilleur choix. Toujours dans cette optique de rduction des cots dimplmentation,
nous avons limit le nombre de digits et donc la place quoccuperait les coefficients dondelette dans une RAM. La figure II.15 montre les rsultats de lutilisation dune mme
ondelette mre un niveau de prcision lev (10 digits) et un niveau faible (2 digits) et
son impact sur le taux de dtection des PAs. Ils montrent quil ny a que 1% de diffrence
de dtection entre les deux configurations (haute et faible prcision). Bien sr en utilisant
2 digits, on perd lorthogonalit des ondelettes mais cela ne pose pas de problme, partir
du moment o la reconstruction du signal nest pas envisage. En termes doccupation
de RAM, un coefficient exprim sur 2 digits ne requiert que 8 bits alors quun coefficient
sur 10 digits requiert 34 bits. Lutilisation de 2 digits au lieu de 10 est une conomie de
place mmoire non ngligeable en vue de limplmentation multi-canaux.
Cette tude nous a permis de vrifier que nos choix de conceptions taient justifis en vue
dune implmentation matrielle du principe de dtection de PAs par ondelette suivie dun
seuillage adaptatif. En prenant en compte plusieurs aspects de limplmentation dont la mthode de dtection, le niveau de dtection sur lequel appliquer le seuil, la frquence dchantillonnage et le choix des ondelettes mres ainsi que le niveau de prcision des filtres dondelette,
nous en avons conclu que :
(a) En terme de dtection de PAs, la SWT apparait comme tant la mthode la plus efficace
malgr un cot de calcul lev. (b) Londelette mre doit tre choisie en fonction de la forme des
PAs recherchs. (c) Une ondelette mre avec peu de coefficients (type Haar) propose un taux
de dtection gal celui obtenu avec une ondelette plus fournie en nombre de coefficient (type
bior1.3) et (d) les coefficients des filtres des ondelettes mres avec peu de prcision permettent
une dtection du mme niveau quavec une grande prcision. Ce qui nous permet dconomiser
une occupation RAM importante.
Notre stratgie de dtection vient dtre dvoile puis justifie, maintenant notre objectif
est de limplmenter sur FPGA. Cette modlisation sur MATLAB nous a fourni une base solide
afin de tester et de comparer nos principes dimplmentation.
55
Figure II.15 Taux de dtection pour des coefficients dondelette utilisant 10 et 2 digits sur
un signal provenant des PAs in vivo de singe. La barre derreur maximale est
de 0,94 %(non reprsente) ; la valeur p et les faux positifs sont ngligeables.
56
Chapitre III
Au coeur de limplmentation matrielle
La structure de dtection ayant t simule et teste sous MATLAB, il nous reste la traduire en langage dimplmentation matrielle et la synthtiser pour une utilisation sur FPGA
(Field-Programmable Gate Array). Par consquent, nous prsenterons dans un premier temps
le principe de fonctionnement dun FPGA en insistant sur les outils ddis son implmentation, son comportement et sa structure dans le cadre de notre systme de dtection. Nous
poursuivrons par une approche fonctionnelle et architecturale du systme avec une description
plus prcise des principaux blocs appartenant au systme de dtection dvelopp dans cette
thse.
Le composant de type FPGA est la structure matrielle sur laquelle notre systme est bas.
Cette partie sera entirement ddie sa prsentation et son rle dans limplmentation de
larchitecture dveloppe sous MATLAB dans le chapitre prcdent.
1.1
Outils utiliss
57
programmables etc.. Plusieurs familles de FPGA existent ; la socit Xilinx, un des principaux fabricants de FPGA, propose dans son nouveau catalogue les produits Spartan-6, Artix-7,
Kintex-7 et Virtex-6. En vue de fournir un environnement de travail plus complet les dveloppeurs de FPGA proposent des kits de dveloppement comprenant un FPGA comme pice
centrale, mais aussi dautres composants pouvant tre utiliss avec ce dernier (convertisseur
analogique/numrique, convertisseur numrique analogique, cran LCD, port srie etc.). Afin
de pouvoir configurer un FPGA, il est ncessaire dutiliser un langage de description matrielle
ou un outil de saisie graphique. Aprs synthse de cette description, on obtient un fichier de
configuration pour le FPGA cible. Le langage choisi dans cette thse est le VHDL.
Le VHDL (VHSIC hardware description language)
Le langage VHDL fait partie des standards IEEE (Institute of Electrical and Electronics
Engineers) depuis 1987, il est largement rpandu dans la ralisation de circuits numriques
destins a tre implments sur FPGA. Le langage VHDL permet la description dun systme
matriel, savoir son comportement, sa structure et ses caractristiques temporelles. A cela
sajoute la possibilit, par le biais de ce langage, de non seulement simuler un systme mais
aussi de le synthtiser, la synthse consiste traduire par des logiciels adapts (synthtiseurs)
la description VHDL en une srie de portes logiques prtes tre graves sur silicium. Par
consquent, en fonction de la capacit du FPGA hte, il est possible de porter notre architecture
et ainsi rendre nos travaux entirement portables et reconfigurables. La suite logicielle utilise
pour la description et la synthse est loutil ISE, fourni par le fabricant Xilinx. Cette suite se
compose doutils pour la description soit par saisie en ligne soit, par saisie schmatique, doutils
pour la simulation (Modelsim, Xilinx ISE Simulator etc.), pour la synthse et limplmentation
vers le composant cible Xilinx.
1.2
Rle du FPGA
Dans un premier temps, le FPGA doit rceptionner, formater et chantillonner les donnes
provenant du milieu extrieur. On qualifiera cette action dtape dacquisition. Il doit, dans un
second temps, envoyer les donnes formates vers les blocs de calcul de la SWT et du seuil. Enfin,
le FPGA devra mettre en forme tous les paramtres de la dtection et permettre lutilisateur
de les reconfigurer si ncessaire. Les contraintes lies au systme sont dune part, le temps rel :
58
59
60
2.1
61
Plage de fonctionnement
Valeur du LSB
Valeur dcimale
1,999938964843750
-1,999938964843750
Valeur binaire
01.11111111111111
10.00000000000001
0,000061035156250
00.00000000000001
gourmande en circuit logique, est prvue dans la version finale du systme afin de stopper le
calcul lors de lapparition dun dpassement de capacit. Le tableau III.1 reprsente le codage
binaire choisi.
Le deuxime paramtre prendre en compte aprs le codage binaire est la frquence dchantillonnage. En effet, cest elle qui fixe le temps dapparition dun nouvel chantillon. Avec le
systme dacquisition provenant de lentreprise MCS (Multi Channel System) que nous avons
utilis, cette frquence est fixe 10 kHz, cest--dire que nous avons 100 s entre chaque
chantillon pour effectuer toutes nos oprations. Cette frquence dutilisation est impose par
les filtres prsents le long de la chane dacquisition et ne peut tre modifie sans bruiter le
signal dentre.
Enfin le dernier point du cahier des charges se concentre sur lutilisation mmoire. Comme
nous lavons montr, il faut mmoriser les niveaux dapproximations intermdiaires (aj1 ,aj2 ...)
ainsi que les 8 coefficients des filtres des ondelettes mres afin de calculer le niveau j. Ainsi
pour le premier niveau, il faut enregistrer les 8 derniers chantillons du signal biologique, pour
le deuxime niveau, il faut enregistrer les 16 derniers coefficients dapproximations obtenus du
niveau 1, etc.. Par consquent plus on va dans les niveaux levs plus loccupation mmoire
augmente : elle est multiplie par deux chaque niveau de dcomposition et est proportionnelle
au nombre de canaux. Par consquent, une gestion de la RAM devra tre effectue de faon
trs prudente afin de ne pas dpasser les capacits du FPGA.
Le cahier des charges pour limplmentation matrielle de la SWT vient dtre prsent avec
comme point crucial loccupation mmoire, voyons maintenant la structure de la SWT.
2.2
Aprs tude du cahier des charges, la structure fonctionnelle de calcul de la SWT en temps
rel associe une RAM se prsente comme une structure permettant de faire 7 additions et 8
62
multiplications. Le rsultat de ce calcul est soit enregistr par la RAM, soit envoy aux autres
blocs du systme de dtection. En vue dimplmenter cette fonction, nous sommes confronts au
double problme temps/ressources ; le calcul de la SWT peut tre effectu avec une architecture
parallle o les calculs sont effectus trs rapidement en consommant beaucoup de ressources
(8 multiplieurs et 7 addtionneurs). Ou il peut se raliser en utilisant plus de temps, en utilisant
une architecture squentielle, par un pipeline consommant 1 multiplieur et 1 additionneur. Dans
notre application, de par la frquence dchantillonnage assez faible, notre contrainte en temps
nest pas un obstacle majeur. Au contraire de la contrainte en ressource o, dans un FPGA,
les multiplieurs sont une denre assez limite. Par consquent larchitecture squentielle sera
prfre dans notre cas larchitecture parallle
63
nellement comparable une ROM (mme si on se garde le droit de modifier ses valeurs),
la deuxime RAM doit mmoriser les chantillons du signal biologique ainsi que les coefficients dapproximation des niveaux de dcomposition infrieurs chaque nouveau calcul
ou chantillon.
La seconde tape est de faire la multiplication pour ensuite faire dans une troisime tape
une addition qui va tre envoye laccumulateur. Au bout de la 8me donne, le calcul
est prt.
Un exemple de lvolution du remplissage de la mmoire RAM chantillons en fonction de
larrive dun chantillon x[n] est prsente en figure III.4 pour un seuillage sur le niveau 3 de
dcomposition. x[n] correspond au signal dentre pour lchantillon n et ai identifie le coefficient
dapproximation au niveau i. On remarque que pour effectuer un calcul jusquau niveau 3, il
faut une RAM de taille 56 16b. Or une RAM de cette taille est automatiquement tendue par
le FPGA en une RAM de taille de 64 16b pour plus de commodit au niveau de ladressage
des donnes. Par consquent, on aura une taille de RAM pour un niveau 4 : 128 16b, pour
un niveau 5 : 256 16b et pour un niveau 6 : 512 16b etc..Si on veut tendre ce systme n
canaux dacquisition, il faut multiplier par n chaque taille prsente prcdemment.
Le cot matriel majeur du calcul de la SWT sur n canaux dacquisition au niveau de seuil
i (i >= 2) se rsume par lutilisation de :
deux RAMs de taille fixe : 8 16b
une RAM de taille variable : n 8 2i 16b
un multiplieur
Architecture temporelle
64
65
66
(SWT)
pour le traitement des 64 canaux extrait dun MEA, avec une consommation mmoire totale
de 64 512 16b pour obtenir un niveau de dcomposition maximal de 6.
En ce qui concerne les entres/sorties, elles sont gres par le bloc dacquisition. Ainsi le
calcul de la SWT na besoin que de la donne biologique code sur 16 bits et dun signal
dordre de transfert. Ensuite la structure de calcul de la SWT lance le calcul des coefficients
dapproximation et propose au module de seuillage le premier niveau de dtail pour calculer
lcart type ainsi que le niveau de dtail souhait o effectuer le seuillage. Lutilisateur peut
interagir en permanence sur le choix de londelette mre et le niveau de dtail dsir pour le
seuillage. Au final la structure de calcul de la SWT est considre comme configurable la
vole et temps rel.
Structure VHDL
De ces deux architectures, on peut en dduire une structure VHDL finale du module de
calcul de la SWT(figure III.6).
67
Figure III.7 Chronogramme de test du calcul de la SWT : Ri correspond aux accs RAM
2.3
La premire procdure pour la vrification des rsultats est de faire une simulation en
utilisant un testbench sous le logiciel ISE de Xilinx. Nous avons donc crit une routine sous
MATLAB afin de construire notre fichier testbench dont le but est de simuler larrive de
plusieurs chantillons correspondant au signal biologique sur notre circuit. Ainsi nous pouvons
par la suite vrifier chaque tape de calcul.
La figure III.7 reprsente les 10 tapes de calcul menant au calcul dun coefficient dapproximation au niveau 5. La RAM chantillons est initialise la valeur 0.
On simule le calcul dun coefficient dapproximation au niveau 4 avec une ondelette de haar
(2 coefficients).
1re tape : Envoi des adresses de lecture pour les deux RAMs (R0)
2me tape : Arrive des premires donnes (R1). Dcrmentation des adresses de lecture
3me tape : Premire addition puis accumulation qui est dans cet exemple nulle (acc[34 :0]).
68
Notez que laccumulation est code sur 35 bits. Cela est tout a fait normal car puisque
nous faisons une multiplication de deux nombres de 16 bits, nous prfrons garder un
maximum de prcision. On observe encore une arrive des donnes et une dcrmentation
des adresses de lecture (R3)
On continue de mme jusqua la 8
me
tape.
(III.a)
69
thoriques.
Par consquent on peut en conclure que le calcul de la SWT est correct en simulation. La
prochaine tape est donc de le tester en situation relle, nous verrons cela dans le prochain
chapitre avec la description des diffrentes versions de MultiMed.
Module de seuillage
La structure de seuillage est destine effectuer le calcul de lcart type afin dvaluer un
seuil pour ensuite le comparer avec le niveau de dtail de la SWT adquate. Par consquent
la structure de seuillage est connecte la structure de calcul de SWT par 3 liens : un lien
principal transportant les donnes de sortie de la SWT (niveau de dtail 1 et niveau de dtail
voulu par lutilisateur) et deux liens indiquant quel type de donne transite sur le lien principal
(figure III.1).
3.1
En ce qui concerne le codage des nombres binaires ainsi que de la frquence dchantillonnage, le cahier des charges pour la structure de dtection est la mme que celle du calcul de
la SWT. Afin dvaluer les contraintes au niveau matriel, rappelons la structure thorique du
modle de seuillage dans la figure III.8 (chapitre II.2).
Les principaux lments matriels devant tre utiliss sont des filtres passe-bas, des comparateurs, des amplificateurs, des multiplieurs et des modules de calcul de valeur absolue. En
effet, en vue de la simplification des calculs, nous avons prfr nutiliser que la valeur absolue
des coefficients de dtails. Cette conomie nous permet dviter la gestion du seuillage ngatif,
rendant la structure beaucoup plus simple.
En ce qui concerne les filtres passe-bas, leur fonction est, comme nous lavons vue (chapitre
II.2), de calculer une valeur moyenne. Pour cela, nous en avons extrait diffrents paramtres
comme la frquence de coupure et le type de filtre nous permettant dvaluer la fonction de
transfert (II.j) vu dans le chapitre II. Dun point de vue temporel, ces filtres sont des filtres IIR
(Infinite Impulse Response) ayant pour dfinition lquation III.b.
y[n] = K x[n] + K x[n 1] + a1 y[n 1]
(III.b)
70
La contrainte la plus importante sera la contrainte temporelle. En effet aprs larrive dun
chantillon correspondant au niveau de dtail 1 (servant au calcul de lcart type), le temps
minimum avant le calcul du prochain niveau de dtail (d2 ) est de 420 ns. Par consquent le
calcul du seuil devra se faire dans ce temps imparti (figure III.10).
3.2
71
(passe_bas) effectuant lquation III.b pour modliser les filtres. Une structure pipeline sur
cinq tages a t utilise afin de rduire au maximum le nombre de multiplieur et dadditionneur
(figure III.9).
La premire tape consiste lire la valeur des RAMs ainsi que de la donne en entre
Ensuite, une machine dtat par le biais de deux multiplexeurs choisit dune part la donne
chantillon (x[n], x[n 1] ou y[n 1]) et dautre part le coefficient du filtre (K ou a1 ).
La troisime tape consiste effectuer la multiplication et la dernire tape effectue
laccumulation. Au bout de la troisime accumulation le calcul est termin et la donne
est envoye en sortie du filtre.
Dun point de vue matriel, le bloc filtre possde 2 RAMs (une contenant les donnes
x[n 1], une contenant les donnes y[n 1]) ncessaires au stockage des 64 canaux, un jeu de
registres et de multiplexeurs, un multiplieur, un additionneur et un accumulateur. En fonction
du nombre de canaux (n_canal) sur lesquels le seuil est calcul, la taille des RAMs varie et est
de lordre de 2n_canal16b (le nombre 2 permet de diffrencier la RAM destine au filtre 1
et celle du filtre 2). Lutilisation dun multiplieur pour implmenter ce filtre passe-bas dordre
1 peut sembler exagre, un simple dcalage de bit aurait pu suffire. Nous avons test cette
possibili mais les rsultats des multiplications implmentes par un dcalage de bit ntaient
pas assez prcis pour nos applications. Nous avons donc opt pour lutilisation dun multiplieur
pour limplmentation de notre filtre.
Le cot matriel du seuillage se rsume donc :
deux RAMs de tailles variables en fonction du nombre de canaux n : n 16b
deux multiplieurs
Architecture temporelle
La figure III.10 reprsente les contraintes temporelles lies lutilisation des diffrents blocs.
Le calcul du seuil est lanc suite larrive du niveau de dtail 1 sur le bloc de seuillage grce au
signal start_d1 . Le seuillage est quant lui effectu lorsque le niveau de dtail que lutlisateur
a choisi est calcul. Le signal start_d1 indique le dbut du seuillage.
Dun point de vue temporel, il faut attendre 320 ns ( une frquence de fonctionnement de
50 MHz soit 16 cycles dhorloge pour que le seuil soit calcul (III.10). Ainsi nous entrons dans
les conditions temporelles fixes par le cahier des charges qui tait de faire le calcul du seuil en
moins de 420 ns.
72
73
Figure III.10 Chronogramme de test du calcul des filtres F1 et F2. A) Timing pour le
74
Figure III.11 Structure systme finale du module de seuillage ; ABS : Calcul de la valeur
3.3
Les procdures de vrification sont les mmes que pour le calcul de la SWT.
Dans un premier temps nous avons vrifi le bon fonctionnement du bloc Passe-bas F1 et
F2. Le but est de comparer le droulement des squences de calcul de la figure III.10A et celui
la figure III.12 obtenu aprs simulation sous Xilinx.
75
Nous pouvons noter que les diffrentes tapes du calcul sont conserves ainsi que le timing
de 320 ns. En ce qui concerne la justesse des calculs nous avons vrifi le calcul effectu en
simulation dont lquation mathmatique est :
y[n] = 1 0, 003112792968750 + 0 0, 003112792968750 + 0 0, 993713378906250
y[n] = 0, 003112792968750 = $0033
(III.c)
Or le rsultat que lon trouve avec la simulation (sortie[15 :0]) est identique celui trouv
prcdemment. Nous avons bien sr continu lexpertise sur plusieurs sries de simulation en
comparant les diffrents rsultats obtenus par la simulation et la thorie.
En ce qui concerne le seuillage dans sa globalit on se rend compte que le temps annonc est
le mme que celui de la figure III.8B. La figure III.13 propose un diagramme montrant le flot
complet de traitement des donnes sur une prriode dchantillonage. Le signal de Scan done
autorise le dbut du traitement. Le remplissage de la RAM chantillons ainsi que le calcul en
ondelette et le calcul du seuil sont prsents. La dure totale pour le traitement de 64 canaux
est de 92,16 s.
Des tests sur des priodes beaucoup plus longues ont montr que le seuil voluait en fonction
du niveau de bruit en entre. Par consquent du point de vue de la simulation le calcul de la SWT
ainsi que le seuillage sont fonctionnels. Il reste encore dvelopper le module dacquisition afin
de pouvoir implmenter notre modle de dtection et pouvoir faire des sries de test pratiques
sur des signaux provenant de gnrateurs.
76
Figure III.13 Flot complet de traitement des donnes sur une prriode dchantillonage
Modules dacquisition
Selon les besoins inhrents la mise en place de notre systme de dtection, nous avons
d proposer plusieurs mthodes dacquisition de signaux biologiques. On peut tout de mme
les classer en deux grandes familles : lacquisition off-line (avec des signaux biologiques prenregistrs) et lacquisition on-line (avec des signaux biologiques acquis en temps rel) sur un
ou plusieurs canaux.
4.1
Le but de lacquisition off-line est denvoyer vers la carte FPGA des donnes biologiques
issues de fichiers pr-enregistrs sur PC par le biais dune liaison srie. Ces donnes sont issues
de donnes exprimentales. Lintrt de ce module est de connaitre exactement la valeur de
lchantillon transmis vers le bloc de dtection. Sa particularit est quil comporte en son sein
le protocole de configuration des diffrents paramtres de dtection. Par consquent il joue aussi
un rle dinterface utilisateur. Cette acquisition permet de caractriser et mettre lpreuve
notre systme de dtection sans aucune incertitude sur la validit des donnes en entre. Par
lintermdiaire dune liaison UART, dune interface de transfert de donnes sur PC (Hyper
Terminal) et dune machine dtat dcodant le protocole de communication sur le FPGA, il
est possible denvoyer des donnes correspondant au signal biologique codes sur 16 bits. Par
consquent, en amnageant une suite logique de caractres, nous pouvons coder les donnes
dun chantillon ou les diffrents paramtres de la dtection sur le FPGA ncessaires au calcul.
77
Cette suite logique de caractres est crite dans un fichier de lancement (lancement.txt) dont
un exemple est prsent ci-dessous :
Listing III.1 Lancement.txt
1
11
16
21
26
r
a
0010110101000001;000111;1
0010110101000001;000110;1
0000000000000000;000101;1
0000000000000000;000100;1
0000000000000000;000011;1
0000000000000000;000010;1
0000000000000000;000001;1
0000000000000000;000000;1
d
1101001010111111;000111;1
0010110101000001;000110;1
0000000000000000;000101;1
0000000000000000;000100;1
0000000000000000;000011;1
0000000000000000;000010;1
0000000000000000;000001;1
0000000000000000;000000;1
e
0001000011001101;110000;1
c
000000
.............
.............
.............
La machine dtat prsente sur le FPGA dcode le message afin de le transmettre au reste
du systme. Nous aurions pu coder nos chantillons en ASCII pour une meilleure utilisation de
la bande passante mais cela aurait demand une machine dtat plus performante et complexe.
Or le but du systme tait denvoyer le plus simplement possible les chantillons vers le systme,
78
et donc nous avons prfr utiliser une machine dtat plus simple comportant cinq grandes
actions :
r : correspond au reset mettant zro tous les paramtres de la dtection et de lacquisition
a etd : Ces lettres prcisent que les 8 lignes qui suivent correspondent la description
des 8 coefficients de dtails et dapproximations des filtres reprsentant londelette mre
(8 pour a et 8 pourd) Ils sont cods comme suit :
16 bits de donnes ;adresse denregistrement dans la RAM ondelette ;criture
e : Cette lettre indique que la ligne qui suit correspond au information dun chantillon.
Il est cod comme suit :
16 bits de donnes ;adresse denregistrement dans la RAM chantillons ;criture
c : Cette lettre prcise que la ligne qui suit correspond au numro dchantillon (cod sur
6bits) et autorise le dbut du calcul de la SWT pour effectuer la dtection
En continuant lcriture de ce fichier de lancement pour tous les chantillons du signal
biologique, le systme est mis lpreuve et nous pouvons vrifier son fonctionnement. Nous
verrons les rsultats obtenus dans le prochain chapitre. Par contre, pour procder une dtection
en temps rel sur des signaux vivants, ce module nest pas du tout adapt. Il faut donc envisager
une autre mthode dacquisition.
4.2
Lacquisition on-line
Lacquisition on-line permet de procder une acquisition et une transmission des donnes
provenant de signaux analogiques. La procdure consiste transformer des donnes analogiques
(signaux biologiques provenant du MEAs ou signaux pr-enregistrs sur un gnrateur de basse
frquence GBF) puis les convertir en donnes numriques utilisables par le FPGA. Pour ce
faire, nous utilisons une machine dtat qui va contrler des ADCs (Analog to Digital Converter)
afin de procder la conversion analogique/numrique.
Le premier type de systme dacquistion on-line a t dvelopp sur un kit de dvelloppement contenant un FPGA de type Spartan 3A ainsi quun ADC 12bits. En amont du kit
de dveloppement, une tape dadaptation analogique est ncessaire. Les cellules biologiques
sont dposes sur un MEA afin den extraire lactivit lectrique. Lactivit est pr-amplifie
au plus prs du MEA afin de minimiser le bruit pour tre ensuite envoye vers une tape de
79
mise en forme du signal (amplification variable et un offset de 1.25V) obligatoire pour une
conversion analogique/numrique partir des ADCs prsents sur la carte de dveloppement.
Un microcontrleur (p), command par une liaison UART et implment sur le FPGA, centralise les commandes ddies au contrle de lunique canal dacquisition, gre ltape de dtection
ainsi que les DACs (digital to analog converter) permettant de visualiser les diffrents signaux
internes du systme de dtection. Le codage UART des diffrentes informations est le mme
que celui utilis par le systme dacquisition off-line prsent prcdemment. Par consquent
le microcontrleur par le biais de sa liaison UART propose aussi une interface utilisateur assez
performante.
Le deuxime systme dacquisition on-line a t ralis afin daugmenter le nombre de
canaux et ainsi procder une analyse temps rel sur FPGA. Nous avons ralis une carte
dacquisition baptise THETYS. Comme pour le premier systme dacquisition gr par le
microcontrleur, le systme se compose dun MEA et dun pr-amplificateur. On procde
lacquisition des 64 canaux par une mise en parallle de 8 blocs de 8 canaux avec multiplexage
temporelsur une prriode dchantillonnage dans chaque bloc. Aprs cette tape, les signaux
analogiques subissent une mise en forme (offset et amplication) afin de sadapter la dynamique
des ADCs qui vont convertir les signaux analogiques en donnes numriques. Dans la dernire
tape le FPGA rcupre ces donns numriques ainsi que le signal de contrle marquant la fin
de lacquisition des 64 canaux.
Interfaces utilisateurs
Notre objectif est de raliser un systme de dtection reconfigurable. Par consquent il faut
imaginer des moyens de modifier et de visualiser les diffrents paramtres de dtection. Pour
cela nous avons dvelopp plusieurs outils issus de lexprience acquise auprs des diffrents
manipulateurs de systme dacquisition de signaux biologiques.
5.1
Pour configurer les paramtres de la dtection la vole, nous utilisons diffrents jeux de
boutons et dinterrupteurs. Le gain G2 du seuil ainsi que la vitesse daffichage des donnes
sont contrls par ce moyen. Pour des paramtres ncessitant plus de ressources (coefficients de
londelette mre), nous utilisons une configuration logicielle par le biais dune interface UART
et dun terminal.
80
5.2
Pour de visualiser les diffrents paramtres de la dtection (les 64 signaux dentres, les
seuils, les niveaux de dtail o les seuils sont appliqus et la dtection en elle mme) nous avons
mis en place, dans le cadre dun stage ingnieur, un systme de visualisation de donnes sur
cran VGA. Nous avons fait le choix de contrler un cran VGA par le biais dun FPGA afin
dafficher le plus lisiblement possible les diffrents paramtres de la dtection.
Ensuite afin dinformer lutilisateur du coefficient de multiplication du seuil (G2), nous
lavons affich en utilisant un cran LCD prsent sur les cartes de dveloppement. Au fur et
mesure de lvolution du projet, nous avons dcid de nous passer de ce type dinterface et tout
afficher sur lcran VGA.
5.3
Lors de nos expriences avec les biologistes, nous avons remarqu quil tait important de
conserver les donnes afin de les r-tudier aprs lacquisition et ventuellement vrifier chantillon par chantillon le bon droulement des calculs. Par consquent une interface permettant
de stocker les diffrents lments de la dtection sur carte mmoire SD a t dveloppe. Ainsi
aprs lexprience, il est possible de visualiser les donnes extraites de la dtection.
Au cours de ce chapitre, nous avons pu dtailler limplmentation matrielle des difffrents
blocs appartenant notre systme. Les blocs dacquisition, de traitement du signal et dinterface
utilisateur ont t prsents, et simuls afin doptimiser leur fonctionnalit lors des futures
expriences sur tissu vivant. Le FPGA nous est apparu comme une solution adapte pour
raliser notre systme de dtection. Les principales contraintes dimplmentation se situent
au niveau du temps rel, de lutilisation mmoire et des multiplieurs. La structure des blocs
appartenant au systme a donc t revue en consquence. Dans le prochain chapitre, nous
verrons les diffrents systmes conus partir des ces blocs et leurs performances respectives.
81
82
Chapitre IV
Expriences et rsultats
Le chapitre prcdent vient de prsenter en dtail les diffrents modules ncessaires la
ralisation de notre systme de dtection. Ils ont t expliqus, simuls mais jamais assembls.
Ce chapitre vient donc faire la synthse de ces modules en vue de la caractrisation fonctionelle sur signaux biologiques du systme global. Nous prsenterons par ordre de conception
les diffrents systmes MultiMed raliss durant la thse ainsi que les rsultats obtenus. Le
tableau IV.1 propose les principales caractristiques des diffrentes versions du systme que
nous prsenterons en dtail dans les paragraphes suivants. La validation des rsultats se fera en
effectuant la comparaison entre le modle MATLAB prsent dans le chapitre II et les rsultats
exprimentaux obtenus par les diffrentes versions du projet MultiMed.
Tous les rsultats statistiques obtenus avec des enregistrements bruits ou non ont t
valids manuellement avec la participation des biologistes. Chaque PA dtect par le systme
a t identifi et labllis comme tel par un biologiste spcialiste. Sera considr comme faux
positif tout artfact ayant t dtect par un systme alors quil ne correspond pas un PA.
1
1.1
NeuroBetaMed_Rs232
Prsentation
NeuroBetaMed_RS232 est la premire plateforme de dtection de PAs en temps rel dveloppe au cours de la thse. Elle permet deffectuer une acquisition off-line sur un canal (en
dehors de la chane dacquisition) suivie dune dtection par ondelette et dun seuillage adaptatif. Ce type darchitecture permet de vrifier le fonctionnement des modules de dtection et
de seuillage en matrisant les donnes traites.
Dun point de vue matriel nous utilisons une carte de dveloppement "Spartan3A FPGA
starter kit". Un cable RS-232 connecte un PC la carte FPGA ; le PC envoie les donnes
du signal biologique et les diffrents paramtres de la dtection. Un oscilloscope permet de
83
Tableau IV.1 MultiMed : tableau rcapitulatif des systmes et des tests effectus
Chap
IV
Nom de la
plateforme
section NeuroBetaMed
1
_Rs232
section
NeuroBetaMed
2
section NeuroBetaMed
3
_XL
84
Type
dacquisition
- Off line
- Liaison RS232
- 1 canal
- On line
- 1 canal
- On line
- 64 canaux
Matriel lectronique
Tests vivant
- Xilinx Spartan
3A starter kit
Enregistrements :
- Cellules pancratiques
- Neurones artificiels
- Xilinx Spartan
3A starter kit
- Avnet virtex 5
LX50 evaluation
board
- THETYS
IV.1 NeuroBetaMed_Rs232
1.2
Rsultats
Nous avons tout dabord envoy un signal trs peu bruit (SNR denviron 9 dB (figure
IV.2.A)) comprenant 10 spikes crs artificiellement dont nous connaissons parfaitement la
localisation temporelle. Le but est de comparer la dtection effectue par notre circuit (figure
IV.2.C) et la dtection sous MATLAB (figure IV.2.B).
Le signal envoy est pralablement normalis et ses valeurs codes sur 16 bits sont transmises au FPGA pralablement. Ainsi nous matrisons parfaitement le type de donnes et leur
frquence darrive sur la carte FPGA ce qui nous permet de nous concentrer uniquement sur
le rsultat de la dtection. Sur ce point, la sortie de notre circuit correspond exactement la
dtection par ondelettes sous MATLAB et nous permet den dduire que la dtection se droule
correctement. Ce premier test nest quune illustration dautres exprimentations menes sur
ce types de signaux peu bruits (7 dB SN R 10 dB) et nous permet de nous rassurer quant
au fonctionnement du seuillage adaptatif. Il nest pas suffisant pour dmontrer lintrt et la
puissance du calcul par ondelettes.
85
Figure IV.2 Rsultats NeuroBetaMed_Rs232 sur signal neuronal peu bruit (SNR=9)
86
IV.1 NeuroBetaMed_Rs232
Passons donc un signal beaucoup plus bruit avec un SNR de 5 dB (figure IV.3), nous
permettant ainsi de pousser notre systme ses limites de fonctionnement. De la mme manire
que prcdemment, nous connaissons exactement la localisation temporelle de nos PAs et on
peut donc valuer trs facilement la prcision de la dtection. Nous pouvons remarquer que sur le
signal dentre (figure IV.3A) les PAs sont compltement invisibles et mme un il averti ne peut
pas les reprer. Par consquent, ce signal est un bon exemple pour prouver que notre systme
de dtection par ondelette permet de dissocier les PAs du bruit. En observant la dtection
par ondelette effectue par le logiciel MATLAB (figure IV.3.B) on obtient 2 fausses dtections
(marques rouge) et un oubli de PA (marque bleue). On remarque quun rsultat identique est
obtenu par lintermdiaire de notre carte FPGA (figure IV.3.C). Cet exemple illustre le fait
que lutilisation dun seuil adaptatif sur le niveau 3 de dtail permet de distinguer une grande
partie des PAs prsents dans un signal neuronal mme si ce dernier est extrmement bruit.
Le but du test suivant est de montrer que notre systme est entirement configurable.
Ainsi nous pouvons passer la vole de 2 3 jusqu 6 pour le niveau de dtail du seuillage.
La figure IV.4 prsente les rsultats du mme test que prcdemment mais avec des signaux
provenant denregistrement de cellules pancratiques o une dtection sur le niveau 6 de dtail
est ncssaire. On peut noter que, l encore, les PAs ne sont pas vidents distinguer et quun
seuillage effectu sur ce signal brut pourrait engendrer des erreurs de dtection nuisant par
exemple au contrle dune pompe insuline. Les rsultats de dtection sur cet exemple sont
conformes Par consquent sur ces exmples, la dtection de PAs en milieu bruit ou non, notre
systme fonctionne comme le modle MATLAB lavait prvu.
1.3
Discussion et perspectives
Ces trois exemples sont des dmonstrations de la fonctionnalit de notre systme. Pour
comparer le modle MATLAB et le circuit, nous avons ralis une srie de mesures. Elles
tendent dmontrer que notre systme fonctionne avec des performances en termes de dtection conformes au modle thorique. Nous pouvons en dduire que NeuroBetaMed_Rs232
remplit lobjectif qui lui a t fix et permet de valider in situ notre tude thorique. En revanche, dun point de vue exprimental, la liaison RS-232 constitue un goulet dtranglement
et diminue dbit du flux. Ceci, nous empche donc deffectuer un traitement on-line. De plus,
dans son architecture, le systme est trop rigide et ne nous permet pas de reconfigurer rapidement notre configuration de dtection. Enfin linterface utilisateur est vraiment limit : il
est impossible de visualiser les signaux intermdiaires (niveau de dtail sur lequel le seuil est
calcul, valeur du seuil etc.), de connatre londelette mre utilise ou le niveau du seuil. Elle
87
88
IV.1 NeuroBetaMed_Rs232
89
NeuroBetaMed
Aprs avoir valid notre systme de dtection, nous avons tendu sa reconfigurabilit et
amlior les diffrents systmes dacquisition et dinterface utilisateur en mettant au point la
carte NeuroBetaMed.
2.1
Prsentation
NeuroBetaMed propose une dtection en ondelette temps rel et on-line sur un canal. Le
premier objectif est de pouvoir rcuprer un signal analogique provenant de la plateforme MCS,
compose dun MEA, dun pr-amplificateur et dun filtrage passe-bande (0,1 Hz-3 kHz). Ensuite, il faut convertir ce signal en binaire afin que le FPGA puisse effectuer les calculs. Larchitecture du systme dacquisition correspond la premire prsente au chapitre III.4 (banc de
mise en forme + kit FPGA). Enfin, dans un souci critique, nous avons compar notre systme
de dtection de PAs celui utilis gnralement par les biologistes plateforme MCS. Pour cela,
nous avons mis en parallle NeuroBetaMed et le systme MCS pour faire une acquisition et
une dtection de PAs compares comme illustr par la figure IV.5.
Dans le dveloppement de NeuroBetaMed, nous avons pris en compte le fait que faire des
tests sur des cellules vivantes est la fois un travail long et compliqu en ce qui concerne la
90
IV.2 NeuroBetaMed
Occupation
logique
Occupation totale
SWT
Seuillage
Flip Flop
1238
619
136
483
4 input LUT
2081
1040
520
521
Multiplieur
RAM/ROM (kbits)
22,722
14,3
8,5
Frquence maximum
(MHz)
117,122
Consommation du
kit FPGA (Watt)
2,5
prparation des cellules. Nous avons donc conu notre carte pour pouvoir effectuer dune part
des enregistrements de signaux in vitro acquis par lintermdiaire de MEAs, mais aussi traiter
des signaux pr-enregistrs sur gnrateurs de tension GBF. Le fait de pouvoir utiliser notre
systme de dtection avec un GBF nous a permis de faire tous les tests prliminaires nssaires
sans mobiliser une quipe de biologistes pour la prparation des cellules. Loscilloscope ainsi que
la liaison RS-232 sont des interfaces utilisateurs nous permettant rciproquement de visualiser
les sorties du circuit et de reprogrammer la vole notre dtection. La figure IV.6.A prsente
la plateforme NeuroBetaMed fabrique et la figure IV.6.B permet de visualiser le contexte dans
lequel elle est utilise.
2.2
Rsultats
Rsultats dimplmetation
Nous avons utilis pour NeuroBetaMed un FPGA de marque Xilinx (Spartan-3A XC3S700).
Le systme est configur pour fonctionner avec une horloge cadence 50 Mhz. Afin de stocker
les 5 niveaux dapproximation voulus, nous utilisons un bloc RAM de 512 16 bits. Deux
autres RAMs (2 (8 16 bits)) sont ddies au stockage des coefficients de londelette mre.
En termes doccupation du Spartan-3A xc3s700, la table IV.2 rsume le cot logique postsynthse de NeuroBetaMed.
La ressource critique de notre projet est la RAM qui est utilise principalement pour le
91
92
en forme, en rouge : la conversion Analogique/numrique, en jaune : interface utilisateur (sorties, interrupteurs et cran LCD), en bleu : FPGA et
en orange : connexion RS-232. B) Environnement dutilisation. 1 : MEA o
sont cultives les cellules vivantes, 2 : lieu dacceuil du MEA avec une pramplification suivie dun filtrage du signal, 3 : Extraction du signal analogique sur un canal vers NeuroBetaMed, 4 : NeuroBetaMed, 5 : Visualisation
des signaux de sortie de la carte.
IV.2 NeuroBetaMed
93
Figure IV.7 Sorties de NeuroBetaMed : A) signal pancratique brut avec un haut SNR
Figure IV.8 Sorties de NeuroBetaMed : A) signal pancratique brut avec un haut SNR
94
IV.2 NeuroBetaMed
Figure IV.9 Les ondelettes mres et leurs performances pour la dtection de PAs pro-
95
2.3
Discussion et perspectives
Lextraction en temps rel par un systme de dtection, implment sur FPGA, de PAs
provenant de cellules pancratiques cultives sur MEAs vient dtre pour la premire fois dmontre. Avec un taux de dtection gal celui obtenu par un systme logiciel, notre systme
prsente un avantage considrable en termes de consommation de ressources, de reconfigurabilit, et dencombrement pour lembarqu. En effet, notre systme tant destin tre utilis
pour des applications embarques ou mobiles, lencombrement ainsi que la consommation jouent
pour nous un rle prpondrant et restent nos principales proccupations.
Maintenant que notre systme est fonctionnel on-line (sur une chane dacquisition) et en
temps rel sur un canal, la troisime tape consiste ltude de la mise grande chelle de
notre systme. Ceci permettra dtudier plus prcisment lactivit lectrique des cellules ou
dun organe en obtenant une vision densemble ncessaire la caractrisation biologique. Nous
avons vu quavec un FPGA fonctionnant une frquence dchantillonnage de 10 kHz, nous
pouvions faire lacquisition de 70 canaux en gardant une architecture quivalente. Le systme
MCS utilis nous fournissant 60 ou 64 canaux, nous avons dcid de procder lacquisition de
64 canaux. Avec ce nombre de canaux en croissance, le matriel de visualisation des signaux,
de dtection et dacquisition doit donc tre repens et modifi.
NeuroBetaMed_XL
Aprs avoir valid notre systme de dtection on-line sur des signaux biologiques, nous avons
tendu notre systme pour effectuer lacquisition de 64 canaux. Ce changement nous a conduits
modifier notre systme dacquisition, de calcul par ondelette et dinterface utilisateur, donnant
naissance la plateforme NeuroBetaMed_XL.
3.1
Prsentation
96
IV.3 NeuroBetaMed_XL
Figure IV.10 Dtection on-line de PAs sur des signaux bta pancratiques enregistrs
lintermdiaire de NeuroBetaMed_XL
un Virtex 5 XC5VLX50. Une carte appele THETYS soccupe de la partie acquisition sur 64
canaux comme expliqu dans le chapitre III.4.2. Contrairement la version prcdente o le
bloc de dtection dpendait du p, dans cette version, il est entirement autonome. Il ne reoit
de la part du bloc dacquisition que le signal de fin de conversion et il sassure de la bonne
mise en forme des donnes ainsi que de la gnration des signaux lui ordonnant de dbuter
le calcul par ondelette. Linterface utilisateur a t entirement revue. A cause du nombre
important de canaux, loscilloscope a t remplac par un affichage sur cran VGA contrl par
le FPGA. De plus un stockage sur carte mmoire SD a t prvu afin de pouvoir stocker les
diffrents lments de la dtection. La figure IV.11 nous rappelle la configuration exprimentale
de NeuroBetaMed_XL et la figure IV.12 prsente sa configuration physique.
3.2
Rsultats
98
IV.3 NeuroBetaMed_XL
99
Occupation
logique
Occupation
totale
Acquisition
SWT +
Seuillage
Interface
utilisateur
Flip Flop
2651
1235
376
1040
4 input LUT
5465
3461
687
1317
Multiplieur
RAM/ROM (kbits)
1296
648
576
936
Frquence maximum
(MHz)
117,122
Consommation du
kit FPGA (Watt)
2,5
extraits dun MEA. Dans cette partie, nous allons nous pencher plus prcisment sur les tests
effectus avec les biologistes, dune part au laboratoire IECB sur des cellules pancratiques et
dautre part au laboratoire INCIA sur la moelle pinire de souris.
Rsultats dimplmetation
Nous avons implment larchitecture VHDL de NeuroBetaMed_XL laide dun FPGA
(Virtex 5 XC5VLX50). Le systme est configur pour fonctionner avec une horloge de 100 MHz.
Afin de stocker les 5 niveaux dapproximation voulus, nous utilisons un bloc RAM de 64
512 16 bits. Deux autres RAMs (2 (8 16 bits)) sont ddies au stockage des coefficients de
londelette mre. En termes dutilisation logique du Virtex 5, la table IV.3 rsume loccupation
post-synthse de NeuroBetaMed_XL.
Lors de notre campagne exprimentale, qui sest tale de fvrier juin 2012, nous avons
pu tester NeuroBetaMed_XL sur deux types de cellules pancratiques : clonales et primaires.
Lors des travaux des biologistes, il sest avr que les cellules clonales navaient plus dactivit
lectrique pour des raisons encore inconnues. Par consquent, nous avons donc consacr cette
partie aux rsultats obtenus avec des cellules primaires qui sont beaucoup plus reprsentatives
des cellules au sein dun pancras. Parmi les six manipulations de 5 heures chacune effectues
avec NeuroBetaMed_XL, nous avons slectionn une portion de 10 minutes denregistrement
o le signal biologique prsente diffrentes particularits qui nous intresse (haut SNR>7 et
bas SNR<5). Rappelons que sur toute la partie denregistrement le circuit est entirement
100
IV.3 NeuroBetaMed_XL
Figure IV.13 Seuil adaptatif : A) signal provenant dun canal denregistrement de cel-
101
sur une seconde, la figure IV.15 prsente le calcul du sixime niveau de dtail par lintermdiaire
de la SWT (d6) ainsi que la dtection effectue par NeuroBetaMed_XL.
En cas de problme dacquisition sur un canal (dpassement de la capacit des ADCs ou
mauvais fonctionnement de l lectrode), le calcul en ondelette fournit un rsultat faux engendrant des faux positifs (moticne avec un pouce baiss). Nous avons choisi dafficher ces
rsultats, mme errons, afin de pouvoir caractriser notre circuit. Bien entendu dans la version
finale, lorsque quil y aura un problme dacquisition le calcul ne sera pas effectu et un message
avertira lutilisateur. Les lectrodes comportant un moticne avec un pouce lev prsentent des
PAs qui sont dtects par notre circuit. Par consquent, lorsque lacquisition est bien effectue,
le calcul en ondelette ainsi que la dtection des PAs se passent correctement.
Maintenant, voyons un exemple o lamplitude des PAs est plus faible. Nous sommes
la 220me seconde de notre enregistrement, et lactivit et les cellules commencent spuiser
rendant les PAs difficiles distinguer (figure IV.16.A). Afin de mieux dtecter les PAs, nous
appliquons un filtre passe-bas logiciel avec un seuil fix manuellement depuis le dbut de lexprience (figure IV.16.B). Enfin nous comparons ces rsultats avec ceux fournis par notre circuit
(figure IV.16.D).
Avec le filtrage logiciel, seul 3 PAs sur 8 ont t dtects alors que le seuil est rgl au plus
prs possible du niveau de bruit. Ce rglage a gnr de nombreux faux positifs sur lensemble de
lexprience. Avec NeuroBetaMed_XL, 7 PAs sont dtects. Ce rsultat aurait pu tre meilleur
si nous avions baiss lgrement le gain du seuil durant lexprience sans engendrer de faux
positifs. Au bilan mme quand les PAs diminuent damplitude, ils sont toujours dtects par
notre circuit alors quavec un filtrage conventionnel, cela na pas t possible.
Enfin, nous nous avons fait des tudes statistiques, dont nous montrons un exemple ici sur
5 minutes denregistrement (figure IV.17).
La diffrence du taux de dtection des PAs entre le filtrage logiciel (80%) et celui de NeuroBetaMed_XL (96%) (avec un seuil qui peut tre un peu plus affin) est clairement en faveur
de notre circuit. Ce type dtude a t mene diffrents taux de glucose (3 mmol et 15 mmol),
comme nous lavons fait pour NeuroBetaMed (tude des occurences et de la frquence des
PAs). Les rsultats sont quasi identiques (augmentation de la frquence des PAs pour un taux
de glucose lev).
Le circuit a t adapt, par lajout dune connexion spciale, pour tre utilis sur des signaux
neuronaux mesurs partir des lectrodes fabriques par lESYCOM et provenant de la moelle
pinire ex vivo de souris (projet HYRENE). Nous avons pu tester NeuroBetaMed_XL, sans
tissu vivant en enregistrant des impulsions lectriques envoyes par le biais dune lectrode de
stimulation. La prochaine tape sera denregistrer les signaux vivants et sera ralis dici fin
102
IV.3 NeuroBetaMed_XL
Figure IV.14 60 voies dacquisition du signal dentre extrait des cartes SD. Lmoti-
103
Figure IV.15 60 voies du calcul en SWT (niveau d6). Ces donnes ont t stockes sur
IV.3 NeuroBetaMed_XL
Figure IV.16 Rsultats sur un canal avec un SNR faible (SNR<5) . A) Signal biologique
105
3.3
Discussion et perspectives
NeuroBetaMed_XL est oprationnel et suite aux nombreux tests mens, nous avons pu
valider son comportement. La seule prcaution prendre afin dutiliser le circuit dans des
conditions optimales est de choisir lamplification du signal dentre avec soin afin de ne pas
dpasser la capacit des ADCs. De plus un signal tant la limite des ADCs peut engendrer
des dpassements de capacit de calcul. Nous choississons de nous limiter aux trois quart de la
dynamique des ADCs afin de sassurer du bon droulement des calculs. Linterface utilisateur
nous a aids pour la vrification de nos choix de conception et nous a fourni les figures prsentes
prcdemment.
Lide originelle de notre projet tait de dvelopper une plateforme intgrant seulement
lalgorithme en ondelette et le seuillage adaptatif. Mais nous avons pouss notre raisonnement
en imaginant un circuit capable de reevoir des IPs afin dtudier des signaux biologiques.
En dautre termes, le concepteur dIP aura des donnes codes sur 16 bits pour appliquer le
traitement quil dsire. Ce travail est en cours de ralisation. Ensuite laffichage des donnes sur
cran VGA va tre amlior permettant lutilisateur de visualiser non seulement les dtection
en temps rel mais aussi les donnes brutes ainsi que les donnes traites.
106
Conclusion gnrale
Bilan des travaux
Cette partie est loccasion de faire un bilan des travaux effectus. Lide de dvelopper des
circuits de dtection des PAs dcoule du fait que cette information est primordiale pour coder
linformation biologique. Nous avions donc pour objectif de dvelopper les concepts abords
lors de travaux antrieurs de lquipe [Bontorin, 2010], mais aussi den proposer des nouveaux.
Dans ce contexte, les ralisations de lauteur sont :
ltablissement dun environnement logiciel sous MATLAB afin de tester diffrentes systmes de dtection de PA ;
une comparaison des diffrentes mthodes de dtection de PAs avec diffrents signaux
biologiques ;
limplmentation numrique sur FPGA des fonctions dacquisition de signaux biologiques,
de calcul de la SWT et de seuillage adaptatif ;
la ralisation matrielle de diffrents systmes de dtection (NeuroBetaMed_Rs232, NeuroBetaMed, NeuroBetaMed_XL) ;
la ralisation de linterface ncessaire lutilisation des circuits (gestion dun cran VGA
etc.) ;
les tests et mesures sur les circuits lors dexpriences sur tissu vivant avec la participation
systmatique des biologistes ;
la dissmination de ces travaux de recherche travers des publications (spcialises et
grand public).
Les travaux ont donc t raliss en trois temps. Tout dabord la simulation logicielle ncessaire la recherche dune mthode efficaces de dtection de PAs et la justification statistique
de nos choix de conception. Dans un second temps, la structure retenue de faon logicielle a
t implmente matriellement avant dtre teste et caractrise avec des signaux artificiels
(off-line). Enfin, la dernire partie a consist mener des tests sur cellules vivantes en com-
107
parant en permanence les rsultats obtenus logiciellement et ceux obtenus avec nos circuits.
Lensemble de ces protocoles ont t dfinis en interaction avec nos collaborateurs biologistes.
Dun point de vue fonctionnel, la SWT suivie dun seuillage adaptatif a t reconnue dans ce
manuscrit comme une solution intressante pour la dtection des PAs en milieu trs bruit. Cette
mthode a t implmente, non pas sur ASIC full-custom mais sur FPGA pour des raisons
dutilisation matrielle et de reconfigurabilit. La principale caractristique des systmes raliss
est leur autonomie. Le traitement du signal se fait en temps rel pour une consommation en
ressource et une surface silicium rduites au maximum. Lvolution des structures nous a permis
de proposer aux biologistes un systme dtectant des PAs de faon automatique. Nos systmes
sinscrivant dans deux projets de recherche (HYRENE et HYBIOPACS) traitant de signaux
diffrents, leur reconfigurabilit permet de paramtrer la dtection la vole afin de pouvoir
procder une analyse diffrente. Laspect fonctionnel a t important dans la conception
des circuits en vue de leur utilisation simple par les biologistes, do un souci particulier pour
linterface utilisateur. Le stockage des donnes sur cartes mmoires SD ainsi que la visualisation
des diffrents paramtres de dtection reprsentent une interface pratique et performante en
vue de ltude des donnes on-line et off-line.
Enfin, en ce qui concerne les rsultats exprimentaux, les donnes statistiques ont toujours
t calcules avec la participation de lauteur et dun biologiste afin de sassurer que les PAs
dtects par les circuits ntaient pas des faux. En ce qui concerne le traitement des animaux
pour nos expriences, il a t conforme aux diffrentes chartes exiges en laboratoire.
Perspectives
A travers nos diffrents circuits et collaborations, les perspectives de ces travaux se dclinent
selon deux aspects :
Dun point de vue lectronique, les systmes qui viennent dtre prsents ouvrent la voie
lapparition de nouvelles fonctionnalits :
Grce au calcul numrique et en loccurrence aux FPGAs, dautres fonctions peuvent
tre implmentes sur le mme support. Les prochains systmes doivent tre vus comme
des plateformes de dveloppement dIPs o le systme dacquisition extrait et formate
les donnes brutes. Une fonction de traitement (une IP) na plus qu tre implmente
en VHDL afin de proposer un nouveau type de traitement embarqu. Par exemple, de
nouveaux filtrages ou autres mthodes de dtection de PAs peuvent tre appliqus un
signal biologique.
Un choix de conception sest offert nous en ce qui concerne le support dimplmenta-
108
tion : analogique ou numrique. Il semble clair que pour implmenter une fonction aussi
complexe et reconfigurable quest la transforme en ondelettes paramtrables, limplmentation analogique est problmatique. Mais pour des fonctions moins lourdes tel que le
seuillage adaptatif seul, lanalogique a son rle jouer et peut prsenter plus davantages
que le numrique.
En ce qui concerne linterface utilisateur, son amlioration est dj commence au travers
dun stage dlve-ingnieur. Son but est de proposer lutilisateur diffrentes options de
visualisation dont lobservation en temps rel les donnes brutes ou la sortie du filtrage.
Lavance la plus importante venir est la matrise de la chane complte dacquisition.
Pour linstant lacquisition du signal par MEA ainsi que la pr-amplification sont effectus
par des circuits commerciaux.
Nos travaux restent encore assez loigns de la finalit de "limplant" que nous avions
voqu en introduction. Mme si de nombreuses avances ont t effectues, les prochaines
gnrations de circuits, comme cest le cas avec la nouvelle version de NeuroBetaMed_XL,
devront tre encore optimiser en termes doccupation et de consommation.
Dun point de vue exploitation pour la biologie, de nouvelles pistes soffrent nous et nos
collaborateurs :
En ce qui concerne le projet HYRENE sur la moelle pinire de souris, le systme de
dtection de PAs est prt tre utilis. Le protocole de communication entre notre systme et
le rseau de neurones artificiels doit tre encore dfini afin de pouvoir contrler le stimulateur.
Sur le projet du diabte, qui est plus mature, les perspectives sont nombreuses :
Comme les neurones, les cellules pancratiques peuvent tre reprsentes par des modles
mathmatiques. Pour linstant, ces modles ne mettent pas en corrlation directement
lactivit lectrique dune cellule pancratique mesure sur MEA et le besoin en insuline.
Par consquent un travail important doit tre fait dans ce domaine afin de caractriser
prcisment cette dpendance. Notre quipe a donc commenc une collaboration avec
luniversit de Virginia pour avancer sur ces modles mathmatiques.
Durant cette dernire anne les biologistes, en changeant leurs paramtres de filtrage
ont dcouvert un nouveau type de signal autre que les PAs pouvant indiquer le besoin en
insuline. Selon lactivit des cellules, des ondes lentes (0,6 Hz) apparaissent, qui pourraient
fournir aussi une information sur lactivit des cellules. Par consquent une tude sur ce
type de signal doit tre effectue et de nouvelles mthodes de filtrage sont implmentes
actuellement par un post-doctorant dans notre quipe.
Au del de la recherche fondamentale et applique, Elibio sengage sur la recherche finalise avec son projet Diachip destin fournir un systme Lab-on-Chip permettant
109
entre autres de tester la viabilit des cellules pancratiques avant une transplantation sur
patient.
La multitude de perspectives existantes prouve quel point la recherche dans ce domaine
est encore peu avance. De nombreuses pistes restent encore exploiter et lquipe Elibio par
lintermdiaire de ses chercheurs, ses doctorants, ses ingnieurs et ses stagiaires, reste concentre
sur les futures tches accomplir. Linteraction entre la biologie et llectronique reste un
domaine fascinant comportant certes des rponses, mais encore beaucoup dnigmes rsoudre
et de travaux raliser, auquel lauteur espre pouvoir contribuer.
110
Annexe 1
Ondelette
L : Nombre
de coefficient
(ordre du
filtre)
haar
Symlet2
Daubehies4
Coefficients du filtre
passe-haut (G)
Coefficients du filtre
passe-bas (H)
g[0] = -0.7071067812
g[1] = 0.7071067812
h[0] = 0.7071067812
h[1] = 0.7071067812
g[0]
g[1]
g[2]
g[3]
=
=
=
=
-0.4829629131
0.8365163037
-0.2241438680
-0.1294095226
h[0]
h[1]
h[2]
h[3]
=
=
=
=
-0.1294095226
0.2241438680
0.8365163037
0.4829629131
g[0]
g[1]
g[2]
g[3]
g[4]
g[5]
g[6]
g[7]
=
=
=
=
=
=
=
=
-0.2303778133
0.7148465706
-0.6308807679
-0.0279837694
0.1870348117
0.0308413818
-0.0328830117
-0.0105974018
h[0]
h[1]
h[2]
h[3]
h[4]
h[5]
h[6]
h[7]
=
=
=
=
=
=
=
=
-0.0105974018
0.0328830117
0.0308413818
-0.1870348117
-0.0279837694
0.6308807679
0.7148465706
0.2303778133
111
Annexe 1
Niveau 1 (j=1)
Filtre
passe- g 1 [0] = -0.7071067812
haut g 1 [1] = 0.7071067812
(Gj )
Filtre
passe- h1 [0] = 0.7071067812
bas h1 [1] = 0.7071067812
(H j )
112
Niveau 2 (j=2)
Niveau 3 (j=3)
g 2 [0]
g 2 [1]
g 2 [2]
g 2 [3]
-0.7071067812
0
0.7071067812
0
g 3 [0]
g 3 [1]
g 3 [2]
g 3 [3]
g 3 [4]
g 3 [5]
g 3 [6]
g 3 [7]
=
=
=
=
=
=
=
=
-0.7071067812
0
0
0
0.7071067812
0
0
0
0.7071067812
0
0.7071067812
0
h3 [0]
h3 [1]
h3 [2]
h3 [3]
h3 [4]
h3 [5]
h3 [6]
h3 [7]
=
=
=
=
=
=
=
=
0.7071067812
0
0
0
0.7071067812
0
0
0
h2 [0]
h2 [1]
h2 [2]
h2 [3]
=
=
=
=
=
=
=
=
113
114
Rfrences bibliographiques
Addison, P. (2002). The illustrated wavelet transform handbook : introductory theory and applications in science, engineering, medicine and finance. Bristol and Philadelphia : Institute
of Physics Publishing. 30, 46
Ahuja, A. K., Dorn, J. D., Caspi, A., McMahon, M. J., Dagnelie, G., Dacruz, L., Stanga, P.,
Humayun, M. S., and Greenberg, R. J. (2010). Blind subjects implanted with the argus ii
retinal prosthesis are able to improve performance in a spatial-motor task. Br J Ophthalmol,
95(4) :53943. Argus II Study Group. 17
Akansu, A. N. (1994). Wavelets and filter banks. a signal processing perspective. Circuits and
Devices Magazine, IEEE, 10(6) :1418. 8755-3996. 39
Al ani, T. (1998). Introduction aux ondelettes (wavelets). Dpartement Informatique ESIEEParis. 6
Arnaud, G. (2011). Etude et conception dun asic mixte pour la dtection adaptative dactivit
de cellules biologiques. 27
Barati, S. and Sodagar, A. M. (2011). Discrete-time automatic spike detection circuit for neural
recording implants. Electronics Letters, 47(5) :306307. 0013-5194. 25
Beche, J. F., Bonnet, S., Levi, T., Escola, R., Noca, A., Charvet, G., and Guillemaud, R.
(2009). Real-time adaptive discrimination threshold estimation for embedded neural signals
detection. In Neural Engineering, 2009. NER 09. 4th International IEEE/EMBS Conference
on, pages 597600. 26
Benazzouz, A. (2004). High frequency stimulation of the subthalamic nucleus in parkinsons disease. Med Sci (Paris), 20(4) :3978. Stimulation a haute frequence du noyau sous-thalamique
dans la maladie de Parkinson. 14, 15
Bertram, R., Satin, L. S., Pedersen, M. G., Luciani, D. S., and Sherman, A. (2007). Interaction of
glycolysis and mitochondrial respiration in metabolic oscillations of pancreatic islets. Biophys
J, 92(5) :154455. 8
115
Rfrences bibliographiques
Best, L., Brown, P. D., Sener, A., and Malaisse, W. J. (2010). Electrical activity in pancreatic
islet cells : The vrac hypothesis. Islets, 2(2) :5964. 7
Bontorin, G. (2010). Intelligent multielectrode arrays : improving spatiotemporal performances
in hybrid (living-artificial), real-time, closed-loop systems. lectronique et microtechnologie.
107
Bootin, M. L. (2006). Deep brain stimulation : overview and update. J Clin Monit Comput,
20(5) :3416. 14, 15
Boraud, T., Brown, P., Joshua, A., Goldberg, J. A., Graybiel, A. M., and J., M. P. (2005). The
Basal Ganglia VIII, chapitre OSCILLATIONS IN THE BASAL GANGLIA : The good, the
bad, and the unexpected. Springer Science and Business Media, New York. 48
Bornat, Y. (2006). Rseaux de neurones sur silicium : une approche mixte, analogique/numrique, pour ltude des phnomnes dadaptation, dapprentissage et de plasticit. Universit
de Bordeaux1. 5
Chen, Z. H., Li, T., Chen, Z. B., Luo, B., and Sun, R. P. (2009). Prevention of beta cell
dysfunction and apoptosis by adenoviral gene transfer of rat insulin-like growth factor 1.
Chin Med J (Engl), 122(18) :215964. 8
Chung-Ching, P., Sabharwal, P., and Bashirullah, R. (2009). An adaptive neural spike detector
with threshold-lock loop. In Circuits and Systems, 2009. ISCAS 2009. IEEE International
Symposium on, pages 21332136. 27
Coffey, R. J. (2009). Deep brain stimulation devices : a brief technical history and review. Artif
Organs, 33(3) :20820. 14, 15
Coifman, R. R., Meyer, Y., and Wickerhauser, M. V. (1992). Wavelet analysis and signal
processing. Wavelets and their applications. B. R. , Ed. Nerw york : Jones and Barlett. 40
Daubechies, I. (1992). Ten lectures on wavelets. Philadelphia : Society for Industrial and
Applied Mathematics. 130655. 34
De Marinis, Y. Z., Salehi, A., Ward, C. E., Zhang, Q., Abdulkader, F., Bengtsson, M., Braha,
O., Braun, M., Ramracheya, R., Amisten, S., Habib, A. M., Moritoh, Y., Zhang, E., Reimann,
F., Rosengren, A. H., Shibasaki, T., Gribble, F., Renstram, E., Seino, S., Eliasson, L., and
Rorsman, P. (2010). Glp-1 inhibits and adrenaline stimulates glucagon release by differential
modulation of n- and l-type ca2+ channel-dependent exocytosis. Cell Metabolism, 11(6) :543
553. 1550-4131 doi : 10.1016/j.cmet.2010.04.007. 7
Dickhaus, H., Khadra, L., and Brachmann, J. (1994). Time-frequency analysis of ventricular
late potentials. Methods Inf Med, 33(2) :18795. 29
Donghwi, K., Stanacevic, M., Kamoua, R., and Mainen, Z. (2008). A low-power low-datarate neural recording system with adaptive spike detection. In Circuits and Systems, 2008.
MWSCAS 2008. 51st Midwest Symposium on, pages 822825. 27
116
Rfrences bibliographiques
117
Rfrences bibliographiques
Gromada, J., Brock, B., Schmitz, O., and Rorsman, P. (2004). Glucagon-like peptide-1 : regulation of insulin secretion and therapeutic potential. Basic Clin Pharmacol Toxicol, 95(6) :252
62. 7, 8
Grossmann, A. and Morlet, J. (1984). Decomposition of hardy functions into square integrable
wavelets of constant shape. SIAM Journal on Mathematical Analysis, 15(4) :723736. 33
Gullo, F., Maffezzoli, A., Dossi, E., and Wanke, E. (2009). Short-latency cross- and autocorrelation identify clusters of interacting cortical neurons recorded from multi-electrode array. J
Neurosci Methods, 181(2) :18698. 17
Haddad, S. A. P., Verwaal, N., Houben, R., and Serdijn, W. A. (2004). Optimized dynamic
translinear implementation of the gaussian wavelet transform. In Circuits and Systems, 2004.
ISCAS 04. Proceedings of the 2004 International Symposium on, volume 1, pages I145I
148 Vol.1. 39
HajjHassan, M., Chodavarapu, V., and Musallam, S. (2008). Neuromems : Neural probe microtechnologies. Sensors, 8(10) :67046726. 15
Harrison, R. R. (2003). A low-power integrated circuit for adaptive detection of action potentials
in noisy signals. In Engineering in Medicine and Biology Society, 2003. Proceedings of the
25th Annual International Conference of the IEEE, volume 4, pages 33253328 Vol.4. 21, 25,
27, 43
Harrison, R. R. (2011). Integrated biopotential amplifiers : architecture, performance and
testing. Tutorial in Biomedical Circuits and Systems Conference (BioCAS), 2011 IEEE. 15,
16
Horiuchi, T., Swindell, T., Sander, D., and Abshier, P. (2004). A low-power cmos neural
amplifier with amplitude measurements for spike sorting. In Circuits and Systems, 2004.
ISCAS 04. Proceedings of the 2004 International Symposium on, volume 4, pages IV2932
Vol.4. 24
Hulata, E., Segev, R., Shapira, Y., Benveniste, M., and Ben-Jacob, E. (2000). Detection and
sorting of neural spikes using wavelet packets. Physical Review Letters, 85(21) :4637. Copyright (C) 2010 The American Physical Society Please report any problems to prola@aps.org
PRL. 30
Imfeld, K., Maccione, A., Gandolfo, M., Martinoia, S., Farine, P. A., Koudelka-Hep, M., and
Berdondini, L. (2009). Real-time signal processing for high-density microelectrode array
systems. International Journal of Adaptive Control and Signal Processing, 23(11) :983998.
1099-1115. 30
Karel, J. M. H., Peeters, R. L. M., Westra, R. L., Moermans, K. M. S., Haddad, S. A. P.,
and Serdijn, W. A. (2005). Optimal discrete wavelet design for cardiac signal processing.
In Proceedings of the 27th Annual International Conference on Engineering in Medicine and
Biology Society of the IEEE-EMBS,Shanghai, pages 27692772. 30
118
Rfrences bibliographiques
Kato, Y., Nishino, M., Saito, I., Suzuki, T., and Mabuchi, K. (2006). Flexible intracortical neural
probe with biodegradable polymer for delivering bioactive components. In Microtechnologies
in Medicine and Biology, 2006 International Conference on, pages 143146. 15
Khadra, L., Dickhaus, H., and Lipp, A. (1993). Representations of ecglate potentials in the
time frequency plane. J Med Eng Technol, 17(6) :22831. 29
Kim, K. H. and Kim, S. J. (2003). A wavelet-based method for action potentiel detection from
extracellular neural signal recording with low signal-to-noise ratio. IEEE Transaction on
Biomedical Engineering, 3 :277283. 30
Kolbl, F., Zbrzeski, A., Syed, E., Renaud, S., and Lewis, N. (2010). In vivo electrical characterization of deep brain electrode and impact on bio-amplifier design. In Biomedical Circuits
and Systems Conference (BioCAS), 2010 IEEE, pages 210213. 14
Lee, J. and Kipke, D. (2006). Neural signal processing using discrete wavelet transform for
neural interfaces. In Proceedings on the International Conference on Microtechnologies in
Medicine and Biology, Okinawa, pages 169172. 30
Lewicki, M. (1994). Bayesian modeling and classification of neural signals. Neural Computation,
6 :10051030. 30
Maccione, A., Gandolfo, M., Massobrio, P., Novellino, A., Martinoia, S., and Chiappalone,
M. (2009). A novel algorithm for precise identification of spikes in extracellularly recorded
neuronal signals. J Neurosci Methods, 177(1) :2419. 17
Mallat, S. G. (1999). A wavelet tour of signal processing. Academic Press, New York. 34, 40
Manjunath, A. and Ravikumar, H. M. (2010). Comparison of discrete wavelet transform (dwt),
lifting wavelet transform (lwt) stationary wavelet transform (swt) and s-transform in power
quality analysis. European Journal of Scientific Research, 39(4) :569576. 30
Marquie, G., Duhault, J., Espinal, J., Petkov, P., Jablenska, R., Khallayoun, S., and Bennani, N.
(1997). S 15261, a novel agent for the treatment of insulin resistance. studies on psammomys
obesus. effect on pancreatic islets of insulin resistant animals. Cell Mol Biol (Noisy-le-grand),
43(2) :24351. 8
Meyer, Y. and Ryan, R. (1993). Wavelets : Algorithms and Applications. Society for Industrial
and Applied Mathematics, Philadelphia. 34, 40
Moo Sung, C., Wentai, L., and Sivaprakasam, M. (2008). Design optimization for integrated
neural recording systems. Solid-State Circuits, IEEE Journal of, 43(9) :19311939. 00189200. 29
Mtetwa, N. and Smith, L. S. (2006). Smoothing and thresholding in neuronal spike detection.
Neurocomputing, 69(10-12) :13661370. 0925-2312 doi : 10.1016/j.neucom.2005.12.108. 24
119
Rfrences bibliographiques
Mukhopadhyay, S. and Ray, G. C. (1998). A new interpretation of nonlinear energy operator and
its efficacy in spike detection. Biomedical Engineering, IEEE Transactions on, 45(2) :180187.
0018-9294. 29
Nakatani, H., Watanabe, T., and Hoshimiya, H. (2001). Detection of nerve action potentials
under low signal-to-noise ratio condition. IEEE Transactions on Biomedical Engineering,
48 :845849. 30
Nam, Y. and Wheeler, B. C. (2011). In vitro microelectrode array technology and neural
recordings. Crit Rev Biomed Eng, 39(1) :4561. 17
Nenadic, Z. and Burdick, J. W. (2005). Spike detection using the continuous wavelet transform.
IEEE Transactions on Biomedical Engineering, 52(1) :7487. 0018-9294. 48
Obeid, I. (2007). Comparison of spike detectors based on simultaneous intracellular and extracellular recordings. In Neural Engineering, 2007. CNE 07. 3rd International IEEE/EMBS
Conference on, pages 410413. 29
Pedersen, M. G. (2009). Contributions of mathematical modeling of beta cells to the understanding of beta-cell oscillations and insulin secretion. J Diabetes Sci Technol, 3(1) :1220.
8
Pedersen, M. G. (2010). A biophysical model of electrical activity in human beta-cells. Biophys
J, 99(10) :32007. 8
Perelman, Y. and Ginosar, R. (2007). An integrated system for multichannel neuronal recording
with spike/lfp separation, integrated a/d conversion and threshold detection. Biomedical
Engineering, IEEE Transactions on, 54(1) :130137. 0018-9294. 6
Quiroga, R. Q., Nadasdy, Z., and Ben-Shaul, Y. (2004). Unsupervised spike detection and
sorting with wavelets and superparamagnetic clustering. Neural Comput., 16(8) :16611687.
1017313. 48
Quotb, A., Bornat, Y., and Renaud, S. (2011). Wavelet transform for real-time detection of
action potentials in neural signals. Frontiers in Neuroengineering, 4. 27, 30
Ranade, G. V., Ganguly, K., and Carmena, J. (2009). Lfp beta power predicts cursor stationarity in bmi task. In Neural Engineering, 2009. NER 09. 4th International IEEE/EMBS
Conference on, pages 482485. 6
Rangayyan, R. (2002). Biomedical Signal Analysis : a case-study approach. Wiley-IEEE Press,
Hoboken. 6
Raoux, M., Bornat, Y., Quotb, A., Catargi, B., Renaud, S., and Lang, J. (2012). Non-invasive
long-term and real-time analysis of endocrine cells on micro-electrode arrays. J Physiol,
590(Pt 5) :108591. 52, 53, 95
120
Rfrences bibliographiques
Salmanpour, A., Brown, L. J., and Shoemaker, J. K. (2008). Performance analysis of stationary
and discrete wavelet transform for action potential detection from sympathetic nerve recordings in humans. In Proceedings of the 30th Annual International Conference on Engineering
in Medicine and Biology Society of the IEEE, Vancouver, pages 29322935, Vancouver. 30,
40
Samar, V. J., Bopardikar, A., Rao, R., and Swartz, K. (1999). Wavelet analysis of neuroelectric
waveforms : a conceptual tutorial. Brain Lang, 66(1) :760. 34
Sarna, M. F., Gochin, P., Kaltenbach, J., Salganicoff, M., and Gerstein, G. L. (1988). Unsupervised waveform classification for multi-neuron recordings : a real-time, software-based
system. ii. performance comparison to other sorters. J Neurosci Methods, 25(3) :18996. 23
Shih-Chii, L. and Douglas, R. (2004). Temporal coding in a silicon network of integrate-and-fire
neurons. IEEE Transactions on Neural Networks. 6
Shulyzki, R., Abdelhalim, K., Bagheri, A., Florez, C. M., Carlen, P. L., and Genov, R. (2011).
256-site active neural probe and 64-channel responsive cortical stimulator. In Custom Integrated Circuits Conference (CICC), 2011 IEEE, pages 14. 15
Simard, V. (2004). Transforme en ondelettes pour un systme dacquisition de signaux corticaux implantable. page 135. 39
Sohee, K., Tathireddy, P., Normann, R. A., and Solzbacher, F. (2007). Thermal impact of an
active 3-d microelectrode array implanted in the brain. Neural Systems and Rehabilitation
Engineering, IEEE Transactions on, 15(4) :493501. 1534-4320. 15
Speier, S. and Rupnik, M. (2003). A novel approach to in situ characterization of pancreatic
-cells. Pflgers Archiv European Journal of Physiology, 446(5) :553558. 0031-6768. 14
Strang, G. and Nguyen, T. (1996). Wavelets and filter banks. Wellesley, MA : WellesleyCambridge Press. 40
Swendels, W. (1997). The lifting scheme : a construction of second generation wavelets. SIAM
Journal on Mathematical Analysis., 2 :511546. 30
Tritsch, D., Chesnoy-Marchay, D., and Feltz, A. (1998). Physiologie du neurone. Doin initiatives
sant edition. 4, 5
Unser, M. and Aldroubi, A. (1996). A review of wavelets in biomedical applications. Proceedings
of the IEEE, 84(4) :626638. 0018-9219. 29, 34
Watkins, P. T., Santhanam, G., Shenoy, K. V., and Harrison, R. R. (2004). Validation of
adaptive threshold spike detector for neural recording. In Engineering in Medicine and
Biology Society, 2004. IEMBS 04. 26th Annual International Conference of the IEEE, San
Francisco, volume 2, pages 40794082. 27, 46
121
Rfrences bibliographiques
Wickerhauser, M. V. (1994). Adapted Wavelet Analysis from Theory to Software. A K Peters/CRC Press. 30
Williams, R. W. and Herrup, K. (1988). The control of neuron number. Annu Rev Neurosci,
11 :42353. 4
Yuning, Y., Kamboh, A., and Andrew, J. M. (2010). Adaptive threshold spike detection using
stationary wavelet transform for neural recording implants. IEEE, Biomedical Circuits and
Systems Conference (BioCAS), Paphos ., pages 912. 30
122