Automatic characterization of affective states in individuals with mood disorders based on the analysis of brain-heart interactions

Résumé

En 2019, environ 9% de la population canadienne a souffert de troubles de l’humeur, tels que la dépression ou le trouble bipolaire. Le diagnostic et le traitement de ces affections sont souvent freinés par des facteurs comme la stigmatisation sociale, des ressources cliniques limitées, et l’absence de marqueurs objectifs fiables. Pour combler cette lacune, cette thèse explore le potentiel d’intégration de plusieurs bio-signaux qui capturent à la fois l’activité cérébrale et cardiaque, afin de fournir une compréhension plus complète des troubles de l’humeur, en particulier la dépression, pendant le sommeil. L’objectif de cette recherche est d’examiner les mécanismes pathophysiologiques sous-jacents aux troubles de l’humeur en analysant l’interaction entre les signaux d’électroencéphalogramme (EEG) et d’électrocardiogramme (ECG) pendant le sommeil. Cette étude introduit une mesure de cohérence comme biomarqueur potentiel interrelié pour la dépression, reliant l’activité cérébrale et cardiaque. Une analyse secondaire des données de polysomnographie de 46 personnes souffrant de dépression et de 40 témoins sains a été menée, révélant des différences significatives dans la cohérence cerveau-coeur entre les groupes dépressifs et sains à travers les stades du sommeil et les canaux EEG, en particulier dans les bandes de fréquence de 0 à 8 Hz. En parallèle, cette thèse développe SleepDepNet, un modèle d’apprentissage profond conçu pour automatiser la détection de la dépression en exploitant des biomarqueurs EEG et ECG, tels que le rapport de puissance relative, la fréquence cardiaque, et la mesure de cohérence introduite. SleepDepNet combine des réseaux de neurones convolutifs avec des réseaux de mémoire à long terme pour analyser les caractéristiques temporelles et spectrales de ces signaux. Le modèle a démontré une haute précision de 98,33% dans la classification de la dépression, validant ainsi l’efficacité de l’utilisation des interactions cerveau-coeur comme outils diagnostiques. Ces résultats suggèrent que l’intégration de l’EEG et de l’ECG, associée aux algorithmes d’apprentissage profond, offre une approche prometteuse pour l’identification objective des troubles de l’humeur et jette les bases de recherches futures sur leur détection et prédiction automatisées.

Date	18 juin 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Mohamad Forouzanfar (Directeur(-trice)), Rébecca Robillard (Codirecteur(-trice)) & Jean-Marc Lina (Codirecteur(-trice))