Régularisations spatiales pour la décomposition de signauxEEG sur un dictionnaire temps-fréquence

This paper focuses on spatially regularized overcomplete dictionary decompositions for EEG signals. We compare different combinations of parcimonious and spatial regularizations leading the decomposition to solutions physiologically plausible. The constructed multichannel EEG-oriented model is formalized in a convex framework and the non-differentiable decomposition problem is solved using a proximal iterative approach. The behaviors of the introduced priors for the denoising of EEG signal are assessed both on synthetic and real EEG data where our approach is considered for P300 single trial classification.
Ce papier considère la décomposition parcimonieuse de signaux EEG sur un dictionnaire sur-complet temps fréquence.Nous comparons ici différentes combinaisons de régularisations parcimonieuses et spatiales guidant la décompositionvers des solutions plausibles physiologiquement. Notre approche est formalisée dans un problème d’optimisation convexenon-différentiable résolu grâce à une méthode proximale. L’efficacité de ces régularisations pour le débruitage de signaux EEGest testée à la fois sur des données artificielles et sur des données réelles, où notre approche est utilisée pour l’identification depotentiels évoqués P300.