Dans cet article publié en 2007, Näpflin, Wildi et Sarnthein ont posé une question d’une simplicité trompeuse : à quel point l’ÉEG de repos d’une personne reste-t-il stable au fil du temps ? Plus précisément, certaines caractéristiques spectrales de l’ÉEG de repos peuvent-elles demeurer suffisamment constantes pendant plus d’un an pour constituer une sorte de « signature » statistique propre à l’individu ? Il s’agit ici d’un texte tiré des archives, mais il reste très pertinent pour les discussions contemporaines autour de l’interprétation du ÉEGq, des marqueurs de trait et de la fiabilité pratique des enregistrements de base.

Les auteurs ont abordé cette question en comparant la variabilité interindividuelle et la stabilité intra-individuelle. Cette distinction compte énormément. En clinique comme en performance, nous voulons souvent savoir si un changement observé à l’ÉEG reflète une véritable modification d’état, un effet d’intervention, ou simplement une variation ordinaire. Une signature de repos stable ne veut pas dire que l’ÉEG est figé ; cela veut dire que certains aspects mesurables peuvent rester suffisamment constants pour que les écarts au niveau de base deviennent interprétables.

C’est précisément là que le biofeedback et le neurofeedback deviennent intéressants. Le biofeedback est un processus d’entrainement dans lequel une personne apprend à modifier des signaux physiologiques à l’aide d’une information en temps réel provenant du corps. Le neurofeedback est la version fondée sur l’ÉEG de ce même processus, dans laquelle certains aspects de l’activité électrique cérébrale sont renvoyés en temps réel afin de soutenir l’autorégulation. Si l’ÉEG de repos contient une structure durable et propre à la personne, alors le neurofeedback ne travaille pas sur une toile vierge. Il agit sur un système nerveux doté de tendances de trait, de biais stables et d’une architecture de base mesurable.

L’idée est cliniquement utile, mais elle demande aussi de la retenue. Cet article ne montre pas que l’ÉEG permet d’identifier une pathologie, de prédire une réponse au traitement ou de dicter un protocole de neurofeedback. Ce qu’il montre est plus étroit et, d’une certaine manière, plus fondamental : certaines caractéristiques spectrales de l’ÉEG de repos semblent suffisamment reproductibles sur de longs intervalles pour distinguer un adulte sain d’un autre avec une grande précision, dans des conditions contrôlées.

Méthodes

L’étude a inclus 55 adultes en bonne santé, âgés de 19 à 79 ans. Parmi eux, 20 ont effectué une seconde séance d’ÉEG de repos après un intervalle de retest allant de 12 à 40 mois, avec un intervalle médian de 15 mois. Les participants ont été sélectionnés de manière à exclure des problèmes de santé pertinents et ne prenaient pas de médicaments connus pour influencer l’ÉEG. Les enregistrements ont été réalisés le matin, dans un environnement calme et contrôlé, avec les participants assis confortablement, les yeux fermés, détendus, tout en restant vigilants.

L’ÉEG a été enregistré à partir de 60 électrodes placées sur le scalp selon le système étendu 10-10. Pendant l’acquisition, CPz servait de référence d’enregistrement. Hors ligne, l’ÉEG a été re-référencé aux lobes d’oreille ou aux mastoïdes liés, selon la configuration utilisée. Les auteurs ont pris plusieurs mesures raisonnables pour améliorer la qualité du signal : inspection visuelle par époques de 5 secondes, retrait des artéfacts évidents liés à l’activité musculaire et aux mouvements oculaires, puis recours à l’analyse en composantes indépendantes (Independent Component Analysis, ICA) pour supprimer les composantes associées aux contaminations oculaires ou musculaires. Tous les enregistrements ont été édités par le même électroencéphalographiste, ce qui a probablement amélioré la cohérence, même si cela concentre aussi une part du jugement procédural chez un seul évaluateur.

L’analyse spectrale reposait sur une méthode multitaper, un choix techniquement important dans cet article. L’estimation multitaper réduit la variance des estimations spectrales en combinant plusieurs fenêtres orthogonales plutôt qu’une seule. En pratique, cela rend les comparaisons de spectres plus robustes d’une séance à l’autre. Les spectres ont été calculés à partir de fenêtres de 5 secondes, transformés en logarithmes, puis résumés en partie à l’aide du pic dominant dans la bande alpha, entre 8 et 12 Hz. La fréquence du pic et la hauteur du pic ont été converties en scores Z par rapport à la première séance de l’échantillon global.

L’élément plus original concernait la manière de quantifier la forme du spectre. Les auteurs ont aligné chaque spectre de façon à déplacer le pic alpha dominant vers 10 Hz, puis ont comparé les spectres alignés par paires sur la plage 2 à 32 Hz à l’aide d’une régression linéaire. La valeur t obtenue indexait le degré de similarité des formes : lorsque les spectres présentaient des contours globaux similaires, la pente se rapprochait de 1 et l’erreur standard restait faible, ce qui produisait des valeurs t plus élevées.

Ces variables ont ensuite été introduites dans un modèle linéaire généralisé (generalized linear model, GLM) avec un résultat binaire : deux séances d’ÉEG provenaient-elles de la même personne ou de personnes différentes ? Pour limiter le surajustement, le modèle n’utilisait que trois sites de la ligne médiane, AFz, Cz et Pz, et a été validé de manière croisée selon une procédure leave-one-out, de sorte que la probabilité de reconnaissance de chaque personne était estimée à partir d’un modèle excluant les données de cet individu.

Résultats

Le résultat central est assez direct : l’approche a correctement apparié 35 séances sur 40, ce qui correspond à une reconnaissance correcte de 88 % au niveau des séances, avec un intervalle de confiance à 95 % rapporté de 73 % à 96 %. Présenté autrement, lorsque les auteurs ont évalué les 2960 comparaisons par paires, le modèle a atteint 99,5 % de classifications correctes, avec une sensibilité de 88 % et une spécificité de 99,5 %.

Fait important, le contributeur le plus puissant à la reconnaissance n’était pas simplement la fréquence du pic alpha ou la hauteur du pic alpha. C’était la forme globale du spectre de puissance. Lorsqu’elle était examinée isolément, la variable de forme spectrale aux sites AFz, Cz et Pz permettait chacune d’identifier correctement 26 à 27 des 40 séances, alors que les différences de fréquence de pic et de puissance de pic étaient nettement moins performantes lorsqu’elles étaient utilisées seules. Autrement dit, l’information propre à l’individu semble distribuée à travers le spectre plutôt que confinée à un seul descripteur du pic alpha.

Les auteurs ont aussi examiné l’effet des choix de traitement du signal sur les performances. Avec l’ensemble complet des données, 35 séances ont été correctement reconnues. Lorsque la quantité de données ÉEG était réduite, la performance diminuait : avec seulement 20, 30 et 40 balayages, le nombre d’appariements corrects tombait respectivement à 27, 28 et 33. Leur interprétation était qu’une durée de données supérieure à 200 secondes donnait à ces paramètres une meilleure validité. C’est un point important pour toute personne tentée de surinterpréter des enregistrements de base trop brefs.

L’absence d’ICA dégradait légèrement les performances, avec 32 séances correctement reconnues, soit 80 %. Les auteurs ont également noté que, chez cinq participants revus, l’équipement différait entre les deux séances, avec des électrodes passives lors d’un enregistrement et actives lors du suivant. Malgré cela, neuf de ces dix séances ont été correctement appariées, ce qui suggère une robustesse au moins modérée entre les deux configurations d’acquisition.

L’article comporte tout de même plusieurs limites. L’échantillon de retest ne comprenait que 20 personnes. Le devis est observationnel et non mécanistique. L’asymétrie intégrée au modèle linéaire généralisé complique l’interprétation intuitive des comparaisons par paires. Et même si la précision de reconnaissance est impressionnante, elle a été obtenue dans des conditions de repos bien contrôlées chez des adultes sains, et non dans les réalités plus désordonnées de la pratique clinique.

Discussion

Cet article rappelle utilement que l’ÉEG de repos n’est ni un bruit aléatoire, ni une empreinte fixe au sens simpliste du terme. Les données soutiennent plutôt quelque chose d’intermédiaire : une signature statistique de type trait, assez stable pour être reconnue sur de longs intervalles, mais toujours estimée à l’aide de méthodes sensibles à la qualité de l’enregistrement, au prétraitement et à la durée des données. Pour les cliniciens et les professionnels du neurofeedback, c’est précisément cette zone intermédiaire qui est la plus intéressante.

Ce que l’article montre assez clairement, c’est que certaines caractéristiques spectrales de l’ÉEG de repos, yeux fermés, peuvent distinguer les individus avec une grande précision lorsque les enregistrements sont obtenus dans des conditions contrôlées. La variable la plus performante était la forme du spectre de puissance aligné, ce qui suggère que l’information spécifique à la personne est distribuée à travers les fréquences plutôt que contenue dans un seul nombre comme la fréquence alpha individuelle. Cette observation est cohérente avec l’idée plus générale selon laquelle l’ÉEG de repos reflète un mélange stratifié de rythmes thalamo-corticaux, d’organisation des réseaux corticaux, d’histoire développementale, de style d’éveil de trait et de contraintes anatomiques stables.

Ce qui reste non démontré, c’est jusqu’où cette stabilité se généralise. L’étude ne dit pas si les mêmes performances de reconnaissance seraient observées dans des populations cliniques présentant des perturbations du sommeil, une exposition médicamenteuse, des douleurs chroniques, des conditions neurodéveloppementales, des antécédents de commotion cérébrale ou des symptômes psychiatriques fluctuants. Elle ne nous dit pas non plus si la stabilité observée serait équivalente avec d’autres montages, d’autres références, d’autres systèmes de matériel ou des protocoles d’enregistrement plus courts et plus proches du terrain. Ces limites ne diminuent pas la valeur de l’article ; elles en définissent simplement les frontières.

La traduction clinique est discrète, mais importante. Lorsqu’un praticien compare l’ÉEG de repos actuel d’un client à un niveau de base plus ancien, cet article soutient l’idée qu’une continuité significative doit être attendue, surtout si le contexte d’enregistrement est standardisé. Cela renforce la logique du suivi longitudinal. Cela veut aussi dire qu’un changement apparent mérite un examen attentif. Avant d’attribuer une modification au neurofeedback, à la psychothérapie, à un médicament ou à la récupération, il faut se demander si suffisamment de données ont été recueillies, si les facteurs d’état étaient comparables, si le traitement des artéfacts était cohérent, et si la différence observée dépasse la variabilité normale intra-individuelle.

Pour les professionnels qui orientent des clients, l’étude met aussi en garde contre les excès d’interprétation. Une signature ÉEG personnelle stable n’est pas équivalente à un biomarqueur diagnostique. Le modèle utilisé ici reconnaît une identité, pas un statut pathologique, un pronostic ou une indication thérapeutique. En pratique, cette distinction importe, car l’attrait du ÉEGq peut parfois dépasser l’état réel des preuves. Une stabilité de type trait augmente notre confiance dans le fait que certaines caractéristiques ÉEG sont mesurables et reproductibles, mais cela ne valide pas, à lui seul, toutes les inférences cliniques construites à partir d’elles.

Pour les professionnels du neurofeedback, l’article renforce discrètement la logique de l’individualisation. Si l’architecture spectrale de repos présente une structure personnelle durable, alors les protocoles ne devraient pas supposer qu’une même cible a la même signification chez tous les clients. Une intervention étroite centrée sur une bande de fréquences, sans tenir compte du contexte spectral plus global de la personne, risque de manquer précisément l’ensemble des caractéristiques qui rendent l’ÉEG informatif au départ. La leçon pratique n’est pas qu’il faut toujours entrainer des caractéristiques du spectre entier, mais plutôt que les cibles fréquentielles doivent être interprétées à l’intérieur d’un niveau de base individualisé, et non comme des vérités universelles.

L’article contient aussi une leçon méthodologique encore très actuelle. Les auteurs ont volontairement utilisé seulement trois électrodes médianes pour réduire le surajustement, alors même qu’ils disposaient de 60 canaux. Ce choix est instructif à une époque où davantage de données crée souvent l’illusion d’une plus grande certitude. Leur retenue a amélioré l’interprétabilité et a probablement protégé la performance hors échantillon. Dans la recherche en neurofeedback, où les échantillons sont souvent modestes et la flexibilité analytique abondante, ce type d’humilité statistique mérite d’être salué.

Enfin, l’article nous pousse vers une vision plus mature de l’autorégulation fondée sur l’ÉEG. Le neurofeedback vise à modifier la dynamique cérébrale par l’apprentissage, mais cet apprentissage se produit sur fond de tendances neurales stables. Certaines caractéristiques peuvent être entrainables, d’autres sensibles à l’état, et d’autres encore peuvent se comporter davantage comme des contraintes durables ou des attracteurs individuels. Cette étude ne permet pas de trancher définitivement entre ces possibilités. En revanche, elle offre un argument crédible en faveur de l’idée que l’ÉEG de repos contient une structure reproductible qu’il vaut la peine de respecter. Rien que pour cela, cet article d’archives reste précieux pour les cliniciens contemporains qui cherchent à distinguer un vrai changement du simple bruit de mesure.

La perspective de Brendan

Ce que j’apprécie particulièrement dans cet article, c’est qu’il nous éloigne de deux extrêmes tout aussi peu utiles l’un que l’autre. D’un côté, il y a l’idée que l’ÉEG de repos est trop variable pour être digne de confiance, et que chaque niveau de base n’est guère plus qu’un bulletin météo. De l’autre, il y a cette notion séduisante selon laquelle un cliché ÉEGq révélerait une vérité fixe sur la personne et pourrait presque, à lui seul, prescrire le protocole. Cette étude ne soutient ni l’une ni l’autre de ces positions. Elle suggère plutôt qu’il existe une architecture personnelle significative dans l’ÉEG de repos, architecture qui tend à persister avec le temps. Cliniquement, cela semble très familier.

En pratique, beaucoup d’entre nous constatent que les clients arrivent souvent avec un « style » électrophysiologique reconnaissable. Certains sont chroniquement rapides et en effort, avec un excès de haute bêta en tension et un système nerveux qui semble anticiper les demandes avant même qu’elles n’arrivent. D’autres sont sous-activés, flottants, ou instables sur le plan de la vigilance. Certaines personnes ont des systèmes alpha robustes et bien organisés, alors que d’autres présentent une alpha postérieure plus faible, des pics irréguliers, ou des spectres qui semblent moins élégamment différenciés. Ce schéma n’est pas une destinée, mais il n’est pas aléatoire non plus. Cet article donne une version, en langage de recherche, de quelque chose que les cliniciens sentent souvent en séance : le cerveau a généralement ses habitudes.

L’ÉEG de repos comme point d’ancrage pour choisir un protocole

Pour moi, la première implication pratique est simple : le choix d’un protocole devrait commencer par le respect du niveau de base stable de la personne, et non par des hypothèses génériques liées au diagnostic ou à l’étiquette symptomatique. L’article ne nous dit pas quelle fréquence ou quel site entrainer chez un client donné. Ce serait une erreur de l’étirer jusque-là. Mais il soutient bien le principe plus large selon lequel la conception individualisée d’un protocole n’est pas un luxe. C’est une nécessité méthodologique.

Si le spectre de repos d’une personne est en partie de type trait, alors la signification de toute bande cible dépend du contexte. Dix hertz ne veut pas dire la même chose dans tous les cerveaux. Une bêta élevée sur un site peut refléter une activation focalisée chez un client, une hyperactivation chronique chez un autre, et une simple contamination musculaire chez un troisième. De même, une alpha réduite peut évoquer une organisation inhibitrice moins développée, une anxiété d’état, une mauvaise capacité à se poser les yeux fermés, des effets médicamenteux, un manque de sommeil, ou simplement un enregistrement trop bref et trop bruité pour être interprété avec confiance.

C’est pourquoi je pense que cet article plaide indirectement pour une évaluation rigoureuse avant l’entrainement. En neurofeedback ÉEG, j’aurais envie de comprendre non seulement les symptômes, mais aussi la distribution spectrale, l’organisation de l’alpha, la stabilité de la vigilance, les asymétries, la charge d’artéfacts, et la reproductibilité du motif observé à travers différents segments ou différentes séances. À partir de là, le choix du protocole devient plus cohérent. Chez un client suractivé avec une activité rapide persistante et une difficulté à se poser, je pourrais m’orienter vers un travail inhibiteur sur la haute bêta aux sites frontaux ou centraux, ou soutenir un rythme postérieur plus calme par un entrainement alpha les yeux fermés lorsque cela est cliniquement approprié. Chez un client présentant une sous-activation attentionnelle et une faible stabilité sensorimotrice, un entrainement orienté vers le rythme sensorimoteur (sensorimotor rhythm, SMR) autour de C3, Cz ou C4 peut avoir davantage de sens. Chez d’autres, la dynamique du pic alpha ou la régulation fronto-pariétale comptera plus que les amplitudes brutes par bande.

Le point important est le suivant : le protocole doit correspondre aux tendances stables de la personne tout en laissant une place à l’adaptation dépendante de l’état. Autrement dit, le niveau de base informe l’hypothèse de départ ; il ne doit pas devenir une cage. C’est aussi là que la physiologie complémentaire devient utile. La variabilité de la fréquence cardiaque, la respiration, la conductance cutanée et les données subjectives aident souvent à préciser si un motif ÉEG exprime une organisation de trait, un stress aigu, de la fatigue ou des attentes de performance. Un bon protocole se choisit rarement à partir d’un seul chiffre.

Suivre le progrès sans perdre de vue la stabilité et la neuroplasticité

La seconde implication concerne le changement. Les cliniciens s’inquiètent parfois qu’un ÉEG de repos stable signifie que le neurofeedback ne peut pas réellement le modifier de manière significative. J’y vois exactement l’inverse. La stabilité est précisément ce qui rend le changement longitudinal digne d’être mesuré. Si le niveau de base ne possédait aucune structure durable, l’amélioration serait beaucoup plus difficile à détecter et bien plus facile à écarter comme simple bruit.

Ce que suggère cet article, c’est que nous devrions d’abord nous attendre à une continuité, puis interpréter le changement avec soin. C’est un cadre très sain pour suivre les progrès. Si je vois le spectre d’un client évoluer dans le temps, je ne veux ni célébrer trop vite, ni m’alarmer trop vite. Je veux savoir si les conditions d’enregistrement étaient comparables, si suffisamment de données ont été recueillies, si le sommeil, les médicaments, la caféine, l’état hormonal ou le stress étaient différents, et si le déplacement observé s’aligne avec une amélioration clinique. Ces questions ne freinent pas la progression ; elles sont la raison pour laquelle les affirmations de progrès peuvent devenir crédibles.

C’est particulièrement important en neurofeedback, car les gains les plus significatifs ne prennent pas toujours la forme d’une révolution spectrale immédiate. Il s’agit souvent d’améliorations graduelles de la flexibilité, de la vitesse de récupération, de la stabilité sous stress, de l’endormissement, du freinage émotionnel, de la constance attentionnelle et de la résilience après perturbation. Parfois, ces gains s’accompagnent de changements évidents dans l’ÉEG de repos ; parfois, ils apparaissent d’abord dans la régulation en tâche, les questionnaires symptomatiques ou l’équilibre autonome. Un cerveau peut devenir plus entrainable, plus efficient ou moins réactif avant d’avoir l’air spectaculairement différent sur un simple cliché yeux fermés.

Alors, comment concilier des traits ÉEG stables avec la neuroplasticité ? Je préfère raisonner en couches. Certains aspects de l’ÉEG fonctionnent probablement comme des biais organisationnels durables. Ils peuvent ne bouger que modestement, même après un traitement réussi. D’autres aspects sont plus sensibles à l’état et peuvent évoluer au sein d’une séance, entre des blocs d’entrainement, ou à mesure que le sommeil et l’éveil s’améliorent. D’autres encore peuvent suivre une trajectoire non linéaire : peu de mouvement visible pendant des semaines, puis une réorganisation plus nette lorsque le système nerveux franchit un certain seuil de stabilité ou d’apprentissage.

Cette vision en couches aide à éviter deux erreurs fréquentes. La première consiste à attendre de tout parcours de neurofeedback réussi qu’il « normalise » fortement le niveau de base. La seconde consiste à supposer qu’un niveau de base stable signifie que le traitement ne fonctionne pas. En réalité, le progrès clinique peut refléter une meilleure régulation d’un style nerveux persistant plutôt qu’un remplacement total de ce style. Un client qui a toujours été plutôt rapide, intense et cognitivement très mobilisé peut rester reconnaissablement lui-même après l’entrainement, mais avec moins de maux de tête, un meilleur sommeil, moins de réactivité et davantage de choix quant à la manière dont cette activation est utilisée. Pour moi, ce n’est pas un échec de la neuroplasticité. C’est une neuroplasticité qui fait quelque chose de plus mature.

Pour des populations plus larges, ce point est particulièrement important. Dans le TDAH, la dysrégulation liée au trauma, le travail en performance, l’autisme, le stress chronique et la récupération post-commotion, nous devrions veiller à ne pas définir l’objectif comme l’effacement de l’individualité. Le but est plus souvent d’améliorer la régulation autour d’un noyau relativement stable. Cet article soutient l’idée que ce noyau peut effectivement être mesurable. Le neurofeedback, à son meilleur, aide la personne à être moins captive de son niveau de base sans prétendre que ce niveau de base n’a jamais existé.

Ma conclusion pratique reste donc à la fois optimiste et ancrée. Respecter l’architecture stable. Mesurer avec soin. Standardiser les niveaux de base. Utiliser ensemble les symptômes, la physiologie et l’ÉEG. Puis entrainer la flexibilité, pas seulement les changements visuels sur un rapport. La signature durable du cerveau n’est pas un obstacle au changement. C’est le point de départ à partir duquel l’autorégulation significative devient visible.

Conclusion

Näpflin et ses collègues offrent une démonstration soignée du fait que les spectres de l’ÉEG de repos contiennent une information propre à la personne suffisamment stable pour permettre une reconnaissance sur des intervalles allant jusqu’à 40 mois. Le signal le plus informatif ne venait pas uniquement des mesures du pic alpha, mais de la forme plus large du spectre, laquelle capte probablement des aspects plus riches et plus distribués de la physiologie corticale.

Pour les lecteurs intéressés par le neurofeedback, c’est une observation encourageante. Elle suggère que l’ÉEG de base n’est pas simplement un instantané transitoire, mais un signal structuré présentant une continuité cliniquement pertinente. En même temps, l’article plaide pour la rigueur plus que pour l’enthousiasme seul : une durée d’enregistrement suffisante, un prétraitement cohérent et une interprétation prudente comptent tous énormément.

Le message principal est finalement assez porteur. Une physiologie stable n’est pas l’ennemie du changement ; elle en constitue la toile de fond, celle qui rend le changement significatif mesurable. À ce titre, cet article d’archives reste très actuel. Il nous rappelle que plus nous comprenons ce qui tend à rester stable dans le cerveau, plus nous pouvons évaluer intelligemment ce qui est réellement en train de bouger.

Références

Näpflin, M., Wildi, M., & Sarnthein, J. (2007). Test–retest reliability of resting EEG spectra validates a statistical signature of persons. Clinical Neurophysiology, 118(11), 2519–2524. https://doi.org/10.1016/j.clinph.2007.07.022