Par R. Trama
La cartographie statistique paramétrique (Statistical Parametric Mapping - SPM) est une méthode d’analyse statistique employée dans le domaine de l’imagerie médicale. Cette méthode a été développée au début des années 1990 [1], et est notamment employée lors d’IRM fonctionnels afin de détecter les zones du cerveau étant sollicitées par une tache. La portabilité de cette analyse au domaine de la biomécanique a été initiée par Pataky dans les années 2010 [2] et a permis de faire des inférences statistiques sur des courbes (1D) ou des cartes (2D).
Les fondements de la SPM
Comme dans les statistiques classiques sur des valeurs extraites (0D), il existe une approche paramétrique et une non-paramétrique à la méthode SPM. La méthode paramétrique se base sur les champs gaussiens aléatoires, qui permet de faire des inférences statistiques sur des courbes. La méthode non-paramétrique quant-à-elle, se base sur des tests de permutations de labels [3], et donc sur du ré-échantillonnage et de l’aléatoire pour effectuer l’inférence statistique. L’avantage principal de l’approche non paramétrique est qu’une distribution gaussienne des données n’est pas requise, ce qui permet de l’adapter aussi bien aux courbes qu’aux cartes.
La fonction proposée
Cette approche a été proposée, codée, et mise en ligne par Pataky (spm1d.org). Cependant, l’utilisation des fonctions proposées ne permet pas de faire l’analyse des données en 2D de manière automatique. De plus, une erreur assez fréquente est de considérer uniquement la significativité du dernier test statistique effectué, et non de l’intersection entre les tests post-hoc et l’ANOVA. En effet, une différence entre deux échantillons peut être significative si et seulement si l’ANOVA l’est au niveau des mêmes zones.
La fonction que nous proposons répond à deux objectifs. 1) permettre de faire des inférences statistiques sur des courbes et des cartes avec une mise en forme uniformisée et 2) simplifier les analyses par comparaisons de moyennes tout en considérant les intersections avec les tests effectués en amont.
Pour interpréter les résultats, des figures directement exploitables pour les présentations et/ou les articles sont créées et très personnalisables en fonction des paramètres d’entrées (cf. Figures ci-dessous). De nombreuses figures sont aussi créées en complément, notamment les différences absolues et relatives, les tailles d’effet avec intervalle de confiance, et la valeur brute du test statistique et de son seuillage.
Un fichier au format Matlab (.mat) est aussi créé pour chacune des familles de test afin de retrouver le nombre de permutations, les zones significatives, les seuils statistiques, et les données utilisées pour refaire les figures. De nombreux paramètres existent aussi dans la fonction afin personnaliser les figures en 2D (Figure de gauche) ou 1D (Figure de droite).
GAUCHE : Différences de 2 cartes obtenues après une analyse en ondelettes de signal vibratoire. La zone plus claire entourée de blanc représente une zone de différences significatives où POST RACE < PRE RACE.
DROITE : Comparaisons de courbes (moyennes ± écart-types) de force de réaction au sol en fonction de 4 vitesses de course. La barre noire représente le résultat de l’ANOVA pour l’effet vitesse, et les barres colorées correspondent aux différences significatives pour des comparaisons 2 à 2 (post-hoc)..
Obtenir cette fonction
Cette fonction est disponible en libre accès sur GitHub. N’hésitez pas à faire des tests avec les exemples proposés dans …\fctSPM\Examples. En cas de questions ou de problème avec cette fonction, contacter
Publication
https://github.com/tramarobin/fctSPM
Références
[1] Friston KJ, Holmes AP, Worsley KJ, Poline JB, Frith CD, Frackowiak RSJ (1995). Statistical parametric maps in functional imaging: a general linear approach.Human Brain Mapping 2, 189–210.
[2] Pataky TC (2010). Generalized n-dimensional biomechanical field analysis using statistical parametric mapping.Journal of Biomechanics 43, 1976-1982.
[3] Nichols TE, Holmes AP (2002). Nonparametric permutation tests for functional neuroimaging: a primer with examples.Human Brain Mapping 15, 1–25.
L’auteur
Robin Trama est doctorant au Laboratoire Interuniversitaire de la Biologie de la Motricité (LIBM) de l’Université Claude Bernard Lyon 1. Sa thèse porte sur l’étude des vibrations des tissus mous dans les différentes pratiques sportives, afin de mieux en comprendre les effets sur le système musculosquelettique.
Copyright
© 2020 par l’auteur. Sauf mention contraire, le contenu du blog de la Société de Biomécanique (texte et figures) est distribué sous licence Creative Commons Attribution - Partage dans les mêmes conditions 4.0.