Beruflich Dokumente
Kultur Dokumente
Thse
Prsente pour obtenir le diplme de
Doctorat en Sciences
Spcialit : Electronique
Option : Traitement du signal
Par:
Devant le jury:
Prsident
A. BENNIA
Rapporteur
A. CHAREF
Examinateurs F.SOLTANI
L. HAMAMI
R. DJEMILI
ANNE :2011
A mes parents,
A ma femme et ma fille,
A mes surs et mes frres,
Remerciements
Remerciements
Je tiens d'abord remercier Monsieur Abdelhak Bennia d'avoir accept la prsidence
de mon jury de thse, ainsi que Madame Latifa Hamami, Monsieur Fouzi Soltani et Monsieur
Rafik Djemili de m'avoir fait l'honneur de faire partie de mon jury de thse.
Je remercie tout particulirement Monsieur Abdelfatah Charef de m'avoir encadr
durant ces annes de doctorat en tant toujours disponible et encourageant, pour son aide et
conseils et pour ses grandes valeurs humaines.
J'adresse mes remerciements toute lquipe du laboratoire traitement du signal de
luniversit Mentouri de Constantine.
Je voudrais remercier mes parents pour leur amour et leur soutien. Je remercie
affectueusement, mes surs et mes frres pour leurs encouragements poursuivre cette
longue route.
Je n'oublierai pas de remercier ma femme Afaf pour sa patience et son soutien et son
aide dans les moments difficiles.
Merci tous ceux qui m'ont aid de prs ou de loin durant ces annes de recherche et
d'tudes. Je ne peux conclure sans un mot de remerciement tous mes enseignants tout le
long de ma formation.
Introduction Gnrale. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .
Chapitre I
Le cur et llectrocardiographie
1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . .
2. Anatomie du cur. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . .
5. L'Electrocardiogramme (ECG). . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .
10
10
13
15
15
15
15
15
16
16
17
17
17
18
18
19
20
20
21
9. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . ... . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .
23
vi
Chapitre II
Les rseaux de neurones artificiels
1. Introduction. . . . . . . .. . . . . . . . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .
25
26
2.1 Historique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .
26
27
27
27
30
30
30
31
31
31
32
32
32
33
33
33
33
34
34
4.1 Principe . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . .
34
35
37
5.1 Dfinition . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . .
37
38
39
39
39
40
vii
40
40
41
41
7. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .
41
Chapitre III
Discrimination et classification des anomalies cardiaques par RNA
1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . .. . . . . . .
44
44
46
47
48
49
50
51
52
52
53
53
10. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .. .. . . . . . .
54
Chapitre IV
Approximation de la DSP du complexe QRS par les pentes
fractionnaires
1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . .
57
2. Les fractales. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .
58
59
61
5. Le cur et le fractionnaire . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. .
61
62
viii
63
8. La mthode propose. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . .. . .. . . . . . . .. . .
64
64
66
67
68
9. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .
70
Chapitre V
Rsultats et discussions
1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . .. . . .. . . . . . . .. . . . . . .
72
72
73
75
76
76
77
77
78
79
79
80
80
81
83
4.10 Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .
84
85
85
87
87
87
89
89
ix
89
90
5.9 Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . . . . . . .. . .
91
6. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .
92
Conclusion Gnrale. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . .
Bibliographie.. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . ... . . . . . . .. . . . . . .
94
97
10
1.3 Montage dEinthoven pour lenregistrement des derivations bipolaires des membres
12
12
13
13
16
18
18
19
19
20
21
22
22
28
28
29
29
32
35
38
45
58
60
61
62
63
65
4.7 Filtrage dun signal ECG avec un battement PVC (Enregistrement 221 de MIT/BIH)
66
xi
67
4.9 Spectre de puissance du complexe QRS dans deux cas considrs. . . .. . . .. . .. . ... . ..
68
69
69
70
73
74
74
74
74
75
79
80
86
86
86
88
89
xii
77
82
5.3 Rsum des rsultats obtenus par la mthode propose et autres mthodes . . . . . .. .
83
90
xiv
Abrviations
Abrviations
ECG
lectrocardiogramme
NS
Nud Sinusal
NAV
ESV
Extrasystole Ventriculaire
PVC
BBD
RBBB
RNA
PMC
MLP
SOM
DSP
AAMI
xv
Introduction Gnrale
Introduction Gnrale
Introduction Gnrale
Le cur est le muscle le plus fort du corps humain, et malgr sa puissance il est
vulnrable l'chec et au dysfonctionnement. Plusieurs types de maladies peuvent l'affecter,
nous pouvons citer comme exemples: les arythmies (les extrasystoles, les fibrillations, les
tachycardies, etc.) et les diffrents types de blocs de conduction (bloc de branche gauche et
droite, bloc auriculo ventriculaire). Ces maladies ont diverses origines; elles peuvent tre
coronaires,
hypertensives,
inflammatoires
ou
rhumatismales
[1].
Les
maladies
cardiovasculaires constituent l'une des principales causes de mortalit dans le monde, un taux
de 60% de ces maladies est enregistr dans les pays en voie de dveloppement o le
mdicament, le diagnostic et les normes vivantes de base ne sont pas fournis [2]. Pour ces
raisons il y a un besoin urgent pour le dveloppement de nouvelles mthodes de prvention,
de dtection et de traitement de ces maladies. Parmi les examens les plus couramment
effectus pour la dtection des maladies cardiovasculaires on distingue llectrocardiogramme
(ECG) qui est un signal de nature lectro-physiologique dont le trac matrialise l'activit
lectrique du cur capt par des lectrodes places la surface du corps. Dans le but
dexploiter au mieux les donnes ECG en grande quantit et dont l'analyse manuelle est
difficile, les systmes intelligents de diagnostic sont apparus. Ces systmes permettent
d'amliorer la qualit du signal (filtrage des bruits), le rehaussement des informations
pertinentes, l'extraction des informations qui ne sont pas visibles par une analyse visuelle
directe, ainsi que de proposer un diagnostic qui puisse apporter une aide suffisante pour
permettre aux mdecins non spcialistes ou dbutants de prendre les bonnes dcisions.
Cependant, l'automatisation de la dtection des maladies cardiovasculaires partir du signal
ECG n'est pas triviale, notamment parce qu'il est difficile d'extraire de ce dernier toutes les
informations dont se sert le mdecin pour faire un bon diagnostic. En outre, fournir un
systme suffisamment de connaissances expertes pour automatiser le diagnostic est une tche
extrmement coteuse et fastidieuse.
Un systme de traitement automatis de l'ECG se compose gnralement de quatre
tapes successifs comme suit: le prtraitement du signal, la dtection des ondes, l'extraction
des paramtres pertinents, et enfin la classification/discrimination des anomalies [3]. Ltape
de prtraitement (ou filtrage) du signal consiste essentiellement liminer les diffrents types
de bruits qui affectent le signal ECG durant sont acquisition (par exemple linterfrence
1
Introduction Gnrale
50Hz avec l'alimentation des appareils de mesures, bruits lis aux lectrodes, dviation de la
ligne de base lie aux mouvements du cur et du patient etc.). La dtection a pour but la
localisation des diffrentes ondes de lECG ainsi que la mesure de leur dure dune faon
exacte et fiable. Dans la littrature on trouve beaucoup d'algorithmes et techniques de
dtection [4-13]. Comme le complexe QRS est le plus important dans le cycle cardiaque, la
dtection de l'onde R est la plus recherche dans la littrature. Les mesures faites sur le signal
ECG aprs la dtection peuvent tre dsignes sous le nom des vecteurs de paramtres
caractristiques. Cest dans ltape extraction/slection que se ralisent ces mesures. Ce
vecteur des paramtres peut subir une autre tape de traitement avant la classification,
Plusieurs techniques de slection des paramtres pertinents peuvent tre utilises pour rduire
la dimension du vecteur de paramtres comme la reprsentation temporelle [14], les
intervalles RR [15], les fonctions Hermites [16], la modlisation autorgressive [17] et la
transforme en ondelettes [18-20]. Ltape de slection permet de choisir les paramtres les
plus pertinents pour maximiser la divergence entre les classes, tout en maintenant toujours
l'information suffisante pour permettre la discrimination.
Dans cette thse, le premier axe de recherche abord est la prsentation d'une nouvelle
mthode pour l'extraction des paramtres partir du signal ECG en se basant sur le concept
des fractales (fractionnaire). Ce concept est n d'une rflexion des mathmaticiens sur la
notion de dimension d'espace; il a t dvoil par B. Mandelbrot [21-22]. Le concept des
fractales est souvent li un autre concept aussi trs important qui est le comportement en 1/f
des processus et des phnomnes physiques. Ce comportement est souvent vu comme la
manifestation ou l'effet dune multitude de processus locaux voluant dans le temps et qui
provoquent simultanment ce type de processus. Ce comportement a t remarqu dans
diffrents domaines de la nature tel que le bruit lectrique [23], le phnomne de relaxation
des impdances polarises dans les milieux dilectriques [24], le rythme cardiaque [25], les
membranes cellulaires [26], les ondes crbrales [27], la densit spectrale de londe musicale,
ainsi que les donnes en mtorologie, en conomie, et en statistique [28]. Les travaux de
Goldberger et al [29] sur lactivation du myocarde ventriculaire ont prouvs que l'activation
des ventricules par l'intermdiaire des fibres de Purkinje conduit une dpolarisation fractale
des ventricules et que cette dpolarisation est reflte dans le complexe QRS. Goldberger et al
ont prouvs aussi que le spectre du complexe QRS suit une loi de puissance inverse 1/f avec
une pente de valeur fractionnaire. Cette caractristique a t justifie par la structure fractale
Introduction Gnrale
du rseau de conduction cardiaque et surtout les fines fibres de Purkinje fortement ramifies
[29-32]. Cette importante caractristique sera la base de travail de cette thse.
Le second axe de recherche abord dans cette thse est la classification et la
discrimination des arythmies cardiaques. Les techniques utilises dans cette tche sont des
rseaux de neurones aliments par des paramtres pertinents extraits partir du signal ECG.
Dans la littrature, on trouve pas mal de techniques appliquant les approches de l'intelligence
artificielle dans la classification automatise de lECG, telles que lapproche baysienne et
heuristique [33], les modles de Markov [34], la technique ART (Adaptive Resonant Theory)
[35], les machines support de vecteur (SVM) [36] et les rseaux de neurones artificiels
(RNA) [37-38]. Les RNA ont t le choix le plus populaire dans le domaine de la
classification automatise du signal ECG pendant les deux dernires dcennies. Ceci est peut
tre d aux avances faites dans les algorithmes dapprentissages des RNA dans les annes 80
leur donnant un niveau de classification comparable ceux des approches dj existantes et
avec un temps de calcul nettement plus court [39-40]. La polyvalence des applications des
RNA concernant leurs variables d'entre dans le champ des applications lies aux maladies
cardiaques est un autre avantage qui a pouss les chercheurs abandonner les approches
traditionnelles pour les RNA [41]. Donc, au lieu d'utiliser des donnes lies directement
lECG tel que lamplitude, les intervalles temporels etc., les RNA peuvent tre aliments par
nimporte quel ensemble de donnes extraites partir du signal par des techniques de
traitement du signal. Plusieurs architectures des RNA ont t employes dans le cas de la
classification et la discrimination des anomalies cardiaques, les plus utilises sont le
perceptron multicouche [42], les rseaux fonction radiale [43], les cartes auto-organisatrices
de Kohonen (SOM) [44], les rseaux de Hopfield [45] et les rseaux ART [46-47].
Objectifs et motivations
Notre travail se situe dans le cadre de lanalyse automatique des troubles cardiaques.
Une attention particulire est porte sur les battements ectopiques prmatures (PVC) et le
bloc de branche droit (RBBB). Cette thse propose une mthode originale de classification et
de discrimination des anomalies cardiaques partir dune seule chane du signal ECG. La
mthode propose est base sur lutilisation de deux nouveaux paramtres extraits de la
densit spectrale de puissance du complexe QRS pour discriminer les battements anormaux
des battements normaux. Ces paramtres appels pentes fractionnaires sont calculs par
3
Introduction Gnrale
interpolation linaire de la densit spectrale de puissance (DSP) du complexe QRS dans deux
intervalles diffrents de frquence. La tche de classification est ralise par un rseau de
neurones aliment seulement par les deux paramtres qui reprsentent le complexe QRS ou
plus gnralement qui reprsente tout un battement.
Prsentation de la thse
Le premier chapitre de cette thse prsente sommairement llectrophysiologie du
cur, llectrocardiogramme, et notamment les diffrents types dartefacts qui affectent le
signal ECG enregistr. Ces notions sont indispensables pour la bonne comprhension des
problmes tudis. Il permet, en particulier, de comprendre lorigine des signaux lectriques
enregistrs par llectrocardiogramme et prsente quelques pathologies cardiaques typiques
illustres chacune par un enregistrement ECG correspondant.
Le deuxime chapitre est consacr la prsentation des rseaux de neurones artificiels.
Nous nous sommes concentrs principalement sur deux architectures neuronales qui sont
gnralement utilises pour la classification des anomalies cardiaques: le perceptron multi
couches (MLP) et le rseau SOM.
Le troisime chapitre donne un aperu sur les diffrents tapes constituant un systme
automatique de diagnostic cardiaque. Une partie du chapitre est consacre la prsentation
dun tat de lart sur lapplication de lintelligence artificielle dans la conception des systmes
automatiques de diagnostic cardiaque, notamment lutilisation des rseaux de neurones dans
ltape de la classification avec les avantages et les inconvnients de traitement par RNA.
Introduction Gnrale
Enfin, une conclusion gnrale, prsente une gense des principaux rsultats de cette
thse et les perspectives de ce travail de recherche.
Chapitre I
Le cur et
llectrocardiographie
Chapitre 1
Le cur et llectrocardiographie
1. Introduction
Le systme cardiovasculaire est constitu du cur et du systme vasculaire, sa
fonction principale est d'assurer un flux de sang adquat continu et sous pression suffisante
aux organes et aux tissus afin de satisfaire aux besoins nergtiques et au renouvellement
cellulaire quelles que soient les conditions ambiantes et l'activit de l'individu. Dans ce
chapitre, l'introduction la cardiologie est volontairement limite aux notions utiles la
comprhension des chapitres suivants. Le lecteur intress pourra cependant trouver des
informations complmentaires dtailles dans [48,3] et de manire plus intuitive dans [49,50].
2. Anatomie du cur
Le cur est un organe contractile assurant la circulation sanguine. Cest un muscle
stri creux spar en deux moitis indpendantes (droite et gauche). Sa partie droite contient
du sang pauvre en oxygne et assure la circulation pulmonaire; sa partie gauche renferme du
sang riche en oxygne et le propulse dans tous les tissus. Chacune des moitis comporte une
oreillette et un ventricule qui communiquent par des valves d'admission qui, l'tat normal,
laissent passer le sang uniquement de l'oreillette vers le ventricule. Il existe aussi des valves
d'chappement qui assurent la communication entre le ventricule droit et l'artre pulmonaire
(valve pulmonaire), ainsi qu'entre le ventricule gauche et l'artre aorte (valve aortique). Ces
deux valves se trouvent l'entre de l'aorte et de l'artre pulmonaire respectivement. Sur la
Figure (1.1), nous pouvons voir l'anatomie du cur et des vaisseaux associs. Les parois du
cur sont constitues par le muscle cardiaque, appel myocarde, compos d'un ensemble de
cellules musculaires cardiaques ou cardiomyocites [51].
Chapitre 1
Le cur et llectrocardiographie
La diastole est la phase de relaxation du cur pendant laquelle il se remplit de sang. Cette
priode est compose de deux phases: la relaxation ventriculaire isomtrique et la phase de
repos.
- La relaxation ventriculaire fait suite la systole. Les ventricules se relchent, la
pression chute jusqu'a tre inferieure celle exerce dans l'aorte et l'artre
pulmonaire.
- La phase de repos est celle pendant laquelle le sang des veines caves et
pulmonaires s'coule librement dans les ventricules via les oreillettes.
8
Chapitre 1
Le cur et llectrocardiographie
Chapitre 1
Le cur et llectrocardiographie
Les branches du faisceau de His finissent dans un rseau de fibres qui arrivent dans les parois
ventriculaires. Les fibres de Purkinje terminent en anastomoses avec les fibres myocardiques
musculaires, facilitant leur excitation.
5. L'Electrocardiogramme (ECG)
Le terme lectrocardiogramme (ECG) dsigne en gnral les techniques permettant de
visualiser les diffrences de potentiel qui rsultent de l'excitation du cur. Ces potentiels
naissent la limite entre les zones excites et celles non excites du myocarde et sont mesurs
entre deux points de la surface du corps. Une fibre cardiaque en cours de dpolarisation peut
tre assimile un diple lectrique. A un instant donn le front de l'onde d'activation form
par l'ensemble des diples lmentaires cre un champ lectrique qui est fonction des
moments dipolaires. L'enregistrement de l'volution temporelle du champ lectrique rsultant,
effectu au moyen d'lectrodes cutanes, est nomm l'lectrocardiogramme de surface et
appel simplement ECG [50,54].
10
Chapitre 1
Le cur et llectrocardiographie
11
Chapitre 1
Le cur et llectrocardiographie
Figure 1.3. Montage dEinthoven pour lenregistrement des derivations bipolaires des membres.
12
Chapitre 1
Le cur et llectrocardiographie
13
Chapitre 1
Le cur et llectrocardiographie
- L'onde P:
Elle reprsente la dpolarisation auriculaire. Cette onde peut tre positive ou ngative avec
une dure de l'ordre de 90 ms. Gnralement son observation est difficile, spcialement dans
des conditions bruites. Il faut noter que la repolarisation auriculaire n'est pas visible sur
l'ECG car elle concide avec le complexe QRS d'amplitude plus importante.
- Le complexe QRS:
Il correspond la dpolarisation ventriculaire prcdant l'effet mcanique de contraction et il
possde la plus grande amplitude de l'ECG. Il est constitu de trois ondes conscutives :
l'onde Q qui est ngative, l'onde R qui est positive dans un ECG normal et l'onde S qui est
ngative. Sa dure normale est comprise entre 85 et 95 ms.
- L'onde T:
Elle corresponde la repolarisation des ventricules, qui peut tre ngative, positive ou biphasique et qui a normalement une amplitude plus faible que le complexe QRS. Bien que la
dpolarisation et la repolarisation des ventricules soient des vnements opposs, l'onde T est
normalement du mme signe que l'onde R, ce qui indique que la dpolarisation et la
repolarisation ne sont pas symtriques.
L'ECG est aussi caractris par plusieurs intervalles comme on peut voir sur la Figure (1.6):
- L'intervalle RR:
Il est dlimit par les sommets de deux ondes R conscutives et d'o est value la frquence
cardiaque instantane. Cet intervalle est utilis pour la dtection des arythmies ainsi que pour
l'tude de la variabilit de la frquence cardiaque.
- Le segment ST:
Il reprsente l'intervalle durant lequel les ventricules restent dans un tat de dpolarisation
actif. Il est aussi dfini comme la dure entre la fin de l'onde S et le dbut de l'onde T.
- L'intervalle PQ:
Il reprsente l'intervalle de temps entre le dbut de la dpolarisation des oreillettes et le dbut
de la dpolarisation ventriculaire. Il reprsente le temps ncessaire l'impulsion lectrique
pour se propager du nud sinusal jusqu'aux ventricules et il est mesur entre le dbut de
l'onde P et le dbut du complexe QRS.
- Lintervalle QT:
Il reprsente la dure entre le dbut du complexe QRS et la fin de l'onde T. Cet intervalle
reflte la dure de la dpolarisation et repolarisation ventriculaire. En effet sa dynamique peut
tre associe des risques d'arythmie ventriculaire et de mort cardiaque soudaine.
14
Chapitre 1
Le cur et llectrocardiographie
15
Chapitre 1
Le cur et llectrocardiographie
(b)
(a)
Figure 1.7 Exemples d'ECG : (a) normal et (b): bloc de branche gauche.
16
Chapitre 1
Le cur et llectrocardiographie
17
Chapitre 1
Le cur et llectrocardiographie
18
Chapitre 1
Le cur et llectrocardiographie
battements ventriculaires qui conduit une diminution du pompage du sang (voir Figure
(1.10)).
19
Chapitre 1
Le cur et llectrocardiographie
20
Chapitre 1
Le cur et llectrocardiographie
21
Chapitre 1
Le cur et llectrocardiographie
22
Chapitre 1
Le cur et llectrocardiographie
9. Conclusion
Ce chapitre est une introduction aux lments de base de llectrophysiologie du
cur. Aprs une introduction sur lanatomie du cur humain, nous avons dcrit brivement
lactivit mcanique du cur ainsi que le systme de conduction lectrique du cur. Ces
notions sont indispensables pour la bonne comprhension des problmes tudis par la
suite.
Dans une deuxieme partie de ce chapitre nous avons expos les differentes notions de
llectrocardiographie. Quelques pathologies cardiaques typiques ont t presentes et
illustres chacune par un enregistrement ECG correspondant.
Nous avons termin ce chapitre par donner les diffrents types dartefacts qui
peuvent affecter le signal ECG enregistr.
23
Chapitre II
Les rseaux de neurones
artificiels
Chapitre II
1. Introduction
Inspirs du fonctionnement du cerveau humain, les rseaux de neurones artificiels
(RNA) occupent aujourdhui une place prpondrante dans plusieurs domaines des sciences
de lingnieur. C'est partir de l'hypothse que le comportement intelligent merge de la
structure et du comportement des lments de base du cerveau, que les rseaux de neurones
artificiels se sont dvelopps. Les progrs accomplis dans la comprhension du
fonctionnement du cerveau humain ont contribu dans une large mesure au dveloppement
des RNA. Cependant les scientifiques sont toujours impressionns par larchitecture du
systme neuronal humain, sa complexit, son efficacit et sa rapidit dans le traitement de
certains problmes complexes que le plus puissant des ordinateurs actuels ne peut rsoudre
avec la mme efficacit.
Dun point de vu mathmatique, un RNA est un systme mathmatique possdant une
capacit dapprentissage de lenvironnement extrieur. Il est capable de modliser un
processus physique partir de donnes exprimentales (il n'est pas strictement ncessaire
dassumer une relation particulire entre les donnes) mises sa disposition afin de
gnraliser sur de nouvelles donnes. Les RNA peuvent fournir une solution intressante pour
les problmes de classification des anomalies cardiaques, leur excellente possibilit
d'apprendre le rapport entre les entres-sorties d'un ensemble de donnes sans n'importe
quelle connaissance antrieure les rendent tout fait appropris aux tches de classification
dans les situations pratiques comme la notre. Dans ntre cas le RNA sera utilis pour la
classification des anomalies cardiaques partir des paramtres ou signatures dune anomalie,
en dautres termes, son rle sera la discrimination dune anomalie cardiaque partir du signal
ECG.
Ce chapitre est structur en deux parties. Une premire partie est consacre la
prsentation des rseaux de neurones artificiels. Nous commenons par donner une brve
prsentation de lvolution historique de cet axe de recherche, avant de prsenter le principe
de fonctionnement des neurones artificiels, nous dcrivons les bases essentielles des neurones
biologiques ainsi que les diffrentes architectures de rseaux de neurones. Nous concluons
cette partie en prsentant les rseaux de neurones les plus utiliss. La deuxime partie de ce
chapitre sera consacre aux architectures neuronales utilises dans notre thse qui sont le
Perceptron Multi Couches et celui de Kohonen. Nous prsentons ainsi leur principe de
25
Chapitre II
fonctionnement avec leurs algorithmes dapprentissage et nous terminerons par les diffrentes
applications des RNA.
Chapitre II
mmoires associatives, ainsi que S. Grossberg qui a mis au point ce que lon appelle
aujourdhui les rseaux auto-organiss. Cest ensuite, en 1985 que la rtro-propagation du
gradient apparat. Cest un algorithme dapprentissage adapt au Perceptron Multi Couches.
Sa dcouverte est ralise par trois groupes de chercheurs indpendants. Ds cette dcouverte,
nous avons la possibilit de raliser une fonction non linaire dentre/sortie sur un rseau en
dcomposant cette fonction en une suite dtapes linairement sparables. Enfin, en 1989
Moody et Darken [43] exploitent quelques rsultats de linterpolation multi variables pour
proposer le Rseau Fonctions de base Radiales (RFR), connu sous lappellation anglophone
Radial Basis Function network (RBF). Ce type de rseau se distingue des autres types de
rseaux de neurones par sa reprsentation locale.
Chapitre II
unique qui se ramifie ensuite pour alimenter un nombre variable de neurones en aval comme
montr sur la Figure (2.3) [58]. A chaque connexion est associ un poids.
28
Chapitre II
29
Chapitre II
Chapitre II
que la sortie dun neurone peut tre fonction delle-mme. Or cela nest possible que si la
notion de temps est prise en compte. Ce type de rseau est notamment utilis pour la
modlisation dynamique de processus non linaires.
Chapitre II
32
Chapitre II
Chapitre II
diffrence entre les neurones d'entre et de sortie. Ils fonctionnent comme une mmoire
associative non-linaire et sont capables de trouver un objet stock en fonction de
reprsentations partielles ou bruites. L'application principale des rseaux de Hopfield est
l'entrept de connaissances mais aussi la rsolution de problmes d'optimisation. Le mode
d'apprentissage utilis ici est le mode non-supervis.
Chapitre II
entres est alors introduite dans une fonction d'activation qui dcide de l'tat de sortie du
neurone [62].
et
(2.3)
La minimisation de la fonction derreur globale va se faire par une descente de gradient. Par
consquent, aprs la prsentation de tous les vecteurs dentre de la base dapprentissage,
nous modifierons la valeur de chaque connexion par la rgle suivante:
35
Chapitre II
Cette rgle dapprentissage est gnralement appele la rgle de delta gnralise. Dans
lexpression (2.3), seule la sortie i dpend du paramtre w. Selon la position des poids des
connexions, deux cas se prsentent :
Pour le cas des neurones de sortie, lexpression (2.3) devient fonction du paramtre wij qui
influe uniquement sur la sortie du neurone dindice i. Nous pouvons donc dcomposer la
drive de lexpression (2.3) par :
(2.5)
.
Lexpression (2.4) devient alors
(2.6)
Pour le cas des neurones cachs, lexpression (2.4) est fonction du paramtre wjk qui influe
non seulement sur la sortie du neurone j de la deuxime couche, mais aussi sur tous les
neurones i de la couche de sortie (en aval) qui lui sont connects. On obtient alors lquation
suivante :
(2.7)
.
Le premier terme de cette expression devient alors :
(2.8)
.
On obtient alors la modification des poids :
(2.9)
Aprs avoir calcul la variation des poids des connections pour tous les neurones de sortie
(quation (2.5)), on calcule alors la variation des poids des connexions de la couche cache
(quation (2.9)). On met ainsi jour les poids des connections de la couche de sortie jusqu
la couche dentre: on rtropropage ainsi le signal derreur. Cest de l que vient le nom de
cet algorithme: rtropropagation du gradient de lerreur. Du fait de sommer les wij pour
36
Chapitre II
tous les vecteurs p de la base dapprentissage puis de remettre jour les poids avec la
variation totale ainsi calcule, lalgorithme est appel gradient total. Une autre faon de faire,
appele version squentielle, modifie les poids des connexions aprs chaque prsentation dun
vecteur dentre p. Une version stochastique permet de prendre en compte les vecteurs
dapprentissage p dune faon alatoire.
Lalgorithme de rtropropagation du gradient de lerreur a permis de dpasser les limites du
Perceptron simple. Il savre capable de rsoudre un grand nombre de problmes de
classification et de reconnaissance des formes et a donn lieu beaucoup dapplications. Cet
algorithme souffre nanmoins de nombreux dfauts, parmi lesquels:
Une des limitations importantes est le temps de calcul: lapprentissage est trs long;
Une grande sensibilit aux conditions initiales, c'est--dire la manire dont sont
initialiss les poids des connexions;
La couche dentre sert uniquement la prsentation des formes classer et les tats
de tous ses neurones sont forcs aux valeurs des donnes dentre;
37
Chapitre II
(2.10)
autrement
Chapitre II
question. Lapprentissage comptitif est surtout utilis dans le contexte dun apprentissage dit
non supervis, cest--dire lorsquon ne connat pas les valeurs dsires pour les sorties du
rseau.
Choisir un vecteur dentre I = [I1, I2, ..., IM] dans lensemble des vecteurs
dentre apprendre.
i=1...N
Chapitre II
6.2 Modlisation
Lune des applications rpondu des RNA est la modlisation, nous pouvons citer
comme exemples: Modlisation financire, modlisation des processus de fabrication et de
production, modlisation en biomdecine [67].
40
Chapitre II
Cardiologie [1]
Ophtalmologie [73]
Prdiction [74]
7. Conclusion
Ce chapitre introduit les notions de base sur les rseaux de neurones artificiels. Aprs
un historique sur lapparition des RNA, et la prsentation des modles biologique et
mathmatique du neurone, les diffrentes architectures des rseaux de neurones ainsi que
leurs types dapprentissage sont prsents. Les RNA les plus utiliss sont aussi exposs.
Nous nous sommes concentrs principalement dans ce chapitre sur deux architectures
neuronales qui sont concernes par notre travail de recherche et qui sont gnralement les plus
utilises pour la classification des anomalies cardiaques: le perceptron multi couches et la
carte auto organisatrice. Nous avons termin ce chapitre par les diffrentes applications des
rseaux de neurones artificiels.
41
Chapitre II
On note ici que dans tout ce qui suit nous allons utiliser les abrviations en anglais,
MLP pour dsigner le rseau perceptron multi-couches et SOM pour dsigner la carte auto
organisatrice de Kohonen.
42
Chapitre III
Discrimination et
classification des anomalies
cardiaques par RNA
Chapitre III
1. Introduction
Le signal ECG possde une grande valeur clinique pour le diagnostic des troubles du
rythme cardiaque et des anomalies de la conduction lectrique. Ces pathologies sont en
gnral refltes par des troubles de l'activit lectrique du cur. Beaucoup de techniques du
traitement de signal ont t utilises pour l'analyse de l'activit lectrique cardiaque et se sont
avrs des outils reconnus pour l'aide au diagnostic, le traitement et le suivi des pathologies,
ainsi que pour une meilleure comprhension de la dynamique de l'activit lectrique
cardiaque. Ces techniques de traitement permettent de raliser l'amlioration de la qualit du
signal (filtrage de bruits), le rehaussement des informations pertinentes et l'extraction des
informations qui ne sont pas visibles par une analyse visuelle directe. De tels traitements
automatiques sont devenus une ncessit pour exploiter au mieux les donnes en grande
quantit dont l'analyse manuelle est difficilement envisageable. Cependant, les recherches
visant lanalyse et la classification des signaux ECG ont souvent utilis des algorithmes et des
techniques dont le but principal est de modliser la pense et le raisonnement d'un expert (le
cardiologue). Toutefois, la dfinition d'une rgle ultime fixe pour le diagnostic cardiaque
reste irralisable, et l'effort de beaucoup de recherches a t dirig vers lutilisation des
techniques bases sur lextraction et la classification des paramtres descriptifs.
44
Chapitre III
Ltape de traitement du signal qui traite les signaux ECG acquis et gnre des
descripteurs pertinents.
L'tape de diagnostic qui a pour but de dtecter les pathologies en se basant sur les
tapes du traitement prcdent.
L'tape de traitement du signal a dj t formalise par certains auteurs [78] et [79]. Diverses
mthodes de classification automatique de lECG se trouvent dans la littrature. Toutefois, le
processus de traitement peut tre gnralement subdivis en un nombre de modules de
traitement:
Ltape de dtection de londe R ou du complexe QRS.
Ltape de slection ou bien extraction des paramtres.
Ltape de classification ou de reconnaissance.
Ltape de dtection de londe R ou du complexe QRS
45
Chapitre III
Chapitre III
Channel Adaptive Resonance Theory) pour classer les signaux ECG. La mise en uvre des
rsultats montrent que ce classificateur peut discriminer les battements normaux des
battements ventriculaires avec une prcision de plus de 90%. Olmez [83] dans son travail sur
la classification des formes d'ondes de l'ECG a class 4 types de battement tels que les
battements normaux, le bloc de branche gauche, la contraction ventriculaire prmature, et les
battements de type P en utilisant un rseau de neurones RCE (Restricted Coulomb Energy) et
les algorithmes gntiques et il a obtenu une prcision de classification de plus de 94%.
Plusieurs tudes ont confirms les performances des rseaux de neurones pour la dtection et
la reconnaissance de l'ECG anormal. L'utilisation du rseau de neurones pour lanalyse du
signal ECG offre plusieurs avantages par rapport aux techniques classiques. Donc, les rseaux
de neurones ont merg comme une prtendance srieuse de la nature fortement non-linaire
et chaotique de l'ECG. Dans ce qui suit, nous allons percevoir les diffrents champs
d'application des rseaux de neurones artificiels dans la discrimination et la classification des
pathologies cardiaques en se basant sur le traitement des signaux ECG.
Chapitre III
Chapitre III
de filtres et des arbres de dcision (filter bank features and decision trees). L'algorithme a
ralis une sensibilit de 85.3% et une prdiction positive de 85.2%. Une mthode complexe
de classification de QRS qui utilise la distance de Mahalanobis comme critre de
classification a t dveloppe par Moraes et al [92]. Le classificateur a t test sur 44
enregistrements de la base de donnes MIT-BIH et les rsultats taient 90.74 % pour la
sensibilit et 96.55 % de prdiction positive. Un classificateur aliment par vingt-six
paramtres de deux drivations a t galement propos par Christov et al [93]. Cet
algorithme a t test sur tous les enregistrements de la base de donnes MIT-BIH. Ils ont
ralis 99.7 % de dtection correcte des battements normaux et 98.5 % de battements
ventriculaires prmaturs. Un classificateur des battements PVC bas sur la transformation en
ondelettes et les intervalles temporels RR a t propos par Inan et al [94]. Ce classificateur a
ralis une justesse de classification de 95.16% pour 93.281 battements de 40
enregistrements. Chen [95] a propos un dtecteur des battements PVC bass sur un filtre
moyenneur non linaire. Il a rapport une sensibilit de 97.8% et une spcificit de 99.7%
pour 34 enregistrements de la base MIT/BIH. Asl et al [96] ont employ une mthode base
sur un classificateur SVM (Support Vector Machines) pour la discrimination des PVC.
Quinze paramtres du signal de HRV (Heart Rate Variability) ont t utiliss et une
exactitude de 98.96 % a t obtenue.
Le signal ECG prsente gnralement une variabilit leve inter et intra-patient, dans
la morphologie et la synchronisation. Par consquent, la ralisation d'un classificateur
plus simple avec une grande prcision pour un grand nombre de patients est un
problme trs difficile adresser.
Les paramtres extraits partir du signal d'ECG sont trs susceptibles aux variations
de la morphologie de lECG, de ses caractristiques temporelles et des sujets traits.
Chapitre III
Chapitre III
petite, plus la similitude est grande. Le calcul des distances entre les paires de modles
qui sont reprsents par diffrents types de paramtres peut ne pas tre une tche
insignifiante et le choix d'une mesure de distance est donc dpendant des donnes et
de l'application [99].
l'implmentation des systmes est possible par lutilisation des paramtres descriptifs
au lieu des rgles prdfinies sur les maladies.
Les RNA peuvent traiter les bruits et les nouvelles situations dune faon automatique
via la gnralisation des donnes.
51
Chapitre III
Les RNA peuvent tre automatiss pour l'analyse en temps rel et dune faon rapide
et fiable.
Cependant, un foss vident existe entre les proprits thoriques des RNA et leur vraie
implmentation dans la pratique clinique, ceci est principalement d aux caractristiques et
aux conditions spciales pour quune mthode soit acceptable dans ce champ d'application.
Bien que les RNA aient donn d'excellents rsultats dans beaucoup d'applications cliniques, il
y a quelques points faibles vus par la communaut mdicale telle que l'issue de
linterprtation des dcisions ou de la complexit de la formulation qui peuvent limiter leurs
acceptations dans ce domaine. C'est parce que, en dpit de la grande acceptation dans d'autres
domaines d'application, l'utilisation des RNA dans la mdecine exige des efforts additionnels
en termes d'valuation de la stabilit et de la robustesse du modle, qui, dans la plupart des
cas, n'est pas effectue. Ce sont des soucis importants qui doivent tre abords. Dans ce qui
suit, nous passons en revue les problmes principaux produits dans la littrature en
dveloppant un RNA pour le problme de classification de lECG. Aprs l'tude projete sur
le schma 3.1, il est facile de trouver des problmes dans toutes les tapes du dveloppement
du modle.
52
Chapitre III
entre les rsultats acadmiques et les rsultats observs dans la pratique clinique, o des taux
levs de fausses dtections sont trouvs [104].
Chapitre III
Dveloppement du modle
Le problme du choix du classificateur et la mthodologie la plus appropri pour le
dveloppement du modle dans un problme de classification de lECG donn est li
plusieurs aspects. Par exemple, les chercheurs devront penser avant de choisir une
famille de classificateurs leur convenance au problme, c.--d., les possibilits de
traiter le bruit et les changements dynamiques des signaux, le travail efficacement
avec les dimensions leves de l'espace d'entre du problme, ainsi que lutilisation
dun ensemble rduit de donnes dans ltape dapprentissage. En outre, le risque de
chute dans des minimum locaux, l'algorithme d'tude est spcifique, ou le besoin des
techniques pour viter la sur-modlisation overfitting. Ces problmes devront tre
discuts dans le contexte spcifique de l'application.
valuation d'exactitude
Quelques suggestions pour l'valuation approfondie des systmes d'aide la dcision
mdicale intelligente bass sur les RNA sont fournies dans [107]. Les auteurs ont
pass en revue quelques concepts ncessaires pour lvaluation de lexactitude des
systmes. Comme ils ont indiqu, plusieurs concepts mathmatiques utiliss par les
chercheurs ne sont pas connus dans la communaut mdicale et vice versa. Par
consquent, parfois un RNA est valu en termes de critres significatifs pour la
communaut de chercheurs mais avec peu d'avantages pour la communaut mdicale.
Ceci implique que les RNA devront tre compars aux normes, admises dans le
domaine mdical. En outre, la comparaison devra tre effectue pour dmontrer
l'exactitude par l'utilisation dun ensemble de mesures et de critres largement
reconnus.
10. Conclusion
Chapitre III
55
Chapitre IV
Approximation de la DSP
du complexe QRS par les
pentes fractionnaires
Chapitre IV
1. Introduction
La deuxime tape dans la classification des anomalies cardiaques aprs le pr
traitement est l'extraction des paramtres caractristiques partir des signaux ECG tudier.
Cette extraction est essentielle dans le sens o c'est elle qui va dcrire les signaux observs
dans un format qui permet d'effectuer un test. Dans cette tape, plusieurs niveaux de
traitement peuvent se complter. Une optimisation de la slection des paramtres peut tre
incluse dans ce processus, par laquelle le vecteur caractristique est rduit en dimension, ne
retenant que les caractristiques les plus pertinentes ncessaires la discrimination et parfois
assist par des connaissances a priori ou des rgles. La reprsentation du signal ECG sous
forme de vecteurs modles en M dimensions (un vecteur peut contenir n'importe quel
ensemble d'chantillons conscutifs du signal ECG original tel que le complexe QRS) est une
tape critique dans l'analyse automatise de lECG. Le but d'une telle technique d'extraction
de paramtres est de modifier correctement les donnes selon le contexte spcifique du
problme aux fins de l'analyse automatise. Puisque le contenu dinformation d'un ensemble
d'chantillons du signal qui constitue un vecteur modle dpasse habituellement de loin ce qui
est ncessaire pour l'analyse, les techniques d'extraction de paramtres rduisent la
dimensionnalit de donnes en rapportant le vecteur de paramtres N dimensions (N<M)
dont les composants se nomment paramtres pertinents. Les paramtres pertinents des
vecteurs dimension rduite permettent une implmentation simple, efficace et un temps de
calcul rduit. Le choix de la technique qui permet lextraction des paramtres pertinents est
trs important, puisque les paramtres extraits doivent conserver le maximum dinformation
significative. Ce choix est primordial car il influe vivement sur la tche de classification.
Plusieurs paramtres caractristiques on t proposs dans la littrature pour la classification
des signaux ECG, comme la reprsentation temporelle [14], les intervalles RR [15], les
fonctions Hermites [16], la modlisation autorgressive [17] et la transformation en ondelettes
[18-20].
Dans ce qui suit, nous prsentons une nouvelle mthode utilise pour extraire les
paramtres partir du signal ECG base sur le concept des fractales (fractionnaire) [108-109].
Cette technique permet de rduire en deux paramtres seulement un vecteur qui contient le
complexe QRS complet (environ 50 chantillons du signal original). Les paramtres extraits
par cette technique sont appels pentes fractionnaires obtenues partir de la densit spectrale
57
Chappitre IV
de puuissance (D
DSP) du coomplexe QR
RS. Ces nou
uveaux paramtres ddimension trs
t
rduitee
seronnt utiliss daans la classiification et la discrimin
nation des anomalies
a
caardiaques.
2. Les
L fracttales
Le concept des fraactals est n d'une rfllexion des mathmaticciens sur laa notion dee
dimeension d'esppace. Bien sr,
s certainns scientifiq
ques avaientt auparavannt remarqu des objetss
aux proprits tranges, que
q l'on ratttache dso
ormais aux fractales, mais leur formalismee
compplet et cohrent n'a t dvoil quue par B. Mandelbrot
M
dans les annnes 80 du
u vingtimee
sicle [21-22]. Au sens lee plus largee, le nom ou l'adjectiif fractal se rapporte aux objetss
physiques ou aux
a
processus dynam
miques qui manifestennt de nouveaux dtaills sil y a
allonngement (aggrandissemeent) de lchhelle (lespaace ou le teemps). Les ffractales se composentt
souvvent d'une hiirarchie dee structures (spatiales ou
o temporelles) en casccade et ils so
ont souventt
accom
mplies traavers une rplique rcuursive de modle
m
jusquu des cheelles plus fines commee
pour l'exemple montr
m
sur la
l Figure (44.1).
F
Figure
4.1 Exxemple dunee construction
n fractale la courbe de V
Von Koch
58
Chapitre IV
(4.1)
Dans le cas des objets fractals, est l'exposant de lchelle dans le sens fractal et il peut avoir
une valeur fractionnaire. Une dimension fractionnaire permet de mesurer des qualits qui
n'auraient pas de dfinition claire comme, le degr de rugosit, de fragmentation, ou
l'irrgularit d'un objet [112]. La formule qui dcrit le concept de linvariance dchelle, en
exploitant lhomognit est donne par:
f () = f (a.)/ b
(4.2)
O a et b sont des constantes, et est une variable indpendante [110]. Ceci veut dire quun
changement de lchelle par un facteur dordre croissant ou dcroissant produit un
changement de lamplitude de la fonction par un facteur dordre inverse. Une solution de cette
quation est la fonction:
f ()
(4.3)
Chapitre IV
dmontrent des proprits utiles une fois vus dans le domaine frquentiel. Par consquent un
intrt croissant a t donn par les chercheurs au comportement en loi de puissance inverse
dans le domaine frquentiel, cet intrt provient en grande partie de l'identification d'une
grande classe de signaux et dans divers domaines scientifiques qui possdent un spectre qui
sattnue en suivant une loi de puissance inverse et qui reprsente une pente fractionnaire sur
le trac de Bode [116-117]. Un tel comportement est souvent vu comme la manifestation ou
l'effet dune multitude de processus locaux voluant dans le temps et qui provoquent
simultanment les soi-disant 1/f
phnomnes qui ont t tudi possdent cette mme caractristique tel que le bruit lectrique
[23], le phnomne de relaxation des impdances polarises dans les milieux dilectriques
[24], densit spectrale de puissance de la dpolarisation des ventricules (QRS) [29] (voir
Figure (4.2)), le rythme cardiaque [25] (voir Figure (4.3)), les membranes cellulaires [26], les
ondes crbrales [27], la densit spectrale de londe musicale, ainsi que les donnes en
mtorologie, en conomie, et en statistique [28]. Ces processus connus sous le nom de 1/f
obissent une loi appele quation de la loi de puissance inverse donne par:
H(S) =
K
S
(4.4)
o K est une constante positive, s = j est la frquence complexe et est un nombre rel dit
aussi nombre fractionnaire communment appel dimension fractale.
Figure 4.2 Comportement en 1/f de la DSP du complexe QRS (rythme sinusal normal).
60
Chapitre IV
5. Le cur et le fractionnaire
L'activation du myocarde ventriculaire dans le cas du rythme sinusal normal se produit
par l'intermdiaire du faisceau de His et Purkinje (voir Figure (4.4)). Les fines fibres de
61
Chapitre IV
Purkinje fortement ramifi possdent une structure fractale [30,32]. Et comme l'activation du
myocarde ventriculaire se produit travers le rseau de Purkinje, Goldberger et al [29] ont
prouv que l'activation des ventricules par l'intermdiaire des fibres de Purkinje mne une
dpolarisation fractale des ventricules [30] et [119]. Cette dpolarisation est reflte dans le
complexe QRS. Le trac logarithmique du spectre de la puissance moyenne de plusieurs
complexes QRS et de diffrents individus a montr une dcroissance en 1/f (o f est la
frquence). Goldberger et al [29] ont conclu que le spectre du complexe QRS suit une loi de
puissance inverse, et que ce spectre possde une pente fractionnaire.
Le spectre de l'ECG s'tend entre une frquence nulle et environ 100 Hz,
62
Chapitre IV
L'onde T se caractrise sur une bande spectrale analogue celle de l'onde P entre 0.5
Hz et 10 Hz ;
Le complexe QRS possde un contenu frquentiel bien plus important que les autres
ondes de l'ECG. Ses composantes frquentielles sont concentres entre 10 Hz et 15 Hz
(ltalement du spectre du complexe QRS est entre 0 Hz et 40 Hz (voir Figure (4.5))
Figure 4.5 Densit spectrale de puissance du complexe QRS, des ondes P et T, du bruit d'origine
musculaire ou d aux mouvements respiratoires ou autres.
Chapitre IV
pas le chemin de dpolarisation normal (le faisceau de His et Purkinje). Autrement dit quand
l'impulsion d'activation provient de l'oreillette et travere le chemin normal de conduction, le
complexe QRS est troit, et le spectre contient les composantes haute frquence. Quand
l'impulsion d'activation provient du ventricule et ne traverse pas le chemin normal de
conduction, le complexe de QRS devient plus large, et les composantes haute frquence du
spectre sont attnus [29]. Pour exploiter la proprit de loi de puissance inverse comme
approche quantitative potentielle pour caractriser des anomalies cardiaques, nous avons
calcul et trac le spectre de puissance du complexe QRS et par la suite calcul deux pentes
fractionnaires par interpolation dans deux domaines frquentielles. Les pentes calculs seront
utilises pour caractriser tout un battement comme il sera expliqu par la suite.
8. La mthode propose
La mthode propose est base sur lutilisation de deux nouveaux paramtres extraits
de la densit spectrale de puissance du complexe QRS pour discriminer (classifier) les
battements anormaux des battements normaux. Ces paramtres appels pentes fractionnaires
sont calculs par interpolation linaire de la DSP du complexe QRS dans deux intervalles
diffrents de frquence. La discrimination (classification) est ralise par un rseau de
neurone aliment seulement par les deux paramtres qui reprsentent le complexe QRS ou
plus gnralement qui reprsentent un battement.
Chapitre IV
(4.5)
1 tan( Fc T )
1
et C 2 =
1 + tan( Fc T )
1 + tan(Fc T )
(4.6)
Signal Brut
3
Amplitude
2
1
0
-1
200
400
600
Temps
Signal Filtre
800
1000
1200
200
400
600
Temps
800
1000
1200
Amplitude
2
1
0
-1
Figure 4.6 Filtrage dun signal ECG normal (Enregistrement 100 de MIT/BIH)
65
Chapitre IV
Amplitude
mV
-1
200
400
600
Temps
Signal ECG filtre
800
1000
1200
200
400
600
Temps
800
1000
1200
60
Amplitude
40
20
0
-20
Figure 4.7 Filtrage dun signal ECG avec un battement PVC (Enregistrement 221 de MIT/BIH).
Dbut
Fin
66
Chapitre IV
(4.7)
Dans cette thse, nous avons considr deux types d'anomalies cardiaques, la contraction
ventriculaire prmature (PVC) et le bloc de branche droit (RBBB). Ces deux types
danomalies cardiaques sont caractriss par un complexe QRS large par rapport au complexe
QRS normal.
Nous avons choisi une fentre dextraction troite (la taille de cette fentre est proche de la
largeur dun complexe QRS normal) pour extraire le complexe QRS, ce choix nous a permis
67
Chapitre IV
dextraire les complexes QRS des battements normaux dans de meilleures conditions (sans les
ondes P ou T).
La Figure (4.9) montre les spectres de puissance de plusieurs complexes QRS tronqus
par une fentre troite (les battements normaux gauche et les battements anormaux droite).
On remarque que tous les spectres suivent une loi de puissance inverse; la remarque la plus
importante est que le comportement du spectre du complexe QRS normal et du complexe
QRS anormal est compltement diffrent. Cette proprit sera exploite pour crer une
diffrence entre les battements normaux et les battements anormaux.
Figure 4.9 Spectre de puissance du complexe QRS dans deux cas considrs.
68
Chapitre IV
Les deux intervalles de frquences ont t choisis en se basant sur les rsultats obtenus
par Minami et al [123] o les auteurs ont trouv qu'il y a une nette diffrence entre les
histogrammes
diffrents types danomalies cardiaques (voir Figure (4.11)) dans les frquences 4 Hz, 8 Hz,
16 Hz et de 20 Hz (voir Figure (4.11)).
69
Chapitre IV
-1
-1.5
-2
-2.5
-3
-3.5
-4
-4.5
-5
-5.5
-1.4
Normal
PVC
-1.2
-1
-0.8
-0.6
Slope1 [3Hz 8Hz]
-0.4
-0.2
9. Conclusion
Ce chapitre comprend deux parties, la premire partie prsente les concepts de la
gomtrie fractale, les processus 1/f ainsi que la relation entre le signal cardiaque et le calcul
des pentes fractionnaires.
La seconde partie est consacre la description dtaille de la mthode propose pour
lextraction des pentes fractionnaires partir du signal ECG; nous avons expliqu dans cette
partie du chapitre les diffrentes tapes de traitement de la mthode propose, notamment le
prtraitement du signal ECG, le calcul de la DSP du complexe QRS et lapproximation de
cette DSP pour parvenir aux pentes fractionnaires, qui seront utilises par la suite dans la
classification des anomalies cardiaques.
70
Chapitre V
Rsultats et discussions
Chapitre V
Rsultats et discussions
1. Introduction
Ce chapitre prsente les rsultats de traitement obtenus sur des donnes relles de la
base de donne MIT/BIH [124]. Les deux paramtres (pentes fractionnaires) extraits par la
mthode propose dans le chapitre prcdent serviront comme entres aux RNA, dont le but
de la discrimination (classification) des anomalies cardiaques et par consquent pour
dmontrer et vrifier leur utilit et fiabilit.
Dans le cadre de cette thse, nous avons considr deux types de RNA, nous nous
sommes intresss au rseau perceptron multicouches (MLP) largement utilis dans la
classification des anomalies cardiaques ainsi que la carte auto organise de Kohenen (SOM).
Le premier rseau est apprentissage supervis et le second est apprentissage non supervis.
Le choix de ces deux architectures neuronales a t fait pour voir linfluence de larchitecture
du rseau et la fiabilit des deux pentes dans la classification. Deux expriences sont
prsentes dans ce chapitre, chaque exprience est indpendante de lautre. La premire
consiste la discrimination des battements PVC partir dun grand nombre de battements
normaux. Nous utilisons dans cette exprience un rseau SOM aliment seulement par les
deux pentes extraites [108]. La deuxime exprience est la classification de deux types de
battement, la premire classe reprsente les battements normaux et la deuxime classe
reprsente les blocs de branche droit (RBBB). Nous avons utilis les mmes paramtres que
dans la premire exprience, mais nous avons chang les paramtres de lalgorithme pour
quil soit adapt la situation traite. Dans cette partie nous avons utilis un rseau MLP,
pour dire que les deux paramtres utiliss dans la premire exprience peuvent tre aussi
utiliss pour la classification du bloc de branche droit [109]. On note que lobjectif de ces
expriences nest pas le dveloppement des rseaux ni mme loptimisation des rsultats
obtenus qui sera lune des perspectives futures.
72
Chapitre V
Rsultats et discussions
crr une diffrence entre les battements normaux et les battements anormaux (PVC ou RBBB)
[125]. On note que dans la suite de ce chapitre nous allons utilis les abrviations en anglais
PVC et RBBB pour designer les anomalies cardiaques traites.
Les PVC sont des battements ectopiques, uniques ou rpts, provenant d'un seul ou
de plusieurs foyers qui peuvent entraner des sensations dsagrables de rats, de coups dans
la poitrine, d'arrts de cur ou de palpitations. Les PVC sont des phases systoliques en trop
qui seront apparentes sur l'ECG par un complexe QRS large (Figure (5.2)). Les PVC ne
constituent habituellement pas en elles mmes un facteur de gravit, leur pronostic dpend de
73
Chapitre V
Rsultats et discussions
l'tat cardiaque qui peut tre absolument normal (PVC dites bnignes) ou pathologique.
Lorsqu'il existe un double foyer ventriculaire, on parle de doublet ventriculaire (Figure (5.3)).
Les bigminismes et trigminismes sont des rythmes deux commandes. La commande de
base (gnralement sinusale) est interrompue par des battements d'origine ectopique. Lorsque
l'on se trouve en prsence d'un bigminisme les QRS qui appartiennent au rythme de base
sont suivis d'un QRS d'origine ectopique avec une succession de 1/1. On parle de
trigminisme lorsqu'on est en prsence d'une succession 2/1. Les Figures (5.4) et (5.5)
prsentent respectivement un exemple de rythme de bigminisme et de trigmisme dans le cas
d'un rythme sinusal avec un foyer ectopique ventriculaire. Les tachycardies ventriculaires
(TV)
reprsentent
les
arythmies
les
plus
graves,
elles
compromettent
souvent
74
Chapitre V
Rsultats et discussions
Les troubles cardiaques de la conduction des influx nerveux l'intrieur des branches
du faisceau de His entranent un retard d'activation d'un ventricule du cur par rapport
l'autre. On distingue le bloc de branche et le bloc de branche bilatral appel galement
bibloc. Le bibloc est une association de troubles de la conduction concernant les deux des
trois branches de division du faisceau de His. On constate un ralentissement voir une
interruption de la conduction des influx nerveux (ordre donn aux ventricules de se
contracter) vers l'un des deux ventricules. Ce ralentissement entrane un retard de contraction
d'un ventricule par rapport l'autre.
75
Chapitre V
Rsultats et discussions
Chapitre V
Rsultats et discussions
Tableau 5.1 Annotation des battements de la base de donnes MIT-BIH
Annotation MIT-BIH
Annotation symbol
Type darythmie
catgorie
Normal beat
Classe N
Classe N
Classe N
Classe N
Paced beat
Classe N
Classe N
Classe N
Classe N
Classe N
Classe N
Classe V
Chapitre V
Rsultats et discussions
signal ECG afin de crer une diffrence entre le spectre de puissance du complexe QRS des
battements normaux et le spectre de puissance du complexe QRS des battements PVC.
-1
Normal
PVC
-1.5
-2
Slope2 [15Hz 19Hz]
-2
-2.5
-3
-3.5
-4
-4
-4.5
-6
-8
-9
-5
-8
-7
-6
-5
-4
Slope1 [3Hz 8Hz]
-3
-2
-1
-5.5
-1.4
Normal
PVC
-1.2
-1
-0.8
-0.6
Slope1 [3Hz 8Hz]
-0.4
-0.2
3
Normal
PVC
-0.5
-1
1
Slope2 [15Hz 19Hz]
-1.5
-2
-2.5
-3
0
-1
-2
-3.5
-3
-4
-4
-4.5
-5
-2
-1.8
-1.6
-1.4
-1.2
-1
Slope1 [3Hz 8Hz]
-0.8
-0.6
-5
-7
-0.4
-6
-5
-4
-3
Slope1 [3Hz 8Hz]
-2
-1
78
Chapitre V
Rsultats et discussions
8
Normal
PVC
Normal
PVC
-2
2
0
-2
-4
-6
-4
-8
-6
-12
-10
-8
-6
Slope1 [3Hz 8Hz]
-4
-2
-10
-6
-5
-4
-3
Slope1 [3Hz 8Hz]
-2
-1
Chapitre V
Rsultats et discussions
sparation entre les classes avec diffrentes formes. D'autre part il sera plus difficile
demployer une carte trs grande par les mdecins. Nous avons constat qu'une structure de
SOM avec les nuds 5x5 tait suffisante pour assurer une bonne sparation entre les deux
classes, la classe normale et la classe des PVC (voir Figure (5.8)).
(5.1)
Specificty % =
(5.2)
Sensitivity % =
(5.3)
O,
F.P (False-Positive) = un battement normal class comme PVC
F.N (False Ngative) = un PVC class comme un battement normal
Chapitre V
Rsultats et discussions
pentes des battements normaux et 100 pentes des battements PVC de lenregistrement 106 ont
t utiliss dans lapprentissage du rseau. Le choix de cet enregistrement a t fait cause de
la bonne sparation entre les deux classes constate pour cet enregistrement. Donc, la classe
normale reprsente les nuds entiers du rseau SOM qui rpondent aux pentes normales dans
la phase dapprentissage et la mme chose pour la classe PVC. Un battement est mal class
s'il se trouve dans une classe o la majorit de cette classe est diffrente de celui-ci.
lorsque un complexe QRS dun battement normal est plus large par rapport la
moyenne, il sera considr comme un PVC, do laugmentation du nombre des FP et
par consquence la diminution de la sensibilit du classificateur (comme dans le cas de
lenregistrement 105)
lorsque lenregistrement contient des arythmies de type RBBB (Bloc de branche droit)
ou LBBB (bloc de branche gauche), ces derniers seront considrs comme des PVC
do laugmentation du nombre des FP et par consquence la diminution de la
sensibilit du classificateur (comme dans le cas des enregistrements 109 et 118)
lorsque des battements sont de type P (Paced beat), ils seront aussi considrs comme
des PVC. Mais selon le standard AAMI, ces battements ne seront pas considrs
durant le traitement (comme dans le cas de lenregistrement 107)
81
Chapitre V
Rsultats et discussions
Tableau 5.2 Rsultat de clustering.
Record
Nombre des
battements
PVC
Nombre de
battement
total
F. N
100
Nombre
des
battements
Normaux
2272
2273
101
1865
1865
103
2084
2084
105
2531
41
2572
112
2539
2539
113
1795
114
1836
115
1953
116
F. P
Justesse
Spec %
Senv %
99.956
99.956
100.00
99.946
99.946
99.952
99.952
38
68
95.879
97.313
7.32
99.961
99.961
1795
99.833
99.833
43
1879
99.787
99.782
100.00
1953
99.949
99.949
2303
109
2412
16
99.254
99.305
98.17
119
1543
444
1987
99.748
100.000
98.87
121
1862
1863
38
97.960
97.959
100.00
122
2476
2476
99.960
99.960
123
1515
1518
99.934
100.000
66.67
124
1572
47
1619
99.815
99.809
100.00
200
1775
826
2601
63
97.539
99.944
92.37
201
1765
198
1963
144
85
88.334
95.184
27.27
202
2117
19
2136
99.251
99.669
52.63
205
2585
71
2656
17
99.322
99.961
76.06
208
1963
992
2955
145
95.059
92.613
99.90
209
3003
3004
99.900
99.900
100.00
210
2456
194
2650
23
11
98.72
99.55
88.14
212
2748
2748
99.96
99.96
213
3031
220
3251
14
83
97.02
97.26
93.64
214
2005
256
2261
94
17
95.09
99.15
63.28
215
3199
164
3363
81
97.50
99.91
50.61
219
2090
64
2154
13
99.40
100.00
79.69
220
2047
2047
99.95
99.95
221
2031
396
2427
99.67
100.00
97.98
222
2483
2483
14
99.44
99.44
223
2132
473
2605
270
89.37
99.67
42.92
228
1691
362
2053
23
98.68
99.76
93.65
230
2255
2256
100.00
100.00
100.00
231
1569
1569
99.94
99.94
232
1780
1780
99.94
99.94
233
2248
830
3078
223
92.46
99.60
73.13
234
2750
3572
100.00
100.00
100.00
107
2078
59
2137
2033
4.45
2.17
84.75
108
1747
16
1763
1709
2.67
2.18
56.25
109
2494
38
2532
2485
1.58
0.36
81.58
111
2123
2124
404
80.98
80.97
100.00
117
1535
1535
395
74.27
74.27
118
2262
16
2278
11
560
74.93
75.24
31.25
203
2536
444
2980
63
981
64.97
61.32
85.81
207
1755
105
1860
1668
9.84
4.96
91.43
217
2046
162
2208
1638
25.54
19.94
96.30
Total
96445
6600
103864
1141
12405
86.96
88.06
82.71
82
Chapitre V
Rsultats et discussions
Spec %
95.18
98.86
85.20
-99.76
Sen %
82.20
98.40
-85.30
90.74
De Chazal et al [15]
98.80
77.70
Christov et al [93]
99.70
98.50
Chen [95]
99.70
97.80
Type de la mthode
Power Spectrum of QRS and SOM
QRS template matching and linear classifier
wavelet-transformed with timing information
Filter bank features and decision tree classifier
Real-time QRS delineation and application of
Mahalanobis distance classifier
Estimation of morphology and RR interval
features with linear discrimination classifier
Estimation of morphology features with neural
net works classifier
A nonlinear trimmed moving average filter
83
Base
MIT-BIH
MIT-BIH
MIT-BIH
MIT-BIH
MIT-BIH
MIT-BIH
MIT-BIH
MIT-BIH
Chapitre V
Rsultats et discussions
4.10 Conclusion
Dans cette section du chapitre nous avons prsent une technique de classification qui
permet de discriminer une anomalie de type PVC parmi un grand nombre de battements
considrs comme normaux. Cette technique est base sur la combinaison du comportement
fractal du spectre de puissance du complexe QRS et dun rseau SOM. Les paramtres utiliss
dans la tche de classification sont les pentes de l'interpolation linaire de la DSP du
complexe QRS dans deux intervalles de frquence diffrents. Bien que seulement deux
paramtres aient t employs pour caractriser chaque battement, la mthodologie de
classification est fiable avec une justesse de 94.02% a t acheve. Alors on peut dire que la
combinaison de notre mthode avec d'autres techniques peut conduire une amlioration
signifiante des rsultats de classification.
84
Chapitre V
Rsultats et discussions
Chapitre V
Rsultats et discussions
complexe QRS extraits par fentrage. Cette variation du spectre sera utilise pour distinguer
les battements RBBB des battements normaux.
Les Figures (5.10) et (5.11) illustrent, respectivement, des complexes QRS normaux et
anormaux (RBBB) ainsi que leurs DSP correspondantes. Les remarques, mentionnes dans la
section 4.1 pour la premire exprience, concernant le choix de lemplacement et la taille de
la fentre dextraction sont aussi valable pour cette exprience.
QRS BBD
QRS normal
1
Amplitude
Normalized
Amplitude
Normalized
0.5
10
20
30
40
Temps
DSP
50
60
70
80
10
20
30
40
Temps
DSP
50
60
70
80
160
180
10
-5
10
Amplitude
db
Amplitude
db
10
-10
10
-15
10
0.5
-5
10
-10
10
-15
20
40
60
80
100
Frequence Hz
120
140
160
180
10
20
40
60
80
100
Frequence Hz
120
140
86
Chapitre V
Rsultats et discussions
Chapitre V
Rsultats et discussions
caches ou le nombre de neurones dans la couche cache napporte aucune amlioration dans
les rsultats de la classification dj obtenue par contre elle augmente considrablement le
temps de calcul dans la phase dapprentissage ainsi que dans la phase de test.
Scatter plot
0.16
0.035
0.14
0.03
0.12
Pente2[15Hz 18Hz]]
Scatter plot
0.04
0.025
0.02
0.015
0.01
BBD
Normal
0.1
0.08
0.06
0.04
0.005
0.02
BBD
-
0
-6
-5
-4
-3
-2
Pente1 [3Hz 8Hz]
-1
0
-16
-14
-12
Enregistrement 118
-10
-8
-6
Pente1 [3Hz 8Hz]
-4
-2
Enregistrement 212
Scatter plot
Scatter plot
0.025
0.014
0.012
0.02
Pente2[15Hz 19Hz]
Pente2[15 19Hz]]
0.01
0.015
0.01
0.008
0.006
0.004
0.005
0.002
BBD
Normal
0
-2.2
-2
-1.8
BBD
Normal
-1.6
-1.4
-1.2
Pente1[3Hz 8Hz]]
-1
-0.8
-0.6
0
-2.5
-0.4
-2
Enregistrement 231
-1.5
0.5
Scatter plot
0.05
0.02
BBD
Normal
0.045
0.018
0.04
0.016
0.035
0.014
Pente2[15HZ 19Hz]
Pente2[15Hz
19Hz]
Enregistrement 103
Scatter plot
0.03
0.025
0.02
0.012
0.01
0.008
0.015
0.006
0.01
0.004
0.005
0.002
0
-6
-1
-0.5
Pente1[3Hz 8Hz]
-5
-4
-3
-2
Pente1[3Hz 8Hz]
-1
0
-1.8
Enregistrement 100
BBD
Normal
-1.6
-1.4
-1.2
-1
-0.8
-0.6
Pente1[3Hz 8Hz]
-0.4
-0.2
Enregistrement 101
88
0.2
Chapitre V
Rsultats et discussions
(5.4)
Specificity % =
(5.5)
Sensitivity % =
(5.6)
Accuracy % =
Chapitre V
Rsultats et discussions
100, 101, 103, 105, 115, 119 et 221 (battements normaux uniquement).
Nombre de
battements
RBBB
Nombre de
battements
total
F. N
100
Nombre
de
battements
Normaux
2239
2239
26
101
1860
1860
103
2082
2082
105
2526
115
1953
118
F. P
Justesse
Spec %
Senv %
98.84
98.84
79
95.75
95.75
62
97.02
97.02
2526
57
97.74
97.74
1953
1204
38.35
38.35
2166
2166
100.00
100.00
119
1543
1543
274
82.24
82.24
124
1531
1531
100.00
100.00
207
86
86
100.00
100.00
212
923
1825
2748
104
96.22
88.73
100.00
221
2031
2031
100.00
100.00
231
314
1254
1568
99.94
100.00
99.92
232
397
397
100.00
100.00
Total
15471
7259
22730
1806
92.78
90
Chapitre V
Rsultats et discussions
La mthode prsente une trs bonne classification des battements RBBB, puisque la
majorit des battements RBBB sont classs RBBB (le nombre des F.N total est 1).
Les rsultats de classification obtenus sont satisfaisants mais lexprience souffre de quelques
problmes quon peut rsumer comme suit:
Le nombre total des F.P est lev, ceci signifie que plusieurs battements normaux sont
considrs comme RBBB, la diminution de la sensibilit du classificateur rsulte
essentiellement de lenregistrement 115 qui prsente le plus grand nombre de F.P
(Voir Tableau 5.4).
Plusieurs paramtres dans cette exprience peuvent tre optimiss, mais lobjectif principal
comme il a t mentionn dans lintroduction est dintroduire les pentes fractionnaires comme
paramtres de classification et de discrimination des anomalies cardiaques.
5.9 Conclusion
Dans cette exprience nous avons prsent un classificateur de deux types de
battements cardiaques (Normal et RBBB) bas sur les deux pentes fractionnaires et
l'utilisation dun rseau MLP. Nous avons utilis dans cette exprience 22 730 battements
issus de treize enregistrements pour classifier les deux types de battements. Les rsultats
obtenus sont satisfaisants avec une justesse de 92.78%. Malgr les limitations cites, les
rsultats reportes prouvent la possibilit dutiliser les pentes fractionnaires dans la
discrimination des battements de types RBBB, et bien sr ces rsultats peuvent tre optimiss
et amliors dans des travaux futurs.
91
Chapitre V
Rsultats et discussions
6. Conclusion
Dans ce chapitre nous avons prsent et discut les rsultats obtenus par l'application
dune nouvelle mthode de discrimination des anomalies cardiaques. Cette mthode est base
sur le comportement fractionnaire de la densit spectrale de la puissance du complexe QRS et
lutilisation dun rseau de neurone artificiel comme classificateur.
Deux expriences ont t prsentes dans ce chapitre, les donnes utilises dans ces
expriences sont des donnes relles issues dune base de donne universelle largement
utilise dans la littrature (MIT/BIH). Bien que deux paramtres seulement aient t employs
pour caractriser chaque battement dans les deux expriences, les rsultats obtenus par la
mthodologie de classification propose sont fiables avec une trs bonne justesse.
Lobjectif principal mentionn dans lintroduction du chapitre, qui est lintroduction
des pentes fractionnaires dans la discrimination des anomalies cardiaques est atteint au moins
pour deux types danomalies cardiaques (PVC et RBBB), mais beaucoup de travail reste
raliser pour la gnralisation de la mthode pour quelle soit capable de classifier plusieurs
types danomalies cardiaques simultanment.
92
Conclusion Gnrale
Conclusion Gnrale
Conclusion Gnrale
Le travail ralis dans cette thse prsente une nouvelle mthode utilise pour
lextraction des paramtres pertinents partir du signal ECG afin de les utiliser dans la
classification et la discrimination des arythmies et des anomalies cardiaques. Cette mthode
est base sur le comportement fractionnaire de la densit spectrale de la puissance du
complexe QRS.
Les paramtres extraits sont deux pentes fractionnaires qui sont calcules partir du
diagramme de Bode par interpolation linaire de la DSP du complexe QRS dans deux
intervalles frquentiels diffrents. Les deux pentes fractionnaires extraites alimentent un
rseau de neurones dans le but de la classification. Deux types de rseaux ont t pris en
considration dans la phase de classification, le premier est la carte auto organise (Self
Organizing Maps), le deuxime rseau est le perceptron multi couche.
Deux expriences sont prsentes dans cette thse, les donnes utilises dans ces
expriences sont des donnes relles issues dune base de donne universelle largement
utilisee dans la littrature, la base de donne MIT/BIH. La premire exprience concerne la
discrimination des battements PVC partir dun grand nombre de battements normaux. On a
utilis dans cette exprience un rseau SOM alimente seulement par les deux pentes
fractionnaires extraites. Les rsultats obtenus dans cette exprience sont compars avec
plusieurs techniques de classification existantes dans la littrature. La simplicit, la rapidit et
la possibilit dimplmentation sont les points forts de la mthode propose par rapport aux
techniques considres dans la comparaison.
La deuxime exprience est la classification de deux types de battement, la premire classe
reprsente les battements normaux et la deuxime classe reprsente les blocs de branche
droite. Nous avons utilis les mmes paramtres pertinents que dans la premire exprience
avec un petit changement des paramtres de lalgorithme pour quil soit adapt la situation
traite. Dans cette partie nous avons utilis un rseau MLP pour montrer que les deux
paramtres utiliss dans la premire exprience peuvent tre aussi utiliss pour la
classification du bloc de branche droit.
Bien que deux paramtres seulement aient t employs pour caractriser chaque battement,
la mthodologie de classification est fiable avec une trs bonne exactitude dans les deux
expriences prsentes.
94
Conclusion Gnrale
Le travail effectu dans le cadre de cette thse a permis de raliser plusieurs publications et
communications, dont notamment :
Pour ce qui concerne la classification des battements PVC par un rseau MLP [128],
Concernant la discrimination des battements PVC par la carte auto organisatrice
[108,109]
La discrimination des battements RBBB et PVC dans [109,129]
On pense que beaucoup de travail de recherche reste faire dans le domaine de la
discrimination et la classification des anomalies cardiaques, notamment pour:
Loptimisation des paramtres des classificateurs.
Gnralisation de la mthode pour quelle soit capable de discriminer dautres types
danomalies cardiaques, tels que les fibrillations, etc.
Implmentation hardware de la mthode pour traiter des cas rels.
95
Bibliographie
Bibliographie
Bibliographie
[1]
POTENTIALS
AND
CHALLENGES,
IDEA
Group
Publishing, 2006.
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
97
Bibliographie
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
B. Mandelbrot, Some noises with 1/f spectrum, a bridge between direct current
and white nois, IEEE Trans Information Theory, 289291, 1967.
[24]
Bibliographie
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
[33]
[34]
[35]
[36]
[37]
[38]
[39]
Bibliographie
[40]
T. F. Yang, B. Devin, P. W. MacFarlane, Deterministic logic versus softwarebased artificial neural networks in the diagnosis of atrial fibrillation, Journal of
Electrocardiology, 9094, 1993.
[41]
[42]
M.L. Minsky and S.A. Papert, PERCEPTRONS, Cambridge, MIT Press, 1969.
[43]
[44]
[45]
[46]
[47]
[48]
[49]
[50]
[51]
Etienne-Paul
DAlch,
COMPRENDRE
LA
PHYSIOLOGIE
[53]
[54]
[55]
[56]
Bibliographie
[57]
Micheli-Tzanakou
PATTERN
Evangelia,
SUPERVISED
RECOGNITION
AND
FEATURE
UNSUPERVISED
EXTRACTION
AND
[59]
Hrault,
RESEAUX
DE
NEURONES :
METHODOLOGIE
ET
[61]
[62]
[63]
[64]
[65]
[66]
[67]
[68]
[69]
[70]
Bibliographie
[72]
[73]
[74]
T.G. Barbounis, J.B. Theocharis, Locally recurrent neural networks for long
term wind speed and power prediction, Neurocomputing, 466496, 2006.
[75]
[76]
[77]
[78]
logic
programming
for
arrhythmia
recognition
from
[80]
[81]
[82]
Bibliographie
[84]
[85]
[86]
[87]
[88]
[89]
[90]
[91]
[92]
J.C.T.B Moreas, M.O. Seixas, F.N. Vilani, E.V. Costa, A real time QRS
complex classification method using Mahalanobis distance,
Computers in
Bibliographie
[94]
[95]
[96]
[97]
[98]
[99]
[102]
[105]
Bibliographie
[107]
[108]
[111]
[112]
[113]
[114]
[115]
[116]
B. J. West, M. Shlesinger, On the ubiquity of 1/f noise, Int J Mod Phys, 795801, 1989.
[117]
[118]
N.V. Thakor, J.G. Webstor, W.J. Thompkins, Estimation of the QRS Complex
105
Bibliographie
Power Spectra for Design of a QRS Filter, IEEE Trans. Biomed. Eng, 702-706,
1984.
[119]
[120]
[124]
[125]
[126]
[127]
[128]
[129]
106
Rsume
Le signal ECG reprsente lactivit lectrique du cur et reflte ltat de sant de lappareil
cardiovasculaire. Il contient aussi des informations qui permettent la distinction des maladies
cardiovasculaires. Le taux lev de mortalit dans le monde d aux problmes lis au
dysfonctionnement de lappareil cardiaque a pouss les chercheurs dvelopper des
techniques de classification automatique des maladies cardiovasculaires pour un bon
diagnostic.
Le travail ralis dans cette thse prsente une nouvelle mthode utilise pour lextraction des
paramtres pertinents partir du signal ECG afin de les utiliser dans la classification et la
discrimination des arythmies et des anomalies cardiaques. Les paramtres extraits sont les
pentes fractionnaires calcules partir du diagramme de Bode par linterpolation linaire de la
densit spectrale de puissance (DSP) du complexe QRS dans deux intervalles frquentiels
diffrents. Les rseaux de neurones artificiels ont t utiliss dans la classification et la
discrimination. Deux types de rseaux de neurones artificiels ont t considrs, le rseau
perceptron multi couches (PMC) ainsi que la carte auto organise de Kohonen (SOM). Deux
expriences de classification sont prsentes en utilisant la base de donnes MIT/BIH. La
premire exprience consiste en la discrimination des battements (PVC) partir dun grand
nombre de battements normaux. La seconde exprience est la classification de deux types de
battements, les battements normaux et les battements reprsentant les blocs de branche droit.
Bien que deux paramtres seulement aient t employs pour caractriser chaque battement,
les rsultats obtenus taient trs satisfaisants. Une comparaison avec plusieurs travaux
existants dans la littrature a t faite. La simplicit, la rapidit et la possibilit
dimplmentation sont les points forts de la mthode propose par rapport aux techniques
considres dans la comparaison.
Mots cls :
Abstract
The ECG signal represents the electrical activity of the heart and it reflects the health
condition of the cardiovascular system. It also contains information that allows the distinction
of the cardiovascular diseases. The high mortality rate in the world due to problems related to
the dysfunction of the cardiovascular system has driven researchers to develop cardiovascular
diseases automatic classification methods for a good diagnosis.
The work realized in this thesis presents a new method used in pertinent parameters extraction
from the ECG signal in order to use them for the classification and discrimination of
arrhythmias and cardiac anomalies. The extracted parameters are the slopes of the power
spectral density (PSD) of the QRS complex in two different frequency intervals. The neural
networks have been used in the classification and discrimination. Two types of artificial
neural have been considered, Multi Layer Perceptron (MLP) and the Self Organizing Maps
(SOM) of Kohenen. Two classification experiments have presented using the MIT/BIH
database. The first experiment consists of the discrimination of PVC beats from a large
number of normal beats. The second experiment is the classification of two types of beats, the
normal beats and the right bundle branch blocks. Although, only two parameters have been
employed to characterize every beat, the obtained results were very satisfactory. The proposed
work has been compared to several published works. The simplicity, the rapidity and the
possible implementation are the strongest points of the proposed method with respect to
techniques used in the comparison work.
Key Words: Electrocardiographic signal (ECG), QRS complex, fractional slope, artificial
neural networks (MLP) and (SOM).
ECG .
.
.
.
" ) ("
" "Diagrammedebode DSP QRS
.
MLP .SOM
.MIT/BIM
PVC
RBBB
.
.
:
ECG QRS SOMMLP