Vous êtes sur la page 1sur 122

RPUBLIQUE ALGRIENNE DMOCRATIQUE ET POPULAIRE

Ministre de l'Enseignement Suprieur et de la Recherche Scientifique



UNIVERSIT MENTOURI DE CONSTANTINE
FACULT DES SCIENCES DE LINGNIEUR
DPARTEMENT D'LECTRONIQUE

Thse
Prsente pour obtenir le diplme de

Doctorat en Sciences

Spcialit : Electronique
Option : Traitement du signal
Par:
Mohamed Lamine TALBI

THEME
ANALYSE ET TRAITEMENT DU SIGNAL
LECTROCARDIOGRAPHIQUE (ECG)


Devant le jury:
Prsident A. BENNIA Professeur, Universit de Constantine
Rapporteur A. CHAREF Professeur, Universit de Constantine
Examinateurs F.SOLTANI Professeur, Universit de Constantine
L. HAMAMI Professeur, Ecole Nationale Polytechnique d'Alger
R. DJ EMILI Matre de Confrence, Universit de Skikda


ANNE :2011




















A mes parents,
A ma femme et ma fille,
A mes surs et mes frres,

Remerciements
v

Remerciements


J e 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.

J e 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.

J e voudrais remercier mes parents pour leur amour et leur soutien. J e remercie
affectueusement, mes surs et mes frres pour leurs encouragements poursuivre cette
longue route.

J e 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. J e ne peux conclure sans un mot de remerciement tous mes enseignants tout le
long de ma formation.

Table des matires
vi

Table des matires


Remerciements.. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . .
v
Introduction Gnrale. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .
1
Chapitre I
Le cur et llectrocardiographie

1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 7
2. Anatomie du cur. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 7
3. Activit mcanique cardiaque. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . 7
4. La conduction lectrique du cur. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 9
5. L'Electrocardiogramme (ECG). . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 10
5.1 Les drivations . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 10
5.2 Ondes et Intervalles de L'ECG . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 13
6. Troubles du Rythme et de la Conduction Cardiaque . . . . . . .. . . . . . . .. . . . . . . .. . . . . 15
6.1 Rythme sinusal . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 15
6.2 Blocs cardiaques . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 15
6.2.1 Bloc Sino-Auriculaire (Bloc SA) . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 15
6.2.2 Blocs Auriculo-Ventriculaire (BAV) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6.2.3 Blocs de branche . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 16
7. Les arythmies cardiaques . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . 16
7.1 Extrasystoles supra-ventriculaires. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 17
7.2 Contraction ventriculaire prmature (extrasystole ventriculaire) 17
7.3 La tachycardie supra-ventriculaire. . . . .. . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 17
7.4 La fibrillation auriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 18
7.5 La tachycardie ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 18
7.6 Fibrillation ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 19
8. Artefacts visibles sur l'lectrocardiogramme. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . . . 20
8.1 Bruits techniques . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . 20
8.2 Artefacts physiques . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . .. . . 21
9. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . ... . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 23



Table des matires
vii

Chapitre II
Les rseaux de neurones artificiels

1. Introduction. . . . . . . .. . . . . . . . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 25
2. Elments de base des rseaux de neurones. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 26
2.1 Historique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . 26
2.2 Du neurone biologique au modle mathmatique. . . . . . . . . . . . . . .. . . . . . . .. . . 27
2.2.1 Le modle neurophysiologique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 27
2.2.2 Le modle mathmatique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 27
2.3 Architecture des rseaux de neurones. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 30
2.3.1 Les rseaux de neurones non boucls (en Anglais feedforward) . . . . . . . . 30
2.3.2 Les rseaux de neurones boucls (rcurrents) . . . . . . .. . . . . . . .. . . . . . . . 30
2.4 Les types dapprentissage des rseaux de neurones. . . . . . . .. . . . . . . .. . . . . . . . 31
2.4.1 Lapprentissage supervis. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 31
2.4.2 Lapprentissage non supervis. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . 31
3. Les rseaux de neurones les plus utiliss. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . 32
3.1 Les Perceptrons . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 32
3.1.1 Le perceptron mono-couche (Perceptron simple) . . . . . . .. . . . . . . .. . . . . 32
3.1.2 Le perceptron multicouche (en anglais Multi Layer Perceptron) . .. . . . . . 33
3.2 Les rseaux fonction radiale. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . 33
3.3 Les cartes auto-organisatrices de Kohonen (SOM) . . . . . . . .. . . . . . . .. . . . . . . . 33
3.4 Les rseaux de Hopfield. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 33
3.5 Les rseaux ART. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 34
4. Le classificateur perceptron multicouche. . . . . . . .. . . . . . . .. . . . . . . .. . . . .. . .. . . . . . . 34
4.1 Principe . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 34
4.2 Rtropropagation du gradient de lerreur. . . . . . . .. . . . . . . .. . . .. . . .. . . . . . . .. . 35
5. Les cartes topologiques de Kohonen. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . 37
5.1 Dfinition . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . 37
5.2 Lapprentissage comptitif . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . 38
5.3 Processus dapprentissage du rseau de Kohonen. . . . . . . .. . . .. . . .. . . . . . . . . . 39
5.4 L'algorithme dapprentissage de Kohonen . . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . . 39
6. Les diffrentes applications de RNA. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 39
6.1 Reconnaissance des formes. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . . . . . . . .. . . . . 40
Table des matires
viii

6.2 Modlisation. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. 40
6.3 Traitement de la parole. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 40
6.4 Dtection danomalies en mdicine. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 41
6.5 Traitements dpendant du temps . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . . 41
7. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . . 41
Chapitre III
Discrimination et classification des anomalies cardiaques par RNA

1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . .. . . . . . . 44
2. Les systmes automatiques de diagnostic cardiaque. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 44
3. Lintelligence artificielle et lECG. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 46
4. Lutilisation des RNA dans la classification des arythmies cardiaques. . . . . . .. . . . . . 47
5. Discrimination des battements PVC . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 48
6. Les problmes lis la dtection et la classification des dsordres cardiaques 49
7. La gnration des paramtres descriptifs. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . 50
8. Les techniques d'tude non supervises et leurs applications dans la classification de
lECG . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . .

50
9. Les avantages et les inconvnients de traitement par RNA. . . . . . . .. . . . . . .. . . . . . . . 51
9.1 Qualit et reprsentativit des donnes disponibles. . . . . . . .. . . . . . . .. . . . . . . . 52
9.2 Algorithmes de dtection. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 52
9.3 Slection /extraction des paramtres pertinents. . . . . . . .. . . . . . . .. . . . . . . .. . . . 53
9.4 tape de classification. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 53
10. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .. .. . . . . . . 54
Chapitre IV
Approximation de la DSP du complexe QRS par les pentes
fractionnaires

1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . 57
2. Les fractales. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 58
3. Loi de puissance inverse (processus 1/f) . . . . . . . .. . . . . . . .. . . . . . . . . . . . . . .. . . . . . . 59
4. Invariance d'chelle temporelle dun signal . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 61
5. Le cur et le fractionnaire . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 61
6. Les caractristiques frquentielles de l'ECG. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 62
Table des matires
ix

7. Spectre de puissance du complexe de QRS. . . . . . . .. . . . . . . .. . . . . . ... . . . . . . .. . . . . 63


8. La mthode propose. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . .. . .. . . . . . . .. . . 64
8.1 Prtraitement du signal . . . . . . . .. . . . . . . .. . . . . . . .. . . . .. . .. . . . . . . .. . . . . . . . 64
8.2 Les tapes de traitement (algorithme principal) . . . . . . . .. . . . . .. .. . . . . . . .. . . . 66
8.3 Choix de la fentre dextraction des complexes QRS. . . . . . . .. . . . . . . .. . . . . . . 67
8.4 Spectre de puissance et calcul des pentes. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 68
9. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . . 70
Chapitre V
Rsultats et discussions

1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . .. . . .. . . . . . . .. . . . . . . 72
2. Les anomalies cardiaques traites . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 72
2.1 La contraction ventriculaire prmature (Extrasystole ventriculaire) . . . . . . . . . 73
2.2 Les Blocs. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . . . 75
3. La base de donne MIT/BIH. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 76
4. La premire exprience : Discrimination des PVC par le rseau SOM . . . . . . . ... . . . . 76
4.1 Extraction des pentes . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 77
4.2 Choix de la taille et de lendroit de la fentre dextraction. . . . . . . .. . . . . . . .. . . 77
4.3 Distribution des deux pentes. . . . . . . .. . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . .. . . . 78
4.4 Choix du rseau SOM. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 79
4.5 Choix de la taille de la carte. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 79
4.6 Evaluation des performances du rseau. . . . . . . .. . . . . . . .. . . . . .. .. . . . . . . .. . . 80
4.7 Choix des donnes dapprentissage. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . 80
4.8 Rsultats et discussion . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 81
4.9 Comparaison avec dautres mthodes. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 83
4.10 Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 84
5. La deuxime exprience: Discrimination du RBBB par MLP . . . . . . . .. . . . . . . .. . . . . 85
5.1 Choix de la taille et de lendroit de la fentre dextraction. . . . . . . .. . . . . . . .. . . 85
5.2 Distribution des couples (pente1, pente2) . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 87
5.3 Choix de la classification par MLP. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 87
5.4 Architecture du rseau. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 87
5.5 Evaluation des performances du rseau. . . . . . . .. . . . . . . .. . . . . . ... . . . . . . .. . . 89
5.6 Choix des donnes dapprentissage. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . 89
Table des matires
x

5.7 Choix des donnes de la base de test. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . 89


5.8 Rsultats et discussion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 90
5.9 Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . . . . . . .. . . 91
6. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 92
Conclusion Gnrale. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . .
94
Bibliographie.. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . ... . . . . . . .. . . . . . .
97
Table des Figures

xi

Table des Figures


1.1 Anatomie du cur et des vaisseaux associs. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . . 8
1.2 Le systme spcialis d'excitation. . . . . . . .. . . . . . . .. . . . . . . . . . . . . .. . . . . . . .. . . . . 10
1.3 Montage dEinthoven pour lenregistrement des derivations bipolaires des membres 12
1.4 Drivations unipolaires. . . . . . . .. . . . . . . .. . . . . . . .. . . . .. .. . . . . . . .. . . . . . . .. . . . . . 12
1.5 Drivations thoraciques . . . . . .. .. . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . . . . 13
1.6 Trac ECG. . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 13
1.7 Exemples d'ECG : (a) normal et (b): bloc de branche gauche. . . . . . .. . . . . . . .. . . . . . 16
1.8 Tachycardie supra-ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 18
1.9 Fibrillation auriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 18
1.10 Tachycardie ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . 19
1.11 Fibrillation ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . . . . . . .. . . . . . . .. . . . 19
1.12 Interfrence secteur 50 Hz. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . 20
1.13 Bruit d aux mouvements des lectrodes. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 21
1.14 Drive de la ligne de base. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . . . . . . .. . . . . . . .. . . 22
1.15 Bruit myoletrique ou tremblement somatique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 22
2.1 Schma dun neurone. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . 28
2.2 Schma dune synapse. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 28
2.3 Neurone formel. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . . 29
2.4 Diffrents types de fonctions d'activation pour le neurone artificiel. . . . . . .. . . . . . . .. 29
2.5 Rseaux de neurones le plus utiliss. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . 32
2.6 Perceptron Multi Couches. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 35
2.7 La cartes topologiques de Kohonen. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .. . . . 38
3.1 Reprsentation schmatique dun classificateur des signaux ECG. . . . . . . .. . . . . . .. . 45
4.1 Exemple dune construction fractale la courbe de Von Koch. . . . . . . .. . . . . .. .. . . . . . 58
4.2 Comportement en 1/f de la DSP du complexe QRS (rythme sinusal normal) . . . . . . . 60
4.3 Comportement en 1/f de la puissance de la srie RR du rythme cardiaque . . . . . . . . 61
4.4 Illustration schmatique du systme de conduction lectrique ventriculaire du cur. . 62
4.5 Densit spectrale de puissance du complexe QRS. . . . . . . .. . . . . . . .. . . . . . . .. . . . 63
4.6 filtrage dun signal ECG normal (Enregistrement 100 de MIT/BIH) . . . .. . . .. . . . . . . 65
4.7 Filtrage dun signal ECG avec un battement PVC (Enregistrement 221 de MIT/BIH) 66
Table des Figures

xii











4.8 Endroit de la fentre dextraction du complexe QRS. . . . . . . .. . . . . . . .. . . . . . . .. . . . 67
4.9 Spectre de puissance du complexe QRS dans deux cas considrs. . . .. . . .. . .. . ... . .. 68
4.10 Approximation de la DSP du complexe QRS. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 69
4.11 Histogrammes de diffrents types de battement. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . . 69
4.12 La distribution de la deuxime Pente en fonction de la premire Pente.. . . .. . .. . . . . 70
5.1 Contraction ventriculaire prmature (PVC) . . . . . . . .. . . . . . . .. . . . . . . .. .. . . . .. . . . 73
5.2 Extrasystole PVC. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .. . . . . . . .. . . 74
5.3 Doublet ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . 74
5.4 Rythme de bigminisme. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . 74
5.5 Rythme de trigminisme. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . ... . . . . . . .. . . . . 74
5.6 Localisation des blocs standards le long des voies de conduction.. . . . . . . .. . . . . .. .. . 75
5.7 Distribution de Pente2 en fonction du Pente1 pour six enregistrements. . . . . . .. . . . . . 79
5.8 La carte SOM utilise. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . 80
5.9 Emplacement de la fentre dextraction du complexe QRS. . . . . . . .. .. . . . .. . . . . . . . 86
5.10 Bloc de branche droit et sa DSP correspondante (enregistrement 118) . . . . . . .. . . . . 86
5.11 Complexe QRS normal et sa DSP correspondante (enregistrement 212) . . . . . . .. . . 86
5.12 Distribution de la Pente2 en fonction de la Pente1 pour six enregistrements. . . . . . .. 88
5.13 Rseau de neurone MLP utilis. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 89
Liste des tableaux

xiv

Liste des tableaux

5.1 Annotation des battements de la base de donnes MIT-BIH . . . . .. . . .. . . . .. . . .. . .. 77


5.2 Rsultat de clustering. . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. .. . . . 82
5.3 Rsum des rsultats obtenus par la mthode propose et autres mthodes . . . . . .. . 83
5.4 Rsultats de la classification . . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. . . . .. . 90
Abrviations
xv

Abrviations

ECG lectrocardiogramme
NS Nud Sinusal
NAV Nud Auriculo Ventriculaire
ESV Extrasystole Ventriculaire
PVC Premature Ventricular Contraction (terme anglophone dESV)
BBD Bloc de Branche Droit
RBBB Right Bundle Branch Block (terme anglophone du BBD)
RNA Rseaux de Neurones Artificiels
PMC Perceptron Multi Couches
MLP Multi Layer Perceptron (terme anglophone de PMC)
SOM Self Organizing Maps
Cartes topologiques de Kohonen
Carte auto organisatrice
Rseau de Kohonen
DSP Densit Spectrale de Puissance
AAMI Association for the Advancement of Medical Instrumentation








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
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
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.

Pour bien comprendre la mthode utilise pour lextraction des paramtres
discriminants du signal ECG, la premire partie du chapitre 4 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. Sa seconde partie est consacre la description dtaille de la
mthode propose d'extraction des paramtres pertinents qui comprend: le prtraitement du
signal ECG, le calcul de la DSP du complexe QRS et lapproximation de cette DSP pour
parvenir ces paramtres qui seront utiliss dans la tche de classification des anomalies
cardiaques.
Le chapitre 5 prsente les rsultats et les discussions obtenus par l'application de la
mthode de discrimination propose en utilisant des lectrocardiogrammes rels de la base de
donnes MIT/BIH.
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
7

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].

3. Activit mcanique cardiaque

Le cycle de la circulation sanguine se rpte constamment et se divise en deux
priodes: la systole et la diastole.
La systole est la priode correspondant l'jection du sang dans la grande et petite
circulation. Elle se dcompose en trois phases: la systole auriculaire, la contraction
ventriculaire isovolumique et la systole ventriculaire [52].
Chapitre 1 Le cur et llectrocardiographie
8

- La systole auriculaire est la contraction des oreillettes lorsque celles-ci sont


remplies de sang.
- La contraction ventriculaire isovolumique commence lorsque les cellules
musculaires du myocarde ventriculaire se contractent.
- La systole ventriculaire commence lorsque les pressions dans les ventricules
dpassent les pressions dans l'artre pulmonaire et l'aorte.




Figure 1.1 Anatomie du cur et des vaisseaux associs.

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.
Chapitre 1 Le cur et llectrocardiographie
9

4. La conduction lectrique du cur



La contraction du muscle cardiaque (ou myocarde) a pour origine la propagation d'une
onde lectrique qui excite les cellules musculaires dans un ordre bien tabli afin que la
contraction soit la plus efficace possible. Le systme spcialis d'excitation/conduction
lectrique comprend: le nud sinusal, les voies spcialises internodales, le nud auriculo-
ventriculaire (NAV), le faisceau de His, appel nud pacemaker dominant du cur, les
branches droite et gauche et les fibres de Purkinje, comme montr sur la Figure (1.2) [51,52].
L'activit lectrique normale du cur suit la squence d'activation suivante :
- Le nud sinusal (NS) :
L'activit lectrique est gnre spontanment dans le nud sinusal qui est situ dans la partie
haute de la paroi intrieure de l'oreillette droite, au niveau o dbouche la veine cave
suprieure. L'impulsion cardiaque initie dans le nud sinusal est transmise aux deux
oreillettes. Cette activation est facilite au moyen des voies spcialises internodales qui
relient le nud sinusal au nud auriculo-ventriculaire.
- Le nud auriculo-ventriculaire (NAV) :
Il est situ en bas de l'oreillette droite et est constitu de cellules qui prsentent une
conduction lectrique lente. L'activation lectrique qui arrive au NAV est physiologiquement
ralentie (approximativement 100 ms) avant d'arriver au faisceau de His. Cette proprit
physiologique du NAV permet de protger les ventricules d'un nombre excessif d'activations
du NAV et d'activations auriculaires et concde aux oreillettes un temps de vidange plus
grand, ce qui optimise la contraction ventriculaire.
- Le faisceau de His :
Il est situ dans la partie haute du septum interventriculaire et ses fibres traversent le tissu
connectif (non excitable) qui spare lectriquement les oreillettes des ventricules. Dans les cas
normaux, le NAV et le faisceau de His constituent la seule voie de propagation de l'activit
lectrique cardiaque entre les oreillettes et les ventricules. L'ensemble de ces deux structures
est souvent appel la jonction auriculo-ventriculaire. Le faisceau de His comprend un tronc
initial qui se divise en deux branches, droite pour le ventricule droit et gauche pour le
ventricule gauche.
- Les fibres de Purkinje :
Chapitre 1 Le cur et llectrocardiographie
10

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.

Figure 1.2 Le systme spcialis d'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].

5.1 Les drivations

Chapitre 1 Le cur et llectrocardiographie
11

Gnralement les appareils lectrocardiographiques peuvent enregistrer plusieurs


diffrences de potentiel en mme temps, selon l'emplacement et le nombre d'lectrodes
rparties sur le thorax et les membres. Chaque mesure de ces potentiels correspond une
drivation de l'ECG. Un systme de drivations consiste en un ensemble cohrent de
drivations, chacune tant dfinie par la disposition des lectrodes sur le corps du patient.
L'emplacement des lectrodes est choisi de faon explorer la quasi-totalit du champ
lectrique cardiaque.
Si on mesure le vecteur cardiaque dans une seule direction, on ne sera pas en mesure de le
caractriser entirement. Il est donc important davoir un standard de positionnement des
lectrodes (drivations) pour lvaluation clinique du signal ECG. En pratique, douze
drivations sont utilises dans les plans frontal et transversal pour explorer lactivit
lectrique du cur. On distingue :
- Trois drivations bipolaires (ou drivations standard) :
Elles ont t dtermines par Einthoven (Einthoven, 1906) et ils sont appeles bipolaires car
le potentiel est mesur entre deux lectrodes. Elles sont obtenues partir des potentiels du DI,
DII, DIII obtenues par permutation des lectrodes places sur le bras droit, le bras gauche et la
jambe gauche de la manire suivante :
D
I
=V
L
-V
R
D
II
=V
F
-V
R
D
III
=V
F
-V
L
O V
R
correspond au potentiel au bras droit, V
L
correspond au potentiel au bras gauche et V
F

correspond au potentiel dans la jambe gauche. La jambe droite est relie la masse. Les
vecteurs obtenus forment alors un triangle quilatral appel triangle dEinthoven comme
donn sur la Figure (1.3).
- Trois drivations unipolaires aVR, aVL, aVF :
Les drivations unipolaires des membres permettent d'tudier l'activit lectrique du cur sur
le plan frontal. Elles ont t dtermines par Wilson (Wilson et al, 1934). Ces drivations
permettent de mesurer la tension entre un point de rfrence et le bras droit, le bras gauche et
la jambe gauche respectivement. Le point de rfrence est ralis par la moyenne des signaux
qui apparaissent sur les deux autres membres qui ne sont pas en observation. A cet effet, on
utilise des rsistances de valeur leve, suprieure 5M. La Figure (1.4) montre les
drivations unipolaires.


Chapitre 1 Le cur et llectrocardiographie
12



Figure 1.3. Montage dEinthoven pour lenregistrement des derivations bipolaires des membres.



Figure 1.4. Drivations unipolaires.

- Six drivations prcordiales :
Ce sont des drivations unipolaires mises au point par Wilson (Wilson et al, 1944). Elles sont
poses sur le thorax et sont dsignes par la lettre V suivie du numro de leur emplacement.
Le potentiel de l'lectrode exploratrice est pris par rapport la moyenne des potentiels V
L
, V
R

et V
F
. Six points, dfinis par Wilson, permettent d'obtenir les drivations V1 V6. Leur
emplacement est reprsent sur la Figure (1.5).
Chapitre 1 Le cur et llectrocardiographie
13


Figure 1.5 Drivations thoraciques.

5.2 Ondes et Intervalles de L'ECG

Le processus de dpolarisation et de repolarisation des structures myocardiques se
prsente dans l'ECG comme une squence de dflexions ou ondes superposes une ligne de
potentiel zro, appele ligne isolectrique ou ligne de base. Ces dflexions sont dites positives
si elles sont situes au-dessus de la ligne isolectrique sinon elles sont dites ngatives.
Pour chaque battement cardiaque l'ECG enregistre principalement trois ondes successives
[53,54] comme montr sur la Figure (1.6).


Figure 1.6 Trac ECG.


Chapitre 1 Le cur et llectrocardiographie
14

- 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 bi-
phasique 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.

Chapitre 1 Le cur et llectrocardiographie
15

6. Troubles du rythme et de la conduction cardiaque



Sous cette dnomination on regroupe les arythmies cardiaques et les blocs cardiaques.
Le meilleur outil pour diagnostiquer une arythmie est l'lectrocardiogramme. Dans l'analyse
de l'ECG, les pathologies ou anomalies sont dtectes et classes en fonction de leur dviation
par rapport au rythme idal qu'est le rythme sinusal. Chaque dviation visible sur l'ECG peut
tre attribue une anomalie physiologique [54,2].

6.1 Rythme sinusal

Le rythme sinusal est le rythme normal cardiaque. Il correspond une activation
physiologique des oreillettes, puis des ventricules, a partir du nud sinusal. Son rythme est
compris entre 60 80 battements par minute avec un intervalle rgulier entre des battements
normaux. Le cur s'acclre normalement lors de l'activit physique, dans les circonstances
physiologiques qui exigent un surcrot de demande mtabolique ou sous l'effet des motions
ou d'excitants tels que caf, tabac et alcool.

6.2 Blocs cardiaques

Les blocs cardiaques sont dus une rupture de conduction du myocarde qui altre la
dpolarisation. Ces ruptures peuvent tre plus ou moins svres : freinantes (allongement du
temps de parcours), intermittentes (le blocage de la conduction se fait alatoirement), ou
complte (aucune conduction).

6.2.1 Bloc Sino-Auriculaire (Bloc SA)

Le nud sinusal peut ne pas transmettre de stimulus aux cellules des oreillettes. La
consquence est qu'au moins un cycle complet n'est pas effectu. Aprs la pause, due au bloc,
le cycle reprend normalement si aucun autre foyer ectopique n'a dclench la contraction.
6.2.2 Blocs Auriculo-Ventriculaire (BAV)

On appelle BAV l'altration de la conduction du stimulus de dpolarisation entre les
oreillettes et les ventricules.

Chapitre 1 Le cur et llectrocardiographie
16

6.2.3 Blocs de branche



Le bloc de branche est d au blocage de la dpolarisation dans une des branches du
faisceau de His. Un bloc dans l'une ou l'autre branche provoque un retard dans la
dpolarisation du ventricule auquel elle appartient. La dpolarisation des ventricules est
dsynchronise et le complexe QRS est largi par rapport l'ECG normal comme montr sur
la Figure (1.7).


(a)

(b)

Figure 1.7 Exemples d'ECG : (a) normal et (b): bloc de branche gauche.

7. Les arythmies cardiaques

Elles sont une cause majeure de mortalit et constituent une partie trs importante de
la problmatique des maladies cardiovasculaires. L'arythmie survient lorsque l'excitation
lectrique nat hors du nud sinusal, dans le nud atrio-ventriculaire ou les ventricules par
exemple, ou que l'onde lectrique ne suit plus les voies prfrentielles de propagation. La
contraction cardiaque qui en rsulte s'carte du rythme normal. Le battement supplmentaire
qu'elle provoque se nomme extrasystole, par opposition la contraction normale nomme
systole. On classe les arythmies en fonction de leur lieu de formation et de leurs effets sur le
rythme cardiaque. Si le trouble se dclare dans les oreillettes ou le nud atrio-ventriculaire,
on parlera d'arythmie supra-ventriculaire; s'il apparat dans les ventricules, on parlera
d'arythmie ventriculaire. Si une arythmie acclre le rythme cardiaque, on parlera de
tachycardie (tachy = rapide); si elle le ralentit, on parlera alors de bradycardie (brady = lent)
[2].
Chapitre 1 Le cur et llectrocardiographie
17

7.1 Extrasystoles supra-ventriculaires



Une extrasystole supra-ventriculaire est caractrise par une stimulation cardiaque
prmature par rapport au rythme de base. Selon son origine, elle pourra tre auriculaire
(oreillettes) ou jonctionnelle (nud atrio-ventriculaire). Souvent l'hypertension artrielle, en
raison de sa surcharge pour le cur, provoque une distension des oreillettes et leur
contraction prmature. La faiblesse du muscle cardiaque peut constituer une autre cause de
ce type d'extrasystole.

7.2 Contraction ventriculaire prmature (extrasystole ventriculaire)

L'extrasystole ventriculaire est due la prsence d'une zone irritative dans le
ventricule qui ne se soumet pas l'harmonie de l'activation cardiaque. L'motion, un
dsquilibre de la teneur en sels minraux, un tat fivreux ou une infection peuvent
dmasquer une propension cette arythmie. Dans ces cas, celle-ci sera considre comme
bnigne, tandis que l'apparition d'extrasystoles accompagnant une maladie cardiaque peut
dvoiler un problme qui ncessite un traitement. Si les extrasystoles se multiplient et que la
stimulation lectrique suit le mouvement, la frquence cardiaque augmentera, on parlera
alors de tachycardie.

7.3 La tachycardie supra-ventriculaire

Lors de tachycardie paroxystique, le cur s'emballe soudainement et bat trs
rapidement, jusqu' 150 220 fois par minute comme montr sur la Figure (1.8). Ces
pisodes peuvent durer quelques secondes ou se prolonger pendant plusieurs heures. Ils
s'arrtent aussi soudainement qu'ils sont apparus. Les tachycardies supra ventriculaires
peuvent apparatre ds le trs jeune ge et persister toute la vie. Aprs ces crises, le sujet se
sent fatigu, mais ce type d'arythmie est rarement dangereux. Elles ncessitent nanmoins
l'attention du mdecin, car elles peuvent tre gnantes et diminuer la qualit de vie.

Chapitre 1 Le cur et llectrocardiographie
18


Figure 1.8 Tachycardie supra-ventriculaire

7.4 La fibrillation auriculaire

Une fibrillation auriculaire est dfinie comme la contraction anarchique des
oreillettes, qui entrane une contraction rapide et irrgulire des ventricules comme montr
sur la Figure (1.9). Il sagit dun trouble du rythme du cur trs frquent, en particulier chez
les sujets de plus de 60 ans. Le diagnostic est difficile car les symptmes de fibrillation
auriculaire ne sont absolument pas ressentis.


Figure 1.9 Fibrillation auriculaire

7.5 La tachycardie ventriculaire

La tachycardie ventriculaire est en gnral la manifestation dun dysfonctionnement
du muscle cardiaque. Elle peut apparatre tout ge, mais elle est frquemment la
consquence dun infarctus du myocarde. Elle se manifeste par la dsynchronisation des
Chapitre 1 Le cur et llectrocardiographie
19

battements ventriculaires qui conduit une diminution du pompage du sang (voir Figure
(1.10)).


Figure 1.10 Tachycardie ventriculaire

7.6 Fibrillation ventriculaire

La fibrillation ventriculaire (FV) est parfois inaugurale (mort subite), prcoce
(fibrillation ventriculaire primaire de bon pronostic), parfois tardive (fibrillation
ventriculaire secondaire) accompagnant alors un anvrysme du ventricule gauche suite un
mauvais diagnostic. La fibrillation ne peut pas se produire dans un milieu homogne. En
fait, la priode rfractaire, l'excitabilit, ainsi que la vitesse de conduction nont pas des
proprits constantes partout dans le tissu ventriculaire comme montr sur la Figure (1.11).


Figure 1.11 Fibrillation ventriculaire



Chapitre 1 Le cur et llectrocardiographie
20

8. Artefacts visibles sur l'lectrocardiogramme



Sur tout enregistrement lectrocardiographique il peut apparatre des vnements
indsirables pouvant brouiller le trac et, parfois, induire en erreur le diagnostic final. Ces
bruits sont reconnaissables par l'il expriment qui les identifie avant d'effectuer son
diagnostic. Les effets indsirables peuvent avoir plusieurs sources: techniques, physiques ou
pathologiques. Nous allons surtout dvelopper l'aspect technique et physique des bruits et
artefacts prsents sur les tracs lectrocardiographiques notamment sur les tracs Holter. En
partant du principe que les bruits frquents en lectrocardiographie sont des bruits additifs,
les caractristiques de ces bruits auxquelles nous allons nous attacher sont l'amplitude, la
priodicit et la bande spectrale. Les artefacts prennent une place particulire puisqu'ils
induisent des modifications des performances des algorithmes d'analyse automatique de
l'lectrocardiogramme [2,53].

8.1 Bruits techniques

Le matriel utilis lors de l'enregistrement doit tre manipul avec prcaution car il peut
tre source de bruits lors de l'enregistrement. Les plus courants sont prsentes ci-dessous.
- Bruit d au secteur
Le rseau de distribution lectrique peut parfois brouiller le signal lectrocardiographique
avec une onde dont l'harmonique principale est 50 Hz comme montr sur la Figure (1.12).
Ce type de bruit apparat sur tout l'enregistrement et peut tre assez fort mais il s'limine
facilement avec un filtre slectif car c'est un bruit haute frquence a bande troite.


Figure 1.12 Interfrence secteur 50 Hz.

Chapitre 1 Le cur et llectrocardiographie
21

- Bruit d aux mouvements d'lectrodes


Lorsque les lectrodes sont connectes incorrectement, des sauts brusques de la ligne de
base apparaissent. L'effet sur le trac peut aller de la simple diminution d'amplitude
l'apparition de pics lorsque les lectrodes sont en contact intermittent avec la peau. Ces pics
peuvent parfois tre confondus avec les ondes du trac normal comme montr sur la Figure
(1.13). Ce type de bruit intermittent bande spectrale large s'limine difficilement car son
nergie se trouve dans la mme gamme de frquence que le complexe QRS.


Figure 1.13 Bruit d aux mouvements des lectrodes.


- Autres bruits courants
Parmi les bruits courants on peut citer les artefacts ds aux mouvements des cbles
lectriques, la saturation des instruments de mesure, les mauvais cblages, les artefacts ds
au port de vtements synthtiques, etc.

8.2 Artefacts physiques

Les artefacts physiques sont dus aux activits lectriques du corps humain telles que les
commandes de contraction des muscles ou la respiration.
- Mouvements de la ligne de base
Lors de l'enregistrement de l'lectrocardiogramme, l'activit respiratoire peut faire osciller la
ligne de base de l'ECG un rythme rgulier comme montr sur la Figure (1.14). D'autres
perturbations peuvent avoir pour effet de dplacer temporairement la ligne de base comme,
par exemple, les mauvais contacts entre la peau et les lectrodes. Ces perturbations sont
gnralement peu gnantes pour l'analyse de l'ECG et peuvent tre en grande partie filtres
car leur nergie se situe dans une bande de frquence basse, qui empite peu sur celle de
l'ECG normal.
Chapitre 1 Le cur et llectrocardiographie
22



Figure 1.14 Drive de la ligne de base.

- Bruit myoletrique ou tremblement somatique
La contraction d'un muscle est commande par une dpolarisation des cellules musculaires
et bien que les lectrocardiographes soient construits pour tre surtout sensibles aux
frquences du myocarde, l'ECG enregistre les contractions des muscles squelettiques
comme montr sur la Figure (1.15). L'aspect le plus courant est une oscillation haute
frquence lie la tension musculaire d'un sujet qui n'est pas convenablement dtendu. Ces
perturbations sont assez gnantes lorsque le patient bouge beaucoup ou lorsqu'il frissonne,
elles peuvent noyer les ondes P et T et empcher un diagnostic fiable. L'apparition de ces
perturbations dpend de l'tat du patient, s'il est trs tendu ou atteint de maladie de
Parkinson, l'enregistrement peut tre de mauvaise qualit sur toutes les voies de l'ECG.

Figure 1.15 Bruit myoletrique ou tremblement somatique.





Chapitre 1 Le cur et llectrocardiographie
23

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.







Chapitre II

Les rseaux de neurones
artificiels




Chapitre II Les rseaux de neurones artificiels
25

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
Chapitre II Les rseaux de neurones artificiels
26

fonctionnement avec leurs algorithmes dapprentissage et nous terminerons par les diffrentes
applications des RNA.

2. Elments de base des rseaux de neurones

2.1 Historique

Lorigine de linspiration des rseaux de neurones artificiels remonte 1890 quand W.
James, clbre psychologue amricain, introduit le concept de mmoire associative. Il propose
ce qui deviendra une loi de fonctionnement pour lapprentissage des rseaux de neurones,
connu plus tard sous le nom de loi de Hebb. Il a fallu attendre lanne 1943 pour que J. Mc
Culloch chercheur en neurologie et W. Pitts mathmaticien proposent le premier modle
mathmatique et informatique du neurone (un neurone au comportement binaire). Ce sont les
premiers montrer que des rseaux de neurones formels simples peuvent raliser des
fonctions logiques, arithmtiques et symboliques complexes. Cest avec D. Hebb,
neuropsychologue canadien, quarrive une nouvelle vague de dveloppement. Il publia en
1949 son livre intitul The Organization of behavior [55] dans lequel il expose ses ides sur
lapprentissage pour la premire fois. Cet ouvrage sera considr comme source dinspiration
pour le dveloppement des modles informatiques dapprentissage et des systmes adaptatifs
ultrieurs.
Un des premiers succs remarquable de cette discipline remonte 1957 lorsque F.
Rosenblatt dveloppe le modle du Perceptron [56]. Il construit le premier neuro-ordinateur
bas sur ce modle et lapplique au domaine de la reconnaissance des formes. En 1960, B.
Widrow et T.Hoff dveloppent le modle AdaLiNe (Adaptative Linear Neuron). Dans sa
structure, le modle ressemble au Perceptron, cependant la loi dapprentissage est diffrente.
Ils proposent la minimisation des erreurs quadratiques en sortie comme algorithme
dapprentissage du rseau. Vers la fin des annes 1960, M. Minsky et S. Papert montrent dans
leur livre intitul Perceptrons [42] les limitations thoriques du Perceptron. Ces limitations
concernent limpossibilit de traiter des problmes non linaires en utilisant ce modle.
Quelques annes dombre se sont ensuite succdes de 1967 1982.
Le renouveau de cette discipline reprend en 1982 grce J. J. Hopfield, un physicien
reconnu. Au travers dun article court, clair et bien crit [45], il prsente une thorie du
fonctionnement et des possibilits des rseaux de neurones. On peut citer encore les travaux
de Kohonen et J. Anderson qui ont mis au point de nouveaux rseaux pouvant servir de
Chapitre II Les rseaux de neurones artificiels
27

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.

2.2 Du neurone biologique au modle mathmatique

2.2.1 Le modle neurophysiologique

Le cerveau humain est compos de cellules distinctes appeles neurones formant un
ensemble dense denviron 10 100 milliards dunits interconnectes. Le neurone est une
cellule compose dun corps cellulaire et dun noyau comme montr sur la Figure (2.1). Le
corps cellulaire se ramifie pour former ce que lon nomme les dendrites. Cest par les
dendrites que linformation est achemine de lextrieur vers le soma (corps du neurone).
Linformation est traite alors par le corps cellulaire. Si le potentiel daction dpasse un
certain seuil, le corps cellulaire rpond par un stimulus. Le signal transmis par le neurone est
chemin ensuite le long de laxone (unique) pour tre transmis aux autres neurones. La
transmission entre deux neurones nest pas directe. En fait, il existe un espace intercellulaire
de quelques dizaines dAngstrms entre laxone du neurone affrent et les dendrites du
neurone effrent. La jonction entre deux neurones est appele synapse comme schmatis sur
la Figure (2.2) [57].

2.2.2 Le modle mathmatique

Par analogie avec le neurone biologique, chaque neurone artificiel est un processeur
lmentaire. Il reoit un nombre variable d'entres en provenance de neurones en amont. A
chacune de ces entres est associ un poids w, abrviation du mot poids (weight en anglais),
reprsentatif de la force de la connexion. Chaque processeur lmentaire est dot d'une sortie
Chapitre II Les rseaux de neurones artificiels
28

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.


Figure 2.1 Schma dun neurone.




Figure 2.2 Schma dune synapse.

Chapitre II Les rseaux de neurones artificiels
29


Figure 2.3 Neurone formel.

Le comportement du neurone artificiel se compose de deux phases [58]:
La premire phase reprsente le prtraitement des donnes reues en calculant la somme
pondre des entres selon l'expression suivante :
o

= w
]
]
x
]

(2.1)
Dans la deuxime phase, une fonction de transfert calcule la valeur de l'tat interne du
neurone. C'est cette valeur qui sera transmise aux neurones en aval. Plusieurs possibilits
existent pour spcifier la nature de la fonction dactivation du modle. Les fonctions
mathmatiques les plus souvent utilises tel que les fonctions linaires, sigmodes et
gaussiennes sont schmatises sur la Figure (2.4). A la diffrence des neurones biologiques
dont l'tat est binaire, la plupart des fonctions de transfert sont continues, offrant une infinit
de valeurs possibles comprises dans l'intervalle [0, +1] ou [-1, +1]. Ainsi, le neurone peut tre
dfini mathmatiquement comme tant une fonction algbrique, a priori non linaire (suivant
la fonction dactivation f) et borne, avec des entres x et paramtre par les poids w
ij
.



Figure 2.4 Diffrents types de fonctions d'activation pour le neurone artificiel.

Chapitre II Les rseaux de neurones artificiels
30

2.3 Architecture des rseaux de neurones



On distingue deux grandes familles de rseaux de neurones: les rseaux boucls et les
rseaux non boucls [59].

2.3.1 Les rseaux de neurones non boucls (en Anglais feedforward)

Un rseau de neurones non boucl ralise une (ou plusieurs) fonctions algbriques de
ses entres par composition des fonctions ralises par chacun des neurones le composant.
Lentre au rseau dsigne linformation reue par ce dernier de lenvironnement extrieur.
Dans un tel rseau, linformation circule dans une seule direction, de lentre vers la sortie. Ce
type de rseaux nautorise pas le retour en arrire de linformation. Le temps ne joue aucun
rle fonctionnel dans un rseau de neurones non boucl. Pour cette raison, ces rseaux sont
aussi qualifis de rseaux statiques, par opposition aux rseaux dynamiques. Ce type de
rseau comprend deux groupes d'architectures: les rseaux mono-couches et les rseaux
multi-couches. Ils diffrent par l'existence ou non de neurones intermdiaires appels
neurones cachs entre les units d'entres et les units de sorties appeles nuds sources ou
nuds d'entre et nuds de sortie respectivement.
Un rseau non-boucl mono-couche possde une couche d'entre recevant les stimuli
traiter par l'intermdiaire des nuds sources. Cette couche se projette en une couche de sortie
compose de neurones (nuds de calcul) transmettant les rsultats du traitement au milieu
extrieur. Un rseau non-boucl multi-couche se caractrise par la prsence d'une ou de
plusieurs couches caches, dont les nuds de calcul correspondants s'appellent neurones
cachs. Les couches caches s'interposent entre l'entre du rseau et sa sortie. Leur rle est
d'effectuer un prtraitement des signaux d'entre, reus par la couche d'entre en provenance
du milieu extrieur et de transmettre les rsultats correspondant la couche de sortie o sera
dtermine la rponse finale du rseau avant qu'elle soit transmise au milieu extrieur. Les
rseaux les plus frquemment utiliss de cette catgorie sont les perceptrons multi-couches
(Multilayer Perceptrons, MLP).

2.3.2 Les rseaux de neurones boucls (rcurrents)

Dans un rseau boucl, appel aussi rseau rcurrent ou dynamique, il est possible de
trouver au moins un cycle o linformation peut revenir son point de dpart. Cela suppose
Chapitre II Les rseaux de neurones artificiels
31

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.

2.4 Les types dapprentissage des rseaux de neurones

L'apprentissage est vraisemblablement la proprit la plus intressante des rseaux de
neurones. Elle ne concerne cependant pas tous les modles, mais uniquement les plus utiliss.
Lapprentissage est une phase du dveloppement du rseau de neurones durant laquelle on
calcule les poids des neurones de telle manire que les sorties du rseau soient aussi proches
que possible des sorties dsires. Les procdures dapprentissage sont divises, elles aussi, en
deux grandes catgories: apprentissage supervis et apprentissage non supervis [60].

2.4.1 Lapprentissage supervis

Lapprentissage supervis implique lexistence dun professeur qui a pour rle
dvaluer le succs (ou lchec) du rseau quand il lui est prsent un stimulus connu (on dit
que ce stimulus est un exemple appartenant la base dapprentissage). Cette supervision
consiste renvoyer au rseau une information lui permettant de faire voluer ses connexions
(parfois aussi sa propre architecture) afin de faire diminuer son taux dchec. Linformation
peut tre explicite, sous la forme dune mesure de lerreur commise, par exemple, ou
globalement sur lensemble des exemples de la base. Cest ce qui se passe dans le cas du
Perceptron. Mais elle peut tre plus implicite (apprentissage par renforcement), sous forme
dune simple apprciation (bon ou mauvais, punition ou rcompense), sans mesure derreur, et
mme tre globale, sur lensemble des tches que le rseau doit excuter. Dans ce dernier cas,
il est facile de comprendre que lapprentissage est le plus difficile, la difficult majeure
consistant pour le rseau identifier les tapes du processus qui sont responsables de lchec
ou du succs.

2.4.2 Lapprentissage non supervis

Lapprentissage non supervis implique la fourniture un rseau autonome dune
quantit suffisante dexemples contenant des rptitions (autrement dit de la redondance),
telles que celui-ci en dgage les rgularits automatiquement. Ces rseaux sont souvent
Chapitre II Les rseaux de neurones artificiels
32

appels auto-organisateurs, ou encore apprentissage comptitif. Dans lapprentissage non


supervis, les donnes ne contiennent pas dinformations sur une sortie dsire, il ny a pas de
superviseur ou expert humain. Il sagit de dterminer les paramtres du rseau de neurones
suivant un critre dfinir. Dans ce cas, les exemples prsents lentre provoquent une
auto adaptation du rseau afin de produire des valeurs de sortie qui soient proches en rponse
pour des valeurs dentres similaires. Ce type dapprentissage possde souvent moins de
complexit dans le calcul par rapport lapprentissage supervis. Bien entendu, larchitecture
du rseau, pralablement dfinie par son utilisateur, est une forme de supervision.

3. Les rseaux de neurones les plus utiliss

La Figure (2.5) reprsente les rseaux de neurones les plus utiliss dans la littrature.
Dans ce qui suit, nous allons faire une description de chacun d'eux.




Figure 2.5 Rseaux de neurones le plus utiliss.

3.1 Les Perceptrons

3.1.1 Le perceptron mono-couche (Perceptron simple)

Le perceptron est le premier modle des rseaux de neurones invent en 1957 par
Frank Rosenblatt [56]. C'est un rseau simple, puisquil ne se compose que d'une couche
d'entre et d'une couche de sortie. Il peut aussi tre utilis pour faire de la classification et
Chapitre II Les rseaux de neurones artificiels
33

pour rsoudre des oprations logiques simples, il suit gnralement un apprentissage


supervis selon la rgle de correction de l'erreur.

3.1.2 Le perceptron multicouche (en anglais Multi Layer Perceptron)

C'est une extension du prcdent, avec une ou plusieurs couches caches entre l'entre et
la sortie [61]. Chaque neurone dans une couche est connect tous les neurones de la couche
prcdente et de la couche suivante. Il peut rsoudre des problmes non linairement
sparables et des problmes logiques plus compliqus. Il suit un apprentissage supervis selon
la rgle de correction de l'erreur, ce rseau sera dtaill par la suite.

3.2 Les rseaux fonction radiale

Les rseaux fonctions de bases radiales (RBF) ou plus simplement rseaux bases
radiales ont t proposs par J. Moody et C. Darken [43]. Les RBF seront donc employs dans
les mmes types de problmes que les PMC savoir, en classification et en approximation de
fonctions, particulirement. L'apprentissage le plus utilis pour les RBF est le mode hybride et
les rgles sont soit la rgle de correction de l'erreur soit la rgle d'apprentissage par
comptition.

3.3 Les cartes auto-organisatrices de Kohonen (SOM)

Les cartes topologiques ou cartes auto organisatrices ont t introduites pour la premire
fois par T. Kohonen [44] en 1982. Ce sont des rseaux apprentissage non-supervis qui
tablissent une carte discrte, ordonne topologiquement, en fonction de patterns d'entre. Le
rseau forme ainsi une sorte de treillis dont chaque nud est un neurone associ un vecteur
de poids. La correspondance entre chaque vecteur de poids est calcule pour chaque entre.
Par la suite, le vecteur de poids ayant la meilleure corrlation, ainsi que certains de ses
voisins, vont tre modifis afin d'augmenter encore cette corrlation, ce rseau sera dtaill
par la suite.

3.4 Les rseaux de Hopfield

Les rseaux de Hopfield [45] sont des rseaux rcurrents et entirement connects.
Dans ce type de rseau, chaque neurone est connect chaque autre neurone et il n'y a aucune
Chapitre II Les rseaux de neurones artificiels
34

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.

3.5 Les rseaux ART

Les rseaux ART (Adaptive Resonance Theory) sont des rseaux apprentissage par
comptition [46, 47]. Dans ce genre de rseau, les vecteurs de poids ne seront adapts que si
l'entre fournie est suffisamment proche d'un prototype dj connu par le rseau. Il est noter
qu'il existe deux principaux types de rseaux ART : les ART-1 pour des entres binaires et les
ART-2 pour des entres continues. Le mode d'apprentissage des ART peut tre supervis ou
non.

4. Le classificateur perceptron multicouche

4.1 Principe

Un rseau perceptron multicouche (en anglais MLP) est constitu de neurones relis
entre eux par des liens pondrs. Il se compose d'une couche d'entre, d'une couche de sortie
et d'une ou plusieurs couches caches comme montr sur la Figure (2.6). A l'heure actuelle, il
n'existe pas de rgles ou lois rgissant le nombre de couches et le nombre de neurones par
couche utiliser. Le choix reste heuristique et il est tabli en fonction de l'utilisation du
rseau. Le but est d'obtenir le rseau le plus simple possible afin de limiter le temps de calcul,
mais suffisamment labor pour rpondre aux critres de discrimination dsirs. L'utilisation
d'un tel rseau pour la classification impose le nombre de neurones pour la couche d'entre.
En effet, cette couche correspond au vecteur de mesure ou vecteur dentre. La couche
d'entre aura alors un nombre de neurones quivalent au nombre de composantes du vecteur
dentre. En ce qui concerne la couche de sortie, un des choix possibles est de faire
correspondre le nombre de neurones au nombre de classes estimes. Pour grer les neurones,
les fonctions d'activation permettent de dfinir l'tat de leur sortie en fonction de leurs entres.
En effet, chaque neurone est reli tous les neurones de la couche prcdente et chacune des
connexions est affecte d'un poids w pondrant la sortie du neurone prcdent. La somme des
Chapitre II Les rseaux de neurones artificiels
35

entres est alors introduite dans une fonction d'activation qui dcide de l'tat de sortie du
neurone [62].



Figure 2.6 Perceptron Multi Couches.

4.2 Rtropropagation du gradient de lerreur

Soit le rseau deux couches de la Figure (2.6) dans lequel les units de sortie sont
notes o
i
, les units caches
j
et les units dentre x
k
. Les connexions des units dentre aux
units caches sont notes w
kj
et celles des units caches aux units de sortie par w
ij
. Lentre
k a pour valeur x
k
p
lorsque la donne p est prsente au rseau. Ces valeurs peuvent tre
binaires (0/1 ou +1/-1) ou continues [62].
Pour la donne dentre p, la valeur de sortie de lunit cache j est donne par :
:
]
p
= (o
]
p
) = (w
]k
k
x
k
p
)
(2.1)
Les units de sortie ont comme valeur :
o

p
= (o

p
) = (w
]
]
:
]
p
)

(2.2)
Les fonctions derreurs partielles et globales sont alors dfinies par
E
p
=
1
2
(o

p
-x

p
)

2
et E = E
p
p

(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:
Chapitre II Les rseaux de neurones artificiels
36

w = -p
oE
ow
= -p
oE
p
ow
p

(2.4)
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 :
Cas des connexions entre la couche cache et celle de sortie (w
ij
) :
Pour le cas des neurones de sortie, lexpression (2.3) devient fonction du paramtre w
ij
qui
influe uniquement sur la sortie du neurone dindice i. Nous pouvons donc dcomposer la
drive de lexpression (2.3) par :
oE
p
ow
]
=
oE
p
oo

p
.
oo

p
oo

p
oo

p
ow
]
= (o

p
-x

p
)

i
(o

p
):
]
p

(2.5)
Lexpression (2.4) devient alors
w
]
= p

i
(o

p
)
p
(x

p
-o

p
):
]
p

(2.6)
Cas des connexions entre la couche dentre et la couche cache (w
jk
) :
Pour le cas des neurones cachs, lexpression (2.4) est fonction du paramtre w
jk
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 :
oE
p
ow
]k
=
oE
p
o:
]
p
.
o:
]
p
oo
]
p
oo
]
p
ow
]k
=
oE
p
o:
]
p

]
i
(o
]
p
)x
k
p

(2.7)
Le premier terme de cette expression devient alors :
oE
p
o:
]
p
=
oE
p
oo

.
oo

p
o:
]
p
=
oE
p
oo

oo

p
oo

p
oo

p
o:
]
p
= (o

p
-x

p
)

i
(o

p
)w
]

(2.8)
On obtient alors la modification des poids :
w
]k
= p _
]
i
(o
]
p
)x
k
p
_(x

p
-o

p
)

i
(o

p
)w
]
__
p

(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 w
ij
pour
Chapitre II Les rseaux de neurones artificiels
37

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;
De nombreux problmes sont dus la gomtrie de la fonction derreur: minimums
locaux. Ce problme est en partie rsolu avec le gradient stochastique, mais il subsiste
quand mme;
Le problme de dimensionnement du rseau. La rtropropagation apprend une base
dapprentissage sur un rseau dont la structure est fixe a priori. La structure est
dfinie par le nombre de couches caches, le nombre de neurones par couches et la
topologie des connections. Un mauvais choix de structure peut dgrader
considrablement les performances du rseau.

5. Les cartes topologiques de Kohonen

5.1 Dfinition

Un rseau de Kohonen appel aussi SOM (Self Organizing Maps) est compos dune
couche dentre et dune couche comptitive comme montr sur la Figure (2.7) [59]. La
couche comptitive possde une structure topologique, ce qui permet de dfinir un voisinage
pour le neurone. Lapprentissage est non supervis. Les cartes topologiques de Kohonen sont
constitues de deux couches:
La couche dentre sert uniquement la prsentation des formes classer et les tats
de tous ses neurones sont forcs aux valeurs des donnes dentre;
Chapitre II Les rseaux de neurones artificiels
38

La couche dadaptation est forme dun treillis de neurones voqu prcdemment.


Le choix de la gomtrie du rseau employ est faite a priori. Les neurones utiliss
ce niveau sont des neurones linaires, chacun dentre eux tant branch tous les
lments de la couche dentre. De manire permettre le processus dauto
organisation, les poids qui lient les deux couches sont dtermins de manire
adaptative.






Figure 2.7 La carte topologique de Kohonen.

5.1 Lapprentissage comptitif [63]

Lapprentissage comptitif, comme son nom lindique, consiste faire compter les
neurones dun rseau pour dterminer lequel sera actif un instant donn. Contrairement aux
autres types dapprentissage o, gnralement, tous les neurones peuvent apprendre
simultanment et de la mme manire, lapprentissage comptitif produit un vainqueur et seul
ce vainqueur et, potentiellement, son voisinage bnficient dune adaptation de leur poids.
Dans leur forme la plus simple, les rseaux de neurones qui utilisent lapprentissage
comptitif sont souvent constitus dune seule couche de neurones de sortie, totalement
connecte sur les entres. Un neurone vainqueur modifiera ses poids synaptiques en les
rapprochant (gomtriquement) dun stimulus dentre p pour lequel il a battu tous les autres
neurones lors de la comptition:
w= (p w) si le neurone est vainqueur
0 autrement
(2.10)
O 0 < < 1 correspond un taux dapprentissage. Un neurone qui ne gagne pas la
comptition ne modifiera aucunement ses poids. Il ne sera donc pas affect par le stimulus en
Chapitre II Les rseaux de neurones artificiels
39

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.

5.3 Processus dapprentissage du rseau de Kohonen

A chaque tape de lapprentissage, cest--dire chaque nouvelle arrive dune
observation, chaque neurone de la couche de sortie calcule son activation. A lissue de ce
calcul, le neurone dont lactivation est la plus grande est dclar vainqueur. Ses poids ainsi
que ceux de ses voisins sont mis jour en fonction de linfluence du neurone gagnant sur son
voisinage. A partir de la carte obtenue et de la matrice des poids des neurones de sortie, on
peut engendrer un espace de dimension 2 o les points seront projets [63].

5.4 L'algorithme dapprentissage de Kohonen [63]
Pour N neurones avec M entres et le rayon r :
Les poids sont initialises alatoirement.
Tant que le rseau ne converge pas :
Choisir un vecteur dentre I = [I1, I2, ..., IM] dans lensemble des vecteurs
dentre apprendre.
Trouver le neurone gagnant (le neurone j dont le vecteur poids Wj = [wj1,
wj2,..., wjM] est le plus proche, selon une distance d, du vecteur dentre) ;
Avec j = Arg (min [d(Wi,I)]) i=1...N
Modifier les poids du vecteur gagnant et de sont voisinage selon lquation :
Si |k j| r Wk (t + 1) = Wk (t) + (t) (Ij (t) Wk (t)).
6. Les diffrentes applications de RNA

Les rseaux de neurones sont utiliss dans plusieurs domaines, citons la classification,
la reconnaissance de formes, lidentification et la commande de processus. Le choix dutiliser
tel ou tel type de rseau de neurones dpend de lapplication mais aussi des capacits de
traitement du processeur sur lequel ils sexcutent.
Chapitre II Les rseaux de neurones artificiels
40

6.1 Reconnaissance des formes



Cest un domaine privilgie dapplication pour les RNA et cest lui qui a marqu leur
dbut. Le premier modle dans cette thmatique a t dvelopp aux laboratoires AT&Bell
dans la reconnaissance des codes postaux [64].
Le terme de reconnaissance est un terme gnral qui dsigne les processus traitant des
donnes pour en extraire des informations afin de parvenir leur classification. Une partie
non ngligeable des applications neuronales actuelles appartiennent cette catgorie, parmi
lesquelles nous pouvons citer [65, 66]:

Reconnaissance des formes.
Reconnaissance des caractres.
Classification et compression dimages.
Diagnostic des pannes.

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].

6.3 Traitement de la parole

Le traitement de la parole est une discipline scientifique localise au croisement du
traitement du signal numrique et du traitement du langage. Depuis une vingtaine dannes,
les rseaux de neurones artificiels constituent une technique utilise dans les systmes de
traitement automatique de la parole. Ils peuvent tre employs de nombreux niveaux dans
un systme de traitement automatique de la parole. De nombreuses tudes ont t menes
pour les utiliser pour le traitement du signal parole (filtrage, annulation dchos, sparation de
sources), la modlisation acoustique mais aussi pour des tches de plus haut niveaux telles
que la modlisation linguistique [65, 68].

Chapitre II Les rseaux de neurones artificiels
41

6.4 Dtection danomalies en mdecine



Ceci est une drivation des reconnaissances de formes. On apprend un rseau une image
du fonctionnement normal dun systme et celui-ci sera ainsi capable dindiquer tout tat de
dysfonctionnement quand certains paramtres engendrent une image anormale. Parmi les
applications en mdecine nous pouvons citer:

Cardiologie [1]
Traitement des images MRI (Magnetic Resonance Imager) [69]
Psychologie [70], psychiatrie [71] et sociologie [72]
Ophtalmologie [73]

6.5 Traitements dpendant du temps

Dans ce cas, on se retrouve devant des problmes de prdiction, didentification et de
commande de processus
Prdiction [74]
Identification et commande de processus [75].

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.

Chapitre II Les rseaux de neurones artificiels
42

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.











Chapitre III

Discrimination et
classification des anomalies
cardiaques par RNA





Chapitre III Discrimination et classification des anomalies cardiaques par RNA
44

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.

2. Les systmes automatiques de diagnostic cardiaque

Bien que les travaux sur les systmes de diagnostic cardiaque aient fait des progrs
remarquables depuis le dbut des travauxdEinthoven (1901), les maladies cardiovasculaires
demeurent une des causes majeures de mortalit travers le monde. Par consquence, les
systmes intelligents, capables d'aider les mdecins faire le diagnostic et le suivi des
malades devient indispensable. Ces systmes devraient tre facilement applicables, volutifs,
prcis, robustes, et stables. En outre, l'adaptabilit des situations rares est galement
souhaitable [76]. Les systmes de surveillance intelligents sont apparus dans les annes 90
pour surmonter les inconvnients des moniteurs de la premire gnration [77]. Leur but tait
d'intgrer plusieurs sources d'observations et plusieurs types de connaissances mdicales pour
construire des systmes de contrle interactif et utile [1].
Leurs principaux objectifs sont:
Dtecter les situations anormales par l'analyse des signaux.
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
45

Prdire la survenue d'vnements anormaux.


Donner des conseils thrapeutiques.
Expliquer le mcanisme sous-jacent qui a gnr le dsordre.
Dans ces approches, trois tches principales sont ncessaires:
Ltape d'acquisition, o l'acquisition du signal ECG et des donnes de suivi de
patients sont recueillies.
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.
La Figure (3.1) illustre cergime gnral d'apprentissage pour la classification de lECG.


Figure 3.1 Reprsentation schmatique dun classificateur des signaux ECG.

L'tape de traitement du signal a dj t formalise par certains auteurs [78] et [79]. Diverses
mthodes de classification automatique delECG se trouvent dans lalittrature. 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
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
46

Le but de la mise en uvre du bloc de prtraitement est la localisation des diffrentes


ondes de lECG ainsi que leur dure, (bien que le complexe QRS soit le plus
important). La prcision de la dtection de chaque cycle cardiaque est d'une trs
grande importance car elle contribue de manire significative aux rsultats de
classification.
Slection/extraction des paramtres pertinents
Dans la majorit des cas, la dtection des ondes anormales ncessite une tape
prliminaire de slection ou d'extraction de paramtres les plus pertinentes, (dans le
temps par exemple: la dure, la pente, l'amplitude des ondes etc.). 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 assists par des
connaissances a priori ou des rgles.
Classification ou discrimination (Pattern Recognition)
L'tape de reconnaissance des anomalies implique le dveloppement dun systme
intelligent qui permet de traiter les paramtres slectionns ltape prcdente. Un
grand nombre de mthodes d'apprentissage a t utilises pour identifier les diffrents
types de pathologies cardiaques. Plusieurs mthodes et techniques on t proposes
dans la littrature. Certaines de ces mthodes s'appuyent sur l'interprtation des
modles tels que les filtres de Kalman tapes multiples [80] ou des modles de
Markov cachs [34].

3. Lintelligence artificielle et lECG

Dans la littrature, on trouve pas mal de techniques appliquant les approches de
l'intelligence artificielle [81] et en particulier les rseaux de neurones [37], [38] pour l'analyse
automatique de l'ECG. Le travail de Mark et al [38] montre que les techniques de rseaux de
neurones et spcialement, le rseau MLP et la carte auto-organisatrices (SOM) sont utiliss
des fins de classification. Autres approches, telles que lapproche baysienne et heuristique
[33] et des modles de Markov [34] ont t galement exprimentes pour la classification
des signaux ECG. ART (Adaptive Resonant Theory) a t appliqu une varit de domaines
allant des applications mdicales, telles que la classification des modles ECG [35], au
traitement smantique des donnes. Barro et al, [82] ont utilis la thorie MART (Multi-
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
47

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.

4. Lutilisation des RNA dans la classification des arythmies
cardiaques

Lutilisation des RNA dans la discrimination des complexes QRS large comme dans le
cas de la tachycardie ventriculaire (VT) et la tachycardie supraventriculaire (SVT) a t le
sujet de beaucoup de recherches en lectrocardiographie. En fait, la dtection prmature de la
fibrillation ventriculaire (VF) est dcisive dans le cas du risque de la mort subite, une
dtection rapide permet au spcialiste d'avoir plus de temps de raction (intervention) pour
donner le traitement appropri au patient. Plusieurs techniques utilisant les RNA ont t
dveloppes pour tablir des critres permettant la diffrenciation de la VT parmi des
battements normaux [1]. Al-Fahoum et al [84] ont utilis des transformations en ondelette
(continue et discrte) dans la phase de lextraction des paramtres, le vecteur de paramtres
extrait par ondelettes est utilis ensuite comme entre dun rseau de neurones de type RBF
dans le but de la dtection automatique des arythmies. Dans [85], Rosado-Muoz et al.
combinent une ondelette de Daubechies et un rseau RBF, un classement correct global de
97,5% a t obtenu, avec 100% de classification correcte la fois pour la fibrillation
ventriculaire et la tachycardie ventriculaire.
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
48

Une importante partie du domaine de recherche sur la dtection des arythmies se


concentre sur la dtection de la fibrillation auriculaire paroxystique (PAF). Un systme de
rseau de neurones pour la dtection de la fibrillation auriculaire dans llectrocardiogramme
ambulatoire a t mis au point par Cubanski et al [86]. Lalgorithme de classification utilise
une analyse du rythme qui tient en compte une srie dintervalles RR issue du signal ECG.
Ceci est combin avec une analyse de la morphologie des diffrentes ondes du signal qui
respecte les caractristiques des parties non QRS de lECG. Un rseau de neurones de type
MLP a t utilis dans la phase de classification. La technique a t valide par une base de
donnes constitue de 42 970 exemples de la fibrillation auriculaire (FA) et d'autres troubles
du rythme supra-ventriculaire, l'algorithme a montr une sensibilit de 82,4% et une
spcificit de 96,6%.

5. Discrimination des battements PVC

La dtection de la contraction ventriculaire prmature (PVC) a galement attir
l'attention de nombreux chercheurs. Dans Ham et Han [87], par exemple, les auteurs utilisent
la thorie ARTMAP (Adaptive Resonance Theory Mapping) pour classer les arythmies
cardiaques. Deux types de battement ont t analyss: battement normal et battement anormal
de type PVC. Les rsultats du test ont montr que le rseau de neurone bas sur ARTMAP
peut classer les arythmies cardiaques avec plus de 97% de sensibilit et 99% de spcificit.
Plus tard, Maglaveras et al [88] ont propos un prtraitement non-linaire du signal ECG et
une classification qui utilise un algorithme bas sur un RNA. La technique a t applique au
problme de dtection de PVC donnant de bons rsultats. Une mthode de dtection de PVC
partir des enregistrements Holter a t propose par al Shyu. [20]. La mthode prend en
considration les informations utilises lors de la dtection du complexe QRS par une
transforme en ondelettes puis un rseau de neurones flou (FNN) est utilis dans la phase de
classification. Une exactitude pour la classification des PVC a t denviron 99,8%.
Lagerholm et al. [89] ont utilis des fonctions de base d'Hermite (HBF) et un rseau SOM
dans le but de classifier les signaux ECG. La structure du rseau SOM a t bnfique dans
l'interprtation des donnes exprimentales. Dans Acharya et al. [90], les auteurs ont labor
un RNA avec des relations floues pour le classement des rythmes cardiaques. La phase de
l'extraction des paramtres dans ce cas est base sur la mesure des variations du rythme
cardiaque. Les rsultats ont indiqu un niveau lev d'efficacit, avec un niveau de prcision
de 80 85%. Wieben et al [91] ont dvelopp un classificateur bas sur un dispositif de banc
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
49

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.

6. Les problmes lis la dtection et la classification des
dsordres cardiaques

Plusieurs problmes ont t rencontrs dans la dtection et la classification des dsordres
cardiaques dans diffrents travaux de recherche qui sont rcapituls comme suit :
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.
Les processus d'extraction de paramtres sont confronts la question d'identifier
quels sont les paramtres les plus appropris (pertinents) qui faciliteront le processus
de diagnostic global parmi des centaines de paramtres qui sont disponibles.
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
50

Le procd de dtection doit tre rapide pour l'excution en temps rel.



7. La gnration des paramtres descriptifs

L'identification et la classification des modles, y compris les signaux ECG, exige la
gnration (extraction) des paramtres descriptifs qui caractrisent exactement ces modles
permettant ainsi leur diffrentiation en classe. Les paramtres extraits reprsentent les classes
de telle manire que les diffrences de la morphologie des ondes ECG sont supprimes pour
la mme classe de battements, et cette diffrence est rehausse pour des formes d'onde
appartenant des classes diffrentes. Dans la pratique, il est clair qu'il y a une grande varit
de morphologies donde parmi les battements du cur appartenant une classe, et mme pour
le mme patient. D'ailleurs, les battements appartenant aux diffrentes classes sont des fois
morphologiquement semblables entre eux. Ils occupent des fois une gamme semblable que se
soit dans lchelle temporelle ou frquentielle; alors, il est difficile d'identifier lun de l'autre
sur la base dune reprsentation en temps seulement ou en frquence.

8. Les techniques d'tude non supervises et leurs applications dans
la classification de lECG

La classification non supervise, vise typiquement grouper un ensemble de donnes (de
modles) sans avoir des informations a priori sur les classes. Le systme doit dcouvrir et
apprendre les similitudes qui existent entre les donnes regrouper. Les rsultats principaux
de telles approches sont un ensemble de classes (modles). Un processus de classification non
supervise peut tre implment selon les tapes suivantes [3]:
Reprsentation de modle: elle se rapporte la dfinition du nombre de modles
disponibles, le type, et lchelle des paramtres disponibles l'algorithme de
groupement (clustering algorithm). L'extraction et le choix des paramtres sont les
composantes fondamentales de cette tche.
Choix de la distance ou mesure de similitude: la dfinition d'une mesure de
similitude entre les paires de modles est essentielle pour mettre en application un
algorithme de groupement. Certains algorithmes de groupement peuvent tre
implments par l'application de diffrente distance mtrique. D'autres techniques sont
conues pour un seul type de fonctions de distance. Des approches la distance ou la
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
51

similitude de mesure ont t intensivement tudies [97, 98]. La mesure de similitude


la plus connue est la distance euclidienne E = ( |x
p

-x
kp

|
2
p
)
1
2
. Plus la distance est
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].
Choix de lalgorithme de groupement: les algorithmes de groupement ont des
avantages et des limitations aussi, qui peuvent dpendre de la nature statistique des
donnes tudier, le domaine du problme, et les besoins des utilisateurs [100]. Il n'y
a aucun consensus clair de savoir si on peut identifier le meilleur algorithme pour un
problme particulier puisque les diffrents algorithmes peuvent dvoiler divers aspects
pour les donnes tudies. Les exemples traditionnels de ces algorithmes incluent
diffrents types de groupement hirarchique, lalgorithme K-mans et la carte auto
organise de Kohonen.
Validation du modle: la validation ou l'valuation des rsultats de groupement est
une tche fondamentale dans l'analyse de groupement [100] et [101]. Etant donn les
modles putatifs produits par un algorithme, il est essentiel de rpondre des
questions comme: quelle est la signification de cette rpartition en termes de nombre
de modles et dassignement des modles? Ces modles sont-ils significatifs ? Cette
tche devient plus complexe en l'absence des critres et des connaissances objectifs
pour interprter la qualit des modles [102].

9. Les avantages et les inconvnients du traitement par RNA

Comme prsent dans les sections prcdentes, les RNA se sont avrs un outil puissant
dans le perfectionnement des systmes de diagnostic cardiaques dans les dernires dcennies.
Dans Partridge et al [103], plusieurs avantages des RNA par rapport aux techniques
conventionnelles et lanalyse manuelle dans les applications mdicales ont t identifis :
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.
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
52

Les RNA peuvent tre automatiss pour l'analyse en temps rel et dune faon rapide
et fiable.
Les RNA liminent les erreurs dues la fatigue humaine et lhabitude.
Les RNA peuvent aussi traiter de grandes quantits de donnes.
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.

9.1 Qualit et reprsentativit des donnes disponibles

Quand un problme est bas sur lapprentissage partir dun ensemble dchantillons,
la question principale qui se pose est la qualit et la reprsentativit des donnes disponibles
qui sont particulirement appropries dans le diagnostic des pathologies cardiaques. Dans ce
contexte, la majorit des bases de donnes contiennent peu de donnes, des annotations sont
erratiques, tous les types de bruit et ainsi de suite. Ces problmes affectent considrablement
le classificateur.

9.2 Algorithmes de dtection

Le problme principal est d la prsence de divers types de bruit (drive lente de la
ligne de base, bruit de haute frquence, bruit impulsif) et la grande variabilit des signaux,
qui dpendent du patient et changent aussi avec le temps. Clairement, un foss existe toujours
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
53

entre les rsultats acadmiques et les rsultats observs dans la pratique clinique, o des taux
levs de fausses dtections sont trouvs [104].
9.3 Slection /extraction des paramtres pertinents
Un aspect trs important de l'extraction /slection des paramtres est que les paramtres
extraits ne devront pas uniquement avoir un sens, mais ils devront galement tre significatifs
pour le diagnostic.

9.4 tape de classification

Dans les tapes de classification/diagnostic, quatre problmes principaux existent: le
premier est comment dfinir les classes de diagnostic, le second est comment choisir le
classificateur le plus appropri, le troisime est comment former le classificateur choisi, et le
quatrime est comment mesurer la qualit et les performances du classificateur. Dans ce qui
suit, nous passons en revue ces aspects.
Standardisation des classes de diagnostic
Le problme le plus significatif dans la classification automatise est que peu de
travaux ont fait face aux problmes de la standardisation, les rgles de la classification,
et la dfinition de linformation qui devrait tre considre pendant le diagnostic
[105]. Ceci affecte principalement les classificateurs bass sur des rgles prdfinies,
car ils dpendent de la connaissance fournie par lexpert humain, qui, dans certains
cas, peut tre bas sur des procdures de ttonnements. Ces problmes peuvent
expliquer la popularit rcente des RNA, o aucune rgle n'est exige au dbut.
Choix du classificateur le plus appropri
Le rseau MLP avec le rtro-propagation du gradient comme algorithme
dapprentissage est le rseau de neurones le plus utilis dans la tche de la
classification des signaux ECG. Cependant, plusieurs avantages et amliorations
peuvent tre obtenus en employant dautres types de rseaux de neurones plus raffin.
Les chercheurs utilisent souvent des approches sophistiques pour rsoudre des
problmes faciles et vice versa. Dans Selker et al [106], les auteurs ont not que la
dgradation des performances et le manque d'interprtation du MLP en le comparant
avec des modles plus simples. Ils ont conclu de cette tude que le choix de la
technique de classification devrait tre faite sur la base des besoins spcifiques de
l'application, plutt que supposer que les mthodes dj essayes sont intrinsquement
plus puissantes que les autres.
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
54

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

Ce chapitre donne un aperu sur les diffrents tapes constituant un systme
automatique de diagnostic cardiaque. Lutilisation des techniques de lintelligence artificielle
dans le traitement du signal ECG notamment les RNA ainsi que les problmes lis la
dtection et la classification des dsordres cardiaques sont aussi exposs.
Une partie du chapitre est consacre la prsentation dun tat de lart sur
lapplication de lintelligence artificielle dans la conception des systmes automatiques de
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
55

diagnostic cardiaque, surtout lutilisation des rseaux de neurones dans ltage de la


classification.
Nous avons termin ce chapitre par les avantages et les inconvnients du traitement du
signal ECG par les RNA.






Chapitre IV

Approximation de la DSP
du complexe QRS par les
pentes fractionnaires






Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
57

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
Chap

de pu
seron

2. L

dime
aux
comp
sicl
phys
allon
souv
accom
pour
pitre IV
uissance (D
nt utiliss da
Les fract
Le conc
ension d'esp
proprits
plet et coh
e [21-22].
iques ou a
ngement (ag
vent d'une hi
mplies tra
l'exemple m
F
Approx
DSP) du co
ans la classi
tales
ept des fra
pace. Bien s
tranges, q
rent n'a t
Au sens le
aux proces
grandisseme
irarchie de
avers une r
montr sur l
Figure 4.1 Ex
ximation de
omplexe QR
ification et
actals est n
sr, certain
que l'on rat
dvoil qu
e plus large
sus dynam
ent) de lch
e structures
plique rcu
la Figure (4
xemple dune
e la DSP du
58
RS. Ces nou
la discrimin
d'une rfl
ns scientifiq
ttache dso
ue par B. M
e, le nom
miques qui
helle (lespa
(spatiales o
ursive de m
4.1).
e construction
u complexe Q
uveaux par
nation des a
lexion des
ques avaient
ormais aux
Mandelbrot
ou l'adjecti
manifesten
ace ou le te
ou temporel
modle jusqu
n fractale la
QRS par les
amtres d
anomalies ca
mathmatic
t auparavan
fractales,
dans les an
if fractal s
nt de nouv
emps). Les f
les) en casc
u des che

courbe de V
s pentes fra
dimension t
ardiaques.
ciens sur la
nt remarqu
mais leur
nnes 80 du
e rapporte
eaux dtail
fractales se
cade et ils so
elles plus fi
Von Koch
ctionnaires
trs rduite
a notion de
des objets
formalisme
u vingtime
aux objets
ls sil y a
composent
ont souvent
nes comme

e
e
s
e
e
s
a
t
t
e
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
59

Si la rgle de rplication prserve l'invariance dans lchelle dans toute l'entit, de


telles fractales sont dites auto similaire (au sens exact ou statistique). Une caractristique trs
importante des fractales est la capacit de comprimer une structure avec conomie des
ressources (nergie, espace, etc.). Ces types de fractales sont dominants en physiologie,
comme exemple nous pouvons citer, le systme respiratoire, le faisceau de conduction cardio-
vasculaire et le tissu nerveux [110] qui ont la caractristique additionnelle d'tre fault
tolerant [31].
La mesure la plus employe dans le diagnostic dune fractale est la dimension fractale
qui est un nombre rel et positif caractrisant la manire dont la masse de l'objet est rpartie
dans l'espace. La raison pour laquelle ce choix a t fait cest que la plupart des objets fractals
sont auto similaires; en d'autres termes, ils peuvent tre caractriss par une mesure exprime
sous forme de facteur de puissance, o l'exposant de puissance , lie le changement de la
quantit dpendante observe V la variable indpendante x comme suit V(x) = x

[111]. Le
paramtre est proportionnel au rapport du logarithme de V(x) et x, c'est--dire:
= log[V(x)] / log(x) (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)
Dans ce cas = log(b)/log(a). Lutilit de cette fonction dchelle particulire a t prouve
plusieurs fois et dans beaucoup de domaines scientifiques, y compris la thermodynamique des
transitions de phase [113] et le comportement de seuil des rseaux de percolation [114-115].

3. Loi de puissance inverse (processus 1/f)

Parfois le contenu frquentiel des signaux fournit des informations plus utiles que la
reprsentation temporelle. Beaucoup de signaux biologiques comme le signal ECG
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
60

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

ou, plus gnralement, les processus 1/f. Plusieurs


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:

( )

=
S
K
S H
(4.4)
o K est une constante positive, = j s 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).
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
61


Figure 4.3 Comportement en 1/f de la puissance de la srie RR du rythme cardiaque
(Rythme normal).

4. Invariance d'chelle temporelle dun signal

Le terme fractal se rapporte aux structures gomtriques qui ont la proprit dauto
similarit quelque soit lchelle [24]. Cette dfinition n'est pas rserve pour les structures
dterministes, mais peut tre galement applique aux structures stochastiques dont les
proprits statistiques exposent une auto similarit (au niveau de linvariance dchelle). En
outre, ce concept peut tre prolong aux sries temporelles o il y a des fluctuations sur les
chelles de temps multiples (en anglais multiple time scales). La technique la plus utilise
pour tudier si un signal possde la proprit dinvariance d'chelle temporelle est lanalyse
de son spectre. Si un signal est fractal, donc il possde la proprit dinvariance d'chelle
temporelle, l'amplitude de son spectre de puissance diminuera avec l'augmentation de la
frquence, alors il suit une relation de la forme 1/f

(o est un nombre positif), c.--d., le
spectre de puissance est mesur par une loi de puissance inverse [24].

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
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
62

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.



Figure 4.4 Illustration schmatique du systme de conduction lectrique ventriculaire du cur.

6. Les caractristiques frquentielles de l'ECG

L'tude de Thakor et al. [118] prsente l'analyse spectrale de l'ECG, avec une analyse
spectrale des complexes QRS isols ainsi que diffrentes sources de bruit. Les spectres
observs aprs moyennage sur 150 battements sont prsents sur la Figure (4.5). Il a t
dmontr que les composantes frquentielles d'un ECG normal ont les caractristiques
suivantes :
Le spectre de l'ECG s'tend entre une frquence nulle et environ 100 Hz,
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
63

L'onde P se caractrise par une bande spectrale de basse frquence et de faible


amplitude : ses composantes frquentielles sont entre 0.5 Hz et 10 Hz ;
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))
Le contenu frquentiel de la ligne de base et des ventuels artefacts de mouvement se
situe entre 0.5 Hz et 7 Hz.


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.

7. Spectre de puissance du complexe QRS

Le spectre de puissance de la dpolarisation des ventricules dans le cas du rythme
sinusal normal suit une loi de puissance inverse (voir Figures (4.2) et (4.5)) comme il a t
dmontr par Goldberger et al [29]. Ce spectre de puissance reprsente une approche
quantitative potentielle pour caractriser les dysfonctionnements du cur et peut tre employ
pour dvelopper une technique qui permet de distinguer les battements anormaux des
battements normaux. Par consquence, si la dpolarisation des ventricules est d'origine
ectopique, comme dans le cas des battements des extrasystoles ventriculaires (ou les blocs de
branches), le spectre de puissance est affect puisque l'impulsion de la dpolarisation ne suit
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
64

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.

8.1 Prtraitement du signal

La premire tape du prtraitement du signal consiste principalement liminer certains
bruits qui entachent le signal ECG, tels que interfrence 50Hz avec l'alimentation des
appareils de mesures, artefacts lis aux lectrodes, dviation de la ligne de base lie aux
mouvements du cur et du patient etc. Diffrentes mthodes reportes dans la littrature
proposent dj des performances trs satisfaisantes. Elles sont bases sur des filtres simples
ou des filtres adaptatifs [119-120,93]. Dans notre cas nous avons utilis un filtre passe bande
propos par Christov et al [93] qui est conu comme suit:
Notch filtre pour la suppression du bruit du secteur
Un filtre passe bas pour llimination du bruit electromyographique
Un filtre passe haut pour la suppression de la ligne de base
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
65

Ces filtres est donn par:



1 n 2 1 n n 1 n
Y C ) X X ( C Y

+ = (4.5)
Les coefficients C
1
et C
2
sont donns comme suit:

) T F tan( 1
1
C
c
1
+
= et
) tan( 1
) tan( 1
2
T F
T F
C
c
c

=
(4.6)
o T est la priode dchantillonnage et F
c
= 1 Hz est la frquence de coupure quivalente du
filtre passe haut. F
c
est proche de la frquence de coupure recommande par le standard des
instruments de surveillance cardiaque type ECG (IEC 62D/60601-2-27 1994) [121]. Ce filtre
est bien adapt au problme de classification, puisqu il permet de conserver les informations
utiles contenues dans le complexe QRS. Les Figures (4.6) et (4.7) montrent le signal ECG
original et le signal filtr dans deux cas. Dans le premier cas le signal contient seulement des
battements normaux et dans le second cas le signal contient une anomalie de type PVC.
La seconde tape du prtraitement est la dtection des complexes QRS qui est considre
comme un problme dj rsolu de manire satisfaisante. Dans [10] de divers algorithmes de
dtection de londe R ont t reports. Dans notre cas nous avons utilis directement les
annotations associes la base de donnes MIT/BIH, cela nous a permis dviter les
problmes lis aux erreurs des a la dtection des ondes R.


Figure 4.6 Filtrage dun signal ECG normal (Enregistrement 100 de MIT/BIH)

0 200 400 600 800 1000 1200
-1
0
1
2
3
Temps
A
m
p
l
i
t
u
d
e
Signal Brut
0 200 400 600 800 1000 1200
-1
0
1
2
3
Temps
A
m
p
l
i
t
u
d
e
Signal Filtre
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
66


Figure 4.7 Filtrage dun signal ECG avec un battement PVC (Enregistrement 221 de MIT/BIH).

8.2 Les tapes de traitement (algorithme principal)
L'algorithme principal d'extraction des pentes fractionnaires est donn par les tapes
de lorganigramme suivant:



















0 200 400 600 800 1000 1200
-1
0
1
2
Temps
A
m
p
l
i
t
u
d
e
m
V
Signal ECG original
0 200 400 600 800 1000 1200
-20
0
20
40
60
Temps
A
m
p
l
i
t
u
d
e
Signal ECG filtre
Extraction du complexe QRS par une fentre de pondration on utilisant les
instants correspondant aux pics R partir du fichier dannotation.
Calcule de la puissance DSP de chaque
Complexe QRS
Approximation de la DSP du complexe QRS par deux pentes
Pente1 [3Hz, 8Hz], pente2|[15Hz,19Hz].
Chargement du fichier dannotation
Contenant lendroit des pics R
Fin
Chargement du fichier MIT/BIH Contenant le signal ECG du premier canal
(signal MLII).
Dbut
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
67

8.3 Choix de la fentre dextraction des complexes QRS



Les complexes QRS ont t extraits en se servant des annotations du signal de la base
de donnes MIT/BIH qui nous donnent l'emplacement de l'onde R et le complexe QRS.
Chaque segment extrait couvre un QRS complet obtenu par fentrage. Pour minimiser les
dformations entraines par la troncature des complexes QRS et pour rduire les
discontinuits du signal nous avons utilis une fentre de Blackman donne par l'quation
(4.7) comme suit [122]:

(4.7)
La Figure (4.8) illustre lemplacement de la fentre de Blackman pour extraire le complexe
QRS.


Figure 4.8 Endroit de la fentre dextraction du complexe QRS.

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
1 - N n 0 ,
1 - N
.n 2.
0.08.cos .
1
. . 2
cos . 5 . 0 42 . 0 ) ( < <

=

N
n
n w
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
68

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.


Spectre de puissance dun QRS normal

Spectre de puissance dun PVC
Figure 4.9 Spectre de puissance du complexe QRS dans deux cas considrs.

8.4 Spectre de puissance et calcul des pentes

La premire tape est le calcul du spectre de puissance de chaque complexe QRS en
utilisant la transforme de Fourier rapide. Ensuite, le logarithme du spectre de puissance
rsultant est calcul pour obtenir la proprit de loi de puissance dans le trac de Bode.
Finalement, les deux pentes des droites des meilleures approximations au sens des moindres
carrs du spectre sont calcules dans deux intervalles de frquences diffrents [3Hz, 8Hz] et
[15Hz, 19Hz]. La Figure (4.10) illustre la DSP dun complexe QRS ainsi que ces
approximations par deux droites dans les deux diffrents intervalles de frquences [3Hz, 8Hz]
et [15Hz, 19Hz].
Les deux pentes obtenues peuvent alors tre employes comme paramtres pour
distinguer les battements anormaux des battements normaux, dans ce cas ils peuvent
remplacer linformation contenue dans un cycle cardiaque, et cela reprsente un grand gain
dans la rduction de la dimensionnalit du problme de discrimination.

Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
69

Figure 4.10 Approximation de la DSP du complexe QRS.



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 des spectres de puissance du complexe QRS normaux et anormaux de
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)).


Figure 4.11 Histogrammes de diffrents types de battement Minami et al [36].

La Figure (4.12) montre un exemple illustratif du trac de la seconde pente en fonction
de la premire. Chaque point sur la figure reprsente un battement (battement normal en bleu
et battement PVC en rouge). On peut facilement voir qu'on a deux diffrentes rgions
reprsentant deux classes spares. Cette caractristique sera utilise dans ltape de
classification des anomalies cardiaques.
Chapitre IV Approximation de la DSP du complexe QRS par les pentes fractionnaires
70

Figure 4.12 La distribution de la deuxime Pente en fonction de la premire Pente


(Battement normal en bleu et anormal PVC en rouge).

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.

-1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.2 0
-5.5
-5
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
Slope1 [3Hz 8Hz]
S
l
o
p
e
2

[
1
5
H
z

1
9
H
z
]
Normal
PVC





Chapitre V

Rsultats et discussions








Chapitre V Rsultats et discussions
72

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.

2. Les anomalies cardiaques traites

Deux types danomalies seront prises en considration dans les expriences cites dans
ce chapitre, le choix de ces deux anomalies, a t fait sur la base de la morphologie et la forme
des complexes QRS ainsi que sur le processus de dpolarisation des ventricules cit dans le
chapitre 4. La contraction ventriculaire prmature(PVC) et le Bloc de branche droit (RBBB)
se caractrisent tous les deux par un complexe QRS large, cette proprit sera exploite pour
Chapitre V Rsultats et discussions
73

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.

2.1 La contraction ventriculaire prmature (Extrasystole ventriculaire)

Les PVC (en franais ESV) sobservent sur quasiment tous les enregistrements ECG,
principalement en priode de rcupration aprs un effort. Bien que leur prsence nindique
aucune pathologie particulire, si, de faon rcurrente, leur nombre par minute est suprieur
6, elles peuvent tre un signe prcurseur dune tachycardie ventriculaire [53], qui constitue
une pathologie majeure. Contrairement aux battements normaux qui ont pour origine la
dpolarisation des cellules sinusales, le PVC nat de la dpolarisation spontane dun petit
groupe de cellules ventriculaires, appel alors foyer ectopique ventriculaire. Limpulsion
lectrique cre nemprunte pas la voie normale de conduction (faisceau de His), et se
propage donc plus lentement dans les ventricules. La contraction ventriculaire ainsi tale
dans le temps perd de son efficacit. Le trac dun battement PVC est caractris par deux
proprits: londe R nest pas prcde dune onde P, puisquil ny a pas eu dactivit
auriculaire pralable, et la dure du complexe est suprieure la dure dun complexe QRS
normal [54] (Figure (5.1)).


Figure 5.1 Contraction ventriculaire prmature (PVC).

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
Chapitre V Rsultats et discussions
74

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
l'hmodynamique et peuvent dgnrer en fibrillation ventriculaire ltale. Les complexes
QRS sont toujours largis et le rythme est rapide. L'accs de tachycardie ventriculaire
persistante est une urgence mdicale, l'arrt de la crise pouvant tre obtenu par injection
intraveineuse d'un anti arythmique ou par choc lectrique externe. Quand les rcidives de
tachycardie ne sont pas prvenues par les mdicaments anti-arythmiques, le recours des
mthodes non pharmacologiques est lgitime telles que la chirurgie et limplantation de
dfibrillateur [2,125].

Figure 5.2 Extrasystole PVC.

Figure 5.3 Doublet ventriculaire.

Figure 5.4 Rythme de bigminisme.

Figure 5.5 Rythme de trigminisme.
Chapitre V Rsultats et discussions
75

2.2 Les Blocs

Le bloc est un exemple de problmes de conduction. Cest un dfaut localis de
propagation de limpulsion lectrique dans le tissu cardiaque. Lorsquil est complet, c'est--
dire que labsence de conduction est totale, des pacemakers de rserve comme un foyer
ectopique auriculaire, ou le nud AV, peuvent prendre le relais et entraner des bradycardies
ou tachycardies [2,125]. A linverse, lorsquil apparat de manire sporadique, suivant le cas,
il peut se manifester par des troubles du rythme: on observe alors une irrgularit. Au niveau
des voies de conduction rapide de linflux nerveux dans le cur, il existe essentiellement trois
types de blocs classs suivant leurs localisations (Voir Figure (5.6)). Le bloc sino-auriculaire
(SA) situ entre le sinus et les oreillettes, le bloc auriculo-ventriculaire (AV) entre les
oreillettes et les ventricules, et le bloc de branche (droit et/ou gauche) au niveau de la
transmission chacun des deux ventricules; ce sont surtout les deux premiers (blocs SA et
AV) qui sont susceptibles dentraner des troubles du rythme [2,125].


Figure 5.6 Localisation des blocs standards le long des voies
de conduction rapide de linflux nerveux.

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.

Chapitre V Rsultats et discussions
76

3. La base de donne MIT/BIH

La source de l'ECG inclus dans la base de donnes d'arythmies MIT/BIH est un
ensemble de 48 enregistrements chantillonns une frquence de 360 Hz. Chaque
enregistrement comporte deux drivations diffrentes du signal ECG. La base de donnes
contient 23 enregistrements numrots entre 100 et 124 pour le premier groupe; et de 25
enregistrements numrots entre 200 et 234 pour le deuxime groupe. La dure de chacun
des 48 enregistrements est de 30 minutes. Le premier groupe est prvu pour servir
d'chantillon reprsentatif de varit de formes d'ondes qu'un dtecteur d'arythmie pourrait
rencontrer dans l'utilisation clinique courante; tandis que le deuxime groupe est choisi pour
inclure une varit de cas pathologiques. Les sujets taient 25 hommes gs de 32 89 ans, et
22 femmes ges de 23 89 ans. Les enregistrements de MIT/BIH sont tous annots; ce qui
veut dire que chaque battement (complexe QRS) est dcrit par une tiquette (annotation).
Typiquement, un fichier d'annotation pour un enregistrement MIT/BIH contient environ 2000
annotations [124].

4. La premire exprience : Discrimination des PVC par le rseau
SOM

Lobjectif principal de cette exprience est de vrifier la fiabilit et lutilit des deux
paramtres (pentes fractionnaires) dans la discrimination des anomalies cardiaques. Cette
section prsente un travail original dans le domaine de la dtection des battements PVC;
ltage dextraction/slection des paramtres (dvelopp dans le chapitre 4) dun system de
traitement automatis du signal ECG est suivie dun classificateur a apprentissage comptitif
et non supervis (le rseau SOM). Plusieurs types de classificateurs peuvent tre utiliss dans
ltape de la classification, le choix du rseau SOM sera justifi ultrieurement. Donc cette
exprience prsente une des configurations possibles dun discriminateur des battements PVC
bas sur les paramtres (pentes fractionnaires) proposs. Nous avons considr dans cette
exprience deux classes, la premire classe est la classe des battements normaux, cette classe
est constitue de plusieurs types de battements. La deuxime classe est la classe des
battements PVC. Le Tableau 5.1 illustre ce regroupement. Les lettres inscrites dans la colonne
d'annotation du Tableau 5.1 sont comme mentionnes dans la description des arythmies dans
la base de donnes MIT/BIH.
Chapitre V Rsultats et discussions
77

Tableau 5.1 Annotation des battements de la base de donnes MIT-BIH

4.1 Extraction des pentes

Les pentes sont extraites partir des signaux ECG, en se servirant de lalgorithme
propos dans la section 8 du chapitre 4. La taille et lendroit de la fentre dextraction sont des
paramtres cls dans cette mthode, un changement significatif est constat sil y a
changement de la taille ou de lendroit de la fentre dextraction des complexes QRS. Une
fentre large signifie plus de composantes temporelles et dondes du signal ECG prises en
considrations, ceci aura un effet direct sur le contenu frquentiel des segments extrait et vise
versa. Alors un choix adquat de la taille/endroit de la fentre est essentiel pour obtenir des
pentes discriminantes.

4.2 Choix de la taille et de lendroit de la fentre dextraction

Dans le cas des battements de type PVC, limpulsion lectrique de dpolarisation est
gnre par un foyer ectopique, alors elle ne suit pas le chemin de conduction du rythme
sinusal normal, ceci se traduit par une dformation du contenu frquentiel du complexe QRS
par rapport au spectre issu dun battement sinusal normal. Par consquence les formes d'onde
du PVC sont plus larges que les normales; alors, nous avons choisi une fentre trs troite de
150 ms (69.4 ms avant et 83.3ms aprs londe R) pour extraire les complexes QRS partir du
Annotation MIT-BIH
Annotation symbol
Type darythmie catgorie
N Normal beat Classe N
A Atrial premature beats Classe N
L Left bundle branch beat Classe N
R Right bundle branch beat Classe N
P Paced beat Classe N
a Aberrated atrial premature beat Classe N
J Nodal (junctional) premature beat Classe N
S Supraventricular premature beat (atrial or nodal) Classe N
e Atrial escape beat Classe N
j Nodal (junctional) escape beat Classe N
V Premature ventricular contraction Classe V
Chapitre V Rsultats et discussions
78

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.

4.3 Distribution des deux pentes

La Figure (5.7) montre la distribution de la deuxime pente Pente2 en fonction de la
premire pente Pente1 de six enregistrements. Cette figure montre clairement lexistence de
deux classes distinctes ainsi quune bonne sparation entre ces deux classes. Alors, les deux
pentes extraites partir de la DSP du complexe QRS peuvent reprsenter les deux types de
battements (Normale et PVC) avec des possibilits acceptables de discrimination et une
classification peut tre ralise la base de ces deux paramtres descriptifs.


Enreg. 106: contient beaucoup de battements PVC

Enreg. 119: contient beaucoup de battements PVC

Enreg. 221: contient beaucoup de battements PVC

Enreg. 100: contient un seul battement PVC
-9 -8 -7 -6 -5 -4 -3 -2 -1 0
-8
-6
-4
-2
0
2
4
6
Slope1 [3Hz 8Hz]
S
l
o
p
e
2

[
1
5
H
z

1
9
H
z
]
Normal
PVC
-1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.2 0
-5.5
-5
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
Slope1 [3Hz 8Hz]
S
l
o
p
e
2

[
1
5
H
z

1
9
H
z
]
Normal
PVC
-2 -1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4
-5
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
Slope1 [3Hz 8Hz]
S
l
o
p
e
2

[
1
5
H
z

1
9
H
z
]
Normal
PVC
-7 -6 -5 -4 -3 -2 -1 0
-5
-4
-3
-2
-1
0
1
2
3
Slope1 [3Hz 8Hz]
S
l
o
p
e
2

[
1
5
H
z

1
9
H
z
]
Chapitre V Rsultats et discussions
79


Enreg. 124: contient beaucoup de battements PVC

Enreg. 116: contient beaucoup de battements PVC

Figure 5.7 Distribution de Pente2 en fonction du Pente1 pour six enregistrements.

4.4 Choix du rseau SOM

Diverses techniques de classification peuvent tre utilises pour sparer les deux
classes reprsentes par le couple (Pente1, Pente2). Dans cette section nous avons choisi un
rseau SOM vu sa simplicit ainsi que son implmentation facile en utilisant les fonctions de
Matlab. La proprit essentielle des rseaux SOM rside dans le fait que la topologie de
lespace initial est conserve dans cette projection dans un espace de faible dimension. Ceci
facilite l'interprtation par les cardiologues puisque les classes semblables sont prsentes
comme voisins sur la carte. Les rseaux SOM sont relativement faciles mettre en uvre et
bnficient d'un apprentissage efficace d aux principes de comptition entre les neurones et
de voisinage. Les relations de voisinage de Kohonen nous semblent tre plus pertinentes et
plus efficaces, surtout pour un apprentissage rapide. Pour ces raisons et d'autres encore,
comme la stabilit de l'apprentissage ou la rapidit de convergence de l'algorithme, nous
avons opt d'utiliser des cartes auto-organisatrices dans cette exprience. Dans notre cas nous
avons un problme de classification classique dun espace deux dimensions vers un autre
espace deux dimensions, o les entres sont les deux pentes et les sorties sont les positions
dans lespace de sortie.

4.5 Choix de la taille de la carte

Le choix de la taille de la carte est un compromis entre trois critres, la bonne
sparation entre les classes, la facilit dinterprtation de la carte, et le temps de calcul, Alors,
en augmentant la taille de la carte, on aura plus de centres de cluster, donc, une meilleure
-12 -10 -8 -6 -4 -2 0
-6
-4
-2
0
2
4
6
Slope1 [3Hz 8Hz]
S
l
o
p
e
2

[
1
5
H
z

1
9
H
z
]
Normal
PVC
-6 -5 -4 -3 -2 -1 0
-10
-8
-6
-4
-2
0
2
4
6
8
Slope1 [3Hz 8Hz]
S
l
o
p
e
2

[
1
5
H
z

1
9
H
z
]
Normal
PVC
Chapitre V Rsultats et discussions
80

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)).


Figure 5.8 La carte SOM utilise

4.6 Evaluation des performances du rseau

Les quations suivantes ont t utilises pour valuer les performances du classificateur
100 *
tests totales battements des Nombre
FP FN - tests totales battemnts des Nombre
% Accuracy

=
(5.1)
100 *
sts normaux te battement des Nombre
FP - sts normaux te battements des Nombre
% Specificty =
(5.2)
100 *
tests PVC des Nombre
FN - tests PVC des Nombre
% y Sensitivit =
(5.3)
O,
F.P (False-Positive) =un battement normal class comme PVC
F.N (False Ngative) =un PVC class comme un battement normal

4.7 Choix des donnes dapprentissage

Daprs la Figure (5.7) qui montre la distribution des couples (Pente1, Pente2), il est
claire que la distribution des pentes est presque la mme pour tous les enregistrements et ceci
nous a permis de choisir un seul enregistrement dans l'tape de lapprentissage. En outre,
lensemble des donnes utilises dans lapprentissage doit tre trs petit par rapport tous les
battements classifier. Par consquent, la carte a t initialise alatoirement, 100 couples de
Chapitre V Rsultats et discussions
81

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.

4.8 Rsultats et discussion

Nous avons test 46 enregistrements de la base de donnes MIT/BIH et les rsultats
obtenus sont regroups dans le Tableau (5.2). Nous avons remarqu lors de l'augmentation de
la taille de la fentre utilise pour extraire le complexe QRS (par exemple 220 ms avant
londe R et 83 ms aprs londe R) il y'aura un chevauchement considrable entre les deux
classes (normale et PVC) et la justesse totale ne dpasse pas 50%. On a constat aussi que
cette dgradation des rsultats est due essentiellement linfluence des segments PQ et ST sur
la DSP du complexe QRS et par consquent sur les valeurs des deux pentes dune manire
significative. Nous avons galement constat que la valeur des pentes pour des complexes
QRS normaux rsulte de la loi de puissance inverse de la DSP, mais la valeur des pentes dans
le cas des PVC est due aux informations perdues rsultant de lutilisation dune fentre troite
dans l'extraction des ces derniers. Malgr le trs bon rsultat obtenu par la mthode propose,
celle-ci souffre de quelques limitations quon peut rsumer comme suit:
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)


Chapitre V Rsultats et discussions
82

Tableau 5.2 Rsultat de clustering.



Record Nombre
des
battements
Normaux
Nombre des
battements
PVC
Nombre de
battement
total
F. N F. P J ustesse Spec % Senv %
%
100 2272 1 2273 0 1 99.956 99.956 100.00
101 1865 0 1865 0 1 99.946 99.946 -
103 2084 0 2084 0 1 99.952 99.952 -
105 2531 41 2572 38 68 95.879 97.313 7.32
112 2539 0 2539 0 1 99.961 99.961 -
113 1795 0 1795 0 3 99.833 99.833 -
114 1836 43 1879 0 4 99.787 99.782 100.00
115 1953 0 1953 0 1 99.949 99.949 -
116 2303 109 2412 2 16 99.254 99.305 98.17
119 1543 444 1987 5 0 99.748 100.000 98.87
121 1862 1 1863 0 38 97.960 97.959 100.00
122 2476 0 2476 0 1 99.960 99.960 -
123 1515 3 1518 1 0 99.934 100.000 66.67
124 1572 47 1619 0 3 99.815 99.809 100.00
200 1775 826 2601 63 1 97.539 99.944 92.37
201 1765 198 1963 144 85 88.334 95.184 27.27
202 2117 19 2136 9 7 99.251 99.669 52.63
205 2585 71 2656 17 1 99.322 99.961 76.06
208 1963 992 2955 1 145 95.059 92.613 99.90
209 3003 1 3004 0 3 99.900 99.900 100.00
210 2456 194 2650 23 11 98.72 99.55 88.14
212 2748 0 2748 0 1 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 3 97.50 99.91 50.61
219 2090 64 2154 13 0 99.40 100.00 79.69
220 2047 0 2047 0 1 99.95 99.95 -
221 2031 396 2427 8 0 99.67 100.00 97.98
222 2483 0 2483 0 14 99.44 99.44 -
223 2132 473 2605 270 7 89.37 99.67 42.92
228 1691 362 2053 23 4 98.68 99.76 93.65
230 2255 1 2256 0 0 100.00 100.00 100.00
231 1569 0 1569 0 1 99.94 99.94 -
232 1780 0 1780 0 1 99.94 99.94 -
233 2248 830 3078 223 9 92.46 99.60 73.13
234 2750 3 3572 0 0 100.00 100.00 100.00
107 2078 59 2137 9 2033 4.45 2.17 84.75
108 1747 16 1763 7 1709 2.67 2.18 56.25
109 2494 38 2532 7 2485 1.58 0.36 81.58
111 2123 1 2124 0 404 80.98 80.97 100.00
117 1535 0 1535 0 395 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 9 1668 9.84 4.96 91.43
217 2046 162 2208 6 1638 25.54 19.94 96.30
Total 96445 6600 103864 1141 12405 86.96 88.06 82.71
Chapitre V Rsultats et discussions
83

4.9 Comparaison avec dautres mthodes

Un rsum des rsultats obtenus pour la classification des battements par la mthode
propose et d'autres mthodes est montr dans le Tableau (5.3). Comme notre mthode a t
valide en utilisant la base de donnes MIT-BIH, nos rsultats de classification ont t
compars aux rsultats rapports dans les rfrences [95] et [126] parce qu'ils ont les
meilleurs rsultats que nous avons trouvs dans la littrature. Dans [95] la spcificit
rapporte a t de 99.7%, c'est un trs bon rsultat pour les 34 enregistrements utiliss, mais
nous ne savons pas quelle sera cette spcificit si nous utiliserons les 14 enregistrements
restants. Le travail qui utilise tous les enregistrements de la base MIT-BIH est prsent dans
[126]. Cette mthode donne galement un trs bon rsultat mais elle utilise beaucoup de
paramtres complexes; comprenant la corrlation, des paramtres morphologiques du signal,
des paramtres frquentielles et des caractristiques temporelles du complexe QRS, se qui
signifie plus de complexit dans le calcul. La ncessit de l'expert pour dcider la nature du
battement (battement normal ou anormal) dans l'tape d'initialisation est leur deuxime
faiblesse. Dans notre travail nous avons utilis peu de donnes dans l'tape dapprentissage
(100 pentes des battements normaux et 100 pentes des battements PVC) et seulement de
lenregistrement (106), ceci reprsente un progrs significatif dans la gnralisation de la
discrimination des PVC, le second avantage est que nous avons utilis seulement deux
paramtres pertinents, et on a utilis 46 enregistrements de la base MIT/BIH dans la phase
dvaluation.
On note que les mthodes proposes dans [95,126] traitent uniquement les battements
normaux et les battements PVC. Ce qui justifie le choix de ces deux mthodes dans la
comparaison. Les mthodes [15,91-94] traitent plusieurs types danomalies cardiaques, par
consquent la comparaison avec ces mthodes ne sera pas convenable.
Tableau 5.3 Rsum des rsultats obtenus par la mthode propose et autres mthodes.
Auteurs Spec % Sen % Type de la mthode Base
La method propose 95.18 82.20 Power Spectrum of QRS and SOM MIT-BIH
Krasteva et al [126] 98.86 98.40 QRS template matching and linear classifier MIT-BIH
Inan et al [94] 85.20 -- wavelet-transformed with timing information MIT-BIH
Wieben et al [91] -- 85.30 Filter bank features and decision tree classifier MIT-BIH
Moraes et al [92] 99.76 90.74 Real-time QRS delineation and application of
Mahalanobis distance classifier
MIT-BIH
De Chazal et al [15] 98.80 77.70 Estimation of morphology and RR interval
features with linear discrimination classifier
MIT-BIH
Christov et al [93] 99.70 98.50 Estimation of morphology features with neural
net works classifier
MIT-BIH
Chen [95] 99.70 97.80 A nonlinear trimmed moving average filter MIT-BIH
Chapitre V Rsultats et discussions
84

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.
































Chapitre V Rsultats et discussions
85

5. La deuxime exprience: Discrimination du RBBB par MLP

Lobjectif principal de cette seconde exprience est de montrer que les deux pertinents
paramtres (pentes fractionnaires) peuvent aussi tre utiliss dans la discrimination d'autres
arythmies que le PVC.
Dans cette section, nous allons traiter le problme de la discrimination des battements
bloc de branche droit (RBBB) des battements dorigine sinusal normal. Pour raliser une telle
sparation, nous avons utilis les mmes tapes de traitement pour calculer les pentes de la
DSP du complexe QRS prsentes dans lexprience prcdente. Dans ce cas, les deux pentes
extraites alimentent un rseau de type MLP dans la phase de la classification. La mthode de
regroupement en classes retenue ici est du type classification supervise, c'est--dire que lon
dispose dune base de rfrence tiquete pour effectuer un apprentissage, de plus cette
classification se fera avec des connaissances a priori du nombre de classes. Le choix de
lanomalie RBBB revient essentiellement sa ressemblance constates sur le trac ECG avec
les battements de type PVC et cela du point de vue largeur du complexe QRS, par consquent
la similitude entre le PVC et le RBBB nous a oblig exclure les battements de type PVC
dans cette exprience. Donc, Nous avons considr dans cette exprience uniquement deux
classes, la premire classe est la classe des battements normaux, la deuxime classe est la
classe des battements de type RBBB. Comme pour la premire exprience plusieurs
techniques de classification peuvent tre utilises, le choix du rseau MLP sera justifi dans la
section 5.3 de ce chapitre.

5.1 Choix de la taille et de lendroit de la fentre dextraction

Dans cette exprience, nous avons choisi une fentre de Blackman de 194 ms (111 ms
avant londe R et 83 ms aprs londe R) pour extraire les complexes QRS. La taille de la
fentre a t choisie dune faon empirique dans le but dliminer le chevauchement des deux
classes (classe normale et classe RBBB). Figure (5.9) illustre l'emplacement et la taille
approximative de la fentre dextraction et cela dans le cas dun battement normal et le cas
dun battement RBBB. Le bloc de branche droit est d a linterruption de la conduction des
influx nerveux vers le ventricule droit se qui entrane un retard d'activation du ventricule droit
par rapport au ventricule gauche. Ceci se traduit sur le trac ECG par un largissement du
complexe QRS par rapport au complexe QRS normal [2,125]. Cette dysfonction (comme dans
le cas des battements PVC) entrane une variation remarquable dans le contenu frquentiel des
Chapitre V Rsultats et discussions
86

complexe QRS extraits par fentrage. Cette variation du spectre sera utilise pour distinguer
les battements RBBB des battements normaux.


Figure.5.9 Emplacement de la fentre dextraction du complexe QRS.

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.

Figure.5.10 Bloc de branche droit et sa DSP
correspondante (enregistrement 118).
Figure 5.11 Complexe QRS normal et sa DSP
correspondante (enregistrement 212).




0 10 20 30 40 50 60 70 80
0
0.5
1
Temps
A
m
p
l
i
t
u
d
e

N
o
r
m
a
l
i
z
e
d
QRS BBD
0 20 40 60 80 100 120 140 160 180
10
-15
10
-10
10
-5
10
0
Frequence Hz
A
m
p
l
i
t
u
d
e

d
b
DSP
0 10 20 30 40 50 60 70 80
0
0.5
1
Temps
A
m
p
l
i
t
u
d
e

N
o
r
m
a
l
i
z
e
d
QRS normal
0 20 40 60 80 100 120 140 160 180
10
-15
10
-10
10
-5
10
0
Frequence Hz
A
m
p
l
i
t
u
d
e
d
b
DSP
Chapitre V Rsultats et discussions
87

5.2 Distribution des couples (pente1, pente2)

La Figure (5.12) prsente la distribution de la deuxime pente en fonction de la
premire pente de six enregistrements, cette figure montre clairement lexistence de deux
classes distinctes et sparables (la classe normale en bleu et la classe RBBB en rouge). Alors,
les deux pentes calcules partir de la DSP du complexe QRS peuvent tre utilises comme
paramtres discriminants, par consquence ils peuvent reprsenter les deux types de
battements (normale et RBBB) et une classification peut tre ralise en se basant sur ces
deux pentes.

5.3 Choix de la classification par MLP

Diverses techniques de classification peuvent tre utilises pour rsoudre le problme
de sparation des deux classes reprsentes par le couple (Pente1, Pente2). Une tude
statistique sur lutilisation des rseaux de neurones a prouv qu'approximativement 95% des
applications rapportes dans la littrature sur les applications des RNA utilisent les rseaux
MLP avec l'algorithme de rtro propagation du gradient comme algorithme dapprentissage
[127]. Alors, nous avons adopt ce classificateur vu sa simplicit et son efficacit dans ce
genre dapplication malgr ses inconvnients qui se manifestent essentiellement par
l'importance du temps de calcul. Mais cet inconvnient majeur est vite limin dans notre cas
cause du non chevauchement des deux classes qui rend les problmes dus la gomtrie de
la fonction derreur ngligeables et conduit l'utilisation d'un nombre rduit de donnes
dapprentissage. Cela conduit aussi une dimension faible du rseau avec trs peu de
couches, de connections et de neurones (Voir Figure (5.13)).

5.4 Architecture du rseau

Le rseau est un MLP possdant une couche de neurones cachs dont le nombre est 5.
Les entres du rseau sont les deux pentes seulement, et la couche de sortie contient deux
neurones qui peuvent prendre une valeur binaire (1 : battement normal, 0 : RBBB). (Voir
Figure (5.13)). Les fonctions dactivation des neurones cachs et des neurones de sortie sont
des sigmodes. Lalgorithme de retro propagation du gradient a t utilis comme algorithme
dapprentissage. Larchitecture dcrite ci-dessus a t suffisante pour assurer une trs bonne
classification parce que nous avons constater que laugmentation du nombre des couches
Chapitre V Rsultats et discussions
88

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.

Figure 5.12 Distribution de la Pente2 en fonction de la Pente1 pour six enregistrements.

Enregistrement 118

Enregistrement 212

Enregistrement 231 Enregistrement 103

Enregistrement 100 Enregistrement 101

-6 -5 -4 -3 -2 -1 0 1
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
Scatter plot
Pente1 [3Hz 8Hz]
P
e
n
t
e
2

[
1
5
H
z

1
9

H
z
]
BBD
-
-16 -14 -12 -10 -8 -6 -4 -2 0 2
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
Scatter plot
Pente1 [3Hz 8Hz]
P
e
n
t
e
2
[
1
5
H
z

1
8
H
z
]
]
BBD
Normal
-2.2 -2 -1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4
0
0.005
0.01
0.015
0.02
0.025
Scatter plot
Pente1[3Hz 8Hz]]
P
e
n
t
e
2
[
1
5

1
9
H
z
]
]
BBD
Normal
-2.5 -2 -1.5 -1 -0.5 0 0.5
0
0.002
0.004
0.006
0.008
0.01
0.012
0.014
Scatter plot
Pente1[3Hz 8Hz]
P
e
n
t
e
2
[
1
5
H
z

1
9
H
z
]
BBD
Normal
-6 -5 -4 -3 -2 -1 0 1
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0.05
Scatter plot
Pente1[3Hz 8Hz]
P
e
n
t
e
2
[
1
5
H
z

1
9
H
z
]
BBD
Normal
-1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2
0
0.002
0.004
0.006
0.008
0.01
0.012
0.014
0.016
0.018
0.02
Scatter plot
Pente1[3Hz 8Hz]
P
e
n
t
e
2
[
1
5
H
Z

1
9
H
z
]
BBD
Normal
Chapitre V Rsultats et discussions
89



Figure 5.13 Rseau de neurone MLP utilis.

5.5 Evaluation des performances du rseau

Les mmes quations de la premire exprience ont t utilises pour valuer les
performances du classificateur

100 *
tests total battements des Nombre
FP FN - tests totales battemnts des Nombre
%

= Accuracy
(5.4)
100 *
sts normaux te battements des Nombre
FP - sts normaux te battements des Nombre
%= y Specificit
(5.5)
100 *
tests RBBB des Nombre
FN - tests RBBB des Nombre
%= y Sensitivit
(5.6)

5.6 Choix des donnes dapprentissage

D'aprs le trac de la distribution des deux pentes pour quelques enregistrements (voir
Figure (5.12)), nous avons constat que l'enregistrement 231 montre trs clairement deux
classes distinctes et sparables. Alors nous l'avons choisi pour la phase d'apprentissage en
utilisant trente battements normaux et trente battements de type RBBB uniquement.

5.7 Choix des donnes de la base de test
Chapitre V Rsultats et discussions
90

Dans cette exprience nous avons utilis 13 enregistrements de la base de donne
MIT/BIH Arrythmia database pour discriminer les battements de type RBBB parmi un grand
nombre de battements cardiaques normaux.
Les enregistrements utiliss sont rpartis comme suit:
100, 101, 103, 105, 115, 119 et 221 (battements normaux uniquement).
118, 124, 207, 232 (battements avec des RBBB uniquement).
212, 231 (battements normaux et avec des RBBB).

5.8 Rsultats et discussion

Nous avons utilis dans cette exprience 22 730 battements issus de treize enregistrements
choisis pour classifier les deux types de battements. Tous ces battements ont subi les mmes
tapes de prtraitement. Les rsultats de classification des battements normaux et des
battements de type RBBB obtenus pour chaque enregistrement sont montrs dans le Tableau
5.4. Le rsultat global de cette classification a t satisfaisant avec une justesse de 92.78%.

Tableau 5.4 Rsultats de la classification.




Record Nombre
de
battements
Normaux
Nombre de
battements
RBBB
Nombre de
battements
total
F. N F. P J ustesse Spec % Senv %
%
100 2239 0 2239 0 26 98.84 98.84 -
101 1860 0 1860 0 79 95.75 95.75 -
103 2082 0 2082 0 62 97.02 97.02 -
105 2526 0 2526 0 57 97.74 97.74 -
115 1953 0 1953 0 1204 38.35 38.35 -
118 0 2166 2166 0 0 100.00 - 100.00
119 1543 0 1543 0 274 82.24 82.24 -
124 0 1531 1531 0 0 100.00 - 100.00
207 0 86 86 0 0 100.00 - 100.00
212 923 1825 2748 0 104 96.22 88.73 100.00
221 2031 0 2031 0 0 100.00 100.00 -
231 314 1254 1568 1 0 99.94 100.00 99.92
232 0 397 397 0 0 100.00 - 100.00
Total 15471 7259 22730 1 1806 92.78 - -
Chapitre V Rsultats et discussions
91

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:
Seulement deux types de battements sont pris en considration (Normal et RBBB), le
choix des enregistrements ne prend pas en considration les battements PVC, ces
dernires provoquent un chevauchement considrable entre les deux classes, et ceci est
lune des limitations majeures dans cette exprience.
A cause du chevauchement entre les battements PVC et les battements RBBB ou
LBBB la technique propose ne peut pas traiter ces deux anomalies simultanment. La
solution ce problme est de disposer de lavis dun expert pendant ltape
dinitialisation du classificateur. Cette ide a t dveloppe dans rfrence [126], o
lavis dun expert dans l'tape d'initialisation du classificateur est primordial.
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.


Chapitre V Rsultats et discussions
92

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.










Conclusion Gnrale









Conclusion Gnrale
94

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.
Conclusion Gnrale
95

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.







Bibliographie
Bibliographie

97

Bibliographie

[1] R. Begg, J . Kamruzzaman, R. Sarker, NEURAL NETWORKS IN
HEALTHCARE: POTENTIALS AND CHALLENGES, IDEA Group
Publishing, 2006.
[2] J . Mackay, G. Mensah, THE ATLAS OF HEART DISEAS AND STROCK,
Organisation Mondiale de la Sant, 2004.
[3] G.D. Clifford, F. Azuaje, P.E. McSharry, ADVANCED METHODS AND
TOOLS FOR ECG DATA ANALYSIS, Artechouse, 2006.
[4] J . Pan, W.J . Tompkins, A real-time QRS detection algorithm, IEEE Trans.
Biomed. Eng., 230236, 1985.
[5] P. S. Hamilton, W. J . Tompkins, Quantitative investigation of QRS detection
rules using the MIT/BIH arrhythmis database, IEEE Trans. Biomed Eng., 1157
1165, 1986.
[6] G. M. Fresen, T. C. J annett, M. A. J adallah, S. L. Yates, S. R. Quint, H. T.
Nagle, A comparison of the noise sensitivity of nine QRS detection algorithms,
IEEE Trans. Biomed. Eng., 8598, 1990.
[7] Q. Xue, Y. H. Hu, W. J . Tomkins, Neural-network-based adaptive matched
filtering for QRS detection, IEEE, Trans. Biomed. Eng., 317329, 1992.
[8] C. Zheng, C. Li, C. Tai, Detection of ECG characteristic points using wavelet
transforms, IEEE Trans. Biomed. Eng., 2128, 1995.
[9] J . S. Sahambi, S. N. Tandon, R.K.P. Bhatt, Using Wavelet Transforms for ECG
Characterization, IEEE Engineering in Medicine and Biology Magazine, 7783,
1997.
[10] B. U. Kohler, C. Hennig, R. Orglmeister, The principles of software QRS
detection, IEEE Eng. Med. Biol. Mag., 4257, 2002.
[11] Y. Ferdi, J . P. Herbeuval, A. Charef, B. Boucheham, R wave detection using
fractional digital differentiation, ITBM-RBM, 273280, 2003.
[12] S. W. Chen, H. C. Chen, H. L. Chan, A real-time QRS detection method based
on moving-averaging incorporating with wavelet denoising, Computer Methods
and Programs in Biomedicine, 187195, 2006.
Bibliographie

98

[13] M. Benmalek, A. Charef, Digital fractional ordre operators for R-wave


detection in ECG signal, IET proceedings on Signal Processing, 381391,
2009.
[14] Y. H, .Hu, S. Palreddy, W.J . Tompkins, A patient-adaptable ECG beat
classifier using a mixture of experts approach, IEEE Transactions on
Biomedical Engineering, 891900, 1997.
[15] P. de Chazal, M. ODwyer, R. B. Reilly, Automatic classification of heartbeats
using ECG morphology and heartbeat interval features, IEEE Transactions on
Biomedical Engineering, 11961206, 2004.
[16] R. Gopalakrishnan, S. Acharya, D. H. Mugler, Automated diagnosis of
ischemic heart disease using dilated discrete Hermite functions, Proceedings of
the IEEE 30th Annual Northeast Bioengineering Conference, San Francisco, CA,
USA , 9798, 2004.
[17] Z. G. Zhang, H. Z. J iang, D. F. Ge, X. J . Xiang, Pattern recognition of cardiac
arrhythmias using scalar autoregressive modeling, Proceedings of the Fifth
World Congress on Intelligent Control and Automation (WCICA 2004),
Hangzhou, China, 55455548, 2004.
[18] M. Engin, ECG beat classification using neuro-fuzzy network, Pattern
Recognition Letters, 17151722, 2004.
[19] J . Millet-Roig, R. Ventura-Galiano, F. J . Chorro-Gasco, A. Cebrian, Support
vector machine for arrhythmia discrimination with wavelet-transform-feature
selection, Computers in Cardiology, 407410, 2000.
[20] L. Y. Shyu, Y. H. Wu, W. Hu, Using wavelet transform and fuzzy neural
network for VPC detection from the holter ECG, IEEE Transactions on
Biomedical Engineering, 12691273, 2004.
[21] B. Mandelbrot, LES OBJ ETS FRACTALS : FORME HASARD ET
DIMENSION, Flammarion, Paris, 1975.
[22] B. Mandelbrot, THE FRACTAL GEOMETRY OF NATURE, W. H. Freeman
and Co., New York, 1982.
[23] B. Mandelbrot, Some noises with 1/f spectrum, a bridge between direct current
and white nois, IEEE Trans Information Theory, 289291, 1967.
[24] D.W. Davidson, R.H. Cole, Dielectric Relaxation in Glycerol, propylene
Glycol and n-Propanol, J. Chem. Physics, 14841490, 1951.
Bibliographie

99

[25] M. Kobayashi, T. Musha, 1/f fluctuation of heart beat period, IEEE Trans
Biomed Eng, 456457, 1982.
[26] A. A. Verveen, H.E. Derksen, Fluctuation phenomena in nerve membrane,
Proc IEEE 906916, 1968.
[27] M. Yamamoto, H. Nakahama, K. Shima, T. Kodama, H. Mushiake, Markov
dependency and spectral analysis on spike counts in mesencephalic reticular
neurons during sleep and attentive states, Brain Res, 279289, 1986.
[28] B. Mandelbrot, J .W. Van Ness, Fractional Brownian Motion, Fractional
Noises, and Applications, SIAM Rev., 422437, 1968.
[29] A.L. Goldberger, V. Bhargava, B.J . West, A.J . Mandel, On a Mechanism of
Cardiac Electrical Stability-The Fractal Hypothesis, Bioph. J., 525528, 1985.
[30] A. L. Goldberger, Fractal electrodynamics of the heartbeat, Ann. NYAcad.
Sci., 402409, 1990.
[31] B. J . West, FRACTAL PHYSIOLOGY AND CHAOS IN MEDICINE, World
Scientific Publishing, 1990.
[32] A. L. Goldberger, D. R. Rigney, B. J . West, Chaos and fractals in human
physiology, Sci. Am., 4249, 1990.
[33] J . L. Williams, E. Lesaffre, Comparison of multi-group logistic and linear
discriminant ECG and VCG classification, J. Electrocardiol., 8392, 1987.
[34] D. A. Coast, R. M. Stern, G. G. Cano, S. A. Briller, An approach to cardiac
arrhythmia analysis using hidden Markov models, IEEE Transactions on
Biomedical Engineering, 826836, 1990.
[35] R. Silipo, C. Marchesi, Artificial neural networks for automatic ECG analysis,
IEEE Trans. Signal Processing, 14171425, 1998.
[36] S. Osowski, L. T. Hoai, T. Markiewicz, Support Vector Machine Based Expert
System for Reliable Heart Beat Recognition, IEEE Trans. Biomed. Eng., 2004,
582589.
[37] S. Rosaria, M. Carlo, Artificial neural networks for automatic ECG analysis,
IEEE Trans. Signal Processing, 14171425, 1998.
[38] V. G. Mark, H. J ansen, Using artificial neural network for classifying ICU
patient states, IEEE EMB Mag., 4147, 1997.
[39] G. Bortolan, J . L. Willems, Diagnostic ECG classification based on neural
networks, Journal of Electrocardiology, 7579, 1993.
Bibliographie

100

[40] T. F. Yang, B. Devin, P. W. MacFarlane, Deterministic logic versus software-


based artificial neural networks in the diagnosis of atrial fibrillation, Journal of
Electrocardiology, 9094, 1993.
[41] G. Bortolan, C. Brohet, S. Fusaro, Possibilities of using neural networks for
ECG classification, Journal of Electrocardiology, 1016, 1996.
[42] M.L. Minsky and S.A. Papert, PERCEPTRONS, Cambridge, MIT Press, 1969.
[43] J . Moody and C. J . Darken, Fast learning in networks of locally-tuned
processing units, Neural Computation, 281294, 1989.
[44] T. Kohonen, Self-organized formation of topological correct feature maps,
Biological Cybernetics, 5969, 1982.
[45] J . J . Hopfield, Neural networks and physical systems with emergent collective
computational abilities, Proc. Nat. Acad. Sci., 25542558, 1982.
[46] G. A. Carpenter, S. Grossberg, Art2: Self-organization of stable category
recognition codes for analog input patterns, Appl. Opt., 4919, 1987.
[47] G.A. Carpenter, S. Grossberg, The ART of adaptive pattern recognition by a
self-organizing neural network, Computer, 7788, 1988.
[48] U.R. Acharya, S.J . Suri, A.E.J . Spaan, S.M. Krishnan, ADVANCES IN
CARDIAC SIGNAL PROCESSING, Springer-Verlag Berlin Heidelberg, 2007.
[49] E. Marieb, ANATOMIE ET PHYSIOLOGIE HUMAINES, DeBoeck
Universit, Paris, 4 dition, 1999.
[50] M. Blondeau, M. Hiltgen, ELECTROCARDIOGRAPHIE CLINIQUE, Masson,
1980.
[51] Etienne-Paul DAlch, COMPRENDRE LA PHYSIOLOGIE
CARDIOVASCULAIRE, Flammarion Mdecine-Sciences, 2003.
[52] D. P. Zipes, J . J alife, CARDIAC ELECTROPHYSIOLOGY: FROM CELL TO
BEDSIDE, Philadelphia, W.B. Saunders and Company, 2004.
[53] J . Adamec, R. Adamec, ECG HOLTER: MANUEL DINTERPRETATION
ELECTROGARDIOGRAPHIQUE, Edition Mdecine et Hygine, 2000.
[54] S. A. J ones, M.S Ed, MHA, EMT-P, ECG NOTES INTERPRETATION AND
MANAGEMENT GUIDE, F. A. Davis Company, Philadelphia, USA, 2005.
[55] D. Hebb, THE ORGANIZATION OF BEHAVIOR, Wiley, New York, 1949.
[56] F. Rosenblatt, THE PERCEPTRON: A PERCEIVING AND RECOGNIZING
AUTOMATON, Technical report, Cornell Aeronautical Lab, 1957.
Bibliographie

101

[57] Micheli-Tzanakou Evangelia, SUPERVISED AND UNSUPERVISED


PATTERN RECOGNITION FEATURE EXTRACTION AND
COMPUTATIONAL INTELLIGENCE, CRC Press LLC, 2000.
[58] S. Haykin. NEURAL NETWORKS: A COMPREHENSIVE FOUNDATION,
2nd Edition, Prentice Hall, 1999.
[59] G. Dreyfus, J . M. Martinez, M. Samuelides, M. B. Gordon, F. Badran, S. Thiria,
L. Hrault, RESEAUX DE NEURONES : METHODOLOGIE ET
APPLICATIONS, Eyrolles, 2002.
[60] M.H. Hassoun, FUNDAMENTALS OF ARTIFICIAL NEURAL NETWORKS,
The MIT Press, 1995.
[61] E. Keedwell, A. Narayanan, INTELLIGENT BIOINFORMATICS: THE
APPLICATION OF ARTIFICIAL INTELLIGENCE TECHNIQUES TO
BIOINFORMATICS PROBLEMS, J ohn Wiley, 2005.
[62] D. Graupe, PRINCIPALES OF ARTIFICIAL NEURAL, 2nd Edition, World
Scientific Publishing, 2007.
[63] T. Kohonen, SELF-ORGANIZING MAPS, Third edition, Springer, 2001.
[64] Y. LeCun, B. Boser, J . S. Denker, D. Henderson, R. E. Howard, W. Hubbard,
and L. D. J ackel, Backpropagation applied to handwritten zip code
recognition, Neural Computation, 541551, 1989.
[65] B. Prasad, S.R. M. Prasanna, SPEECH AUDIO IMAGE AND BIOMEDICAL
SIGNAL PROCESSING USING NEURAL NETWORKS, Springer, 2008.
[66] B. Dubuisson, DIAGNOSTIC ET RECONNAISSANCE DES FORMES,
Hermes Sciences Publication, 1990.
[67] L. Personnaz, I. Rivals, RESEAUX DE NEURONES FORMELS POUR LA
MODELISATION LA COMMANDE ET LA CLASSIFICATION, CNRS
Editions, 2003.
[68] J . P. Haton, RECONNAISSANCE AUTOMATIQUE DE LA PAROLE: DU
SIGNAL A SON INTERPRETATION, Dunod, 2006.
[69] A. Wismuller, A. Meyer-Base, O. Lange, D. Auer, M. F. Reiser, D. Sumners,
Model-free functional MRI analysis based on unsupervised clustering, Journal
of Biomedical Informatics, 1018, 2004.
[70] M. Buscema, M. Maszetti di Pietralata, V. Salvemini, M. Intragaligi, M.
Indrimi, Application of artificial neural networks to eating disorders,
Bibliographie

102

Substance Use & Missuse, 765791, 1998.


[71] S. Berdia, J . T. Metz, An artificial neural network stimulating performance of
normal subjects and schizophrenics on the Wisconsin card sorting test, Artificial
Intelligence in Medicine, 123138, 1998.
[72] P. S. Heckerling, B. S. Gerber, T. G. Tapec, R. S. Wigton, Use of genetic
algorithms for neural networks to predict community-acquired pneumonia,
Artificial Intelligence in Medicine, 7184, 2004.
[73] D. B. Henson, S. E. Spenceley, D. R. Bull, Artificial neural network analysis of
noisy visual field data in glaucoma, Artificial Intelligence in Medicine, 10, 99
113, 1997.
[74] T.G. Barbounis, J .B. Theocharis, Locally recurrent neural networks for long
term wind speed and power prediction, Neurocomputing, 466496, 2006.
[75] S. Srivastava, M. Sing, M. Hanmandlu, A.N. J ha, New fuzzy wavelet neural
networks for system identification and control, Applied Soft Computing, 117,
2005.
[76] M. F. Abboud, D. A. Linkens, M. Mahfouf, G. Dounias, Survey on the use of
smart and adaptive engineering systems in medicine, Artificial Intelligence in
Medicine, 179209, 2002.
[77] A. R. LeBlanc, Quantitative analysis of cardiac arrhythmias, Critical Reviews
in Biomedical Engineering, 143, 1986.
[78] G. Carrault, M. O. Cordier, R. Quiniou, F. Wang, Temporal abstraction and
inductive logic programming for arrhythmia recognition from
electrocardiograms, Artificial Intelligence in Medicine, 231 263, 2003.
[79] C. D. Nugent, J . A. Webb, N. D. Black, G. T, Wright, M. McIntyre, An
intelligent framework for the classification of the 12-lead ECG, Artificial
Intelligence in Medicine, 16(3), 205222, 1999.
[80] D. E. Gustafson, A. S. Willsky, J . Y. Wang, M. C. Lancaster, J . H. Triebwasser,
ECG/VCG rhythm diagnosis using statistical signal analysis: Identification of
transient rhythm, IEEE Transactions on Biomedical Engineering, 353361,
1978.
[81] Li. Gang, Ye. Wenyer, L. Ling, An artificial intelligence approach to ECG
analysis, IEEE EMB Mag., 95100, 2000.
[82] S. Barro, M. Fernandez, Classifying multi-channel ECG patterns with adaptive
Bibliographie

103

neural network, IEEE EMB Mag., 4555, 1998.


[83] T. Olmez, Classification of ECG waveforms using RCE neural network and
genetic algorithm, Electronics Letters, 15611562, 1997.
[84] A. S. Al-Fahoum, I. Howitt, Combined wavelet transformation and radial basis
neural networks for classifying life-threatening cardiac arrhythmias, Medical &
Biological Engineering and Computing, 566573, 1999.
[85] A. Rosado-Muoz, A. Camps-Valls, J . Guerrero-Martnez, J . V. Francs-Villora,
J . MuDoz-Mar, A. Serrano-Lpez, Enhancing feature extraction for VF
detection using data mining techniques, Proceedings of the Computers in
Cardiology Conference, 209212, 2002.
[86] D. Cubanski, D. Cyganski, E. M. Antman, C. L. Feldman, A neural network
system for detection of atrial fibrillation in ambulatory electrocardiograms,
Journal of Cardiovascular Electrophysiology, 602608, 1994.
[87] F. Ham, S. Han, Classification of cardiac arrhythmias using fuzzy ARTMAP,
IEEE Trans. Biomed. Eng., 425430, 1996.
[88] N. Maglaveras, T. Stamkopoulos, C. Pappas, M. Strintzis, ECG processing
techniques based on neural networks and bidirectional associative memories,
Journal of Med Eng Technol, 106111, 1998.
[89] M. Lagerholm, C. Peterson, G. Braccini, L. Edenbrandt, L. Sornmo, Clustering
ECG complexes using Hermite functions and self-organizing maps, IEEE
Transactions on Biomedical Engineering, 838848, 2000.
[90] R. Acharya, A. Kumar, P. S. Bhat, C. M. Lim, S. S. Iyengar, N. Kannathal, S. M.
Krishnan, Classification of cardiac abnormalities using heart rate signals,
Medical & Biological Engineering and Computing, 288293, 2004.
[91] O. Wieben, V. Afonso, W. Tompkins, Classification of premature ventricular
complexes using filter bank features, induction of decision trees and a fuzzy rule-
based system, Med. Biol. Eng. Comput., 560565, 1999.
[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
Cardiology, 201204, 2002.
[93] I .Christov, G. Bortolan, Ranking of pattern recognition parameters for
premature ventricular contraction classification by neural networks, Physiol.
Meas., 12811290, 2004.
Bibliographie

104

[94] O.T. Inan, L. Giovangrandi, G.T.A. Kovacs, Robust neural-network-based


classification premature ventricular contractions using wavelet transform and
timing interval features, IEEE Trans. Biomed. Eng., 25072515, 2006.
[95] S.W. Chen, A nonlinear trimmed moving averaging-based system with its
application to real-time QRS beat classification, J. Med. Eng. & Tech., 443
449, 2007.
[96] B.M. Asl, S.K. Setarehdan, M. Mohebbi, Support vector machine-based
arrhythmia classification using reduced features of heart rate variability signal,
Artif. Intell. Med., 51 64, 2008.
[97] A. K. J ain, M. N. Murty, P. J . Flynn, Data Clustering: A Review, ACM
Computing Surveys, 264323, 1999.
[98] M. S. Su, C. H. Chou, A Modified Version of the k-Means Algorithm with a
Distance Based on Cluster Symmetry, IEEE Trans. on Pattern Analysis and
Machine Intelligence, 674680, 2001.
[99] H. V. J agadish, Similarity-Based Queries, Proc. of the 14th ACM
SIGACTSIGMOD- SIGART Symposium on Principles of Database Systems
(PODS95), ACM Press, 3645, 1995.
[100] F. Azuaje, Clustering-Based Approaches to Discovering and Visualising
Microarray Data Patterns, Brief Bioinform., 3142, 2003.
[101] D. Berrar, W. Dubitzky, and M. Granzow, UNDERSTANDING AND USING
MICOARRAY ANALYSIS TECHNIQUES: APRATICAL GUIDE, Springer,
2002.
[102] S. Monti, Consensus Clustering: A Resampling-Based Method for Class
Discovery and Visualization of GENE Expression Microarray Data, Machine
Learning, 91118, 2003.
[103] D. Partridge, S. S. R. Abidi, A. Goh, Neural network applications in medicine,
Proceedings of National Conference on Research and Development in Computer
Science and Its Applications (REDECS96), Universiti Pertanian Malaysia,
Kuala Lampur, 2023, 1996
[104] E. Coiera, Designing for decision support in a clinical monitoring
environment, Proceedings of the International Conference on Medical Physics
and Biomedical Engineering, University of Cyprus, Nicosia, 130142, 1994
[105] J . Kors, J . H. van Bemmel, Classification methods for computerized
Bibliographie

105

interpretation of the electrocardiogram, Methods of Information in Medicine,


3336, 1990.
[106] H. P. Selker, J . L. Griffith, S. Patil, W. J . Long, R. B. DAgostino, A
comparison of performance of mathematical predictive methods for medical
diagnosis: Identifying acute cardiac ischemia among emergency department
patients, J Investig Med, 468476, 1995.
[107] A. E. Smith, C. D. Nugent, S. I. McClean, Evaluation of inherent performance
of intelligent medical decision support systems: Utilising neural networks as an
example, Artificial Intelligence in Medicine, 127, 2003.
[108] M. L. Talbi, A. Charef, PVC discrimination using the QRS power spectrum
and self-organizing maps, Computer Methods and Programs in Biomedicine,
223231, 2009.
[109] M. L. Talbi, A. Charef, Ph. Ravier, Arrhythmias Classification Using the
Fractal Behavior of the Power Spectrum Density of the QRS Complex and
ANN, Proceedings of the 2010 International Conference on High Performance
Computing & Simulation (HPCS 2010), Caen, France, 399-404, 2010.
[110] B.J . West, A. Goldberger, Physiology in fractal dimensions, Am Scientist,
354365, 1987.
[111] K. Falconer, FRACTAL GEOMETRY: MATHEMATICAL FOUNDATIONS
AND APPLICATIONS, New York, Wiley, 1990.
[112] Ed. J oseph D. Bronzino, THE BIOMEDICAL ENGINEERING HANDBOOK,
Second Edition, Boca Raton, CRC Press LLC, 2000.
[113] M. Shroeder, FRACTALS CHAOS POWER LAWS, New York, WH Freeman,
1990.
[114] D. Stauffer, A. Aharony, INTRODUCTION TO PERCOLATION, 2d ed.,
London, Taylor & Francis, 1992.
[115] K. G. Wilson, The renormalization group and critical phenomena, Rev Mod
Phys, 583-586, 1983.
[116] B. J . West, M. Shlesinger, On the ubiquity of 1/f noise, Int J Mod Phys, 795-
801, 1989.
[117] G. W. Wornell, Wavelet-based representations for the 1/f family of fractal
processes, IEEE Proc, 1428-1438, 1993.
[118] N.V. Thakor, J .G. Webstor, W.J . Thompkins, Estimation of the QRS Complex
Bibliographie

106

Power Spectra for Design of a QRS Filter, IEEE Trans. Biomed. Eng, 702-706,
1984.
[119] N. V. Thakor, Y. S. Zhu, Applications of adaptive filtering to ECG analysis:
noise cancellation and arrhythmia detection, IEEE Trans Biomed Eng, 785-794,
1991.
[120] A. K. Ziarani, A. Konrad, A nonlinear adaptive method of elimination of power
line interference in ECG signals, IEEE Trans Biomed Eng, 540-547, 2002.
[121] IEC 62D/60601-2-27 1994 Particular requirements for the safety of
electrocardiographic monitoring equipment (equivalent to AAMI EC 13).
[122] A. V. Oppenheim, R. W. Schafer, J . R. Buck , DISCRETE TIME SIGNAL
PROCESSING, 2nd Edition, Prentice Hall, 1999.
[123] K. Minami, H. Nakajima, T. Toyoshima, Real-Time Discrimination of
Ventricular Tachyarrhythmia with Fourier-Transform Neural Network, IEEE
Trans. Biomed. Eng., 179185, 1999.
[124] MIT-BIH Arrhythmia Database, http://www.physionet.org/physiobank/database.
[125] I. R. Tarkowicz, PROGRESS IN CARDIAC ARRHYTHMIA RESEARCH,
Nova Science Publishers, 2008.
[126] V. Krasteva, I. J ekova, QRS Template Matching for Recognition of Ventricular
Ectopic Beats, Annals of Biomed. Eng., 20652076, 2007.
[127] B. K. Wong, T. A. Bodnovich, Y. Selvi, Neural network applications in
business: A review and analysis of the literature (1988-1995), Decision Support
Systems, 301-320, 1997.
[128] M.L. Talbi, A. Charef, Discrimination of Premature Ventricular Contraction
(PVC) from Normal Sinus Rhythm by Neural Network and Slopes of QRS
Complexes Spectrum, Conference (IMESE06), El-Djelfa, Algerie, 2006
[129] M.L. Talbi, A. Charef, Classification of RBBB Beats Using the Fractional
Slopes of the Power Spectrum Density of the QRS Complex, Confrence
Nationale sur les Systmes dOrdre Fractionnaire et leurs Applications
(SOFA'2010), Skikda, Algerie, 2010.


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 : Signal lectrocardiographique (ECG), Complexe (QRS), Pente fractionnaire,
rseaux de neurones artificiels PMC et SOM.


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 MLP SOM