Vous êtes sur la page 1sur 5

Application des rseaux de neurones dans la reconnaissance des arythmies cardiaques

R.Kaoulal, N. Hedeili, M.A.Chikh ,F.Baroudi


Laboratoire de Gnie Biomdical - G.B.M-,Dpartement dElectronique,Facult des Sciences de
lingnieur,Universit de Abou bekr Belkaid,Tlemcen B.P 230 pole Chetouane,13000 Algrie
Email : R_Kaoulal @mail.univ-tlemcen.dz
Rsum : On propose dans ce papier deux modles de classificateurs neuronaux destins a lidentification de
la pathologie cardiaque extrasystole ventriculaire "ESV" ,dont le premier classificateur est un rseau de
kohonen ( la mthode LVQ "Learning Vector Quantization") ,et le deuxime est un rseau de neurones
multicouches (la mthode de rtropropagation de gradient). Notre but principal est davoir un meilleur taux
de classification avec une architecture minimale, nous avons appliqu la mthode LPC (Linear Prdictive
Coding) afin davoir un vecteur dentr rduit .Notons que les signaux ECG exploits pendant les diffrentes
phases (phase dapprentissage, phase de validation) de cette tude sont tous extraits de la base de donnes
(MIT-BIH).
Mots cls :
Signaux ECG, MIT-BIH, classificateur neuronal, LPC, LVQ, rtropropagation de gradient.
I. Introduction :
Lanalyse du signal ECG et lidentification de ses
paramtres et ondes (P, QRS, T, U) constituent une
tape primordiale pour le diagnostic des cas
pathologiques cardiaques car il traduit lactivit
lectrique du cur (voir figure 01).

Figure 01 : Electrocardiogramme normale [1]

Linterprtation du signal (ECG) tait principalement


base sur lutilisation de la mthode des arbres de
dcision et la mthode statistique (se sont les premiers
approches en 1957) [2], par la suite de nouvelles
approches ont t dveloppes telles que lapproche
syntaxique, les systmes experts, la logique floue et les
rseaux de neurones.
Dans notre tude nous appliquons une de ces approches,
celle des rseaux de neurones ; nous envisageons de
simuler deux classificateurs neuronaux des arythmies
cardiaques destins reconnatre deux types de signaux
ECG :
ECG normal.
ECG anormal caractrisant la maladie d Extrasystole
Ventriculaire" ESV" ; notons que les ESV sont des
battements ventriculaires caractrises par un large QRS
et une onde T souvent invers, avec une absence de
londe P, et un intervalle RR plus court que la moyenne,
suivie dune pause, et une amplitude diffrente des
battements normaux [3].
Nous avons cibls ces deux classes pour les raisons
suivantes :

Le risque dune mort soudaine pour des patients


atteints dune insuffisance cardiaque augmente
sensiblement, avec laugmentation de la frquence
dapparition dextrasystole ventriculaire (ESV).
La dtermination de la frquence dapparition de
ESV, aide valuer la rgularit de dpolarisation des
ventricules et diagnostiquer une tachycardie
ventriculaire (TV).
Ce sont des cas pathologiques qui prsentent des
caractristiques communes, ce qui rend la tache de prise
de dcision chez le mdecin difficile.
En plus lextrasystole ventriculaire est souvent
rencontre au niveau de CHU de Tlemcen.
Le type dapprentissage des deux classificateurs est
supervis, mais puisque leurs topologies sont
diffrentes, le premier est un rseau de kohonen, et le
deuxime est un rseau de neurones multicouches, nous
utilisons pour lun lalgorithme LVQ et pour lautre
lalgorithme de rtropropagation du gradient.
II.conception des classificateurs a deux classes :
1. Prparation des donnes :
Dans ce travail nous nous intressons a la classification
des battements cardiaques normaux et anormaux" ESV".
Nous allons utiliss des enregistrements ECG dune
dur de 30 minutes pour 8 patients, qui ont t
slectionn de la base de donnes MIT-BIH (voir
tableau 01). La frquence dchantillonnage des signaux
dECG dans la base de donnes est : fe = 360Hz.
ENREGISREMENTS

ESV

105
25
1
106
15
5
116
2302
109
119
1542
444
205
25
71
215
31
164
219
20
6
221
20
396
228
16
36
Tableau N 01: La description
des enregistrements utilises

. Filtrage et modlisation :
.1 Filtrage du signal ECG :
Les signaux ECG que nous allons utiliss sont dj
filtrs a la maison MIT, mais pour avoir des bons
rsultats, nous avons effectu un autre filtrage (afin
dliminer les bruits restants ), en appliquant un filtre
passe bas en cascade avec un filtre passe haut , qui
jouent le rle dun filtre passe bande avec une bande
passante [1 27]Hz,qui va vous servir a limin les bruits
des muscles (0.2Hz) et la frquence de secteur
(60Hz).les fonctions de transfert de ces deux filtres sont
donnes si dessous :
La fonction de transfert du filtre passe bas est
donn par :

L z

1  z 1  z
6

1

[4]

chantillons ? sa droite afin dobtenir 30 chantillons du


complexe
QRS (N=Tfs, avec N : Le nombre
dchantillons, T : La dur de QRS et fs : La frquence
dchantillonnage). Dans notre cas le complexe QRS
est rduit ? 2 chantillons, qui sont les plus significatifs
obtenus par la compression du complexe QRS par la
mthode " linear Predictive Coding" (en abrg LPC).
Lide de base derrire cette mthode dans lanalyse du
signal ECG est que les donnes de lECG
chantillonnes peuvent tre approximes comme une
combinaison linaire des chantillons passs de lECG.
La structure de ce concept est illustre dans la figure 04.
La squence s i de lECG actuel peut tre approxim

par des squences s i


qui sont dtermines par un
ensemble de coefficients dun prdicteur et les P
chantillons passs de s i i.e. :

a k s i  k

s i

Avec a k cest k

k 1

me

coefficient de la prdiction linaire


"LPC", ces coefficients sont utiliss comme des facteurs
de poids de la combinaison linaire de la figure 04.
La diffrence entre la squence dECG actuel et la
squence prdite est gnralement nomme erreur
rsiduelle du signal e i :
Figure 02 : Graphe du filtre passe bas
La fonction de transfert du filtre passe-haut est
donne par :

H z z 127 

1 2z   z 
2 1 2z  z 
128

14

256

[4]

e i

e i

s i  s i

s i  a k s i  k
p

Dans le langage de la thorie du systme linaire la


squence prdite s i cest la sortie dun filtre a rponse
impulsionel finie dordre P avec une fonction de
k 1

z a k z  k
p

transfert : H

k 1

On remarque que lerreur rsiduel est la sortie dun


systme qui a la fonction de transfert suivante en
utilisant la transforme en z

E z

s z  a k z  k s z
p

1  a k z  k s z
k 1

k 1

Figure 03 : Graphe du filtre passe haut


.2 Modlisation :
Dans cette tape on va prpar un seul type de vecteur
dentre pour chaque enregistrement ; les composantes
de ce vecteur reprsentent les entres de nos
classificateurs.Il est compos de :
Cycle cardiaque c'est--dire la dure RR.
La moyenne de 10RR.
La moyenne carre du complexe QRS.
Le complexe QRS : Sachant que la position de
lchantillon du pic R est connu dans le fichier
dannotation de la base de donnes MIT-BIH, alors
nous avons prie 15 chantillons ? sa gauche et 14

Il existe plusieurs mthodes pour la rsolution et le


calcul des coefficients a k de la prdiction linaire,
notons que l algorithme de DURBIN est une mthode
simple pour calculer les coefficients a k et lerreur
rsiduel dans lanalyse dECG [5].

W w1 , w2 , w3 ,..., wn : Vecteur de poids.

s(i)
S(i-1)

S(i-2)

a(0)

S(i-p)

...

a(i)

s i

a(p-i)

+
Sortie prdite

Architecture

des

classificateurs

et

W t  1 W c t  D t x t  W c t

Si

le

neurone slectionn (c a d le plus proche) reprsente la


bonne classe.

W t  1 W c t  D t x t  W c t

Si le

neurone slectionn ne reprsente pas la bonne classe.


Wi t  1 Wi t pour les autres neurones avec

e(i)

Figure 04: Mcanisme de la prdiction linaire


de pme ordre
2.

Le neurone dont le vecteur poids est le plus proche


du vecteur dentre est slectionn (neurone
vainqueur).seuls les poids de ce neurone sont modifis
par la rgle dapprentissage suivante :

0  D t  1 .

phase

dapprentissage :
2.1 Classificateur N1 (Rseau de Kohonen) :
Ce classificateur est constitu :
D'une couche d'entre de 5 neurones
D'une couche de sortie de 30 neurones (ou couche de
comptition). Les neurones de cette couche entrent en
comptition. Seuls les meilleurs gagnent ("WTA ou
Winner takes all")
Lalgorithme dapprentissage est LVQ : [6], [7]
Cest une mthode dentranement de couche
comptitives dune manire supervise .Une couche
comptitive apprend automatiquement ? classifier les
vecteurs dentres mais les classes trouves par la
couche comptitive dpend uniquement de la distance
entre les vecteurs dentres. (Cest la seule mthode qui
soit rellement adopte la classification de donnes
par " la recherche du plus proche voisin ").
Si deux vecteurs dentres sont similaires, la couche
comptitive va les mettre probablement dans la mme
classe .Il nexiste pas un mcanisme dans la conception
de la couche comptitive pour dire que deux vecteurs
dentres sont dans la mme classes ou dans des classes
diffrentes. Le rseau LVQ apprend classifier les
vecteurs dentres par rapport a une classe cible
(dsire) choisie par lutilisateur.
Il existe plusieurs versions de cet algorithme appeles :
LVQ1, LVQ2, LVQ2.2, LVQ3.
Dans notre travail on a utilis la mthode LVQ1, dont
son principe gnral est le suivant :
Les poids de chaque neurone de la carte sont
initialiss des valeurs alatoires.
Calcule de la distance ("distance euclidienne") entre
le vecteur classer et les poids de chaque neurone de la
carte.
La distance euclidienne entre ces deux vecteurs est
dfinie par :

D E X ,W

x
n

 wi

X x1 , x2 , x3 ,..., xn : Vecteur dentrer.

Avec :

i 1

Couche
comptitive

Connexion

Couche
dentre
Figure 05 : rseau de Kohonen
2. Classificateur N (RNM) :
Cest un rseau de neurones
(RNM) constitu :
Dune couche dentre de 5 neurones.
Dune couche cache de 3 neurones
Dune couche de sortie de 2 neurones

multicouches

Figure 06 : rseau couches classique


Lalgorithme dapprentissage utilis cest lalgorithme
de rtropropagation de gradient. [8]
Cet algorithme est utilis dans les rseaux de type
feedforward, ce sont des rseaux de neurones couches,
ayant une couche d'entre, une couche de sortie, et au
moins une couche cache. Il n'y a pas de rcursivit
dans les connexions, et pas de connexions entre
neurones de la mme couche. Le principe de la
rtropropagation consiste prsenter au rseau un
vecteur d'entres, de procder au calcul de la sortie par
propagation travers les couches, de la couche d'entre
vers la couche de sortie en passant par les couches

caches. Cette sortie obtenue est compare la sortie


dsire, une erreur est alors obtenue. A partir de cette
erreur, est calcul le gradient de l'erreur qui est son
tour propag de la couche de sortie vers la couche
d'entre, d'o le terme de rtropropagation. Cela permet
la modification des poids du rseau et donc
l'apprentissage. L'opration est ritre pour chaque
vecteur d'entre et cela jusqu' ce que le critre d'arrt
soit vrifi [9] .
Notons que la phase dapprentissage va sarrter sous
lune de ces conditions :
- Lerreur soit infrieur a 10-8 .
- Le nombre ditrations (epoch) maximum est atteint.
Remarques :
- A cause de linsuffisance de mmoire (du Microordinateur) on na pas respect la dure 30mn pour
chaque enregistrement du classificateur N1.
- On a effectu lapprentissage par lenregistrement
"119"pour les deux classificateurs (comprend un
nombre suffisant de cas normaux et ESV).
- Pour amliorer les rsultats, on a fait une
normalisation des donnes dentres.
- Pour la conception des deux classificateurs on utilise
le logiciel matlab 5.3.
3. Rsultats exprimentales [10] :
Bien sur aprs lentranement des rseaux, il faut les
tester afin de vrifier leurs performances. En effet on va
effectuer la phase de validation, on applique trois lois
statistiques bases sur la reconnaissance des catgories
mutuellement exclusive de TP (true positive), FP (false
positive), TN (true negative), FN (false negative).
Ces lois sont :
La sensibilit : SE =100TP/(TP+FN) : cest la fraction
de cas rel "ESV" correctement reconnu sur tous les cas
rels ESV.
La spcificit : SP =100TN/(TN+FP) : la fraction de
cas rel normal"N" correctement rejet sur tous les cas
rels normal "N".
La classification correcte : CC = 100 (TP+TN)/ (TN
+TP+FN+ FP) : cest le taux de classification.
3.1 L valuation des classificateurs en visant le cas
ESV :
Avant de reprsent les rsultats obtenue il faut donn
quelques dfinitions :
TP : nombre de battements rellement ESV
correctement reconnu.
TN: nombre de battements rellement non ESV
correctement reconnu.
FP: nombre de battements rellement non ESV reconnu
comme ESV.
FN: nombre de battements rellement ESV reconnu
comme non ESV.
Le tableau si dessous montre lidentification des
TP,TN, FP et FN :
ALGORITHME
REEL
n
v
N
TN
FP
V
FN
TP

ENREGISTREMENT

Classificateur N1

ENREGISTREMENT

Classificateur N2

TP
TN
FP
FN
105
35
2503
21
6
106
145
1335
170
375
116
108
534
1766
1
205
5
2562
0
66
215
126
3185
0
38
219
56
405
1675
8
221
12
2029
0
384
228
278
1686
0
84
Tableau N03 : les catgories mutuellement exclusive du
1r rseau

TP
TN
FP
FN
105
6
2384
134
35
106
432
1501
1
86
116
108
2283
10
1
205
67
2562
0
4
215
141
2135
1050
23
219
51
2074
1
12
221
381
2023
0
15
228
328
1519
164
32
Tableau N04 : les catgories mutuellement exclusive du
2me rseau

ENREGISTREMENT

CLASSIFICATEUR N1
SE

SP

CC

105

85.37

99.17

98.94

106

27.88

88.70

73.08

116

99.10

23.22

26.65

205

07.04

100

97.49

215

76.83

100

98.86

219

87.50

19.47

21.50

221

03.03

100

84.16

228

76.79

100

95.89

La moyenne

57.94

78.81

82.61

Tableau N05 : les lois statistiques du 1 rseau

ENREGISTREMENT
105
106
116
205
215
219
221
228
La moyenne

CLASSIFICATEUR N2
SE
SP
CC
14.63
94.70
93.40
83.40
99.93
95.70
99.08
99.56
99.54
94.36
100
99.85
85.98
67.03
67.96
80.95
99.95
99.39
96.21
100
99.38
91.11
90.30
90.41
80.71
93.93
93.20

Tableau N06 : les lois statistiques du 2me rseau

Tableau N02 : dfinitions des catgories mutuellement


exclusive pour la classe "ESV"

3.2 Interprtation des rsultats :


On remarque que le classificateur N2 qui est compos
de 10 neurones a donn des rsultats lgrement
meilleurs que celles du classificateur N1 qui est
compos de 35 neurones (pour le 1r classificateur :
SE=57.94, SP=78.81, CC=82.61; pour le 2me
classificateur : SE=80.71, SP=93.93, CC=93.2).
On peut constater que le rseau multicouche permet de
gagner en architecture et en performance par rapport au
rseau de Kohonen.
Classificateur N1

Classificateur N2

100
80
60
40
20
0
105 106 116 205 215 219 221 228

Histogramme N01: La variation de CC


d'un enregistrement a un autre des deux
classificateurs
SE

100
90
80
70
60
50
40
30
20
10
0
Classificateur
N1

SP

CC

Classificateur
N2

Histogramme N02:Les lois statistiques des


deux classificateurs

III.Conclusion :
Daprs les rsultats obtenus, nous remarquons que
lapport des rseaux de neurones tait de taille sur le
plan de prcision, de vitesse de calcul et darchitecture
ce qui nous encourage dans le futur a penser ? une
ralisation Hardware dun classificateur neuronale des
pathologies cardiaques.
Notons finalement, quon peut amliorer les
performances des classificateurs en tenant compte des
points suivants :
Elargir la base dapprentissage (On souhaite que
dans le futur proche, on peut avoir des enregistrement
de lECG au niveau du CHU de Tlemcen afin de
prparer une base de donnes propre a notre laboratoire
de G.B.M et cela va permettre de dvelopper des
classificateurs pour dautres cas pathologies spcifiques
peut tre a "la rgion Tlemcen").
Exploiter dautres algorithmes dapprentissage plus
volus.
Ajouter dautres paramtres indicatifs qui peuvent
augmenter le taux de reconnaissance des cas

pathologiques du classificateur comme par exemple le


calcul prcis de la dure du complexe QRS pour chaque
cycle.
Notons que nos classificateurs peuvent tre largis ?
dautres classes :
- La reconnaissance des sous classes dESV.
- La reconnaissance dautres classes ou pathologies
cardiaques autre que lESV.
Rfrences :
[1]: H.GHOLAM HOSSEINI, H. NAZERAN,
"Efficient features for ANN-based ECG classifiers",
School of Engineering, The Flinders University of
South Australia,1999.
[2]: Dr PHILIPPE MABO," Troubles du rythmegneralits " , Dpartement de cardiologie et maladies
vasculaires, CHU de Rennes.
[3] : P.DEGOULET, M.FIESCHI, "Informatique
mdicale ",3me dition, Masson, 1998.
[4]:C.P.MAMMEN,B.HASKANRAMARTH,
"Classification of cardiac arrhythmias using fuzzy
artmap" , IEEE Trans. Biomed. Eng. , vol 43 N04 pp
428.1996.
[5]:KANG.PINGLIN-WALTER, H .CHANG ," QRS
Feacture Extraction Using Linear prediction ", IEEE
Trans .Biomed.eng ;vol.36 N 10, pp.1050-1055,1989 .
[6]: BENOIT DECOUX, "Reconnaissance de forme rsum de cours " ,2000-2001.
[7]: T.KOHNEN," Learning Vector Quantization ",
version 3.1.7 avril.1995.
[8] : S.E FAHLMAN ", An empirical study of learning
speed in backpropagation networks",
Carhengie Mellon University, Computer Science
Department, 1988.
[9] : F. BLOYO-M.VERLEYSEN, " Les rseaux de
neurones artificiels ", Presse Universitaire De France ,
1996 .
[10] : FREDRIC M. HAM - SOOWHAN HAN ,
" Classification of cardiac arrhythmias using fuzzy
ARTMAP",
IEEE
Transactions
Biomedical
Engineering ;vol.43,n4 ,pp. 425-429,1996 .

Vous aimerez peut-être aussi