Académique Documents
Professionnel Documents
Culture Documents
1
République Algérienne Démocratique et Populaire
Ministère de la Défense Nationale
École Militaire Polytechnique
MINI PROJET
Estimation de la fréquence
respiratoire et du rythme cardiaque
en utilisant les capteurs embarqués
de smartphone
i
Table des matières
Introduction générale 1
1 Généralités 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Rythme respiratoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Pneumonie et respiration rapide . . . . . . . . . . . . . . . . . . . . 3
1.3 Photopléthysmogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Capteurs d’un smartphone . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Accéléromètre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.2 Gyroscope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 User datagram protocol . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
ii
Table des matières iii
iv
Table des figures v
2.1 Tableau des différents fréquences de respiration estimées par deux capteurs
avec deux emplacements différentes . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Tableau de l’EQM des différentes méthodes d’estimation de la fréquence
respiratoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
vi
Introduction générale
Depuis quelques années, Les smartphones sont présents dans la vie de nombreuses per-
sonnes, et grâce aux progrès rapides de la technologie des capteurs et à la diminution de
la taille des composants électroniques. En outre, il a été démontré que les approches de
télésanté à domicile permettent de réduire le nombre d’admissions à l’hôpital et le nombre
de jours/lits de soins, La mesure continue des paramètres physiologiques au cours de la vie
quotidienne présente un grand potentiel pour faire progresser la télésanté. Par exemple,
des paramètres physiologiques tels que la fréquence cardiaque au repos ont été associés à
des facteurs de risque de maladies cardiovasculaires. De plus, les appareils électroniques
encombrants et l’obligation de maintenance empêchent de nombreuses personnes de me-
surer régulièrement leurs signes vitaux. Ces dernières années, les chercheurs ont travaillé
activement au développement de capteurs physiologiques et à la création de dispositifs
portables pour le suivi de la vie quotidienne, qui peuvent surveiller les signes vitaux telles
que la photopléthysmographie (PPG).
La possibilité de mesurer les signes vitaux à partir des smartphones présente plusieurs
avantages, car les capteurs sont toujours à la disposition de la personne, la lecture des
données est facile, et ils permettent d’envoyer des données de manière rapide et efficace.
Nous abordons les questions de recherche suivantes : Comment pouvons-nous utiliser les
capteurs actuellement disponibles dans les smartphones, à savoir les accéléromètres, les
gyroscopes et les caméras pour mesurer avec précision les rythmes cardiaques et respi-
ratoires ?, Comment ces résultats se comparent-ils aux approches traditionnelles et aux
dispositifs médicales ?, La combinaison des mesures du mouvement améliore-t-elle les per-
formances ?, et Quelle est la performance des méthodes proposées en situation réelle ?, les
méthodes proposées fonctionnent-elles dans un contexte réel pour fournir des évaluations
sur les signes physiologiques ?.
Ce mémoire est organisé de la manière suivante :
1
Liste des tableaux 2
Généralités
1.1 Introduction
3
1.3. Photopléthysmogramme 4
cause de mortalité chez les enfants dans le monde. Environ 2 millions d’enfants meurent
de pneumonie chaque année, soit plus que le SIDA, le paludisme et la rougeole réunis [2].
La pneumonie peut être causée par des bactéries, des champignons et des virus.
Bien qu’il existe des traitements efficaces de la pneumonie, seuls quelques-uns sont ac-
cessibles aux enfants des régions éloignées. Selon une étude, environ 600 000 vies pourraient
être sauvées si des antibiotiques étaient administrés rapidement aux enfants atteints de
pneumonie [3]. Il a été démontré qu’une fréquence respiratoire rapide accompagnée d’une
toux est une base fiable pour diagnostiquer une pneumonie non grave chez les enfants de
moins de cinq ans [4].
1.3 Photopléthysmogramme
Le photopléthysmogramme (PPG) est l’un des signaux biologiques qui peuvent être
acquis à l’aide d’un capteur d’oxymétrie, composé d’un émetteur et d’un récepteur infra-
rouge, placé sur le doigt pour mesurer la fréquence cardiaque. En outre, il peut mesurer
d’autres informations physiologiques telles la pression artérielle. Par conséquent, les sys-
tèmes de santé mobiles utilisent souvent un capteur PPG pour acquérir simultanément
plusieurs types d’informations de santé. Ce capteur mesure une intensité lumineuse trans-
mise de l’émetteur au récepteur, et sa valeur mesurée indique une absorption de la lumière
dans les tissus et le sang.
Habituellement, un PPG est constitué de composantes alternative (AC) et une com-
posante continue (DC). Le signal AC représente l’absorbance du sang artériel pulsé, et le
signal DC indique l’absorbance du sang et des tissus non pulsés, la figure (1.1) montre les
composantes d’un signal PPG [1].
1.4. Capteurs d’un smartphone 5
1.4.1 Accéléromètre
Figure 1.2 – Axes physiques qu’Android utilise pour décrire l’accélération et d’autres
données de capteurs.
Les données d’accélération ont de nombreuses utilisations ; par exemple, elles peuvent
servir de base à la détermination de l’orientation dans l’espace, et elles peuvent également
aider à détecter des mouvements soudains, tels que des chocs ou des vibrations.
L’accéléromètre est composée d’une partie mobile en forme de peigne avec des tiges
en silicium se déplaçant entre des tiges fixes, écartées d’environ 1,3 micromètres. Lorsque
l’accéléromètre d’un smartphone bouge, la tige mobile oscille d’un côté ou de l’autre, comme
le montre la figure (1.3). En mesurant la variation de capacité électrique entre les tiges, on
déduit le sens et l’amplitude du mouvement.
Cette mesure ne s’effectuant que dans un seul plan, il faut trois accéléromètres pour
1.4. Capteurs d’un smartphone 7
mesurer les déplacements dans les différentes directions (longitudinale, transversale, ver-
ticale). Les données sont ensuite transmises à un microprocesseur qui va reconstituer le
mouvement.
1.4.2 Gyroscope
C’est l’un des principaux protocoles de télécommunication utilisés par Internet. Le rôle
de ce protocole est de permettre la transmission de données (sous forme de datagrammes)
de manière très simple entre deux entités, chacune étant définie par une adresse IP et un
numéro de port dans notre cas l’adresse IP serveur est c’elle de Smartphone et le numéro
de port est 8088.
La nature du protocole UDP le rend utile pour transmettre rapidement des petites
quantités de données, depuis un serveur vers de nombreux clients ou bien dans des cas où
la perte éventuelle d’un datagramme est préférée à l’attente de sa retransmission. Il fonc-
tionne efficacement dans des communications unidirectionnelles et est donc adapté pour
diffuser des informations. L’absence de délai de retransmission en fait un protocole utile
pour les applications en temps réel.
Le paquet UDP est encapsulé dans un paquet IP. Il comporte un en-tête suivi par des
données à transporter comme lui montre la figure (1.5).
L’en-tête d’un datagramme UDP (figure (1.6)) contient les quatre champs suivants :
1.6 Conclusion
Dans ce chapitre, on a introduit trois points. Le premier point est consacré à la respi-
ration, la pneumonie et la photopléthysmographie. Le second point traite les Capteurs de
smartphone afin de l’exploiter dans notre problématique. Le dernier point est réservé aux
protocole de datagramme utilisateur qu’on utilise pour le transfère des donnés.
Chapitre 2
Ce chapitre décrit plusieurs techniques pour estimer la fréquence respiratoire à partir des
données collectées par divers capteurs d’un smartphone. Tout d’abord, nous commençons
par une description du modèle mathématique et les méthodes utilisées pour l’estimation.
Ensuite on va décrire la chaîne de traitement du signal et l’utilisation de l’analyse en com-
posantes principales (PCA) pour la réduction de dimension. Par la suite, nous présentons
les résultats de l’estimation de la fréquence respiratoire de cinq personnes dans différentes
situations par trois méthodes différentes pour évaluer les performances de ces méthodes.
Enfin, nous présentons une application développée sur MATLAB pour estimer la fréquence
respiratoire et la comparer avec un système basé sur un RADAR à ondes continues dé-
veloppé dans le cadre du projet de fin d’étude au niveau du laboratoire de traitement du
signal.
Le mouvement de la cage thoracique lors de la respiration peut être modèliser par une
sinusoïde de fréquence égale à la fréquence de respiration comme suite :
avec :
10
2.2. Méthodes pour l’estimation de la fréquence respiratoire 11
Le schéma fonctionnel de la partie traitement du signal est présenté dans la figure (2.1)
2.3. Chaine de traitement du signal 12
Par la suite nous décrirons les différentes étapes représentées par cette chaine.
Le smartphone est fixé en position verticale et tourné vers l’extérieur au moyen d’une
ceinture élastique portée au niveau de la cage thoracique pour une meilleure capture du
signal.
L’accéléromètre tri-axial étant utilisé comme un inclinomètre (la mesure des angles par
rapport à la ligne horizontale), il doit être placé sur la zone où l’orientation du capteur
change pendant le mouvement respiratoire. Le muscle le plus important dans la respiration
(comme le montre la figure (2.2)) est le diaphragme. Par conséquent, le smartphone est
placé à peu près à l’endroit où se trouve le muscle du diaphragme .
Cependant, cette technique permettre une surveillance continue dans différentes condi-
tions et postures.
2.3. Chaine de traitement du signal 13
Nous avons utilisé l’application mobile HyperIMU, présenté dans la figure (2.3), pour
extraire les données de deux capteurs et les envoyer à un ordinateur via le protocole de com-
munication UDP. Les signaux ont été acqui avec une fréquence d’échantionnage de 10 Hz
au moyen de l’accéléromètre et de gyroscope tri-axiaux intégré d’un smartphone (Motorola
G5) fonctionnant sous Android (version 7.0). Ces dispositifs enregistre les composantes le
long des directions orthogonales X, Y et Z.
2.3.3 Prétraitement
2
Amplitude
-2
-4
0 5 10 15 20 25 30
Temps (s)
Les troix signaux aprés lissage
6
4
Amplitude
-2
-4
0 5 10 15 20 25 30
Temps (s)
Ensuite, le signal est filtré numériquement en passe-bande à l’aide d’un filtre de Che-
bychev type II, d’ordre 35 et de fréquence de coupure de 0,02 et 1.2 Hz. Le gabarit de filtre
est représenté dans la figure (2.5)
On utilise la fonction "filtfilt" sur MATLAB pour effectuer un filtrage numérique à phase
nulle en traitant les données d’entrée dans les deux sens (avant et arrière). Après avoir filtré
2.3. Chaine de traitement du signal 15
les données dans le sens direct, "filtfilt" inverse la séquence filtrée et la fait repasser par le
filtre. Le résultat est un signal qui possède pas distortion en phase.
Figure 2.6 – Orientation du vecteur gravité défini dans le plans des coordonnées du
capteur.
Étape 1 : Standardisation
Le but de cette étape est de normaliser les variables initiales afin que chacune d’entre
elles contribue de manière égale à l’analyse. Plus précisément, la raison pour laquelle il est
essentiel d’effectuer la normalisation avant PCA est que cette dernière est très sensible aux
variances des variables initiales, s’il existe de grandes différences entre les plages de variables
initiales, les variables avec des plages plus grandes domineront celles avec des plages plus
petites, ce qui conduira à des résultats biaisés, cela peut être fait en soustrayant la moyenne
µ et en divisant par l’écart type σ pour chaque valeur de chaque variable comme suite :
Xi − µ
Zi = (2.2)
σ
avec :
Z : Vecteur standardisée.
X : Vecteur des mesures.
µ : La moyenne du vecteur des mesures X.
σ : l’écart type du vecteur des mesures X.
Le signe des covariances que nous avons comme entrées de la matrice nous donne des
informations sur les corrélations entre les variables :
2.3. Chaine de traitement du signal 17
s’il est positif, alors : les deux variables augmentent ou diminuent ensemble (corrélées).
s’il est négatif, alors : l’une augmente quand l’autre diminue (corrélation inverse).
Étape 3 : Calcule des vecteurs et valeurs propres de la matrice de covariance :
Les composantes principales sont des nouvelles variables qui sont construites comme
des combinaisons linéaires ou des mélanges des variables initiales. Ces combinaisons sont
effectuées de telle sorte que les nouvelles variables (c’est-à-dire les composantes principales)
ne sont pas corrélées et que la plupart des informations contenues dans les variables ini-
tiales sont comprimées dans les premières composantes. Ainsi, l’idée est que des données à
10 dimensions vous donnent 10 composantes principales, mais le PCA essaie de mettre le
maximum d’informations possibles dans la première composante, puis le maximum d’in-
formations restantes dans la deuxième et ainsi de suite, comme le montre la figure (2.7).
En classant les vecteurs propres dans l’ordre de leurs valeurs propres, du plus élevé au
plus bas, nous obtenons les composantes principales par ordre d’importance. Les vecteurs
propres de la matrice de covariance sont en fait les directions des axes où il y a le plus
de variance (le plus d’information) et que nous appelons composantes principales. Et les
valeurs propres sont simplement les coefficients attachés aux vecteurs propres, qui donnent
la quantité de variance portée par chaque composante principale. Ceci nous permettra de
réduire la dimensionnalité sans perdre beaucoup d’informations.
Une chose importante à noter ici est que les composantes principales n’ont pas de signi-
2.3. Chaine de traitement du signal 18
fication réelle puisqu’elles sont construites comme des combinaisons linéaires des variables
initiales.
Étape 5 : Projection des données sur les axes des composantes principales
Dans les étapes précédentes, à part la normalisation, nous n’apportons aucune modifi-
cation aux données, nous sélectionnons simplement les composantes principales et formons
le vecteur caractéristique, mais l’ensemble des données d’entrée reste toujours en termes
d’axes originaux. Dans cette étape, qui est la dernière, le but est d’utiliser le vecteur ca-
ractéristique, pour réorienter les données des axes originaux vers ceux représentés par les
composantes principales (d’où le nom d’analyse en composantes principales). Pour ce faire,
on multiplie la transposée de l’ensemble des données originales par la transposée du vecteur
caractéristique.
A = U T ZT (2.4)
avec :
A : vecteur de données final.
U : Vecteur de caractéristiques.
Z : Vecteur de données normalisées.
2.4. Résultats de l’estimation de la fréquence respiratoire 19
Table 2.1 – Tableau des différents fréquences de respiration estimées par deux capteurs
avec deux emplacements différentes
Pour les données mesurées par l’accéléromètre à partir de l’abdomen, représenter dans
la figure (2.8), les accéléromètres les plus fiables étaient X et Y. Les résultats des tests ont
montré que la force d’accélération sur les canaux X et Y changeait de manière significative
et permet de relever le rythme respiratoire. Bien que l’ accéléromètres Z, ou l’axe est orienté
vers l’extérieur du téléphone, a détecté le mouvement de l’abdomen dans sa direction, il a
été contaminé par trop de bruits.
2.4. Résultats de l’estimation de la fréquence respiratoire 20
Amplitude
2
-2
0 5 10 15 20 25 30
Temps (s)
Signal sur l‘axe Y
5
Amplitude
0
-5
0 5 10 15 20 25 30
Temps (s)
Signal sur l‘axe Z
5
Amplitude
-5
0 5 10 15 20 25 30
Temps (s)
Lorsque le téléphone était placé sur la cage thoracique, les canaux les plus fiables étaient
Y et Z. Par conséquent, en termes de détection du signal de respiration par l’accéléromètre,
le canal le plus fiable est le canal Y dans les deux emplacements.
D’autre part, pour les signaux mesuré par le gyroscope, elles peuvent révéler la fréquence
respiratoire après traitement. Mais, comme le montre la figure (2.9), elles étaient contami-
nées par trop de bruits. La force de rotation a été affectée par de nombreux facteurs, tels
que les mouvements soudaines et les battements de cœur.
-2
-4
0 5 10 15 20 25 30 35 40 45 50
Temps (s)
Signal sur l‘axe Y
5
Amplitude
-5
0 5 10 15 20 25 30 35 40 45 50
Temps (s)
Signal sur l‘axe Z
10
Amplitude
-5
0 5 10 15 20 25 30 35 40 45 50
Temps (s)
Les algorithmes développés pour l’estimation de cette fréquence sont basés sur les trois
méthodes présentées dans le premier chapitre, précéder par l’algorithme PCA pour obtenir
la composante principale qui contient la plupart des informations sur le signal respiratoire.
Ces méthodes ont été testées sur cinq personnes à l’aide de l’accéléromètre.
Premièrement, la fréquence respiratoire est estimée par la méthode basée sur la FFT.
La figure (2.10) montre un example de spectre du signal respiratoire.
10
8
Amplitude
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Fréquence(Hz)
Deuxièmement, la fréquence respiratoire est estimée par la méthode basée sur l’auto-
corrélation. La période de la respiration est estimée en trouvant le premier pic, par la suite,
à partir de la période on trouve la fréquence. La figure (2.11) montre l’autocorrélation du
rythmes respiratoires pour la situation précédente.
2.4. Résultats de l’estimation de la fréquence respiratoire 22
250
200
150
100
Amplitude
50
-50
-100
-150
-200
0 5 10 15 20 25 30
Temps (s)
2.5
1.5
Amplitude
0.5
-0.5
-1
-1.5
0 50 100 150 200 250 300
Temps (s)
On a choisis l’erreur quadratique moyenne, définie par l’equation (2.5) comme critère
de performance pour comparer les différentes méthodes utilisé pour l’estimation du rythme
respiratoire.
h i
EQM = E (X̂ − X)2 Hz 2 (2.5)
Avec :
X : la valeur réelle.
X̂ : la valeur estimée.
EQM
Respiration profonde Respiration normale Respiration Rapide
FFT 0.0072 0.0045 0.0043
Autocorrélation 0.0088 0.0030 0.0478
Zero-crossing 0.0294 0.0090 0.0346
On remarque que la méthode basée sur la FFT est la meilleure dans le cas générale
pour minimiser l’EQM dans différents modes de respiration.
L’approche d’estimation de la fréquence fondamentale basée sur la FFT est choisie pour
la mesure de la fréquence cardiaque sur la base des résultats précédents. Le smartphone
2.7. Application développée sous MATLAB 24
est fixé à la cage thoracique près du cœur avec une ceinture élastique pour permettre une
meilleure détection des mouvements induits par les battements de cœur. La seule différence
est le filtre utilisé : le signal est filtré numériquement avec un filtre Chebyshev type II passe
bande d’ordre 25 et de fréquences de coupure de 0,9 et 2.4 Hz comme lui montre le gabarit
représenté dans la figure (2.13).
L’accéléromètre est utilisé pour tester la méthode sur cinq individus. Nous obtenons
une erreur quadratique moyenne de 0,4228 lorsque nous comparons les résultats à ceux
d’un capteur d’oxymétrie. De plus, nous avons calculée le rapport signal sur bruit défine
par l’equation (2.6), ce qui donne une valeur de -3,2331 dB, ceci indique que cette approche
n’est pas appropriée pour un usage médical.
Psignal
SNR = (2.6)
Pbruit
avec :
Psignal : Puissance du signal .
Pbruit : Puissance du bruit.
Figure 2.14 – Application développée sous MATLAB GUI pour l’estimation du rythme
respiratoire et cardiaque.
2.8 Conclusion
3.1 Introduction
avec :
A(t) : l’amplitude du signal.
26
3.3. Chaine de traitement du signal 27
F : la fréquence de battement.
D : la composante continue.
Le schéma fonctionnel de la partie traitement du signal PPG est présenté dans la figure
(3.1)
Par la suite nous décrirons les différentes étapes représentées par cette chaine
Les signaux PPG sont obtenus en enregistrant sur un smartphone une vidéo pendant
que un utilisateur pose son doigt sur l’objectif de la caméra dont le "flash" est allumé. Les
signaux peuvent être extraits en fonction des changements subtils dans la vidéo qui sont
dus aux changements dans les propriétés de réflexion de la lumière lorsque le sang circule
dans le doigt. Nous recueillons un ensemble de données de mesures du PPG auprès d’un
ensemble de 5 personnes, en utilisant le smartphone HUAWEI Y7. On réduit la résolution
à 6 Mpx (3264×1840) pour avoir une taille de donnée raisonnable.
Traitement des images binaire : pour chaque image on applique une binarisation
basée sur un seuil choisie par la fonction ‘graythresh’ de MATLAB qui calcule un seuil
global à partir de l’image en niveaux de gris, en utilisant la méthode d’Otsu. La méthode
d’Otsu choisit un seuil qui minimise la variance des pixels noirs et blancs seuillés [8]. Par
la suite on calcule la somme algébrique des pixels qui représente l’amplitude du signal PPG.
Le calcule des facteurs LUMA : Le mot a été proposé pour éviter toute confusion
entre le Luma tel qu’il est mis en œuvre dans l’ingénierie vidéo et la luminance relative
telle qu’elle est utilisée dans la science de la couleur [9].
L’amplitude du signal est calculé comme une somme pondérée de composantes R, G et
B de chaque image selon les coefficients luma présentés dans [10] comme suite :
avec :
S(f) : Amplitude du signal PPG.
(r)
fi,j : Pixel de cordonner i,j de la couche rouge de l’image.
(g)
fi,j : Pixel de cordonner i,j de la couche verte de l’image.
(b)
fi,j : Pixel de cordonner i,j de la couche bleu de l’image.
N : Nombre totale des pixels.
Figure 3.2 – Application développée sous MATLAB GUI pour l’aquisition du signal PPG
et l’estimation de la fréquence cardiaque.
Nous avons utilisé l’erreur quadratique moyenne (EQM) comme critère de performance
pour comparer les différentes méthodes. Le tableau (2.2) montre l’EQM des différentes
approches. L’EQM est déterminée à partir des données de cinq participants, chaqu’un
dans deux situations : au repos et après un exercice physique, en le comparant avec un
oxymètre.
EQM
Methodes En repos Après effort physique
Binarisation 0.04 0.05
LUMA 0.01 0.01
On remarque que l’approche basée sur LUMA est la meilleure dans le sens de minimiser
l’EQM dans les deux situations
3.5. Développement d’une application Android 30
Pour faire le traitement de signal PPG sur smartphone on a opté pour le développe-
ment d’une application Android pour l’acquisition du signal à partir de la caméra d’un
smartphone, et l’estimation de la fréquence cardiaque en temps réel. En se basant sur
les résultats obtenue, l’approche basé sur le calcule des coifficient LUMA est choisis pour
l’estimation de la fréquence cardiaque.
L’application ’MiniProjet’ Représenté dans la figure (3.3) est développée sous l’envi-
ronnement Android Studio
L’algorithme suit la même chaine de traitement que celle sous MATLAB avec des
bibliothèques prédéfinie qui facilite l’accès et le traitement des images.
Pour accéder aux donner de la caméra on exploite la bibliothèque CameraX Jetpack
library et on utilise le module PreviewView pour la lecture des donner images en temps
réel.
Le calcule de LUMA des images se fait par la fonction getBrightnessGray() accessible
via la bibliothèque OpenCV qui est spécialiser en traitement d’images. A partir de cette
étape le signal PPG est disponible, et peut être tracé en utilisant Android GraphView.
3.6. Estimation de la pression artérielle moyenne à l’aide d’un réseau de
neurone artificiel 31
3.6.1 Dataset
Afin d’exploiter le signal PPG pour estimer la pression artériel, une très petite partie
du dataset MIMIC II (Multi-parameter Intelligent Monitoring in Intensive Care) [11] est
utilisée, nous n’avons accès que à 847 signal PPG avec les signaux de la pression artérielle en
continu associées. Les valeurs d’intérêt, à savoir la pression artérielle systolique, la pression
artérielle diastolique et la pression artérielle moyenne peuvent être calculées en prenant la
valeur maximale, minimale et moyenne du signal respectivement [12]. Dans cette étude
nous intéressant seulement à l’estimation des pressions artérielles moyennes, les statistiques
de cette partie de la base des données est présentée dans le tableau (3.2). La fréquence
d’échantillonnage des deux signaux est de 125 Hz et ils sont enregistrés avec une précision
de 8 bits. Nous avons effectué une opération de décimation de facteur M = 25 pour réduire
la fréquence d’échantillonnage à 5 Hz.
Pour l’entraînement du résau, nous avons considéré des signaux de durée de 30 secondes
(ce qui correspond à 150 échantillons). Parmi ces signaux, 670 ont été choisis au hasard
pour être des données d’entraînement (environ 79,10 %) et les 177 signaux restants ont
été conservés comme données de test indépendantes. Il est important de noter qu’on a fait
attention pour s’assurer que les données de signal de tous les patients étaient incluses et
que les données d’entraînement et de test restaient disjointes.
Nous avons utilisé le langage de programmation Python pour mettre en œuvre notre
algorithme et réaliser des expériences. Les modèles de réseaux de neurones ont été dévelop-
pés en utilisant la bibliothèque Keras, les expériences ont été menées en ligne en utilisant
Google Colaboratory qui nous a fourni une RAM de 8 GB et un GPU de 12GB/1582MHz.
3.6. Estimation de la pression artérielle moyenne à l’aide d’un réseau de
neurone artificiel 32
Nous utiliserons un réseau neuronal artificiel multicouche pour une estimation par ré-
gression, le réseaux contient trois couche cachée, qui contient 128, 32 et 8 nuerons respec-
tivement comme le montre la figure (3.4) ci-dessous.
Comme c’est une régression, toutes les couches utilisent la fonction d’activation ReLU,
la couche de sortie contient un seul neurone.
La fonction Unité Linéaire Rectifiée (ou ReLU pour Rectified Linear Unit) est définie
pour tout réel x par :
avec :
x : L’entrée d’un neurone.
Keras fournit un moyen pour résumer notre modèle en appelant la fonction summary()
sur le modèle. Le résumé représenter dans la figure (3.5) est textuel et comprend des
informations sur :
— Les couches et leur ordre dans le modèle.
— La forme de sortie de chaque couche.
— Le nombre de paramètres (poids) dans chaque couche.
3.6. Estimation de la pression artérielle moyenne à l’aide d’un réseau de
neurone artificiel 33
L’erreur absolue moyenne, définie par l’équation (3.4), est utilisée comme fonction de
perte (loss), ce qui signifie que l’on cherche à minimiser la différence moyenne en pourcen-
tage entre la valeur estimée et la valeur réelle.
PN
|yi − ŷi |
EAM = i=1
(3.4)
N
avec :
EAM : L’erreur absolue moyenne.
ŷi : La valeur estimée .
i : La valeur réel.
N : Nombre d’échantillons.
Afin de minimiser ces pertes, l’optimiseur Adam est utilisé, qui calcule de manière
adaptative les différents taux d’apprentissage. Adam est un algorithme basé sur un gradient
de premier ordre de fonctions objectifs stochastiques, basé sur des estimations adaptatives
de moments d’ordre inférieur [13].
Le choix du nombre d’époches à utiliser est un problème important pour l’entraînement
des réseaux neuronaux. L’utilisation d’un nombre trop grand d’époches peut entraîner un
ajustement excessif de l’ensemble de données d’apprentissage, et l’utilisation d’un nombre
trop petite d’époches peut entraîner un modèle sous-adapté. C’est pourquoi on utilise une
3.6. Estimation de la pression artérielle moyenne à l’aide d’un réseau de
neurone artificiel 34
Figure 3.7 – diagramme de dispersion des valeurs réelles et estimée sur les ensembles de
données d’entraînement.
3.7. Conclusion 35
La figure (3.8) ci-dessous, représente l’estimation de notre modèle sur les données de
test.
Figure 3.8 – diagramme de dispersion des valeurs réelles et estimeé sur les ensembles de
données de test.
Nous pouvons clairement voir que notre modèle estime les valeurs de l’ensemble de
validation avec une grande erreur. Ceci est dû au fait que nous n’avons eu accès qu’à une
petite partie de l’ensemble de dataset. Mais dans l’ensemble, cette expérience prouve qu’il
est possible de réaliser un réseau artificiel valable si un dataset de taille suffisante est utilisé
pour l’apprentissage.
3.7 Conclusion
Dans le cadre de ce mini projet, nous avons présenté une étude sur l’utilisation des cap-
teurs d’un smartphone pour l’estimation de quelque différents signes vitaux. Des notions
générales sur la respiration et la photopléthysmographie, les capteurs d’un Smartphone et le
protocole de transfère des donné UDP, ont été présentés dans le premier chapitre. Ensuite,
une comparaison entre les différent méthodes de d’estimation de la fréquence respiratoire
à l’aide de gyroscope et l’accéléromètre d’un smartphone, les résultats expérimentales ob-
tenues et leur validation ont été l’objectif du deuxième chapitre. Le dernier chapitre a été
consacré à l’exploitation du signal PPG pour estimer le rythme cardiaque en utilisant les
méthodes du traitement d’images pour construire le signal PPG, la binarisation et le calcule
de LUMA, et la pression artériel moyenne en utilisant un réseau de neurone artificiel.
Enfin, nos résultats sont très encourageants. Nous espérons qu’à l’avenir, des approches
similaires pourront être utilisées pour faciliter la mesure des signes vitaux dans la vie quo-
tidienne. Cependant, les méthodes proposées présentent certaines limites. Les capteurs de
smartphone mesurent directement le signal de son environnement. Si le téléphone n’est pas
entièrement placé sur la surface du corps humain, le capteur ne peut détecter aucune in-
formation utile. En outre, il est difficile de faire en sorte que les patients restent tranquilles
pendant le processus d’acquisition des données. Cela poserait un problème car tout mou-
vement peut entraîner des erreurs dans les données. Des travaux futurs essentiels seront
nécessaires pour améliorer la robustesse des méthodes proposées et pour le diagnostic des
maladies respiratoires et cardiaques.
36
Bibliographie
[1] Chanki Park and Boreom Lee. Real-time estimation of respiratory rate from a photo-
plethysmogram using an adaptive lattice notch filter. Biomedical engineering online,
13(1) :1–17, 2014.
[2] Tessa M Wardlaw, Emily White Johansson, and Matthew J Hodge. Pneumonia : the
forgotten killer of children. Unicef, 2006.
[3] Gareth Jones, Richard W Steketee, Robert E Black, Zulfiqar A Bhutta, Saul S Morris,
Bellagio Child Survival Study Group, et al. How many child deaths can we prevent
this year ? The lancet, 362(9377) :65–71, 2003.
[4] Frank Shann, Kate Hart, and David Thomas. Acute lower respiratory tract infections
in children : possible criteria for selection of patients for antibiotic therapy and hospital
admission. Bulletin of the World Health Organization, 62(5) :749, 1984.
[5] Graeme Woodrow. Low cost diagnostics based on robust sensors and mobile phones.
Australasian Biotechnology, 21(3) :15, 2011.
[6] Thomas R Gravelyn and John G Weg. Respiratory rate as an indicator of acute
respiratory dysfunction. Jama, 244(10) :1123–1125, 1980.
[7] P Mongin, L Lacassagne, and Denise Dubois. Rythme respiratoire et physiologie
de la formation de la coquille de l’oeuf. In Annales de Biologie Animale Biochimie
Biophysique, volume 6, pages 101–111. EDP Sciences, 1966.
[8] Nobuyuki Otsu. A threshold selection method from gray-level histograms. IEEE
transactions on systems, man, and cybernetics, 9(1) :62–66, 1979.
[9] Charles Poynton. Yuv and luminance considered harmful : A plea for precise termi-
nology in video, 2001.
[10] Shu-Di Bao, Yuan-Ting Zhang, and Lian-Feng Shen. Physiological signal based entity
authentication for body area sensor networks and mobile healthcare systems. In 2005
IEEE Engineering in Medicine and Biology 27th Annual Conference, pages 2455–2458.
IEEE, 2006.
37
Bibliographie 38
[11] Mohammed Saeed, Mauricio Villarroel, Andrew T Reisner, Gari Clifford, Li-Wei Leh-
man, George Moody, Thomas Heldt, Tin H Kyaw, Benjamin Moody, and Roger G
Mark. Multiparameter intelligent monitoring in intensive care ii (mimic-ii). Critical
care medicine, 39(5) :952, 2011.
[12] Nabil Ibtehaz and M Sohel Rahman. Ppg2abp : Translating photoplethysmogram
(ppg) signals to arterial blood pressure (abp) waveforms using fully convolutional
neural networks. arXiv preprint arXiv :2005.01669, 2020.
[13] Diederik P Kingma and Jimmy Ba. Adam : A method for stochastic optimization.
arXiv preprint arXiv :1412.6980, 2014.