1

1
 République Algérienne Démocratique et Populaire
Ministère de la Défense Nationale
École Militaire Polytechnique

Filière : Génie Électrique

Spécialité : Traitement du signal

MINI PROJET

Estimation de la fréquence
respiratoire et du rythme cardiaque
en utilisant les capteurs embarqués
de smartphone

Réalisé par : Encadreurs :

EOC. BOUCHANOUN Ayoub Cne. LASSAMI Nacerredine
EOC. GACI Mohamed Houmam LtCol. LAIB Zohir
Année Universitaire
2020/2021
 Remerciements

Au terme de ce travail, nous voudrions adresser nos sincères

remerciements à nos promoteurs le capitaine LASSAMI Nacerredine
et lieutenant-colonel LAIB Zohir pour la confiance qu’il nous ont témoignée
en nous
proposant ce sujet. Nous aimerons leur adresser nos vifs
remerciements
pour leur disponibilité, leur dynamisme et leur
encouragements tout au
long de ce projet.
Nous remercions les officiers de l’UER signal et communications
et tous nos enseignants.
Nos remerciements s’adressent à tous les membres du jury pour l’honneur
qu’ils nous font en acceptant de juger notre travail. Nos remerciements vont
aussi à tous ceux et celles qui ont participé de près ou de loin à l’élaboration
du présent travail, à tous nos amis et collègues pour leur soutien tout au
long de la préparation de ce travail.

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

2 Estimation du rythm respiratoire 10

2.1 Modélisation mathématique du Rythme respiratoire . . . . . . . . . . . . . 10
2.2 Méthodes pour l’estimation de la fréquence respiratoire . . . . . . . . . . . 11
2.3 Chaine de traitement du signal . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Placement du capteur . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Acquisition des donnés . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.3 Prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.4 Fusion des axes par l’analyse de la composante principale . . . . . . 15

ii
Table des matières iii

2.4 Résultats de l’estimation de la fréquence respiratoire . . . . . . . . . . . . 19

2.4.1 Estimation sans fusion des axes . . . . . . . . . . . . . . . . . . . . 19
2.4.2 Estimation avec fusion des axes en utilisant l’algorithme PCA . . . 21
2.5 Evaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6 Résultats de l’estimation de la fréquence cardiaque . . . . . . . . . . . . . 23
2.7 Application développée sous MATLAB . . . . . . . . . . . . . . . . . . . . 24
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3 Estimation du rythme cardiaque 26

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Modèle mathématique du rythme cardiaque . . . . . . . . . . . . . . . . . 26
3.3 Chaine de traitement du signal . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Extraction du signal PPG . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.2 Conversion et traitement . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.3 Estimation de la fréquence cardiaque . . . . . . . . . . . . . . . . . 28
3.4 Evaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.5 Développement d’une application Android . . . . . . . . . . . . . . . . . . 30
3.6 Estimation de la pression artérielle moyenne à l’aide d’un réseau de neurone
artificiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.6.1 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.6.2 Structure et mise en œuvre du réseau . . . . . . . . . . . . . . . . . 31
3.6.3 Résultats de l’apprentissage . . . . . . . . . . . . . . . . . . . . . . 34
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Table des figures

1.1 Composition d’un signal PPG [1] . . . . . . . . . . . . . . . . . . . . . . . 5

1.2 Axes physiques qu’Android utilise pour décrire l’accélération et d’autres
données de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Fonctionnement d’un accéléromètre capacitif. . . . . . . . . . . . . . . . . . 6
1.4 Accéléromètre gyroscope I2C 6 axes . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Structure d’un datagramme UDP. . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Structure de l’en-tête d’un datagramme UDP . . . . . . . . . . . . . . . . . 8

2.1 Chaine de traitement du signal respiratoire. . . . . . . . . . . . . . . . . . 12

2.2 Mouvement du diaphragme pendant la respiration. . . . . . . . . . . . . . 12
2.3 L’application mobile HyperIMU. . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4 Signal avant et aprés lissage. . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5 Gabarit du filtre utilisé pour extraire le signal respiratoire. . . . . . . . . . 14
2.6 Orientation du vecteur gravité défini dans le plans des coordonnées du capteur. 15
2.7 Percentage d’information contenue dans chaque composante principale. . . 17
2.8 Données de l’accéléromètre mesurées à l’avant de l’abdomen après lissage. . 20
2.9 Données de gyroscope mesurées à l’avant de l’abdomen après lissage. . . . 20
2.10 Spectre du signal respiratoire. . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.11 Fonction d’autocorrélation pour le rythme respiratoire estimé. . . . . . . . 22
2.12 Rythme respiratoire estimé. . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.13 Gabarit du filtre utilisé pour extraire le signal cardique. . . . . . . . . . . . 24

iv
Table des figures v

2.14 Application développée sous MATLAB GUI pour l’estimation du rythme

respiratoire et cardiaque. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.1 Chaine de traitement du signal photoplethysmogram (PPG). . . . . . . . . 27

3.2 Application développée sous MATLAB GUI pour l’aquisition du signal PPG
et l’estimation de la fréquence cardiaque. . . . . . . . . . . . . . . . . . . . 29
3.3 L’application Android ’MiniProjet’. . . . . . . . . . . . . . . . . . . . . . . 30
3.4 Structure de réseaux de neuron artificiel. . . . . . . . . . . . . . . . . . . . 32
3.5 Résumé du modèle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.6 Évolution de la fonction de perte au cours d’apprentissage. . . . . . . . . . 34
3.7 diagramme de dispersion des valeurs réelles et estimée sur les ensembles de
données d’entraînement. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.8 diagramme de dispersion des valeurs réelles et estimeé sur les ensembles de
données de test. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Liste des tableaux

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

3.1 Tableau de l’EQM de différentes méthodes pour l’estimation de la fréquence

cardiaque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Les statistiques de dataset utilisée . . . . . . . . . . . . . . . . . . . . . . . 31

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

Chapitre 1 : Mettre en évidence des généralités sur la respiration et la photoplé-

thysmographie, les méthodes utilisées pour mesurer le rythme respiratoire et la fréquence
cardiaque, des notions générales sur les capteurs d’un smartphone et le protocole de trans-
fère des donnés UDP.

Chapitre 2 : Dans ce chapitre, on parle du modèle mathématique utilisé, une des-

cription du système d’axes physique d’un smartphone et l’utilisation de l’algorithme PCA.
Ensuite, on parle de différentes étapes pour le traitement du signal. Puis, on fait une com-
paraison entre les différentes techniques d’estimation du rythme respiratoire, et le choix du
capteur a utilisé. On va étudier aussi la possibilité d’extraire le rythme cardiaque à partir
de ces approches.

Chapitre 3 : Concerne l’exploitation du photoplethysmogram pour estimer le rythme

cardiaque. D’abord, on fait une modélisation mathématique du rythme cardiaque, puis on
parle de la chaine de traitement du signal photoplethysmogram. Ensuite, Nous réalisons
une étude pour évaluer les performances des méthodes proposées. Par la suite, nous pro-
posons une application Android qu’on a développé et qui permet l’acquisition du signal
PPG et d’estimer la fréquence cardiaque en utilisant la caméra d’un smartphone. Enfin,
nous utilisons un réseau de neurones artificiel pour estimer la pression artériel.

Conclusion générale : Elle résume notre proposition et nos perspectives de recherches.

Chapitre 1

Généralités

1.1 Introduction

Dans ce chapitre, on va mettre en évidence des généralités sur la respiration et la

photopléthysmographie. Ensuite en va donnée des notions générales sur les capteurs d’un
smartphone. Enfin nous allons parler sur le protocole de transfère des donné UDP

1.2 Rythme respiratoire

La fréquence respiratoire est un paramètre physiologique qui est généralement utilisé

en milieu clinique pour surveiller l’état des patients. De plus, elle peut être un signe d’in-
suffisance respiratoire, de dépression respiratoire ou une adaptation de l’organisme face à
une situation donnée, par exemple l’exercice physique (sport) ou une émotion vive.
Une fréquence respiratoire signifie le nombre d’inspiration + expiration par seconde, on
parle aussi de cycles respiratoires qui s’exprime en cycle par minute.
Une fréquence respiratoire normale chez l’adulte est d’environ 12 à 16 respirations par
minute, La fréquence respiratoire des personnes âgées est plus basse que chez les adultes.

1.2.1 Pneumonie et respiration rapide

Les pneumonies sont des infections respiratoires aiguës des poumons qui sont souvent
dues à des agents infectieux d’origine virale ou bactérienne. La pneumonie est la première

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

Figure 1.1 – Composition d’un signal PPG [1]

1.4 Capteurs d’un smartphone

La respiration entraîne des mouvements de la cage thoracique et de l’abdomen, qui

peuvent être détectés par les capteurs physiques des smartphones. Les signaux détectés par
les capteurs des téléphones peuvent bien refléter l’activité respiratoire après traitement.
Les smartphones sont utilisés partout, même dans les régions reculées [5]. Les capteurs
des téléphones mobiles, tels que les accéléromètres et les gyroscopes, sont suffisamment
performants pour surveiller les signes physiques causés par l’activité respiratoire. Le sys-
tème d’exploitation d’un smartphone, tel qu’android et iOS, peut lire et enregistrer les
données des capteurs du téléphone. Ces données peuvent être traitées pour identifier une
fréquence respiratoire rapide, dans la suite nous allons parler sur ces capteurs.

1.4.1 Accéléromètre

Un capteur accélérométrique est capable de mesurer l’accélération le long de trois

axes de coordonnées placés comme le montre la figure (1.2). L’accélération est mesurée
en mètres/seconde2 , Android inclut dans cette mesure l’accélération résultant de la force
de gravité.
1.4. Capteurs d’un smartphone 6

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.

Figure 1.3 – Fonctionnement d’un accéléromètre capacitif.

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

Le gyroscope mesure la vitesse angulaire de l’appareil, c’est-à-dire la vitesse de rotation

(en radians/seconde) autour de chacun des trois axes définis pour l’accéléromètre dans la
figure (1.2).
Pour déterminer la position ou l’orientation de l’appareil, le gyroscope peut détecter
la rotation, alors que l’accéléromètre ne le peut pas. Pour cette raison, le gyroscope est
très utile lorsqu’il s’agit de mesurer un mouvement de rotation. Avec cette vitesse, il est
possible de déduire l’orientation de l’appareil par rapport à un point arbitraire. En d’autres
termes, elle ne peut pas nous donner description absolue de son orientation par rapport à
un système.
Grâce à la miniaturisation, certaines puces MEMS (figure 1.4) combinent les trois accé-
léromètres et les trois gyroscopes (pour les mouvements de rotation) sur une même puce.
Ces différents capteurs apportent des informations très précises et complètes sur toutes les
vibrations et tous les déplacements subis par le smartphone.

Figure 1.4 – Accéléromètre gyroscope I2C 6 axes .

1.5. User datagram protocol 8

1.5 User datagram protocol

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).

Figure 1.5 – Structure d’un datagramme UDP.

L’en-tête d’un datagramme UDP (figure (1.6)) contient les quatre champs suivants :

Figure 1.6 – Structure de l’en-tête d’un datagramme UDP .

— Le Port Source : Indique depuis quel port le paquet a été envoyé.

— Port de Destination : Indique à quel port le paquet doit être envoyé
1.6. Conclusion 9

— Longueur : Indique la longueur totale (exprimée en octets) du segment UDP

— Somme de contrôle : Celle-ci permet de s’assurer de l’intégrité du paquet reçu
quand elle est différente de zéro.

On a choisis ce protocole car il permet de transmettre des données très rapidement

(par rapport aux protocol TCP par exemple), car la perte occasionnelle d’un paquet est
tolérable dans la mesure

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

Estimation du rythm respiratoire

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.

2.1 Modélisation mathématique du Rythme respira-

toire

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 :

S(t) = A(t) sin (2πF t) (2.1)

avec :

10
2.2. Méthodes pour l’estimation de la fréquence respiratoire 11

A(t) : l’amplitude du signal.

F : la fréquence respiratoire.

2.2 Méthodes pour l’estimation de la fréquence res-

piratoire

Il existe différentes méthodes pour l’estimation de la fréquence fondamental, qui corres-

pond dans notre cas à la fréquence respiratoire. Principalement on a utilisé les méthodes
suivantes :

Méthode de Zero-Crossing : Il est possible d’estimer la fréquence d’une sinusoïde

noyé dans un bruit par le comptage des passages à zéro de signal après un filtrage linéaire
et lissage

Méthode de la FFT : En prenant simplement la fréquence qui maximise le spectre

du signal dans l’intervalle admissible : entre 0.15 Hz et 1 Hz [6]

Méthode d’autocorrélation : Pour estimer la fréquence respiratoire, il faut d’abord

appliquer un lissage puis un filtrage. Dans le domaine temporel, la durée de la respiration
(période) est alors estimée comme étant le temps correspondant au premier pic de la
fonction d’autocorrélation, dont l’inverse correspond à la fréquence respiratoire.
Il faut noter que la durée d’observation doit être suffisamment longue pour pouvoir
apprécier la régularité de la fréquence, en pratique trois à cinq minutes [7].

2.3 Chaine de traitement du signal

Le schéma fonctionnel de la partie traitement du signal est présenté dans la figure (2.1)
2.3. Chaine de traitement du signal 12

Figure 2.1 – Chaine de traitement du signal respiratoire.

Par la suite nous décrirons les différentes étapes représentées par cette chaine.

2.3.1 Placement du capteur

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 .

Figure 2.2 – Mouvement du diaphragme pendant la respiration.

Cependant, cette technique permettre une surveillance continue dans différentes condi-
tions et postures.
2.3. Chaine de traitement du signal 13

2.3.2 Acquisition des donnés

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.

Figure 2.3 – L’application mobile HyperIMU.

2.3.3 Prétraitement

L’application d’acquisition de données recueille tout d’abord le signal brut et l’envoie

aux PC pour un prétraitement. Le prétraitement inclus Le conditionnement et le lissage
du signal (figure 2.4).
2.3. Chaine de traitement du signal 14

Les troix signaux avant lissage

4

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)

Figure 2.4 – Signal avant et aprés lissage.

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)

Figure 2.5 – Gabarit du filtre utilisé pour extraire le signal respiratoire.

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.

2.3.4 Fusion des axes par l’analyse de la composante principale

En raison de la nature du signal de l’accéléromètre et de gyroscope, la qualité du signal

respiratoire dépend non seulement de l’effort respiratoire mais aussi de la posture du corps
et de l’orientation du capteur, donc les trois signaux fournit par le capteur sont différentes,
mais ils contiennent des informations redondantes.
Dans le système de coordonnées du capteur, le mouvement induit par la respiration peut
être représentée par le vecteur gravité G se déplaçant autour d’une position nominale dans
un plan avec l’angle maximal ∆θ de part et d’autre de la position nominale. La projection
résultante du mouvement sur trois axes est déterminée par l’orientation du système de
coordonnées du capteur et l’orientation du plan de déplacement défini par OG’G” comme
lui montre la figure (2.6)

Figure 2.6 – Orientation du vecteur gravité défini dans le plans des coordonnées du
capteur.

La fusion d’axes peut être considérée comme un problème de réduction de dimension,

nous allons utilliser la méthode PCA pour reconstruire le mouvement induit par la respi-
ration sur la base des signaux tri-axiaux mesurés.
L’analyse de la composante principale est une méthode courante utilisée dans la réduc-
tion de dimension. Cette section fournit des explications sur ce que fait l’algorithm PCA
à chaque étape.
2.3. Chaine de traitement du signal 16

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.

Étape 2 : Calcul de la matrice de covariance :

Le but de cette étape est de voir s’il existe une relation entre les variables. Car parfois,
les variables sont fortement corrélées de telle sorte qu’elles contiennent des informations
redondantes. Ainsi, afin d’identifier ces corrélations, on calcule la matrice de covariance. La
matrice de covariance est une matrice symétrique N × N (où N est le nombre de signaux
d’entrée) qui a comme entrées les covariances associées à toutes les paires possibles des
vecteurs de données initiaux. Par exemple, pour un ensemble de données tridimensionnel
avec 3 variables x, y et z, la matrice de covariance est une matrice 3×3 définie par (2.3)
comme suite :

Cov(x, x) Cov(x, y) Cov(x, z)

 

 Cov(y, x) Cov(y, y) Cov(y, z)  (2.3)

 
 
Cov(z, x) Cov(z, y) Cov(z, z)

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).

Figure 2.7 – Percentage d’information contenue dans chaque composante principale.

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 4 : Matrice des caractéristiques

Dans cette étape, nous choisissons de conserver que P vecteurs propres (avec des valeurs
propres grandes) sur N, l’ensemble de données final est de dimension P. et nous formons
avec les composantes restantes une matrice de vecteurs que nous appelons matrice caracté-
ristique. Ainsi, la matrice caractéristique est simplement une matrice qui a pour colonnes
les vecteurs propres des composantes que nous décidons de conserver.

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

2.4 Résultats de l’estimation de la fréquence respira-

toire

2.4.1 Estimation sans fusion des axes

Nous allons essayer d’estimer la fréquence respiratoire à l’aide d’un accéléromètre et

d’un gyroscope afin de déterminer le capteur optimal à utiliser. À partir des trois valeurs
de chaque axe des deux capteurs, nous considérons que la fréquence respiratoire est la
fréquence fondamentale la plus proche de la valeur réelle (calculée comme étant le nombre
de respirations dans un temps de mesure de 30 secondes). Cette approche a été mise à
l’épreuve sur cinq individus.
Le smartphone (Motorola G5) a été placé sur la cage thoracique ou l’abdomen dans sa
position par défaut. Les résultats testés sont indiqué dans le tableau (2.1)

La fréquence réel La fréquence estimé

Position Type de capteur
en Hz en Hz
Cage thoracique Accéléromètre 0.33 0.33
Cage thoracique Gyroscope 0.32 0.3
Abdomen Accéléromètre 0.21 0.20
Abdomen Gyroscope 0.46 0.43

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

Signal sur l‘axe X

4

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)

Figure 2.8 – Données de l’accéléromètre mesurées à l’avant de l’abdomen après lissage.

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.

Signal sur l‘axe X

2
Amplitude

-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)

Figure 2.9 – Données de gyroscope mesurées à l’avant de l’abdomen après lissage.

2.4. Résultats de l’estimation de la fréquence respiratoire 21

2.4.2 Estimation avec fusion des axes en utilisant l’algorithme

PCA

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.

Spectre du rythme respiratoire

12

10

8
Amplitude

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Fréquence(Hz)

Figure 2.10 – Spectre du signal respiratoire.

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

l‘autocorrélation de La composante principale obtenue par l‘algorithme PCA

300

250

200

150

100

Amplitude
50

-50

-100

-150

-200
0 5 10 15 20 25 30
Temps (s)

Figure 2.11 – Fonction d’autocorrélation pour le rythme respiratoire estimé.

Troisièmement, elle est estimée par la methode Zero-croosing. On calcule le nombre

de fois le signal centré passera par zéro, et on devise ce nombre par deux fois la période
d’observation. La figure (2.12) montre le signal respiratoire dans la situation précédente.

La composante principale par obtenue par l‘algorithme PCA

3.5

2.5

1.5
Amplitude

0.5

-0.5

-1

-1.5
0 50 100 150 200 250 300
Temps (s)

Figure 2.12 – Rythme respiratoire estimé.

2.5. Evaluation des performances 23

2.5 Evaluation des performances

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.

Le tableau (2.2) présente l’EQM de l’estimation de la fréquence respiratoire pour chaque

méthode, nous avons considéré des signaux de durée de 30 secondes (ce qui correspond à
300 échantillons). L’EQM est calculée en se basant sur les résultats de cinq personnes dans
trois différentes situations : respiration profonde, respiration normale et respiration rapide.

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

Table 2.2 – Tableau de l’EQM des différentes méthodes d’estimation de la fréquence

respiratoire

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.

2.6 Résultats de l’estimation de la fréquence cardiaque

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).

Figure 2.13 – Gabarit du filtre utilisé pour extraire le signal cardique.

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.

2.7 Application développée sous MATLAB

Nous avons utilisé l’environnement de développement d’interfaces GUI (Graphical user

interfaces) sous MATLAB pour l’affichage des signaux obtenus et des résultats des différents
traitements. La figure (2.5) représente l’application développée.
2.8. Conclusion 25

Figure 2.14 – Application développée sous MATLAB GUI pour l’estimation du rythme
respiratoire et cardiaque.

2.8 Conclusion

Dans ce chapitre, nous avons présenté les résultats de l’estimation de la fréquence

respiratoire obtenus par différentes méthodes. Premièrement, nous avons comparé entre
deux capteurs pour choisir le plus fiable. Deuxièmement, Nous avons donné les résultats
de trois méthodes utilisées pour l’estimation de la fréquence respiratoire, on a trouvé que
la méthode basé sur la FFT est la plus performante. Troisièmement, nous avons présenté
les résultats de l’estimation de la fréquence cardiaque et on a constaté qu’on ne peut pas
utiliser les capteurs précédents pour une estimation judicieuse du rythme cardiaque. Enfin,
ce travail à jouer un rôle de référence dans un projet de fin d’étude pour la comparaison
des résultats de l’estimation de la fréquence de respiration à l’aide d’un RADAR à ondes
continues.
Chapitre 3

Estimation du rythme cardiaque

3.1 Introduction

Dans ce chapitre on va exploiter le signal de photoplethysmogram (PPG) pour estimer

la fréquence cardiaque. Nous commençons par la modélisation mathématique de rythme
cardiaque, puis nous parlerons de la chaine de traitement de signal photoplethysmogram
(PPG). Nous réalisons un ensemble d’expériences pour évaluer la performance des mé-
thodes utilisés. Ensuite, nous proposons une application Android qu’on a développé et qui
permet de mesurer le PPG et d’estimer la fréquence cardiaque en utilisant la caméra d’un
smartphone. Par la suite, nous utilisons un réseau de neurones artificiel pour estimer la
pression artériel. Enfin, on donne une conclusion sur ce chapitre.

3.2 Modèle mathématique du rythme cardiaque

Pour modéliser le fonctionnement du cœur humain, on suit le changement de son volume

au court du temps pour avoir accès à la fréquence des battements. Le modèle peut être
décrit par l’équation suivante :

V (t) = A(t) cos(2πF t) + D (3.1)

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.

3.3 Chaine de traitement du signal

Le schéma fonctionnel de la partie traitement du signal PPG est présenté dans la figure
(3.1)

Figure 3.1 – Chaine de traitement du signal photoplethysmogram (PPG).

Par la suite nous décrirons les différentes étapes représentées par cette chaine

3.3.1 Extraction du signal PPG

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.

3.3.2 Conversion et traitement

La conversion de la vidéo en ensemble d’images RGB s’effectue sur pc à travers le

logiciel MATLAB, avec une fréquence d’échantillonnage de 6 Hz. Sachant que la duré de
chaque vidéo est 10 secondes, on obtient 60 échantions pour construire le signal.
L’obtention du signal PPG à partir des images se fait par choix entre deux méthodes
3.3. Chaine de traitement du signal 28

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 :

1 Xh (r) (g) (b)

i
S(f ) = 0.299fi,j + 0.587fi,j + 0.114fi,j (3.2)
N i,j∈f

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.

3.3.3 Estimation de la fréquence cardiaque

Le rytme cardiaque est estimé en prenant simplement la fréquence qui maximise le

spectre du signal PPG. De plus, nous avons utilisé l’environnement de développement d’in-
terfaces GUI (Graphical user interfaces) sous MATLAB pour la visualisation des signaux
acquis et la comparaison des résultats des différents traitements.
La figure (3.2) représente l’application développée.
3.4. Evaluation des performances 29

Figure 3.2 – Application développée sous MATLAB GUI pour l’aquisition du signal PPG
et l’estimation de la fréquence cardiaque.

3.4 Evaluation des performances

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

Table 3.1 – Tableau de l’EQM de différentes méthodes pour l’estimation de la fréquence

cardiaque

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

3.5 Développement d’une application Android

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

Figure 3.3 – L’application Android ’MiniProjet’.

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 Estimation de la pression artérielle moyenne à

l’aide d’un réseau de neurone artificiel

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.

Paramètre statistique Minimum Maximum Moyenne Ecart Type

Valeur associé (mmHg) 62.88 147.63 89.50 13.08

Table 3.2 – Les statistiques de dataset utilisée

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.

3.6.2 Structure et mise en œuvre du réseau

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.

Figure 3.4 – Structure de réseaux de neuron artificiel.

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 :

f (x) = max(0, x) (3.3)

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

— Le nombre total de paramètres (poids) dans le modèle.

Figure 3.5 – Résumé du modèle.

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

méthode d’arrêt, qui permet de spécifier un nombre arbitraire d’époches et d’arrêter la

formation lorsque les performances du modèle cessent de s’améliorer. Le modèle à été
entraîné pendant 1000 époques, comme indiqué sur la figure (3.6). Après 1000 d’époches,
aucune amélioration est observée en termes d’erreur moyenne absolue.

Figure 3.6 – Évolution de la fonction de perte au cours d’apprentissage.

3.6.3 Résultats de l’apprentissage

L’objectif principal de ce travail est d’estimée la pression artérielle moyenne a partir

du signal PPG. La figure (3.7) ci-dessous, représente l’estimation de notre modèle sur les
données d’entraînement. On a obtenue une erreur moyenne absolue de 0.41.

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 ce chapitre, on a donné des approches pour l’estimation de la fréquence cardiaque

par différentes méthodes, ensuite on a présenté le modèle mathématique utilisé et la chaine
de traitement d’un signal PPG. Suivant le critère de performance choisis, on a trouvé que
la méthode LUMA donne des meilleurs résultats par rapport à la méthode de binarisation.
De plus, on a présenté notre implémentation sur une application Android d’un système
de mesure de la fréquence cardiaque. Enfin, on a donné les résultats de l’estimation de
pression artérielle moyenne à partir d’un signal PPG par un réseau de neurone artificiel.
Conclusion générale

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.