Analyse et Interprétation du Signal ECG
No Thumbnail Available
Date
2018
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Le signal électrocardiogramme (ECG) est un signal non stationnaire. Il traduit l’activité
électrique du cœur et reflète l’état de santé du système cardiovasculaire. Ainsi, Il contient
aussi des informations qui permettent la distinction des pathologies cardiovasculaires. Le taux
élevé de mortalité dans le monde dû aux problèmes liés au dysfonctionnement du cœur a
poussé les chercheurs à développer des techniques d'analyse et d'interprétation du signal
cardiaque ECG pour permettre un bon diagnostic afin de détecter automatiquement les
anomalies.
Après avoir éliminé le bruit, la procédure de détection nous permettra de détecter les
différentes ondes (P, QRS, T). L’extraction des paramètres pertinents et la classification ainsi
que la discrimination des arythmies et des anomalies cardiaques nous serviront à faire un bon
diagnostic sur la pathologie.
Pour le traitement du signal ECG, nous avons étudié l’application des filtres de Kalman non
linéaires récents tels que l'EKF, l’UKF et l'SRUKF avec les réseaux de neurones multicouches
(MLP). Le but est de sélectionner le filtre le plus efficace au débruitage des signaux ECG
synthétiques et réels bruités par différents types de bruits. Les bases de données d’arythmie et
de tests du bruit de stress MIT/BIH ont été utilisées pour vérifier l’efficacité de la méthode
proposée pour le traitement du signal ECG. Le filtre de l'SRUKF-MLP obtenu a donné des
résultats satisfaisants en comparaison avec le meilleur filtre existant.
Dans la deuxième partie du travail réalisé, nous proposons une méthode pour la
reconnaissance automatique des battements cardiaques en utilisant l'EKF-MLP. Un
algorithme dédié à la détection du complexe QRS est d’abord implémenté, suivi du
développement d’un classificateur à base d'EKF-MLP.
Les résultats expérimentaux obtenus en testant l'approche proposée sur les enregistrements
ECG de la base de données MIT-BIH démontrent l'efficacité d'une telle approche avec un
taux global de classification égale à 98.7%.