CHAPITRE III : Traitement du signal ECG par les ondelettes
III.5. Analyse des Résultats Obtenus
Pour l’évaluation des résultats, les complexes QRS détectés sont comparés aux annotations associées à chaque battement de la base de données MIT.
Les performances de l'algorithme de détection sont évaluées en terme de :
TP (True Positive) : nombre de QRS correctement détectés.
FP (False Positive) : nombre de QRS faussement détectés.
FN (False Négative) : nombre de QRS non-détectés.
Pour mieux apprécier de la qualité de l’algorithme, nous avons calculé deux paramètres habituellement utilisées pour l’évaluation de la détection, que sont la prédictibilité positive (P+, %) et le taux d’erreur (TE, %) :
La prédictibilité positive (Positive Predictivity), P+, ou la spécificité est donnée par
P+ (%) =
×100 (III.1)
Le taux d’erreur est donné par :
TE(%) =
(III.2)
Avec Nbt : Nombre total des battements cardiaques.
Les résultats de l’application de l’algorithme développé sur les différents signaux issus de la base de données universelle (MIT) sont résumés dans le tableau III.1.
L'algorithme proposé a donné, au total, 49 FP et 103 FN ayant pour résultat un taux global de détection de 99,43% avec une erreur de 0,78%.
Noter que les différents taux de détection des enregistrements changent de 97% à 100% selon la qualité et la nature du signal ECG correspondant.
En outre, le résultat de la détection du complexe QRS appliqué sur le signal ECG de l’enregistrement ‘108m’ est illustré dans la figure III.14. Ceci montre l’échec de détecter deux complexes QRS, en raison de leurs très faibles amplitudes ainsi que leur présence dans une déflexion brusque de la ligne de base (due à un artefact de mouvement). Ils sont considérés comme faux négatifs (FN).
Chapitre III: Traitement du signal ECG par les ondelettes
51
Figure III.14. Détection des QRS sur le signal du patient ‘108m’.
Les figures III.15, III.16 montrent le succès de la détection du complexe QRS dans des
situations diverses et sur différents patients.
Figure.III.15. Détection des QRS sur le signal du patient ‘103m’.
0 500 1000 1500 2000 2500 3000 -4 -3 -2 -1 0 1 2 3 temps si gn al
Reconnaissance d'un complexe QRS
0 500 1000 1500 2000 2500 3000 -1 -0.5 0 0.5 1 1.5 2 temps s ig n a l
Chapitre III: Traitement du signal ECG par les ondelettes
52
Figure.III.16. Détection des QRS sur le signal du patient ‘105m’.
Tableau .III.1. Résultats d’évaluation de l’algorithme de détection de l’onde R du complexe
QRS. Enregistrement Nombre de bat Bat détecté (TP) Bat. non détecté (FN) Faux positif (FP) +P(%) Erreur(%) 100 2273 2273 0 0 100 0,00 101 1873 1870 3 1 99,84 0,21 102 2191 2187 4 0 99,82 0,18 103 2090 2085 5 0 99,76 0,24 104 2310 2302 8 5 99,65 0,56 105 2690 2664 26 16 99,03 1,56 106 2097 2086 11 23 99,48 1,62 107 2139 2134 5 0 99,77 0,23 108 1831 1786 41 4 97,54 2,46 Total 19494 19387 103 49 99,43 0,78 0 500 1000 1500 2000 2500 3000 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 temps s ig n a l
Chapitre III: Traitement du signal ECG par les ondelettes
53
Afin de situer notre algorithme de détection du complexe QRS par rapport aux autres travaux dans la littérature, les performances de la qualité de détection sont comparées avec plusieurs algorithmes testés et validés sur la base MIT.
Ces algorithmes sont très variés et chacun d’entre eux se base sur une technique appropriée. Cette comparaison est résumée sur le tableau III.2 ci-dessous.
Tableau III.2.Comparaison des performances des algorithmes de détection de l’onde R
du complexe QRS citées dans le littérateur. Algorithme de détection Nombre de bat. total TP Total Bat.non détecté FN Faux positif FP +p% Erreur (%) Notre algorithme 19494 19378 103 49 99,43 0,78 Benmalek.M (FDD) [25] 19164 19137 27 57 99,70 0,43 ABDELLICHE .F (col1 et col2) [3] 19137 19085 53 79 99,58 0,71 ABDELLICHE .F (gaus1 et gaus2) [3] 19137 19059 78 85 99,53 0,89
Nous remarquons à partir des résultats présentés dans le tableau III.2 que notre algorithme cité a une bonne capacité de détection des complexes QRS, avec une spécificité qui dépasse les 99%.
Même si le taux de détection de l’algorithme que nous avons développé et implémenté n'est pas le meilleur, la méthode proposée donne un résultat satisfaisant et compétitif avec une spécificité de (99,43%) et peut être considérée comme un outil performant pour la détection des complexes QRS dans le signal ECG.
III.6.Conclusion
Dans ce chapitre, nous avons présenté le prétraitement du signal ECG suivi de la détection des complexe QRS qui nous permet de segmenter les battements. L’algorithme de détection proposé est testé en utilisant les 9 enregistrements de la base de données MIT. Cet
Chapitre III: Traitement du signal ECG par les ondelettes
54
algorithme permet la détection de l’onde R des battements normaux et d’une grande variété de battement pathologiques malgré qu’ils soient parfois noyés dans différents types de bruits.
Conclusion générale
55
Dans ce travail de mémoire, nous avons abordé le problème de la détection de l’onde R du complexe QRS du signal ECG à travers le développement et l’implémentation d'une méthode basé sur la transformé en ondelette discrète dans le but d'améliorer les performances de détection vis-à-vis des algorithmes existants dans la littérature.
Premièrement, quelque notions de base sur l'électrophysiologie cardiaque ayant trait à notre travail, tels que Fonctionnement mécanique et électrique du cœur, le système de conduction cardiaque, l'électrocardiogramme, les intervalles temporels, les différentes ondes de l'ECG.
Nous avons, ensuite, introduit la théorie des ondelettes. Les définitions et les propriétés de ces dernières ont été largement développées en s'appuyant sur des exemples de familles d'ondelettes les plus connues dans la littérature. En tenant comptes de ces définitions et propriétés, nous avons présenté notre famille d'ondelettes basées sur la distribution de daubechier .La caractérisation des battements cardiaques par des paramètres pertinents constitue une étape primordiale afin d’avoir une meilleure classification. L’évaluation de l’algorithme implémenté a permis d’apprécier la bonne aptitude de détection des complexes QRS des battements normaux ainsi que plusieurs types de battements pathologiques malgré que dans la plupart des cas le signal ECG sont affecté par différents types de bruits.
Enfin, dans l'étape la plus important de notre travail, la méthode on a proposé passe par deux étapes, la première pour but éliminer les artefacts et la deuxième consiste à détecter le complexe QRS. Nous avons présenté la phase de prétraitement du signal ECG ainsi que l’algorithme de détection des complexes QRS basé sur la décomposition en ondelette discrète. L’algorithme a été testé sur la base de données universelle MIT.
les résultats obtenus ont montré que la méthode proposée peut être considérée comme un outil efficace pour la détection de complexe QRS d’un signal ECG avec une précision de (99,43%).Avec une erreur de 0 ,78% .Ces résultats sont très acceptable et très comparable avec ceux de littérature en ce qui concerne la rapidité d’exécution et la précision de détection.
Références bibliographiques
[1] BENSAFIA. K, ‘’Transmission sans fil par voie GSM et traitement du signal
électrocardiographie (ECG)’’, mémoire de magister, Université Mouloud Memmeri, Tizi- Ouzou.
[2] Emmanuelle. G,’’contribution à l’appréhension du système cardiovasculaire Modélisation
et Traitement de signaux issus de la Macro-circulation et de la Microcirculation Sanguines’’, Thèse de Doctorat, UNIVERSITE Angers ,25 novembre 2013.
[3] ABDELLICHE. F, ‘’Contribution au diagnostic des signaux électrocardiographiques en
utilisant les concepts des fractales’’, thèse doctorat en sciences, Université Mentouri de Constantine ,2011.
[4] ABID. T, ‘analyse du signal ECG par les ondelettes’’, Mémoire MAGISTER, Université
Badji Mokhtar Annaba, 2008.
[5] HODNI. A,’’ Analyse du signal ECG par réseaux de neurones récurrents ’’, Mémoire de
Magister, Université Mentouri, Constantine, 08 /12/2009.
[6]TALBI. M. l, ’’Analyse et traitement du signal electrocardiographique (ECG), thèse de
Doctorat en sciences, Université Mentouri, Constantine, 2011.
[7] K. A. Booth, P. Deitos & T. O'Brien, "Electrocardiography For Health Care Personnel",
2nd edition McGraw-Hill, 2008.
[8] A. Kerfourn,’’ Modélisation du système cardio-respiratoire : remodelage cardiaque et
interactions patient-ventilateur’’, thèse de Doctorat, Université de Rouen, 23 novembre 2015.
[9] R. E. Klabunde, "Cardiovascular physiology concepts", 2nd edition.Lippincott Williams &
Wilkins, 2011.
[10] S. Malcolm, M.D Thaler, "The Only EKG Book You'll ever need", Wolters Kluwer,
2015.
[11] BOUHACINA. O, ‘‘simulation & Modélisation de l’activité électromécanique
cardiaque’’, Mémoire de magister, Université d’Oran, 04 Mai 2010.
[12] WONG. S, ‘segmentation de l’intervalle RT et description par l’analyse factorielle de la
variabilité de fréquence cardiaque et de la repolarisation ventriculaire, Thèse de Doctorat, Université de Rennes1 ,14 JUIN 2004.
Références bibliographiques
[13] Zidelmal. Z, épouse A ‘’Reconnaissance d’arythmie cardiaques par Support Vector
Machines (SVMs), ‘’Thèse de Doctorat, Université Mouloud Memmeri Tizi-Ouzou’’ ,10 juin 2012.
[14] BENDIF ALLAH. A, ‘’Contribution a l’élaboration la mise en œuvre d’algorithmes pour
la compression des signaux unidimensionnels, Thèse Doctorat, Université de batna2 ,5 janvier 2017.
[15] AMZIL. D,’’Méthode hybride pour la restauration des signaux : ECG, EMG’’, Mémoire
Master, Université Mohamed Khider Biskra, juin 2012.
[16]CABASSON. A, ‘‘Estimation et analyse des intervalles cardiaques ‘’, Thèse de doctorat,
Université de Nice-Sophia Antipolis, 4 Décembre 2008.
[17]TRIQUI. B, ‘‘Classification des arythmies cardiaques par les chaines de Markov
cachée’’, Mémoire Magister, Université des sciences et de la technologie Mohamed Boudiaf, novembre 2010.
[18] M.HADJ SLIMANE. Z, ‘’Analyse et synthèse de méthodes de détection du complexe
QRS du signal électrocardiogramme’’, Thèse de doctorat, Université Abou-Bekr Belkaid- Tlemcen, février 2006.
[19] PORTET. F., ‘’Pilotage d’algorithmes pour la reconnaissance en ligne d’arythmies
cardiaques’’, Thèse de Doctorat, Université de Rennes1 ,6 décembre 2005.
[20] RERBAL. S (ép.) Ziani C, ‘’Traitement numérique du signal physiologique en
télémédecine’’, Thèse de doctorat, Université Abou-Bekr Belkaid-Tlemcen, 2014.
[21] Belghobsi .Abdelaziz,’’ Réseaux de neurones appliqués à la modélisation et à la
compression du signal ECG’’, Mémoire de magister, Université Mentouri-Constantine.
[22] BENALI. R,’’Analyse du signal ECG par réseaux adaptif d’ondelettes en vue de la
pathologies cardiaques’’, thèse de doctorat, Université Abou Bekr Belkaid Tlemcen, Avril 2013.
[23] Encyclopédie des Sciences Industrielles Quillet. (1983). Electricité Electronique
Application, 735-750.
Références bibliographiques
[25] Benmalek. M,’’Contribution a l’analyse de l’électrocardiogramme (ECG) en utilisant les
concepts des opérateurs d’ordre fractionnaires ‘’, Thèse doctorat, Université Mentouri de Constantine ,21/11/2011.
[26] Samer. CH, ‘’Biométrie par signaux physiologiques’’, Thèse de Doctorat, Université
Paris est Creteil (UPEC), 02/05/2011.
[27]BELMAHDI. F, ‘Application du filtre de Kalman pour le dé bruitage des signaux’’,
Mémoire de magister, Université Mouloud Memmeri, Tizi Ouzou, 14/12/2015.
[28] ARK Medical center, cardiovascular & arrhythmia center, "Holter monitor", [online]
http://www.arkmedicalcenter.com/procedures/holter-moniter/.
[29] S.A. Jones, M.S Ed, MHA, EMT-P, ECG Notes Interpretation And Management Guide ,
F. A. Davis Company, Philadelphia, USA, 2005.
[30] J.Mackay, G. Mensah, The Atlas of Heart Diseas and Strock, Organisation Mondiale de
la Santé, 2004.
[31] MALTI. A et LANTRI. H, ‘Transfert du signal ECG sur mobile pour la télésurveillance
médicale’’, MEMOIRE MAGISTER, Université Abou Bakr Bekaid de Tlemcen, 23juin2013.
[32] V. C. Chen et H. Ling, Time-Frequency Transforms for Radar Imaging and Signal
Analysis. Artech House, Inc., 2002.
[33 TALBI.M, ‘’Electrocardiogram de noising based on forward wavelet transform
translation invariant application in bionic wavelet domain’’, sādhanā vol.39, part 4, pp.921- 937. ©Indian Academy of sciences, August 2014.
[34] MAHGOUN. H, ‘’Analyse non stationnaire des signaux vibratoires dans la surveillance
des machines et la prévention des défaillances’’, 157p, thèse de Doctorat Université Ferhat Abbas Seti1, 13/06/2013.
[35] MEZIANI .F, ‘’analyse du degré de sévérité pathologique des signaux phono
cardiogrammes par l’application des transformées d’ondelettes ‘’, Thèse de Doctorat, Université Abou Bekr Belkaid Tlemcen, juin 2013.
[36] Quan .phan , Desing of vibration inspired bi-orthogonal wavelets for signal analysis,
thesis submitted in Partial fulfillment of the requirements for the Degree Rice, Master of science, April 2012.
Références bibliographiques
[37] MUSTIG.G Traitement du Signal. (Page consulter le 27/01/2008). Bibliothèque
Ondelettes pour Mustig version 1.0, [En ligne]. Adresse URL:http://www.lis.inpg.fr/mustig/doc_html/ondlet/ondlet.htm.
[38] COHEN. A, ‘’Détection et diagnostic des fautes dans des systèmes complexes par
approches multi-échelle’’, 164p, thèse de Doctorat Université d’Angers, 02 décembre 2015.
[39] BAILEK N, ‘’ Résolution de l’équation de Schrödinger sur une base d’ondelettes – Cas
des systèmes unidimensionnels’’, Magistère en Physique Université Abou-bekr Belkaid de Tlemcen, Juin 2012.
[40] TOUAFEK. I, ‘’ Extraction d’indicateurs robustes pour le diagnostic des défauts
mécaniques : Comparaison de L’EMD et des ondelettes(WT)’’, Diplôme de Magister Uunversité Ferhat Abbas-Setif UFAS (Algerie).
[41] Mallat, S. juillet 2000. Une exploration des signaux en ondelettes. Les éditions de l’Ecole Polytechnique, Paris.
[42] Truchetet, F. 1998. Ondelettes pour le signal numérique. Collection traitement du signal, édition HERMES, Paris.
[43] Marque, C., Dûchene, J., Leclercq, S., Panczer, G., Chaumont, J. 1986.Utérine EHG processing for obstétrical monitoring. IEEE Trans. BME. , 33 : 1182-1187.
[44] Diab, M.O., Marque, C., Khalil, M. 2004. Uterine electromyography signals: classification and interpretation. Proceedings of the 2ndCairo International Biomedical Engineering Conference (CIBEC, IEEE EMBS), Cairo, Egypt, December 27-28, pp. 1-4. [45] Diab, M.O., Marque, C., Khalil, M.2005. Unsupervised classification in uterine electromyography signal: toward the detection of preterm birth. Proceedings of the 27th Annual International Conference of the IEEE EMBS, Shanghai, China, September 1 -4, pp. 2232-2235.
[46] Li, C., Zheng, C., Tai, C. 1995. Detection of ECG characteristic points using wavelet transforms. IEEE transaction, BME. , 42(1): 21- 29.
[47] M.O.Diab¹΄², C.Marque¹, M.Khalil²,’’Une approche de classification des contractions
utérines basée sur la théorie des ondelettes et la statistique’’ Lebanese science Journal, vol 7, No.1, 2006.
Références bibliographiques
[48] M. Rekha, B. Rajapriya, M. Saranya, K. Shruthilaya and S. Ravindrakumar*, ‘’ ECG De-
noising and Delineation Using Wavelet Transform and Slope Thresholding’’, International Journal of Research in Electronics & Communication Technology Volume 1, Issue 1, July- September, 2013, pp. 17-21, © IASTER 2013www.iaster.com, ISSN Online: 2347-6109, Print: 2348-0017.
[49] Jean-Philippe .C, ‘’ Analyse quantitative des composantes tempe-échelle de l’ECG a
haute-résolution moyenne pour l’évaluation du risque de tachycardies ventriculaires et de la mort subite après un infarctus du myocarde’’, thèse de doctorat, 9 Janvier1997.
[50] MIT Arrhythmia Database Directory, Harvard University-Massachusetts Institute of
Technology Division of Health Sciences and Technology, July 1992.
[51] N. Belgacem, ‘‘Détection et classification des arythmies cardiaques par application des
réseaux de neurones’’, Thèse de Magister en Electronique- Option Signaux et Systèmes, soutenue en juin 2002 au Département d’Electronique, Faculté des sciences de l’Ingénieur- université de Tlemcen.
[52] LAID. Z, DARAOUI .A, ‘’ Filtrage adaptatif du signal électrocardiogramme (ECG)’’, MASTER en GENIE BIOMEDICAL, Université Abou Bakr Belkaïd de Tlemcen, 02 octobre 2014.
[53] J. A. Van Alsté, ‘‘Removal of base-line wander and power-line interference from the
ECG by an efficient FIR with reduced nimber of taps’’, IEEE Transactions on Biomedical Engineering, Vol. 32, No. 12, pp.1052-1060, December 1985.
[54] T. D’Alessio, ‘‘Analysis of Digital EMG Signal Processor in Dynamic Conditions’’,
IEEE Transactions on Biomedical Engineering, Vol.32, No. 1, pp. 78 -82, January 1985.
[55] A.BOUSSAAD,’’Compression et debruitage par ondelettes’’, Mémoire Magister,
Université Mohamed Khider- Biskra, 2009.
[56] D.Donoho , De-noising by sof-thresholding IEEE Transactions on Information Theory,
pp. 613 – 627, 41, 1995.
[57] S. Pal, M. Mitra. Detection of ECG characteristic points using Multiresolution Wavelet
Analysis based Selective Coefficient Method. Journal of Measurement 43 (2010) 255–261. [58] TAOULI .S, ‘’ Analyse de la variabilité de l’intervalle QT et de sa Corrélation avec le Rythme cardiaque du signal Electrocardiogramme ECG’’,Thèse de doctorat, Université Abou-Bekr Belkaid- Tlemcen, décembre 2012.
Références bibliographiques
Abstract
The electrocardiogram (ECG) is the signal that represents the variations of the electrical activity of the heart as function of time. The QRS complex is the most covetous wave in the ECG analysis. QRS detection is of vital importance in the ECG automatic processing and in the diagnosis of the cardiac pathological cases. The QRS detection difficulties lie, essentially, in the physiological and morphological variability of the ECG signal along with the noise contamination from various sources.
Numerous detection algorithms exist in the literature. The work realized in this thesis presents an ECG signal processing and QRS complex detection algorithm based on the discrete wavelet transform and the wavelet decomposition. We have chosen the wavelet of Daubechies db4, because its shape is similar to that of the QRS complex.
The experimental results obtained by testing the proposed approach on ECG data from the MIT arrhythmia database demonstrate the efficiency of such an approach when compared with other methods existing in the literature.
Keywords: Electrocardiogram (ECG), detection, QRS complex, signal processing,
decomposition, discrete wavelet transform
Résume
L'électrocardiogramme (ECG) est un signal qui représente les variations de l'activité électrique du cœur en fonction du temps. Le complexe QRS est l'onde la plus convoitée dans l'analyse de l'ECG. La détection du complexe QRS est d’une importance capitale dans les systèmes de traitement automatique de l’ECG et dans le diagnostic des cas pathologiques cardiaques. Les difficultés de la détection de complexes QRS résident, essentiellement, dans la grande variabilité de la forme du signal et la présence de bruits d’origines diverses. De nombreux algorithmes de détection existent dans la littérature.
Le travail réalisé dans ce mémoire présente un algorithme de traitement du signal ECG et de détection du complexe QRS que nous avons développé en se basant sur la transformée en ondelettes discrète et la décomposition en ondelettes. Nous avons choisi l’ondelette de Daubechies ‘db4’, car sa forme est proche de celui du complexe QRS.
Les résultats expérimentaux obtenus en testant l'approche proposée sur les enregistrements ECG de la base de données MIT démontrent l'efficacité d'une telle approche par rapport à d’autres méthodes existantes dans la littérature.
Mots clés : Electrocardiogramme (ECG), détection, complexe QRS, traitement de signal,
décomposition, transformée d’ondelettes discrètes.
صخلملا بلقلل يئابرهكلا ططخملا ( GC E ) نمزلا ةللادب بلقلل يئابرهكلا تاريغت لثمت ةراشا وه . بكرملا SRQ . يف ابلط رثكلاا هجوملا وه ةراشا ليلحت EGC بكرملا نع فشكلا يستكي SRQ يللاا ليلحتلا ةمظنا يف ىوصق ةيمها ةراشلإ EGC صيخشت يفو ةيبلقلا ةيضرملا تلااحلا . بكرملا اذه نع فشكلا ةبوعص نا SRQ دوجو ىلع ةدايز ةراشلاا لكش يف ريبكلا ريغتلاو ةفلتخم لاكشا دوجو يف نمكت تاشيوشت ةدع نايحلاا بلغا يف بكرملا نع فشكلا اهفده تايمزراوخلا نم ديدعلا بجوي ةديدع رداصم تاذ SRQ . ا طيطخت ةراشا ليلحتل ةيمزراوخ ةحورطلاا هذه انل مدقت بلقل EGC بكرملا نع فشكلاو SRQ لامعتساب تاجوملا ريغ للحت و طبارتملا تاجوملا . ةجوملا رايتخاب انمق دقل 4 BD ةجوملا هبشي ماعلا اهلكش نلا SRQ . تاراشا ىلع حرتقملا جهنلا رابتخا اهقيرط نع اهيلع لوصحلا مت يتلا ةيبيرجتلا جئاتنلا ( ت ك م ) ةدعاق نم تانايبلا تتبثا ك تلااجم يف ةدروتسملاو ىرخلاا فارطلاا نم ةنراقملاب جهنلا اذه ةءاف ةيملع ةروهشم . حيتافملا تاملك بلقلل يئابرهكلا ططخملا ( EGC ) , فشكلا , بكرملا SRQ , تاجوملا ةجلاعم , ةلصفنملا تاجوملا ليوحت ,