Classification des
arythmies cardiaques et
des maladies
respiratoires
IV.1 Introduction ………...…. 80 IV.2 Classification des arythmies cardiaques……… 81 IV.2.1 Arythmies à classifier……… 81 IV.2.1.1 Les contractions ventriculaires prématurées (PVC) ……….... 82 IV.2.1.2 Bloc de branche (BBB) ………..… 82 IV.2.2 Première méthode de classification proposée………... 83 IV.2.2.1 Elaboration de la méthode de classification proposée………... 84 IV.2.2.2 Résultats………. 87 IV.2.2.3 Discussions ………... 89 IV.2.3 Seconde méthode de classification proposée……….... 89 IV.2.3.1 Elaboration de la méthode de classification proposée……….… 89 IV.2.3.2 Résultats……….… 92 IV.2.3.3 Discussions……… 92 IV.2.4 Troisième méthode de classification proposée……….. 95 IV.2.4.1 Elaboration de la méthode de classification proposée ……….... 95 IV.2.4.2 Résultats……….… 97 IV.2.4.3 Comparaison……….. 100 IV.2.4.5 Discussion……….. 102 IV.3 Classification des maladies respiratoire……….… 103 IV.3.1 Maladies à classifier………... 103 IV.3.1.1 Patients atteints de COPD………. 103 IV.3.1.2 Patients atteints d'asthme……….... 103 IV.3.2 Elaboration de la méthode de classification proposée……….... 104 IV.3.3 Résultats et discussions………. 109 IV.4 Conclusion………... 110IV
IV.1 Introduction
La pratique clinique quotidienne génère de grande quantité de signaux biomédicaux lors de la surveillance des patients ou à des fins de diagnostic. Le médecin doit souvent se décider sur l’état d'un patient sur la base d'un certain nombre de données numériques mesurées lors de l'examen. L'orientation dans ce grand volume de données n'est pas toujours simple et sans ambiguïté. Par conséquent, les systèmes de traitement automatique sont fréquemment utilisés dans l'analyse de données médicales. De plus, il existe des systèmes de consultation qui aident et minimisent les erreurs humaines, ces nouvelles méthodes peuvent simplifier et accélérer le traitement de données.
L'électrocardiogramme est un outil essentiel avec lequel les médecins peuvent évaluer et diagnostiquer l'état cardiaque d'un patient. Les techniques de traitement des signaux cardiaques sont utilisées pour extraire des informations utiles pour les fournir aux professionnels pour déterminer l'état cardiovasculaire des patients. Premièrement, on propose d’élaborer des techniques de classification et de discrimination des arythmies et des anomalies cardiaques en se basant sur les paramètres du modèle fractionnaire obtenu pour la modélisation des signaux cardiaques comme paramètres pertinents. Une attention particulière va être portée à la classification des battements normaux et ectopiques prématurés (PVC) ainsi que les blocs de branche droit et gauche (RBBB-LBBB). Dans cette partie, des nouvelles méthodes de classification des battements normaux et anormaux simples vont être proposées. Des séries de tests et de comparaisons vont être effectuées pour valider et évaluer l'efficacité des algorithmes de classification proposés à l'aide de la base de données MIT-BIH.
L'évaluation de la fonction pulmonaire est essentielle dans le diagnostic et la prise en charge des maladies respiratoires telles que l'asthme et le COPD. L’impédance respiratoire qui est une mesure non invasive de la fonction pulmonaire mesurée en utilisant l’appareil FOT est un outil essentiel avec lequel les médecins peuvent évaluer et diagnostiquer l'état respiratoire d'un patient. Dans cette partie, les techniques d’analyse et de traitement de l’impédance respiratoire sont utilisées pour obtenir des informations utiles nécessaires aux professionnels pour déterminer l'état respiratoire des patients. Donc, l'objectif de cette partie de ce chapitre est aussi de proposer des techniques de classification des maladies respiratoires en utilisant des paramètres pertinents obtenus du modèle fractionnaire de l’impédance respiratoire. Une attention particulière va être portée à la classification des patients asthmatiques ainsi que des patients atteints de COPD.
IV.2 Classification des arythmies cardiaques
Les maladies cardio-vasculaires sont actuellement la plus grande cause de décès dans le monde. Pour abaisser ce taux de décès, le développement de meilleures méthodologies pour améliorer la qualité du diagnostic des arythmies cardiaques devient alors un sujet de recherche très important.
Au cours des dernières décennies, de nombreux algorithmes de classification des arythmies cardiaques ont été proposés pour développer un support médical efficace, fiable et robuste pour la surveillance clinique et les soins aux patients [26-28,86-89]. Plusieurs algorithmes ont été développés pour classifier uniquement les battements PVC où les approches proposées diffèrent en termes d'extraction de paramètres pertinents et de mécanismes de classification. Les caractéristiques morphologiques du signal ECG utilisés comme paramètres pertinents combinés avec les mécanismes de classification tels que les réseaux neuronaux, la règle du voisin le plus proche, l'analyse discriminante, la logique floue ou les classificateurs de machines à vecteur de support ont été utilisées dans [18,90-91]. Dans d'autres travaux [92-93], la transformée en ondelettes de signaux ECG a été utilisée pour l'extraction de paramètres pertinents et les réseaux de neurones et des classificateurs heuristiques ont été utilisés comme de classification. Dans [34,94], les paramètres pertinents ont été extraits du domaine fréquentiel du signal ECG en utilisant les réseaux de neuronaux comme classificateurs. Une approche bayésienne basée sur des classificateurs gaussiens utilisant comme paramètres pertinents les caractéristiques des transformations morphologiques, de la transformée en d'ondelettes discrète, de la transformation S et des statistiques d’ordre supérieures ont été présentées dans [23,95]. Des chercheurs ont également développé des algorithmes de détection de PVC en utilisant une technique d'ajustement des modèles des QRS par extraction d'un ensemble de descripteurs ECG, tels que la corrélation et les coefficients de corrélation croisées, les caractéristiques morphologiques fréquentiels et temporels, les systèmes à moyenne glissante et les machines à vecteurs de support non compensées [22,96]. Dans cette partie, nous allons présenter la discrimination des arythmies cardiaques en se basant sur un modèle fractionnaire d’ordre commensurable du contenu fréquentiel du complexe QRS du signal ECG en utilisant des classificateurs proposés et de la littérature. Trois méthodes ont été proposées pour différents paramètres pertinents et différents classificateurs.
IV.2.1 Arythmies à classifier
Dans cette thèse, deux types d’arythmies à classifier ont été considérées. La contraction ventriculaire prématurée (PVC) qui est considérée dans la littérature comme un précurseur de la mort cardiaque soudaine et le bloc de branche qui est une condition dans laquelle l’impulsion électrique arrivant aux ventricules est retardée ou complètement bloquée. Tous les autres battements ont été considérés comme des battements normaux [45].
IV.2.1.1 Les contractions ventriculaires prématurées (PVC)
Les contractions ventriculaires prématurées sont des battements anormaux qui commencent dans une des ventricules liée à l'hyperexcitabilité d'un foyer ectopique. Les battements PVC sont considérés comme des précurseurs de la mort soudaine ; Pendant de nombreuses années leur simple présence a été prise comme indication de la prescription d'agents anti-arythmiques et ce concept d'arythmies prémonitoires (PVC) a aussi été étendu, malgré le manque de preuves, à d'autres maladies cardiaques. Le battement PVC est facilement distingué du battement normal, car son complexe QRS est plus large et plus grand que celui du battement normal comme le montre la figure (IV.1) [45].
IV.2.1.2 Bloc de branche (BBB)
Les blocs de branches sont aussi des battements anormaux qui sont dus à une condition dans laquelle il y’a un retard ou une obstruction le long des voies de propagation des impulsions électriques du nœud auriculo-ventriculaire aux faisceaux de conduction électrique des branches droites ou gauches des ventricules. Cette condition de bloc de branche rend parfois plus difficile un pompage efficace du sang dans le système circulatoire. Le battement BBB peut également être facilement distingué du battement normal et du battement PVC en raison de son QRS complexe de forme bizarre et de durée anormalement longue comme le montre la figure (IV.2) [45].
Figure (IV.2) : Battements de type BBB
IV.2.2 Première méthode de classification proposée
Cette méthode de classification consiste à classifier les battements dans deux catégories : la catégorie PVC qui comprend uniquement les battements PVC et la catégorie normale qui comprend tous les autres types de battements (non PVC). Les paramètres pertinents utilisés dans le processus de classification sont les paramètres des modèles fractionnaires d’ordre commensurable du contenu fréquentiel de chaque QRS complexe du signal ECG de l’équation (III.39) du chapitre III. Dans cette méthode un seul paramètre est utilisé pour la caractérisation de chaque battement et qui est utilisé dans la discrimination des deux catégories PVC et normale. La méthode de classification utilisée est une technique de
discrimination heuristique de complexité faible proposée dans ce travail [97]. Les performances et l'efficacité de cette méthode de classification sont évaluées et validées en utilisant des signaux ECG normaux et PVC de différents enregistrements de la base de données MIT-BIH [81].
IV.2.2.1 Elaboration de la méthode de classification proposée
La méthode de classification proposée commence par le choix d’un nombre de battements normaux annotés et d’un nombre de battements PVC annotés. Puis, le contenu fréquentiel du QRS complexe de chacun de ces battements choisies est modélisé par un modèle fractionnaire d’ordre commensurable de l’équation (III.39) comme suit :
6 1 i i 68 . 0 i 4 0 j j 68 . 0 j s a 1 s b G(s) (IV.1)Ensuite, le coefficient b0 de chaque modèle fractionnaire de ces battements normaux et PVC annotés est extrait et est considéré comme paramètre pertinent. La moyenne b0N et l’écart type
N du paramètre b0 pour l'ensemble des battements normaux annotés et la moyenne b0V et l’écart type V du paramètre b0 pour l'ensemble des battements PVC annotés sont calculés par les expressions:
M 1 i 2 0N N 0 N M 1 i 0Ni 0N b b M 1 σ and b M 1 b (IV.2)
M 1 i 2 0V V 0 V M 1 i 0vi 0V b b M 1 σ and b M 1 b (IV.3)où M représente le nombre de battements normaux annotés et le nombre de battements PVC annotés. Enfin, on construit l'intervalle IN du paramètre b0 des battements normaux annotés et l'intervalle IV du paramètre b0 des battements PVC annotés comme suit:
0N N 0N N
N b 3σ , b 3σ
I et IV
b0V 3σV
, b0V 3σV
(IV.4) Dans ce cas, on peut garantir pour la classification qu’environ 99,7% du paramètre pertinent b0 pour les ensembles des battements normaux et PVC se situent dans les intervalles IN et IV. Le processus de discrimination des deux catégories de battements normaux et PVC est réalisé en vérifiant l’appartenance de la valeur du paramètre b0 extrait d’un battement sous test aux deux intervalles IN et IV. Si la valeur du paramètre b0 appartient à l’intervalle IN, le battementest classifié comme battement normal ; si la valeur du paramètre pertinent b0 appartient à l’intervalle IV, le battement est classifié comme PVC [97]. L'organigramme de la méthode de classification proposée est illustré dans la figure (IV.3).
Figure (IV.3) : Organigramme de la méthode de classification proposée Début
Prétraitement du Signal ECG
Vérification de l’appartenance de b0
aux intervalles IN et IV
Modélisation fractionnaire du contenu fréquentiel du complexe QRS Extraction du paramètre b0