Méthodes non basées sur des modèles mathématiques

En 1991 Thakor et al. [36] ont proposé une structure de plusieurs filtres adaptatifs pour le filtrage du signal électrocardiogramme. Cette structure minimise essentiellement l’erreur quadratique moyenne entre une entrée primaire, qui est le signal électrocardio-gramme bruité, et une entrée de référence qui est soit un bruit corrélé d’une façon avec le bruit de l’entrée primaire, soit un signal qui n’est corrélé qu’avec le signal électrocar-diogramme de l’entrée primaire. Pablo et al. [37] ont proposé un filtre baptisé (AICF :

Adaptive Impluse Correlated Filter). Ce filtre estime la composante déterministe du signal

électrocardiogramme (entrée primaire) et une impulsion corrélée avec la composante dé-terministe (entrée de référence), où la méthode des moindres carrées a été utilisée pour ajuster les poids dans le processus adaptatif. Le concept de filtrage a posteriori de Wiener baptisé (APWF : A Posteriori Wiener Filtering), réalisé dans le plan temps-fréquence a été introduit par Paul et al. [38]. Kestler et al. dans [39] ont combiné la transformée en onde-lettes discrète et le filtre de Wiener dans le but de réduire le bruit qui contamine le signal électrocardiogramme.

Popescu et al. dans [135] ont introduit une technique de filtrage du signal électrocar-diogramme en utilisant la méthode de Wavelet shrinkage (rétrécissement en ondelettes). La méthode de Wavelet shrinkage a été introduite par Donoho, Johnstone et leurs collabo-rateurs au début des années 90. Elle consiste à calculer les coefficients du signal bruité sur une base orthonormée. La méthode proposée dans [135] comprend trois étapes de base : calcul de la transformée en ondelettes dyadique (dyadic wivelet) qui sont des échantillon-nages en échelle des transformées en ondelettes, rétrécissement des coefficients d’onde-lettes à l’aide de règles bayésiennes adaptatives et finalement la reconstruction du signal dé-bruité par la transformée en ondelettes inverse. L’analyse en composantes indépen-dantes a été introduite par Barros et al. dans [136] pour éliminer les artefacts du signal électrocardiogramme. Cette technique consiste à séparer aveuglement les signaux mixtes statistiquement indépendants. Un nouveau schéma de filtrage adaptatif du signal électro-cardiogramme a été proposé par Almenar et al. dans [137]. Ce schéma repose sur deux algorithmes l’un baptisé (AICF : Adaptive Impluse Correlated Filtre) et l’autre (TSAF :

Time-Sequenced Adaptive Filtre), la technique proposée réalise une moyenne entre battements,

dès que les sorties des deux filtres AICF et TSAF ne sont pas adéquates.

Une méthode de filtrage à base de paquets d’ondelettes a été proposée par Tikkanen

et al. dans [138]. Les paquets d’ondelettes sont une généralisation des ondelettes ortho-gonales. Ils permettent une analyse plus fine en décomposant les espaces de détail qui ne sont jamais décomposés dans le cas des ondelettes. Cette méthode de filtrage non linéaire a été étudiée en appliquant plusieurs méthodes de seuillage, dans lesquelles les seuils ont été choisis en utilisant quatre méthodes différentes. Iravanian et al. [139] ont proposé une méthode appelée la méthode du résidu filtré baptisé (FR : Filtered Residue). Le résidu est la différence entre le signal d’entrée et la moyenne du signal correspondant en chaque point. Pour trouver la moyenne du signal périodique ou quasi-périodique, il y a eu besoin à des informations temporelles dans le but d’aligner les battements. Ces informations tem-porelles sont l’une des entrées requises de l’algorithme FR. Le résidu passe à travers un filtre FIR passe-bas, et le résultat (le résidu filtré) est ajouté à la moyenne du signal pour reconstruire la sortie finale. Une technique efficace pour le dé-bruitage du signal élec-trocardiogramme contaminé par des bruits non-stationnaires a été proposée par Ercelebi.

dans [140]. Cette technique est basée sur la transformée en ondelettes et un estimateur de seuil dépendant du niveau. Les coefficients d’ondelettes du signal électrocardiogramme ont été obtenus en utilisant des filtres à base de lifting en ondelettes (Lifting-based wavelet

filters). Un lifting en ondelettes est un schéma d’implantation d’une transformation en

on-delettes un peu différent de celui plus habituel réalisé par les bancs de filtres. Le lifting en ondelettes est l’expression retenue pour désigner le procédé d’amélioration des propriétés des ondelettes par utilisation réciproque des bandes passe-bas et passe-haut.

Une technique de filtrage du signal électrocardiogramme à base de l’estimateur de Stein baptisé (SURE : Stein’s Unbiased Risk Estimation), et une nouvelle classe de fonction de rétrécissement (Shrinkage function) à dérivée continue, a été proposée par Poorna-chandra et al. dans [141]. Une structure de filtrage du signal électrocardiogramme à base d’une nouvelle transformée en odelettes adaptative baptisé (BWT : Bionic Wavelet

Trans-form) a été développée par Sayadi et al. dans [142]. Une autre structure de débruitage du signal électrocardiogramme à base de la décomposition en modes empiriques (EMD :

Empirical Mode Decomposition) a été introduite par par Blanco-Velasco et al. dans [143]. Dans [144] les auteurs ont proposé une technique de débruitage du signal électrocardio-gramme contaminé par un bruit blanc Gaussien, à base de la transformée en ondelettes, où une nouvelle procédure de seuillage a été adoptée. La procédure de seuillage proposée ap-pelée : sous-bande adaptative (Subband adaptive), dont ses paramètres ont été choisis par la méthode de différence en moyenne (difference in mean method). Les auteurs de [145] ont présenté un système de réduction du bruit dans le signal électrocardiogramme baptisé (UNANR : Unbiased and Normalized Adaptive Noise Reduction). Le principe de L’UNANR est d’estimer et soustraire le bruit qui contamine le signal électrocardiogramme. L’UNANR ne contient pas d’unité de biais, et ses coefficients sont ajuster de manière adaptative en utilisant l’algorithme de la plus forte pente (steepest-descent algorithm). Une combinaison entre le réseau de neurones artificiel et le filtre de kalman a été proposée par Moein dans [40] dans le but d’éliminer et de supprimer le bruit dans le signal électrocardiogramme. Chang et al. dans [41] ont proposé une nouvelle version de l’algorithme de décomposition en modes empiriques (EMD), baptisé (EEMD : Ensemble Empirical Mode Decomposition) pour le filtrage du signal électrocardiogramme.

Une méthode de détection du bruit qui contamine le signal ECG en temps réel a été proposée dans [42]. Cette méthode basée sur l’EMD. La première étape consiste à utili-ser la fonction du mode intrinsèque du premier ordre de l’EMD pour isoler le bruit car il est largement concentré dans les fréquences les plus élevées. Par la suite, trois mesures statistiques de la fonction du mode intrinsèque en jeu ont été calculées pour chercher les caractéristiques aléatoires du bruit telles que : l’entropie de Shannon, la moyenne et la variance. Kabir et al. [43] ont proposé une nouvelle approche du filtrage du signal

électro-cardiogramme basée sur l’EMD et la transformée en ondelettes discrète. Autre technique adaptative de filtrage du signal ECG basée sur la transformée en ondelettes discrète et le réseau de neurones artificiels a été proposée par Poungponsri et al. dans [44]. Cette tech-nique combine la propriété de résolution de la décomposition en ondelettes et la capacité d’apprentissage adaptatif des réseaux de neurones artificiels. Awal et al. [45] ont proposé une nouvelle méthode de seuillage d’ondelettes dépendant du niveau adaptatif pour le dé-bruitage du signal ECG. Cette méthode baptisé seuil S-médian modifié (Modified S-median

thresholding).

En 2014 Wang et al. dans [46] ont proposé une méthode de filtrage du signal élec-trocardiogramme à base des techniques de filtrage à phase zéro (Zero phase filtering

techniques) et l’intégrale de Riemann-Liouville (Riemann-Liouville integral). Au cours de

l’année suivante 2015 une autre méthode de filtrage parallèle à base des techniques de filtrage a phase zéro (parallel-type fractional zero-phase filtering technique) et le désinté-grateur central de Grünwald-Letnikov (the center Grünwald-Letnikov differintegrator), a été proposée par Wang et al. dans[47]. En 2016 une autre méthode basée sur un filtre adaptatif à double seuil baptisé (ADTF : Adaptive Dual Threshold Filtre) et la transfor-mée en ondelettes discrète (DWT) a été proposée par Jenkal et al. dans [48]. Le but de cette méthode est de rassembler les avantages de ces techniques pour filtrer le signal électrocardiogramme. Après, une méthodologie de dé-bruitage adaptatif du signal élec-trocardiogramme à base de la décomposition en modes empiriques d’ensemble (EEMD) et une technique de seuillage basée sur l’algorithme génétiques (GA) a été proposée par Nguyen et al. dans [49]. Finalement, Wang et al. dans [50] ont proposé une méthode de filtrage du signal ECG basée sur la décomposition de Fourier adaptative baptisé (AFD :

Adaptative Fourier Decomposition). L’AFD décompose un signal en fonction de sa

distribu-tion d’énergie. Cette méthode est apte à séparer le signal ECG et le bruit avec des gammes de fréquences qui se chevauchent mais des distributions d’énergies différentes.