Réseaux de neurones

Etat de l’art de classification des signaux ECGs

Classification du signal ECG, avec SMA neuronale |2012. 2. Introduction a l’état de l’art Discuter de l’apprentissage artificiel (machine Learning en anglais) et sa relation étroite avec la classification automatique, est un sujet d’une très grande importance et présente de vastes champs d’applications qui ne cessent de croitre d’année en année. Il est clair qu’une brève description de ce domaine permet de mettre en évidence son importance dans les différents champs d’application. Selon Antoine et al [6], l’apprentissage artificiel a deux champs industriels d’application à savoir :

Reconnaissance de formes (RF)

Fouille de données

Le second domaine est le moins bien connu des deux, bien qu’il soit porteur de réelles possibilités économiques Quant au premier, rappelons seulement que les méthodes de l’apprentissage artificiel sont à la base de la reconnaissance des images (écriture manuscrite, signatures, détection de ressources par satellite, pilotage automatique, etc.), de la reconnaissance de la parole, du traitement avancé des signaux biomédicaux qui est notre objectif. Alors c’est quoi la RF ?, selon jeanPierre et al [7], la RF est l’ensemble technique informatique de représentation et de décision permettant aux machines de simuler un comportement sensible d’une autre façon c’est de doter les ordinateurs des capacités des êtres humains l’écoute, la vison, raisonnement etc. et pour faire cela la RF procède généralement par des étapes successives au cours desquelles on passe du monde physique (espace de dimension infinie ) dans lequel sont plongées les formes à reconnaitre à un espace de dimension restreint, l’espace d’interprétation ou des décisions. Ce passage s’effectue souvent à travers une phase de codage et de prétraitement des signaux qui permet d’obtenir des signaux numériques filtrés et normalisés.

Ces signaux sont ensuite analysés afin d’en tirer les caractéristiques (paramètres, attribues) de nature numérique ou symbolique qui vont représenter la forme dans l’espace de représentation, la phase d’apprentissage a pour but de structurer l’espace de représentation de façon à produire des régions de décisions (ou bien classe).Cette phase fondamentale est aussi celle qui tente de définir des modèles de références des formes analysées. Enfin on parvient à la phase de décision qui identifie la forme en lui affectant une classe d’appartenance. A partir de ça nous pouvons dire que la RF est un problème composé de sous problèmes : natures de données, le choix du modèle, les paramètres etc. Tout ça nous amène aux problèmes d’apprentissage artificiel qui sont plusieurs types et qui sont définis par un certain nombre de caractéristiques dont l’espace des données, l’espace des hypothèses et le protocole régissant les interactions de l’apprenant avec son environnement. On distingue particulièrement l’apprentissage supervisé pour lequel un oracle (expert) fournit les réponses désirées, l’apprentissage non supervisée et l’apprentissage par renforcement.

l’utilisation de l’intelligence artificielle pour classifier l’ECG

Dans la littérature, on trouve pas mal de techniques appliquant les approches de l’intelligence artificielle [15] et en particulier les réseaux de neurones [16], [17] pour l’analyse automatique de l’ECG. Le travail de Mark et al [17] montre que les techniques de réseaux de neurones et spécialement, le réseau MLP et la carte auto-organisatrices (SOM) sont utilisés à des fins de classification. Autres approches, telles que l’approche bayésienne et heuristique [18] et des modèles de Markov [14] ont été également expérimentées pour la classification des signaux ECG. ART (Adaptive ResonantTheory) a été appliquée à une variété de domaines allant des applications médicales, telles que la classification des modèles ECG [19], au traitement sémantique des données. Barro et al, [20] ont utilisé la théorie MART (Multi-Channel Adaptive ResonanceTheory) pour classer les signaux ECG. La mise en oeuvre des résultats montrent que ce classifieur peut discriminer les battements normaux des battements ventriculaires avec une précision de plus de 90%. Olmez [21], dans son travail sur la classification des formes d’ondes de l’ECG, a classé quatre types de battement tels que les battements normaux, le bloc de branche gauche, la contraction ventriculaire prématurée, et les battements de type P en utilisant un réseau de neurones RCE (Restricted Coulomb Energy) et les algorithmes génétiques. Il a obtenu une précision de classification de plus de 94%.

Plusieurs études ont confirmé les performances des réseaux de neurones artificiels RNA pour la détection et la reconnaissance de l’ECG anormal. L’utilisation du réseau de neurones pour l’analyse du signal ECG offre plusieurs avantages par rapport aux techniques classiques. Donc, les réseaux de neurones ont émergé compte tenu d’une prétendance sérieuse de la nature fortement non-linéaire et chaotique de l’ECG. Dans ce qui suit, une présentation relativement détaillée des différents champs d’application des réseaux de neurones artificiels dans la discrimination et la classification des pathologies cardiaques en se basant sur le traitement des signaux ECG est faite. L’utilisation des RNA dans la discrimination des complexes QRS large comme dans le cas de la tachycardie ventriculaire (VT) et la tachycardie supra-ventriculaire (SVT) a été le sujet de beaucoup de recherches en électrocardiographie.

En fait, la détection prématurée de la fibrillation ventriculaire (VF) est décisive dans le cas du risque de la mort subite, une détection rapide permet au spécialiste d’avoir plus de temps de réaction (intervention) pour prescrire le traitement approprié au patient. Plusieurs techniques utilisant les RNA ont été développées pour établir des critères permettant la différenciation de la VT parmi des battements normaux [10]. Al-Fahoum et al [22] ont utilisé des transformations en ondelette (continue et discrète) dans la phase de l’extraction des paramètres. Le vecteur de paramètres extrait par ondelettes est utilisé ensuite comme entrée d’un réseau de neurones de type RBF dans le but de la détection automatique des arythmies. Dans [23], Rosado-Muñoz et al. Combinent une ondelette de Daubechies et un réseau RBF, un classement correct global de 97,5% a été obtenu, avec 100% de classification correcte à la fois pour la fibrillation ventriculaire et la tachycardie ventriculaire.

La détection de la contraction ventriculaire prématurée (PVC) a également attiré l’attention de nombreux chercheurs. Dans Ham et Han [24], les auteurs utilisent la théorie ARTMAP (Adaptive ResonanceTheoryMapping) pour classer les arythmies cardiaques. Deux types de battement ont été analysés: battement normal et battement anormal de type PVC. Les résultats du test ont montré que le réseau de neurone basé sur ARTMAP peut classer les arythmies cardiaques avec plus de 97% de sensibilité et 99% de spécificité. Plus tard, Maglaveras et al [25] ont proposé un prétraitement non-linéaire du signal ECG et une classification qui utilise un algorithme basé sur un RNA. La technique a été appliquée au problème de détection de PVC donnant de bons résultats. Une méthode de détection de PVC à partir des enregistrements Holter a été proposée par Shyu et al. [26].

La méthode prend en considération les informations utilisées lors de la détection du complexe QRS par une transformée en ondelettes puis un réseau de neurones flou (FNN) est utilisé dans la phase de classification. Une précision d’environ 99,8%.pour la classification des PVC a été obtenue. Lagerholm et al. [27] ont utilisé des fonctions de base d’Hermite (HBF) et un réseau SOM dans le but de classifier les signaux ECG. La structure du réseau SOM a été bénéfique dans l’interprétation des données expérimentales. Dans Acharya et al. [28], les auteurs ont élaboré un RNA avec des relations floues pour le classement des rythmes cardiaques. La phase de l’extraction des paramètres dans ce cas est basée sur la mesure des variations du rythme cardiaque. Les résultats ont indiqué un niveau élevé d’efficacité, avec un niveau de précision de 80 à 85%. Wieben et al [29] ont développé un classfieur basé sur un dispositif de banc de filtres et des arbres de décision (filter bank features and decision trees).

L’algorithme a réalisé une sensibilité de 85.3% et une prédiction positive de 85.2%. Une méthode complexe de classification de QRS qui utilise la distance de Mahalanobis comme critère de classification a été développée par Moraes et al [36.]. Le classifieur a été testé sur 44 enregistrements de la base de données MIT-BIH et les résultats étaient de 90.74 % pour la sensibilité et 96.55 % de prédiction positive. Un classifeur alimenté par vingt-six paramètres de deux dérivations a été également proposé par Christov et al [30]. Cet algorithme a été testé sur tous les enregistrements de la base de données MIT-BIH. Ils ont réalisé 99.7 % de détection correcte des battements normaux et 98.5 % de battements ventriculaires prématurés. Un classifieur des battements PVC basé sur la transformation en ondelettes et les intervalles temporels RR a été proposé par Inan et al [31].

Ce classifieur a réalisé une justesse de classification de 95.16% pour 93 281 battements de 40 enregistrements. Chen [32] a proposé un détecteur des battements PVC basés sur un filtre moyenneur non linéaire. Il a rapporté une sensibilité de 97.8% et une spécificité de 99.7% pour 34 enregistrements de la base MIT/BIH. Asl et al [33] ont employé une méthode basée sur un classifieur SVM (Support Vector Machines) pour la discrimination des PVC. Quinze paramètres du signal de HRV (Heart Rate Variability) ont été utilisés et une exactitude de 98.96 % a été obtenue. Dusit et al [34] ont utilisé l’analyse A composante principale les SVMs, pour classifier quatre types arythmies cardiaques depuis le papier ECG. Ils ont obtenu une performance de 99.63%. Cicília et al [35] ont exploité les réseaux de neurones de kohonen compétitives pour classifier deux types d’arythmies PVC et normal. Les résultats obtenus montrent un taux de faux positive de 22%.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Introduction générale
Introduction a l’état de l’art
L’état de l’art : l’utilisation de l’intelligence artificielle pour classifier l’ECG
Chapitre 1 Etude des signaux ECG
1.1. Introduction
1.2. Anatomie du coeur
1.3. Activité mécanique cardiaque
1.4. La conduction électrique du coeur
1.5. Principe de l’électrocardiogramme (ECG)
1.5.1. Les dérivations
1.5.2. Ondes et Intervalles de L’ECG
1.6. Troubles du rythme et de la conduction cardiaque
1.6.1. Rythme sinusal
1.6.2. Blocs cardiaques
1.6.2.1. Bloc Sino-Auriculaire (Bloc SA)
1.6.2.2. Blocs Auriculo-Ventriculaire (BAV)
1.6.2.3. Blocs de branche
1.7. Les arythmies cardiaques
1.7.1. Extrasystoles supra-ventriculaires
1.7.2. Contraction ventriculaire prématurée (extrasystole ventriculaire)
1.7.3. La tachycardie supra-ventriculaire
1.7.4. La fibrillation auriculaire
1.7.5. La tachycardie ventriculaire
1.7.6. Fibrillation ventriculaire
1.8. Artefacts visibles sur l’électrocardiogramme
1.8.1. Bruits techniques
1.8.2. Artefacts physiques
1.9. Conclusion
Chapitre 2 Réseaux de neurones
2.1. Introduction
2.2. Neurone biologique
2.3. Neurone artificiel (formel)
2.4. Historique
2.5. Le perceptron ?
2.6. Règle d’apprentissage du perceptron
2.7. Architecture des réseaux de neurones
2.7.1. Les réseaux de neurones non bouclés (en Anglais feedforward)
2.7.2. Les réseaux de neurones bouclés (récurrents
2.8. Les types d’apprentissage des réseaux de neurones
2.8.1. L’apprentissage supervisé
2.8.2. L’apprentissage non supervisé
2.9. Les réseaux de neurones les plus utilisés
2.10. Descente du gradient ou la fameuse règle delta
2.10.1. La descente de gradient
2.10.2. La descente de gradient stochastique
2.10.3. La règle delta
2.11. Réseaux de neurones multicouches(MLP)
2.12. L’algorithme de rétro-propagation du gradient
2.13. Les capacités d’un réseau de neurones
2.14. Les différentes applications de RNA
2.15. Problèmes et inconvénients
2.15.1. Trouver une bonne structure
2.15.2. Temps d’apprentissage
2.15.3. Structure statique
2.15.4. Over-fitting(sur apprentissage )
2.15.5. Réseau boîte noire
2.16. Avantages d’un réseau de neurones
2.16.1. Temps de réponse
2.16.2. Large panel de fonctions
2.16.3. Apprentissage résistant à l’erreur
2.17. Conclusion :
Chapitre 3
3.1. Introduction
3.2. Définition du concept d’agent
3.3. Architectures d’agents
3.3.1. Agents réactifs
3.3.1.1. Agents à réflexe simples
3.3.1.2. Agents conservant une trace du monde
3.3.2. Agents délibératifs
3.3.2.1. Agents ayant des buts
3.3.2.2. Agents utilisant une fonction d’utilité
3.3.3. Agents hybrides
3.4. Agents et apprentissage
3.5. Systèmes multi-agents SMA
3.5.1. Les avantages du SMA
3.5.2. Interactions entre agents
3.6. conclusion
Chapitre 4 Expérimentations, résultats et discussions
4.1. Introduction
4.2. Les anomalies cardiaques traitées
4.3. La base de donnée MIT-BIH
4.4. La chaîne de traitement du signal ECG abordée (détection, classification ou diagnostic)
4.5. Préparation de la base de données et premières évaluations
4.6. Description et étude du Classifieur SMA Proposé
4.7. Outil ECGMASNNC
4.8. Conclusion
Conclusion Générale