L'enregistrement Holter est une méthode d'enregistrement électro-cardiographique (ECG) de longue durée (de 24 à 48 heures). Cet examen est très employé en cardiologie et il facilite beaucoup la pose d'un diagnostic médical. Mais le problème majeur réside dans la quantité d'information à analyser (pour 24 h d'enregistrement, le cardiologue récupère environ cent milles battements enregistrés sur 2 ou 3 voies). Un si grand nombre de battements ne permet pas une analyse visuelle ou manuelle de chacun d'eux par le cardiologue, d'où l'intérêt d'une analyse accomplie de façon automatique. C'est ainsi que l'analyse automatique des enregistrements Holter est devenue une aide au diagnostic très efficace. Il existe une autre situation qui nécessite une telle analyse, en effet un classifieur automatique d'arythmies cardiaques peut être utile dans les salles de soins intensifs où les médecins ou les infirmiers sont appelés à suivre en permanence l'évolution du signal ECG des patients, une tâche qui n'est pas aussi facile. L'intégration d'un tel modèle dans un système de monitoring facilite beaucoup la tâche de contrôle. Un autre problème que confrontent généralement les médecins est la non-interprétabilité des résultats médicaux d'où la nécessité d'avoir un système automatisé interprétable et explicite. Notre travail dans ce papier permet d'apporter des solutions efficaces à ces types de problèmes.
L'électrocardiogramme ECG est un signal physiologique qui représente l'activité mécanique du coeur (la contraction et le relâchement). La figure (1) montre un tracé d'ECG pour un sujet sain.
Au cours de la dernière décennie, La reconnaissance automatique des arythmies cardiaques a constitué un domaine ou plusieurs travaux ont été proposés par différents chercheurs. Certaines méthodes sont simples, elles ont été développées pour la discrimination entre les battements normaux et les battements 'ESV', d'autres travaux sont beaucoup plus complexe, ils ont mis au point une classification entre plusieurs types d'arythmies en même temps. Puisque nous avons utilisé la base de données MIT-BIH [2] pour valider nos résultats, seulement quelque récentes techniques utilisant cette base de données ont été choisies pour faire une étude comparative. On peut cité les travaux de Wieben et al [3], qui ont mis au point une classification basée sur les caractéristiques des bancs des filtres et les arbres de décision. L'algorithme a atteint une sensibilité de 85,3% et une prédictivité positive de 85,2%. Utilisant seulement 14 enregistrements de la base de données MIT-BIH, le classificateur basé sur les réseaux neuronaux présenté par Al-Nashash [4] a atteint une sensibilité de 98,1% et une prédictivité positive de 94.7%. Lagerholm et Person [5] ont combiné les fonctions d'Hermite de base avec une carte auto-organisation de Kohonen pour obtenir un classifieur très performant (avec un degré de 1,5 % des battements mal classés). Une classification des complexes QRS en utilisant la distance de Mahalanobis comme critère de classification a été développée par Moreas et al. [6]. Le classificateur a été testé sur 44 enregistrements de la base de données MIT-BIH et les résultats sont : une sensibilité de 90,74% et une prédictivité positive de 96,55%. Un classificateur neuronal des ESV combiné avec la transformation en ondelettes et les caractéristiques temporelles de l'ECG a été proposé par Inan et al. [7]. Ils ont obtenu une précision de 95,16% sur 40 enregistrement. Un classifieur neuronal avec 26 paramètres descripteurs extraits à partir de deux dérivations ECG présentées à son entrée a également été proposé par Christov et Bortolan [8]. Utilisant l'ensemble de la base de données MIT-BIH, ils ont atteint une sepesificité de 99,7% et une sensibilité de 98,5%. De Chazal et al. [9] ont utilisé les descripteurs morphologiques et temporels du signal ECG et le rythme cardiaque pour classer les battements. Les résultats obtenus ont été une spécificité de 98,8% et une sensibilité de 77,7%. Tsipouras et al. [10] et Exarchos et al. [11] ont utilisé des systèmes experts basés sur la logique floue pour classer les arythmies et les battements ischémiques. Ils ont atteint une précision de 96,43% et 96,00%, respectivement, en utilisant 109.880 battements.
Les réseaux de neurones et la logique floue sont deux approches qui sont très utilisées pour résoudre les problèmes de la classification et la reconnaissance de formes. Les réseaux de neurones sont des approximateurs universels, l'avantage principal de ces réseaux réside dans leurs capacités d'apprentissage et leurs facilités d'implémentation, par contre la non-interprétablilité de leurs résultats constitue un inconvénient majeur (boîte noire).
Les systèmes d'inférence flous permettent d'interpréter leurs résultats grâce à leur base de connaissances (base de règles). L'utilisation conjointe des réseaux de neurones et les systèmes d'inférence flous permettent d'exploiter les avantages des deux méthodes. Différent modèles pour combiner la logique floue avec les réseaux de neurones ont été présenté par plusieurs auteurs [12] [13], dans ce travail on va présenter l'approche ANFIS (adaptative neuro fuzzy inférence system) proposée par Jang [14]. ( )
Où n k-1 est le nombre de noeuds dans la couche k-1, et a, b, c sont les paramètres du noeud (i,k). Il est à noter qu'un noeud circulaire ne possède pas de paramètres. Couche1 : Les noeuds de cette couche sont tous des noeuds adaptatifs. Cette couche réalise la fuzzification des entrées c'està-dire qu'elle détermine les degrés d'appartenance de chaque entrée :
Où x est l'entrée du noeud i, A i est la variable linguistique et O i 1 est le degré d'appartenance de x à A i . Les paramètres d'un noeud de cette couche sont ceux de la fonction d'appartenance correspondante Couche2 : Les noeuds de cette couche sont des noeuds fixes. Ils reçoivent les signaux de sortie de la couche précédente et envoient leur produit en sortie ( ) ( )
w i présente le degré de vérité de la règle i. Couche3 : Chaque neurone dans cette couche calcule le degré de vérité normalisé d'une règle floue donnée. Le résultat à la sortie de chaque noeud représente la contribution de cette règle au résultat final.
Les noeuds dans cette couche sont des noeuds adaptatifs. Chacun de ces noeuds est relié à un neurone de normalisation correspondant et aux entrées initiales du réseau. La sortie d'un noeud i est donnée par :
Couche5 : Cette couche comprend un seul neurone circulaire qui effectue la somme des signaux provenant de la couche précédente pour donner la sortie finale du réseau :
La généralisation du réseau a un système a plusieurs entrées ne pose aucun problème, le nombre de noeuds dans la première couche est toujours égale au nombre total de termes linguistiques définis.
L'apprentissage à partir d'un ensemble de données concerne l'identification des paramètres des prémisses et des conséquences, la structure du réseau étant fixée. Jang a proposé d'utiliser une méthode d'apprentissage dite ''hybride'' [14]. Cette méthode combine un algorithme de la rétro propagation de l'erreur par la descente de gradient pour l'optimisation des paramètres non linéaires (les paramètres de la première couche) avec une estimation des moindres carrée pour l'estimation des paramètres linéaires (les paramètres de la quatrième couche).
Dans ce travail on s'intéresse à la classification des extrasystoles ventriculaires (ESV) par une approche neuro floue en utilisant notre classifieur neuro-flou et de comparer les résultats obtenus avec les résultats des autres travaux actuels. Les signaux ECG utilisés dans ce travail sont des enregistrements réels de la base de données MIT-BIH [2]. Ces signaux ECG sont échantillonnés à la fréquence de 360 Hz. Deux cardiologue ou plus ont fait le diagnostique pour ces différents enregistrement et ils ont annotés chaque cycle cardiaque. Ces annotations seront utiles pour l'apprentissage et l'évaluation de la classification.
Le choix des paramètres qui constituent le vecteur d'entrée est lié la pathologie ciblée et en se basant sur l'avis d'un cardiologue [15]. Dans notre cas c'est l'extrasystole ventriculaire (ESV), et elle est caractérisée par un QRS prématuré et large avec une absence de l'onde P (voir figure 2). Notre choix est fixé par les paramètres suivants (figure 4) :
• RR p : la distance entre l'onde R actuelle et l'onde R précédente.
• RRs : la distance entre l'onde R actuelle et l'onde R suivante.
• RR s /RR p : le rapport entre la distance RR suivante sur la précédente.
• QRS : la durée du complexe QRS.
• PP : l'amplitude (peak to peak) Fig. A partir de cette base et en se basant sur des connaissances d'un expert du domaine (cardiologue), on génère un classifieur neuro-flou initial avec la partition floue suivantes (voir la figure.5).
Toutes les fonctions d'appartenances sont choisies de type g-bell (éq. 7) pour améliorer l'apprentissage [14].
( )
A la fin de l'apprentissage les paramètres des fonctions d'appartenances initiales (figure. Pour n'importe quel battement présenté à l'entrée du classifieur neuro-flou, on peut voir les règles actives pour la décision prise à sa sortie.
Ce travail présente une extraction de connaissances et une classification des arythmies cardiaques (extrasystoles ventriculaires, ESV) en utilisant une approche hybride dite neuro-floue qui combine les réseaux de neurones avec la logique floue. Cette approche a donné de très bons résultats avec un taux de classification correcte de 98.71%, en plus de la justification des décisions prises à la sortie. Ces résultats sont très prometteurs et nous encourage à élargir cette étude vers d'autres types d'arythmies cardiaques.