Étude des techniques de conversion PPG-ECG et création d'un réseau neuronal efficace pour la prédiction cardio-vasculaire

Diani, Mamoudou Sekou (2024). « Étude des techniques de conversion PPG-ECG et création d'un réseau neuronal efficace pour la prédiction cardio-vasculaire » Mémoire. Montréal (Québec), Université du Québec à Montréal, Maîtrise en informatique.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (2MB)

Résumé

Ce travail aborde deux problématiques liées aux signaux physiologiques : la conversion de signaux de pléthysmographie en signaux d’électrocardiogramme (ECG) et la classification des maladies cardiovasculaires à partir de signaux ECG. Motivé par le désir de déterminer la meilleure technique de conversion de signal PPG en ECG et de concevoir un modèle d’intelligence artificielle efficace et précis pour la classification, cette étude propose une approche complète. Le problème de la conversion de signaux PPG en ECG a été abordé durant les dernières décennies de diverses façons, dont les techniques statistiques et des méthodes basées sur l’Intelligence artificielle (IA). Cependant, aucune approche ne s’est imposée comme la norme incontestée. Concentré sur les techniques de régression, nous avons pour objectif de répondre à la question de quelle technique de décomposition offre la meilleure précision et la plus grande fiabilité dans la conversion du signal PPG en ECG. Dans le domaine de la classification basée sur l’IA, le problème des exigences computationnelles élevées des modèles suscite l’attention du monde scientifique. La question de la manière de réduire ces coûts se pose. Afin d’y répondre, nous évaluons des techniques de réduction des dimensions notamment la DWT afin de ne récupérer que des informations pertinentes et faire une prédiction sur ces données. Pour la conversion PPG-ECG, l’étude évalue la technique de régression par crête avec différentes techniques de décompositions, dont la décomposition en modes empiriques ou empirical mode decomposition en anglais (EMD), la transformée en ondelettes discrète ou discrete wavelet transform en anglais (DWT), la décomposition en mode variationnel ou variational mode decomposition (VMD), ainsi que les combinaisons EMD+DWT et VMD+DWT. Les signaux ECG et PPG provenant de la base de données Capnobase sont soumis à un ensemble de prétraitements avant de passer à la décomposition et à la régression. Les performances sont évaluées de manière quantitative à l’aide de métriques telles que la racine de l’erreur quadratique moyenne (RMSE), le coefficient de Pearson, le coefficient de détermination R2. Le calcul de ces différentes métriques a permis d’observer l’impact des différentes techniques de décomposition sur la précision de la conversion notamment la puissance du VMD et aussi de la combinaison VMD et DWT mais aussi l’inefficacité de l’EMD. Les résultats de validation ont montré une performance de conversion inférieure à celle d’une étude témoin qui utilise la suppression de tendance et la décomposition du signal filtré par la transformée en cosinus discrète (DCT), mais ils montrent des perspectives prometteuses pour la conversion PPG-ECG dans les applications cliniques. En ce qui concerne la classification des maladies cardiovasculaires, un réseau de neurones convolutif est élaboré à partir de signaux ECG issus de la base PhysioNet PTB-XL. Une étape préliminaire de transformation par DWT avec l’ondelette db4 et avec l’ondelette Haar est intégrée pour optimiser le processus de classification. Les catégories considérées comprennent l’ECG normal, l’infarctus du myocarde, les changements ST-T, les troubles de conduction et l’hypertrophie. L’évaluation de la performance se fait avec les métriques de précision, rappel et score F1, fournissant ainsi une évaluation exhaustive de l’efficacité de l’approche proposée. Le modèle basé sur la DWT avec db4 se démarque avec une bonne précision et un bon score F1, offrant une solution efficace avec un nombre de paramètres significativement inférieur à celui de modèles complexes. Ces résultats soulignent l’efficacité de cette approche dans des contextes avec des contraintes de ressources matérielles et de temps d’entraînement. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : traduction de signaux, Électrocardiogramme, Photopléthysmographie, ECG, PPG, CNN, réseau neuronal convolutif, prédiction de maladie cardio-vasculaire, DWT, EMD, VMD

Type:	Mémoire accepté
Informations complémentaires:	Fichier numérique reçu et enrichi en format PDF/A.
Directeur de thèse:	Boukadoum, Mounir
Mots-clés ou Sujets:	Traitement du signal / Signaux physiologiques / Électrocardiographie / Photopléthysmographie / Réseaux de neurones convolutifs / Dépistage des maladies cardiovasculaires
Unité d'appartenance:	Faculté des sciences > Département d'informatique
Déposé par:	Service des bibliothèques
Date de dépôt:	29 oct. 2024 12:11
Dernière modification:	29 oct. 2024 12:11
Adresse URL :	http://archipel.uqam.ca/id/eprint/18127

Modifier les métadonnées (propriétaire du document)

Statistiques