24.06.2013 Views

Traitement automatique du signal ECG pour l'aide au diagnostic de ...

Traitement automatique du signal ECG pour l'aide au diagnostic de ...

Traitement automatique du signal ECG pour l'aide au diagnostic de ...

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

CHAPITRE 2. INTRODUCTION 6<br />

Chapitre 2<br />

Intro<strong>du</strong>ction<br />

La technologie utilisée en milieu clinique <strong>de</strong>venant <strong>de</strong> plus en plus complexe,<br />

les mé<strong>de</strong>cins se retrouvent <strong>de</strong>vant toujours plus <strong>de</strong> données générées par différentes<br />

modalités [1]. Ces données peuvent être très intéressantes <strong>pour</strong> diverses<br />

tâches comme les interfaces homme-machine, le suivi <strong>de</strong>s fonctions physiologiques<br />

et le <strong>diagnostic</strong> <strong>de</strong> certaines maladies [2]. En particulier, il peut s’agir <strong>de</strong><br />

sign<strong>au</strong>x physiologiques comme l’enregistrement <strong>de</strong> l’activité électrique <strong>du</strong> muscle<br />

cardiaque ou électrocardiogramme (<strong>ECG</strong>). Ceux-ci sont parfois acquis <strong>du</strong>rant <strong>de</strong><br />

très longues pério<strong>de</strong>s (jusqu’à plusieurs jours [1]) et sont <strong>de</strong> nos jours interprétés<br />

visuellement par <strong>de</strong>s experts. Dans le cas <strong>de</strong> l’électrocardiogramme, ce sont plus<br />

<strong>de</strong> 100 000 battements par jour qui doivent être analysés. Cette tâche peut être<br />

très longue et donc très coûteuse, notamment dans le <strong>diagnostic</strong> <strong>de</strong> nombreuses<br />

maladies cardiaques et dans les essais cliniques [3].<br />

Dans le présent mémoire, <strong>de</strong>s métho<strong>de</strong>s simples <strong>de</strong> « Machine Learning » vont<br />

être appliquées <strong>pour</strong> le traitement <strong>du</strong> <strong>signal</strong> <strong>ECG</strong>. Ces métho<strong>de</strong>s sont souvent<br />

à cheval entre mathématiques, statistiques et programmation. Elles permettent<br />

<strong>de</strong> reconnaitre <strong>de</strong>s schémas complexes à partir <strong>de</strong> données expérimentales. La<br />

première étape est <strong>de</strong> bâtir un modèle sur <strong>de</strong>s données connues <strong>pour</strong> plus tard<br />

pouvoir généraliser à d’<strong>au</strong>tres données. De nombreuses solutions utilisant les<br />

rése<strong>au</strong>x <strong>de</strong> neurones artificiels ont été proposées dans la littérature. Les plus<br />

utilisées étant les rése<strong>au</strong>x <strong>de</strong> neurones multicouches [4], [5], [6], les cartes <strong>au</strong>toorganisatrices<br />

<strong>de</strong> Kohonen [7], les systèmes flous [8] et diverses combinaisons<br />

<strong>de</strong> ces <strong>de</strong>rnières [9]. La suite <strong>de</strong> cette intro<strong>du</strong>ction commencera par rappeler<br />

l’anatomie <strong>du</strong> cœur. Elle décrira l’électrocardiogramme, le Holter et leurs diverses<br />

sources <strong>de</strong> bruit. Ensuite viendra la <strong>de</strong>scription <strong>de</strong>s standards utilisés,<br />

puis l’i<strong>de</strong>ntification <strong>du</strong> problème et les objectifs <strong>de</strong> ce mémoire. Finalement, le<br />

plan <strong>de</strong> ce <strong>de</strong>rnier clôturera ce chapitre.

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!