République Algérienne Démocratique et Populaire Ministère de l’Enseignement Sup

République Algérienne Démocratique et Populaire Ministère de l’Enseignement Supérieur et de la Recherche        UNIVERSITÉ CONSTANTINE 1 FACULTÉ DES SCIENCES DE LA TECHNOLOGIE DÉPARTEMENT D’ÉLECTRONIQUE Thèse pour l’obtention d’un diplôme de DOCTORAT EN SCIENCES Spécialité : ELECTRONIQUE Option : TRAITEMENT DU SIGNAL N° d'Ordre: ……………...... Série: …………… Présentée par : Khaled ARBATENI THEME RESEAUX DE NEURONES STATIQUES APPLIQUES A L’ANALYSE, PREDICTION ET MODELISATION NON LINEAIRE DE L’ECG Devant le jury : Président N. Mansouri Professeur, Université Constantine 1 Rapporteur A. Bennia Professeur, Université Constantine 1 Examinateurs : A. Charef Professeur, Université Constantine 1 Y. Ferdi Professeur, Université de Skikda A. Boukrouche Professeur, Université de Guelma SOUTENUE LE 25/02 /2015 DEDICACE :أھدي ھذا العمل المتواضع إلى أمي رحمھا ﷲ أبي أطال ﷲ عمره إخوتي و أخواتي REMERCIEMENT Je remercie Allah tout puissant qui m'a donné la force et la volonté pour pouvoir finir cette thèse de doctorat. Je tiens à remercier profondément mon encadreur : le professeur abdelhak Bennia pour la confiance qu’il m’a accordée, ses encouragements, et ses précieux conseils. J’exprime ma gratitude envers N. Mansouri, professeur à l’Université Constantine 1, de m’avoir fait l’honneur d’accepter de présider le jury, Je remercie A. Charef, professeur à l’Université Constantine 1, d’avoir accepté de juger ce travail en tant qu’examinateur, Je tiens à remercier Y. Ferdi, professeur à l’Université de Skikda, d’avoir accepté de juger ce travail en tant qu’examinateur, Je tiens à remercier A. Boukrouche, professeur à l’Université de Guelma, d’avoir accepté de juger ce travail en tant qu’examinateur. Je tiens à remercier tous ceux qui m'ont enseigné durant toutes mes études et en particulier mes enseignants à l’Université de Constantine 1. ملخص : تھتم ھذه األطروحة بدراسة إشارة تخطيط الكھربائية القلبية ECG و تطوير جھاز لكشف و تحديد مكان الموجة المركبة QRS . البرنامج الخوارزمي المست عمل يعتمد على السعات الكبيرة. ت تم برمجت مرشحة معدلة ، غير خطية و ذاتية التكيف باستعمال الشبكة العصبونية SRBF من أجل تبيض اإل شارة . تعمل ھذه المرشحة بذكاء على إزالة ال تشويش ال ذي ي ؤثر على إشارة تخطيط القلب و في نفس الوقت تحسين بروز مكان الموجة المركبة QRS . يتم التحكم في عمل المرشحة عن طريق استعمال دوال التقيي م )fonction de coût ( التي تعتمد على التشا ھات ب العظمى )M-Estimateurs ( و كذلك عن طريق استعمال طريقة جديدة الختيار مراكز دوال التفعيل حيث ب نتمكن من القضاء التام على الترددات المنخفضة ون حفظ دون تغيير تقريبا الترددات العالية منھا . نمرر اإلشارة الخارجة من المرشحة عبر مرشحة تطابقية من أجل رفع نسبة اإلشارة إلى ال تشويش SNR مما يسمح بالحصول على كشف جيد األ . داء أخدعنا اإلشارة الخارجة من المرشحة األخيرة إلى عدة تحويالت غير خ طية ھي تربيع والمتوسط المتحرك . ا طبقن خوارزمي الكاشف على كافة الملفات في قاعدة البيانات MIT/BIH ح صلنا على نسبة الخطأ تساوي 0.28 ٪ ، 99.82 ٪ من ال حساسية و خصوصية تساوي 99.91 ٪ . ھذه النتائج تعتبر مكافئة لنتائج األعمال المنشورة مسبقا . كلمات مفتاحية : الموجة المركبة QRS ، دوال التقيي م ، مرشحة التبيض معدلة . Abstract The work in this thesis is a development of a QRS detector working on large amplitudes. A nonlinear whitening and optimized adaptive filter based on an RBF neural network whose activation functions are sigmoidal is used to intelligently remove noise affecting the ECG signal and at the same time to enhance the peaks corresponding to QRS complexes. The behavior of the filter is controlled with a cost function based on M-estimators and a new technique for contextual centering with which the filter completely removes the low- frequency components and preserves the high frequency components. The filter residual signal then passes through a matched filter that improves the signal to noise ratio (SNR). The matched filter increases the detection performance. The signal from the matched filter bears other nonlinear transformations namely squaring and moving average filtering. To validate the performance of the detector, we applied the algorithm over all files in the MIT/BIH database. We obtained an error rate of 0.28%, sensitivity of 99.82% and a specificity of 99.91%. These results are comparable even better than those in the literature. Key Words: QRS Complex; Robust cost function; RBF; Nonlinear Adaptive predictor; Whitening filter. Résumé Le travail accompli dans cette thèse consiste au développement d’un détecteur du complexe QRS travaillant sur les grandes amplitudes. Un filtre optimisé de blanchiment adaptatif et non linéaire basé sur un réseau neuronal RBF dont les fonctions d’activation sont des sigmoïdes est utilisé pour supprimer intelligemment les bruits affectant le signal ECG et au même temps pour accentuer les pics correspondant aux complexes QRS. Le comportement du filtre est contrôlé avec une fonction de coût basée sur les M-estimateurs et une nouvelle technique de centrage contextuelle avec lesquelles le filtre supprime totalement les composantes basses fréquences et préserve les composantes hautes fréquences. Le signal résiduel du filtre passe ensuite à travers un filtre adapté qui améliore le rapport signal sur bruit (SNR). Le filtrage adapté augmente les performances de détection. Le signal issu du filtre adapté subit d’autres transformations non linéaires à savoir l’élévation au carré et la moyenne mobile. Pour valider les performances du détecteur, nous avons appliqué l’algorithme sur tous les fichiers de la base de données MIT/BIH. Nous avons obtenu un taux d’erreur de 0,28%, la sensibilité de 99,82% et une spécificité de 99,91%. Ces résultats sont comparables, voire meilleurs, que ceux de la littérature. Mots clés : Complexe QRS ; Fonction de coût robuste ; RBF ; Prédicteur adaptatif non linéaire ; Filtre de blanchissement. SOMMAIRE i Sommaire ………………………………………………………………………………. i Liste des Figures ………………………………………………………………………... v Liste des Tableaux ……………………………………………………………………... ix Introduction Générale Introduction…………………………………………………………………………………………….. 01 Organisation de la thèse………………………………………………………………………………… 05 Chapitre I : Le signal ECG 1.1. Introduction ……………………………………………………………………………………….. 06 1.2. Le cœur ……………………………………………………………………………………………. 06 1.3. Génération de l'ECG …………….……………..………………………………………………... 07 1.4. L’aspect physique de l’ECG……………..………………………………………………………... 10 1.4.1. Le signal ECG……….………………………………………………………………….. 13 1.5. L’aspect clinique de l’ECG…………………………….………………………………………….. 19 1.5.1. Le système nerveux autonome …………………………………………………………… 19 1.5.2. Les arythmies cardiaques…………….…………………………………………………………… 23 1.5.3. Les blocs de conduction………………………………………...………………………… 26 1.5.4. L'ischémie cardiaque……………………………………………………………………… 29 SOMMAIRE ii 1.6. Les différents bruits et artéfacts affectant l’ECG…………………………………………………... 31 1.6.1. Interférences dues à l’alimentation (60 ou 50 Hz)………………………………………. 32 1.6.2. Interférences dues à l’activité électrique musculaire…………………………………… 32 1.6.3. Dérive de la ligne de base…………………………………………………………….…… 33 1.7. Résumé……………………………………………………………………………………………… 33 Chapitre II : Les réseaux de neurones artificiels 2.1. Introduction…………………………………………………………………………………………. 34 2.2. Neurone Artificiel…………………………………………………………………………………... 36 2.3. Les topologies des RNA……………………………………………………………………………. 39 2.3.1. Les RNA statiques (feedforward)……..…………………………………………………. 41 Le perceptron multicouche (PMC)………………………………………………….…………. 41 Réseaux à fonction de base radiale (RBF)…………………………………………………. 41 2.3.2. Les RNA récurrents………………………………………………………………………. 42 Réseaux de Jordan………………………………………………………………………………… 42 Réseau d’Elman …………………………………………………………………………………... 43 Réseau Hopfield…………………………………………………………………………………… 43 2.4. Stratégies et algorithmes d’apprentissage…………………………………………………………... 44 SOMMAIRE iii 2.4.1. Apprentissage supervisé…………………………………………………………………... 45 2.4.2. Apprentissage non supervisé……………………………………………………………… 46 2.4.3. Apprentissage par renforcement………………………………………………………….. 47 2.5. Algorithmes d’apprentissage……………………………………………………………………….. 48 2.5.1. Apprentissage par correction d’erreur……………………………………………………. 49 2.5.2. Apprentissage par mémorisation……………………….…………………………………. 50 2.5.3. Apprentissage Hebbiane…………………………………………………………………... 51 2.5.4. Apprentissage compétitive………………………………………………………………... 52 2.5.5. Apprentissage de Boltzmann ……………………………………………………………. 53 2.5.6. Les tâches d’apprentissage………………………………………………………………... 53 2.6. Problème des données aberrantes…………………………………………………………………… 54 2.6.1. Fonction de coût robuste………………………………………………………………….. 54 2.6.2. Estimateur de maximum de vraisemblance……………………….……………………………… 56 2. 7. Résumé……………………………………………………………………………………………... 57 Chapitre III : Détection du complexe QRS 3.1. Introduction…………………………………………………………………………………………. 58 3.2. Algorithme de détection…………………………………………………………………………….. 61 SOMMAIRE iv 3.2.1 Le filtre de blanchiment…………………………………………………………………… 63 3.2.2. Filtre de blanchiment optimisé…………………………………………………………… 65 Le réseau neuronal à fonction de base radiale robuste…………………………………….. 65 L’algorithme d’apprentissage robuste………………………………………………………….. 67 3.3. Configuration et Simulation ………………………………………………………………………. 70 3.3.1. Le signal ECG…………………………………………………………………………….. 70 3.3.2. Choix des paramètres du réseau SRBF…………………………………………………… 71 Choix du vecteur centre………………………………………………………………………….. 71 Choix de l’ordre de prédiction………………………………………………………………….. 74 Choix du nombre de neurones de la couche cachée………………………………………… 74 Choix du pas d’apprentissage…………………………………………………………………… 75 3.3.3. SRBF vs GRBF et LS vs l’algorithme d’apprentissage à base de Whelsch……………… 77 3.4. Discussions des résultats de simulation……………………………………………………………. 78 3.5. Conclusion…………………………………………………………………………………………... 85 Conclusion générale……………………………………………………………………………………. 86 Références et bibliographie…..……………………………………………………………………… 87 LISTE DES FIGURES v Fig. 1. L’ECG de deux battements successifs du cœur avec les différentes caractéristiques……… 02 Fig. 1.1. Potentiel d’action typique d’une cellule ventriculaire……………………………………… 07 Fig. 1.2. Le champ du dipôle dû au mouvement du courant dans une cellule myocardique pendant la propagation de l’onde de dépolarisation………………………………………………… 10 Fig. 1.3. La forme sphérique idéalisée du torse dont le centre représente la source cardiaque……… 12 Fig. 1.4 Trajectoire d’un vecteur cardiaque normal…………………………………………………. 14 Fig. 1.5. Les six dérivations précordiales standard………………………………………………….. 15 Fig. 1.6. Dérivations des membres du plan frontal………………………………………………….. 16 Fig. 1.7. L’aspect temporel du vecteur cardiaque combiné avec la géométrie des dérivations des membres du plan frontal…………………………………………………………………… 17 Fig. 1.8. Caractéristiques cliniques normales de l'ECG…………………………………………….. 18 Fig. 1.9. Le rythme sinusal normal………………………………………………………………….. 22 Fig. 1.10. Tachycardie sinusale………………………………………………………………………. 22 Fig. 1.11. Bradycardie sinusale………………………………………………………………………. 22 Fig. 1.12. Arythmie sinusale…………………………………………………………………………. 23 Fig. 1.13. Battement artériel prématuré………………………………………………………………. 23 Fig. 1.14. Battement ventriculaire prématuré…………………………………………………………. 23 Fig. 1.15. Bigéminie ventriculaire…………………………………………………………………….. 24 Fig. 1.16. Trois épisodes de tachycardie ventriculaire………………………………………………... 25 LISTE DES FIGURES vi Fig. 1.17. Fibrillation auriculaire……………………………………………………………………… 26 Fig. 1.18. Fibrillation ventriculaire……………………………………………………………………. 26 Fig. 1.19. Bloc AV de second degré………………………………………………………………….. 26 Fig. 1.20. Bloc AV de troisième degré……………………………………………………………….. 27 Fig. 1.21. Bloc de branche gauche……………………………………………………………………. 27 Fig. uploads/Litterature/ arb-6663.pdf

Tags
littérature signal neurones réseau chapitre complexe
Documents similaires
  • 21
  • 0
  • 0
Afficher les détails des licences
Licence et utilisation
Gratuit pour un usage personnel Attribution requise
Partager