Download - Tal 5891
-
RPUBLIQUE ALGRIENNE DMOCRATIQUE ET POPULAIRE
Ministre de l'Enseignement Suprieur et de la Recherche Scientifique
UNIVERSIT MENTOURI DE CONSTANTINE
FACULT DES SCIENCES DE LINGNIEUR
DPARTEMENT D'LECTRONIQUE
Thse Prsente pour obtenir le diplme de
Doctorat en Sciences
Spcialit : Electronique
Option : Traitement du signal
Par:
Mohamed Lamine TALBI
THEME
ANALYSE ET TRAITEMENT DU SIGNAL
LECTROCARDIOGRAPHIQUE (ECG)
Devant le jury:
Prsident A. BENNIA Professeur, Universit de Constantine
Rapporteur A. CHAREF Professeur, Universit de Constantine
Examinateurs F.SOLTANI Professeur, Universit de Constantine
L. HAMAMI Professeur, Ecole Nationale Polytechnique d'Alger
R. DJEMILI Matre de Confrence, Universit de Skikda
ANNE :2011
-
A mes parents, A ma femme et ma fille, A mes surs et mes frres,
-
Remerciements
v
Remerciements
Je tiens d'abord remercier Monsieur Abdelhak Bennia d'avoir accept la prsidence
de mon jury de thse, ainsi que Madame Latifa Hamami, Monsieur Fouzi Soltani et Monsieur
Rafik Djemili de m'avoir fait l'honneur de faire partie de mon jury de thse.
Je remercie tout particulirement Monsieur Abdelfatah Charef de m'avoir encadr
durant ces annes de doctorat en tant toujours disponible et encourageant, pour son aide et
conseils et pour ses grandes valeurs humaines.
J'adresse mes remerciements toute lquipe du laboratoire traitement du signal de
luniversit Mentouri de Constantine.
Je voudrais remercier mes parents pour leur amour et leur soutien. Je remercie
affectueusement, mes surs et mes frres pour leurs encouragements poursuivre cette
longue route.
Je n'oublierai pas de remercier ma femme Afaf pour sa patience et son soutien et son
aide dans les moments difficiles.
Merci tous ceux qui m'ont aid de prs ou de loin durant ces annes de recherche et
d'tudes. Je ne peux conclure sans un mot de remerciement tous mes enseignants tout le
long de ma formation.
-
Table des matires
vi
Table des matires
Remerciements.. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . vIntroduction Gnrale. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . 1
Chapitre I Le cur et llectrocardiographie
1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 7
2. Anatomie du cur. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 7
3. Activit mcanique cardiaque. . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . 7
4. La conduction lectrique du cur. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 9
5. L'Electrocardiogramme (ECG). . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 10
5.1 Les drivations . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 10
5.2 Ondes et Intervalles de L'ECG . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 13
6. Troubles du Rythme et de la Conduction Cardiaque . . . . . . .. . . . . . . .. . . . . . . .. . . . . 15
6.1 Rythme sinusal . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 15
6.2 Blocs cardiaques . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 15
6.2.1 Bloc Sino-Auriculaire (Bloc SA) . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 15
6.2.2 Blocs Auriculo-Ventriculaire (BAV) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6.2.3 Blocs de branche . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 16
7. Les arythmies cardiaques . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . 16
7.1 Extrasystoles supra-ventriculaires. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 17
7.2 Contraction ventriculaire prmature (extrasystole ventriculaire) 17
7.3 La tachycardie supra-ventriculaire. . . . .. . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 17
7.4 La fibrillation auriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 18
7.5 La tachycardie ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 18
7.6 Fibrillation ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 19
8. Artefacts visibles sur l'lectrocardiogramme. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . . . 20
8.1 Bruits techniques . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . 20
8.2 Artefacts physiques . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . .. . . 21
9. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . ... . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 23
-
Table des matires
vii
Chapitre II Les rseaux de neurones artificiels
1. Introduction. . . . . . . .. . . . . . . . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 25
2. Elments de base des rseaux de neurones. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 26
2.1 Historique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . 26
2.2 Du neurone biologique au modle mathmatique. . . . . . . . . . . . . . .. . . . . . . .. . . 27
2.2.1 Le modle neurophysiologique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 27
2.2.2 Le modle mathmatique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 27
2.3 Architecture des rseaux de neurones. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 30
2.3.1 Les rseaux de neurones non boucls (en Anglais feedforward) . . . . . . . . 30
2.3.2 Les rseaux de neurones boucls (rcurrents) . . . . . . .. . . . . . . .. . . . . . . . 30
2.4 Les types dapprentissage des rseaux de neurones. . . . . . . .. . . . . . . .. . . . . . . . 31
2.4.1 Lapprentissage supervis. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 31
2.4.2 Lapprentissage non supervis. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . 31
3. Les rseaux de neurones les plus utiliss. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . 32
3.1 Les Perceptrons . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 32
3.1.1 Le perceptron mono-couche (Perceptron simple) . . . . . . .. . . . . . . .. . . . . 32
3.1.2 Le perceptron multicouche (en anglais Multi Layer Perceptron) . .. . . . . . 33
3.2 Les rseaux fonction radiale. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . 33
3.3 Les cartes auto-organisatrices de Kohonen (SOM) . . . . . . . .. . . . . . . .. . . . . . . . 33
3.4 Les rseaux de Hopfield. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 33
3.5 Les rseaux ART. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 34
4. Le classificateur perceptron multicouche. . . . . . . .. . . . . . . .. . . . . . . .. . . . .. . .. . . . . . . 34
4.1 Principe . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 34
4.2 Rtropropagation du gradient de lerreur. . . . . . . .. . . . . . . .. . . .. . . .. . . . . . . .. . 35
5. Les cartes topologiques de Kohonen. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . 37
5.1 Dfinition . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . 37
5.2 Lapprentissage comptitif . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . 38
5.3 Processus dapprentissage du rseau de Kohonen. . . . . . . .. . . .. . . .. . . . . . . . . . 39
5.4 L'algorithme dapprentissage de Kohonen . . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . . 39
6. Les diffrentes applications de RNA. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 39
6.1 Reconnaissance des formes. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . . . . . . . .. . . . . 40
-
Table des matires
viii
6.2 Modlisation. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. 40
6.3 Traitement de la parole. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 40
6.4 Dtection danomalies en mdicine. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 41
6.5 Traitements dpendant du temps . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . . 41
7. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . . 41
Chapitre III Discrimination et classification des anomalies cardiaques par RNA
1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . .. . . . . . . 44
2. Les systmes automatiques de diagnostic cardiaque. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 44
3. Lintelligence artificielle et lECG. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 46
4. Lutilisation des RNA dans la classification des arythmies cardiaques. . . . . . .. . . . . . 47
5. Discrimination des battements PVC . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 48
6. Les problmes lis la dtection et la classification des dsordres cardiaques 49
7. La gnration des paramtres descriptifs. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . 50
8. Les techniques d'tude non supervises et leurs applications dans la classification de
lECG . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . .
50
9. Les avantages et les inconvnients de traitement par RNA. . . . . . . .. . . . . . .. . . . . . . . 51
9.1 Qualit et reprsentativit des donnes disponibles. . . . . . . .. . . . . . . .. . . . . . . . 52
9.2 Algorithmes de dtection. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 52
9.3 Slection /extraction des paramtres pertinents. . . . . . . .. . . . . . . .. . . . . . . .. . . . 53
9.4 tape de classification. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 53
10. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .. .. . . . . . . 54
Chapitre IV Approximation de la DSP du complexe QRS par les pentes
fractionnaires
1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . 57
2. Les fractales. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 58
3. Loi de puissance inverse (processus 1/f) . . . . . . . .. . . . . . . .. . . . . . . . . . . . . . .. . . . . . . 59
4. Invariance d'chelle temporelle dun signal . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 61
5. Le cur et le fractionnaire . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 61
6. Les caractristiques frquentielles de l'ECG. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 62
-
Table des matires
ix
7. Spectre de puissance du complexe de QRS. . . . . . . .. . . . . . . .. . . . . . ... . . . . . . .. . . . . 63
8. La mthode propose. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . .. . .. . . . . . . .. . . 64
8.1 Prtraitement du signal . . . . . . . .. . . . . . . .. . . . . . . .. . . . .. . .. . . . . . . .. . . . . . . . 64
8.2 Les tapes de traitement (algorithme principal) . . . . . . . .. . . . . .. .. . . . . . . .. . . . 66
8.3 Choix de la fentre dextraction des complexes QRS. . . . . . . .. . . . . . . .. . . . . . . 67
8.4 Spectre de puissance et calcul des pentes. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 68
9. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . . 70
Chapitre V Rsultats et discussions
1. Introduction. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . .. . . .. . . . . . . .. . . . . . . 72
2. Les anomalies cardiaques traites . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 72
2.1 La contraction ventriculaire prmature (Extrasystole ventriculaire) . . . . . . . . . 73
2.2 Les Blocs. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . . . 75
3. La base de donne MIT/BIH. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 76
4. La premire exprience : Discrimination des PVC par le rseau SOM . . . . . . . ... . . . . 76
4.1 Extraction des pentes . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 77
4.2 Choix de la taille et de lendroit de la fentre dextraction. . . . . . . .. . . . . . . .. . . 77
4.3 Distribution des deux pentes. . . . . . . .. . . . . . . .. . . . . . . .. .. . . . . .. . . . . . . .. . . . 78
4.4 Choix du rseau SOM. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 79
4.5 Choix de la taille de la carte. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 79
4.6 Evaluation des performances du rseau. . . . . . . .. . . . . . . .. . . . . .. .. . . . . . . .. . . 80
4.7 Choix des donnes dapprentissage. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . 80
4.8 Rsultats et discussion . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 81
4.9 Comparaison avec dautres mthodes. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . 83
4.10 Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 84
5. La deuxime exprience: Discrimination du RBBB par MLP . . . . . . . .. . . . . . . .. . . . . 85
5.1 Choix de la taille et de lendroit de la fentre dextraction. . . . . . . .. . . . . . . .. . . 85
5.2 Distribution des couples (pente1, pente2) . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 87
5.3 Choix de la classification par MLP. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . 87
5.4 Architecture du rseau. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 87
5.5 Evaluation des performances du rseau. . . . . . . .. . . . . . . .. . . . . . ... . . . . . . .. . . 89
5.6 Choix des donnes dapprentissage. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . 89
-
Table des matires
x
5.7 Choix des donnes de la base de test. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . 89
5.8 Rsultats et discussion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 90
5.9 Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . . . . . . .. . . 91
6. Conclusion. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 92
Conclusion Gnrale. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 94Bibliographie.. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . ... . . . . . . .. . . . . . . 97
-
Table des Figures
xi
Table des Figures
1.1 Anatomie du cur et des vaisseaux associs. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . . 8
1.2 Le systme spcialis d'excitation. . . . . . . .. . . . . . . .. . . . . . . . . . . . . .. . . . . . . .. . . . . 10
1.3 Montage dEinthoven pour lenregistrement des derivations bipolaires des membres 12
1.4 Drivations unipolaires. . . . . . . .. . . . . . . .. . . . . . . .. . . . .. .. . . . . . . .. . . . . . . .. . . . . . 12
1.5 Drivations thoraciques . . . . . .. .. . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . . . . 13
1.6 Trac ECG. . . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . . . . . 13
1.7 Exemples d'ECG : (a) normal et (b): bloc de branche gauche. . . . . . .. . . . . . . .. . . . . . 16
1.8 Tachycardie supra-ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 18
1.9 Fibrillation auriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 18
1.10 Tachycardie ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . 19
1.11 Fibrillation ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . . . . . . .. . . . . . . .. . . . 19
1.12 Interfrence secteur 50 Hz. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . .. . . . .. . . . . . . .. . 20
1.13 Bruit d aux mouvements des lectrodes. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 21
1.14 Drive de la ligne de base. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . . . . . . .. . . . . . . .. . . 22
1.15 Bruit myoletrique ou tremblement somatique. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 22
2.1 Schma dun neurone. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . 28
2.2 Schma dune synapse. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . 28
2.3 Neurone formel. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . . . . . .. . . . 29
2.4 Diffrents types de fonctions d'activation pour le neurone artificiel. . . . . . .. . . . . . . .. 29
2.5 Rseaux de neurones le plus utiliss. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . .. . . 32
2.6 Perceptron Multi Couches. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . 35
2.7 La cartes topologiques de Kohonen. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .. . . . 38
3.1 Reprsentation schmatique dun classificateur des signaux ECG. . . . . . . .. . . . . . .. . 45
4.1 Exemple dune construction fractale la courbe de Von Koch. . . . . . . .. . . . . .. .. . . . . . 58
4.2 Comportement en 1/f de la DSP du complexe QRS (rythme sinusal normal) . . . . . . . 60
4.3 Comportement en 1/f de la puissance de la srie RR du rythme cardiaque . . . . . . . . 61
4.4 Illustration schmatique du systme de conduction lectrique ventriculaire du cur. . 62
4.5 Densit spectrale de puissance du complexe QRS. . . . . . . .. . . . . . . .. . . . . . . .. . . . 63
4.6 filtrage dun signal ECG normal (Enregistrement 100 de MIT/BIH) . . . .. . . .. . . . . . . 65
4.7 Filtrage dun signal ECG avec un battement PVC (Enregistrement 221 de MIT/BIH) 66
-
Table des Figures
xii
4.8 Endroit de la fentre dextraction du complexe QRS. . . . . . . .. . . . . . . .. . . . . . . .. . . . 67
4.9 Spectre de puissance du complexe QRS dans deux cas considrs. . . .. . . .. . .. . ... . .. 68
4.10 Approximation de la DSP du complexe QRS. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . . 69
4.11 Histogrammes de diffrents types de battement. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . . 69
4.12 La distribution de la deuxime Pente en fonction de la premire Pente.. . . .. . .. . . . . 70
5.1 Contraction ventriculaire prmature (PVC) . . . . . . . .. . . . . . . .. . . . . . . .. .. . . . .. . . . 73
5.2 Extrasystole PVC. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . .. . . . . . . .. . . 74
5.3 Doublet ventriculaire. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . 74
5.4 Rythme de bigminisme. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . 74
5.5 Rythme de trigminisme. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . ... . . . . . . .. . . . . 74
5.6 Localisation des blocs standards le long des voies de conduction.. . . . . . . .. . . . . .. .. . 75
5.7 Distribution de Pente2 en fonction du Pente1 pour six enregistrements. . . . . . .. . . . . . 79
5.8 La carte SOM utilise. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . .. . . . . . . 80
5.9 Emplacement de la fentre dextraction du complexe QRS. . . . . . . .. .. . . . .. . . . . . . . 86
5.10 Bloc de branche droit et sa DSP correspondante (enregistrement 118) . . . . . . .. . . . . 86
5.11 Complexe QRS normal et sa DSP correspondante (enregistrement 212) . . . . . . .. . . 86
5.12 Distribution de la Pente2 en fonction de la Pente1 pour six enregistrements. . . . . . .. 88
5.13 Rseau de neurone MLP utilis. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . . . .. . . . . 89
-
Liste des tableaux
xiv
Liste des tableaux
5.1 Annotation des battements de la base de donnes MIT-BIH . . . . .. . . .. . . . .. . . .. . .. 77
5.2 Rsultat de clustering. . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. .. . . . 82
5.3 Rsum des rsultats obtenus par la mthode propose et autres mthodes . . . . . .. . 83
5.4 Rsultats de la classification . . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. . . .. . . . .. . . . .. . 90
-
Abrviations
xv
Abrviations
ECG lectrocardiogramme
NS Nud Sinusal
NAV Nud Auriculo Ventriculaire
ESV Extrasystole Ventriculaire
PVC Premature Ventricular Contraction (terme anglophone dESV)
BBD Bloc de Branche Droit
RBBB Right Bundle Branch Block (terme anglophone du BBD)
RNA Rseaux de Neurones Artificiels
PMC Perceptron Multi Couches
MLP Multi Layer Perceptron (terme anglophone de PMC)
SOM Self Organizing Maps
Cartes topologiques de Kohonen
Carte auto organisatrice
Rseau de Kohonen
DSP Densit Spectrale de Puissance
AAMI Association for the Advancement of Medical Instrumentation
-
Introduction Gnrale
-
Introduction Gnrale
1
Introduction Gnrale
Le cur est le muscle le plus fort du corps humain, et malgr sa puissance il est
vulnrable l'chec et au dysfonctionnement. Plusieurs types de maladies peuvent l'affecter,
nous pouvons citer comme exemples: les arythmies (les extrasystoles, les fibrillations, les
tachycardies, etc.) et les diffrents types de blocs de conduction (bloc de branche gauche et
droite, bloc auriculo ventriculaire). Ces maladies ont diverses origines; elles peuvent tre
coronaires, hypertensives, inflammatoires ou rhumatismales [1]. Les maladies
cardiovasculaires constituent l'une des principales causes de mortalit dans le monde, un taux
de 60% de ces maladies est enregistr dans les pays en voie de dveloppement o le
mdicament, le diagnostic et les normes vivantes de base ne sont pas fournis [2]. Pour ces
raisons il y a un besoin urgent pour le dveloppement de nouvelles mthodes de prvention,
de dtection et de traitement de ces maladies. Parmi les examens les plus couramment
effectus pour la dtection des maladies cardiovasculaires on distingue llectrocardiogramme
(ECG) qui est un signal de nature lectro-physiologique dont le trac matrialise l'activit
lectrique du cur capt par des lectrodes places la surface du corps. Dans le but
dexploiter au mieux les donnes ECG en grande quantit et dont l'analyse manuelle est
difficile, les systmes intelligents de diagnostic sont apparus. Ces systmes permettent
d'amliorer la qualit du signal (filtrage des bruits), le rehaussement des informations
pertinentes, l'extraction des informations qui ne sont pas visibles par une analyse visuelle
directe, ainsi que de proposer un diagnostic qui puisse apporter une aide suffisante pour
permettre aux mdecins non spcialistes ou dbutants de prendre les bonnes dcisions.
Cependant, l'automatisation de la dtection des maladies cardiovasculaires partir du signal
ECG n'est pas triviale, notamment parce qu'il est difficile d'extraire de ce dernier toutes les
informations dont se sert le mdecin pour faire un bon diagnostic. En outre, fournir un
systme suffisamment de connaissances expertes pour automatiser le diagnostic est une tche
extrmement coteuse et fastidieuse.
Un systme de traitement automatis de l'ECG se compose gnralement de quatre
tapes successifs comme suit: le prtraitement du signal, la dtection des ondes, l'extraction
des paramtres pertinents, et enfin la classification/discrimination des anomalies [3]. Ltape
de prtraitement (ou filtrage) du signal consiste essentiellement liminer les diffrents types
de bruits qui affectent le signal ECG durant sont acquisition (par exemple linterfrence
-
Introduction Gnrale
2
50Hz avec l'alimentation des appareils de mesures, bruits lis aux lectrodes, dviation de la
ligne de base lie aux mouvements du cur et du patient etc.). La dtection a pour but la
localisation des diffrentes ondes de lECG ainsi que la mesure de leur dure dune faon
exacte et fiable. Dans la littrature on trouve beaucoup d'algorithmes et techniques de
dtection [4-13]. Comme le complexe QRS est le plus important dans le cycle cardiaque, la
dtection de l'onde R est la plus recherche dans la littrature. Les mesures faites sur le signal
ECG aprs la dtection peuvent tre dsignes sous le nom des vecteurs de paramtres
caractristiques. Cest dans ltape extraction/slection que se ralisent ces mesures. Ce
vecteur des paramtres peut subir une autre tape de traitement avant la classification,
Plusieurs techniques de slection des paramtres pertinents peuvent tre utilises pour rduire
la dimension du vecteur de paramtres comme la reprsentation temporelle [14], les
intervalles RR [15], les fonctions Hermites [16], la modlisation autorgressive [17] et la
transforme en ondelettes [18-20]. Ltape de slection permet de choisir les paramtres les
plus pertinents pour maximiser la divergence entre les classes, tout en maintenant toujours
l'information suffisante pour permettre la discrimination.
Dans cette thse, le premier axe de recherche abord est la prsentation d'une nouvelle
mthode pour l'extraction des paramtres partir du signal ECG en se basant sur le concept
des fractales (fractionnaire). Ce concept est n d'une rflexion des mathmaticiens sur la
notion de dimension d'espace; il a t dvoil par B. Mandelbrot [21-22]. Le concept des
fractales est souvent li un autre concept aussi trs important qui est le comportement en 1/f
des processus et des phnomnes physiques. Ce comportement est souvent vu comme la
manifestation ou l'effet dune multitude de processus locaux voluant dans le temps et qui
provoquent simultanment ce type de processus. Ce comportement a t remarqu dans
diffrents domaines de la nature tel que le bruit lectrique [23], le phnomne de relaxation
des impdances polarises dans les milieux dilectriques [24], le rythme cardiaque [25], les
membranes cellulaires [26], les ondes crbrales [27], la densit spectrale de londe musicale,
ainsi que les donnes en mtorologie, en conomie, et en statistique [28]. Les travaux de
Goldberger et al [29] sur lactivation du myocarde ventriculaire ont prouvs que l'activation
des ventricules par l'intermdiaire des fibres de Purkinje conduit une dpolarisation fractale
des ventricules et que cette dpolarisation est reflte dans le complexe QRS. Goldberger et al
ont prouvs aussi que le spectre du complexe QRS suit une loi de puissance inverse 1/f avec
une pente de valeur fractionnaire. Cette caractristique a t justifie par la structure fractale
-
Introduction Gnrale
3
du rseau de conduction cardiaque et surtout les fines fibres de Purkinje fortement ramifies
[29-32]. Cette importante caractristique sera la base de travail de cette thse.
Le second axe de recherche abord dans cette thse est la classification et la
discrimination des arythmies cardiaques. Les techniques utilises dans cette tche sont des
rseaux de neurones aliments par des paramtres pertinents extraits partir du signal ECG.
Dans la littrature, on trouve pas mal de techniques appliquant les approches de l'intelligence
artificielle dans la classification automatise de lECG, telles que lapproche baysienne et
heuristique [33], les modles de Markov [34], la technique ART (Adaptive Resonant Theory)
[35], les machines support de vecteur (SVM) [36] et les rseaux de neurones artificiels
(RNA) [37-38]. Les RNA ont t le choix le plus populaire dans le domaine de la
classification automatise du signal ECG pendant les deux dernires dcennies. Ceci est peut
tre d aux avances faites dans les algorithmes dapprentissages des RNA dans les annes 80
leur donnant un niveau de classification comparable ceux des approches dj existantes et
avec un temps de calcul nettement plus court [39-40]. La polyvalence des applications des
RNA concernant leurs variables d'entre dans le champ des applications lies aux maladies
cardiaques est un autre avantage qui a pouss les chercheurs abandonner les approches
traditionnelles pour les RNA [41]. Donc, au lieu d'utiliser des donnes lies directement
lECG tel que lamplitude, les intervalles temporels etc., les RNA peuvent tre aliments par
nimporte quel ensemble de donnes extraites partir du signal par des techniques de
traitement du signal. Plusieurs architectures des RNA ont t employes dans le cas de la
classification et la discrimination des anomalies cardiaques, les plus utilises sont le
perceptron multicouche [42], les rseaux fonction radiale [43], les cartes auto-organisatrices
de Kohonen (SOM) [44], les rseaux de Hopfield [45] et les rseaux ART [46-47].
Objectifs et motivations
Notre travail se situe dans le cadre de lanalyse automatique des troubles cardiaques.
Une attention particulire est porte sur les battements ectopiques prmatures (PVC) et le
bloc de branche droit (RBBB). Cette thse propose une mthode originale de classification et
de discrimination des anomalies cardiaques partir dune seule chane du signal ECG. La
mthode propose est base sur lutilisation de deux nouveaux paramtres extraits de la
densit spectrale de puissance du complexe QRS pour discriminer les battements anormaux
des battements normaux. Ces paramtres appels pentes fractionnaires sont calculs par
-
Introduction Gnrale
4
interpolation linaire de la densit spectrale de puissance (DSP) du complexe QRS dans deux
intervalles diffrents de frquence. La tche de classification est ralise par un rseau de
neurones aliment seulement par les deux paramtres qui reprsentent le complexe QRS ou
plus gnralement qui reprsente tout un battement.
Prsentation de la thse
Le premier chapitre de cette thse prsente sommairement llectrophysiologie du
cur, llectrocardiogramme, et notamment les diffrents types dartefacts qui affectent le
signal ECG enregistr. Ces notions sont indispensables pour la bonne comprhension des
problmes tudis. Il permet, en particulier, de comprendre lorigine des signaux lectriques
enregistrs par llectrocardiogramme et prsente quelques pathologies cardiaques typiques
illustres chacune par un enregistrement ECG correspondant.
Le deuxime chapitre est consacr la prsentation des rseaux de neurones artificiels.
Nous nous sommes concentrs principalement sur deux architectures neuronales qui sont
gnralement utilises pour la classification des anomalies cardiaques: le perceptron multi
couches (MLP) et le rseau SOM.
Le troisime chapitre donne un aperu sur les diffrents tapes constituant un systme
automatique de diagnostic cardiaque. Une partie du chapitre est consacre la prsentation
dun tat de lart sur lapplication de lintelligence artificielle dans la conception des systmes
automatiques de diagnostic cardiaque, notamment lutilisation des rseaux de neurones dans
ltape de la classification avec les avantages et les inconvnients de traitement par RNA.
Pour bien comprendre la mthode utilise pour lextraction des paramtres
discriminants du signal ECG, la premire partie du chapitre 4 prsente les concepts de la
gomtrie fractale, les processus 1/f ainsi que la relation entre le signal cardiaque et le calcul
des pentes fractionnaires. Sa seconde partie est consacre la description dtaille de la
mthode propose d'extraction des paramtres pertinents qui comprend: le prtraitement du
signal ECG, le calcul de la DSP du complexe QRS et lapproximation de cette DSP pour
parvenir ces paramtres qui seront utiliss dans la tche de classification des anomalies
cardiaques.
Le chapitre 5 prsente les rsultats et les discussions obtenus par l'application de la
mthode de discrimination propose en utilisant des lectrocardiogrammes rels de la base de
donnes MIT/BIH.
-
Introduction Gnrale
5
Enfin, une conclusion gnrale, prsente une gense des principaux rsultats de cette
thse et les perspectives de ce travail de recherche.
-
Chapitre I
Le cur et llectrocardiographie
-
Chapitre 1 Le cur et llectrocardiographie
7
1. Introduction
Le systme cardiovasculaire est constitu du cur et du systme vasculaire, sa
fonction principale est d'assurer un flux de sang adquat continu et sous pression suffisante
aux organes et aux tissus afin de satisfaire aux besoins nergtiques et au renouvellement
cellulaire quelles que soient les conditions ambiantes et l'activit de l'individu. Dans ce
chapitre, l'introduction la cardiologie est volontairement limite aux notions utiles la
comprhension des chapitres suivants. Le lecteur intress pourra cependant trouver des
informations complmentaires dtailles dans [48,3] et de manire plus intuitive dans [49,50].
2. Anatomie du cur
Le cur est un organe contractile assurant la circulation sanguine. Cest un muscle
stri creux spar en deux moitis indpendantes (droite et gauche). Sa partie droite contient
du sang pauvre en oxygne et assure la circulation pulmonaire; sa partie gauche renferme du
sang riche en oxygne et le propulse dans tous les tissus. Chacune des moitis comporte une
oreillette et un ventricule qui communiquent par des valves d'admission qui, l'tat normal,
laissent passer le sang uniquement de l'oreillette vers le ventricule. Il existe aussi des valves
d'chappement qui assurent la communication entre le ventricule droit et l'artre pulmonaire
(valve pulmonaire), ainsi qu'entre le ventricule gauche et l'artre aorte (valve aortique). Ces
deux valves se trouvent l'entre de l'aorte et de l'artre pulmonaire respectivement. Sur la
Figure (1.1), nous pouvons voir l'anatomie du cur et des vaisseaux associs. Les parois du
cur sont constitues par le muscle cardiaque, appel myocarde, compos d'un ensemble de
cellules musculaires cardiaques ou cardiomyocites [51].
3. Activit mcanique cardiaque
Le cycle de la circulation sanguine se rpte constamment et se divise en deux
priodes: la systole et la diastole.
La systole est la priode correspondant l'jection du sang dans la grande et petite
circulation. Elle se dcompose en trois phases: la systole auriculaire, la contraction
ventriculaire isovolumique et la systole ventriculaire [52].
-
Chapitre 1 Le cur et llectrocardiographie
8
- La systole auriculaire est la contraction des oreillettes lorsque celles-ci sont remplies de sang.
- La contraction ventriculaire isovolumique commence lorsque les cellules musculaires du myocarde ventriculaire se contractent.
- La systole ventriculaire commence lorsque les pressions dans les ventricules dpassent les pressions dans l'artre pulmonaire et l'aorte.
Figure 1.1 Anatomie du cur et des vaisseaux associs.
La diastole est la phase de relaxation du cur pendant laquelle il se remplit de sang. Cette
priode est compose de deux phases: la relaxation ventriculaire isomtrique et la phase de
repos.
- La relaxation ventriculaire fait suite la systole. Les ventricules se relchent, la pression chute jusqu'a tre inferieure celle exerce dans l'aorte et l'artre
pulmonaire.
- La phase de repos est celle pendant laquelle le sang des veines caves et pulmonaires s'coule librement dans les ventricules via les oreillettes.
-
Chapitre 1 Le cur et llectrocardiographie
9
4. La conduction lectrique du cur
La contraction du muscle cardiaque (ou myocarde) a pour origine la propagation d'une
onde lectrique qui excite les cellules musculaires dans un ordre bien tabli afin que la
contraction soit la plus efficace possible. Le systme spcialis d'excitation/conduction
lectrique comprend: le nud sinusal, les voies spcialises internodales, le nud auriculo-
ventriculaire (NAV), le faisceau de His, appel nud pacemaker dominant du cur, les
branches droite et gauche et les fibres de Purkinje, comme montr sur la Figure (1.2) [51,52].
L'activit lectrique normale du cur suit la squence d'activation suivante :
- Le nud sinusal (NS) : L'activit lectrique est gnre spontanment dans le nud sinusal qui est situ dans la partie
haute de la paroi intrieure de l'oreillette droite, au niveau o dbouche la veine cave
suprieure. L'impulsion cardiaque initie dans le nud sinusal est transmise aux deux
oreillettes. Cette activation est facilite au moyen des voies spcialises internodales qui
relient le nud sinusal au nud auriculo-ventriculaire.
- Le nud auriculo-ventriculaire (NAV) : Il est situ en bas de l'oreillette droite et est constitu de cellules qui prsentent une
conduction lectrique lente. L'activation lectrique qui arrive au NAV est physiologiquement
ralentie (approximativement 100 ms) avant d'arriver au faisceau de His. Cette proprit
physiologique du NAV permet de protger les ventricules d'un nombre excessif d'activations
du NAV et d'activations auriculaires et concde aux oreillettes un temps de vidange plus
grand, ce qui optimise la contraction ventriculaire.
- Le faisceau de His : Il est situ dans la partie haute du septum interventriculaire et ses fibres traversent le tissu
connectif (non excitable) qui spare lectriquement les oreillettes des ventricules. Dans les cas
normaux, le NAV et le faisceau de His constituent la seule voie de propagation de l'activit
lectrique cardiaque entre les oreillettes et les ventricules. L'ensemble de ces deux structures
est souvent appel la jonction auriculo-ventriculaire. Le faisceau de His comprend un tronc
initial qui se divise en deux branches, droite pour le ventricule droit et gauche pour le
ventricule gauche.
- Les fibres de Purkinje :
-
Chapitre 1 Le cur et llectrocardiographie
10
Les branches du faisceau de His finissent dans un rseau de fibres qui arrivent dans les parois
ventriculaires. Les fibres de Purkinje terminent en anastomoses avec les fibres myocardiques
musculaires, facilitant leur excitation.
Figure 1.2 Le systme spcialis d'excitation.
5. L'Electrocardiogramme (ECG)
Le terme lectrocardiogramme (ECG) dsigne en gnral les techniques permettant de
visualiser les diffrences de potentiel qui rsultent de l'excitation du cur. Ces potentiels
naissent la limite entre les zones excites et celles non excites du myocarde et sont mesurs
entre deux points de la surface du corps. Une fibre cardiaque en cours de dpolarisation peut
tre assimile un diple lectrique. A un instant donn le front de l'onde d'activation form
par l'ensemble des diples lmentaires cre un champ lectrique qui est fonction des
moments dipolaires. L'enregistrement de l'volution temporelle du champ lectrique rsultant,
effectu au moyen d'lectrodes cutanes, est nomm l'lectrocardiogramme de surface et
appel simplement ECG [50,54].
5.1 Les drivations
-
Chapitre 1 Le cur et llectrocardiographie
11
Gnralement les appareils lectrocardiographiques peuvent enregistrer plusieurs
diffrences de potentiel en mme temps, selon l'emplacement et le nombre d'lectrodes
rparties sur le thorax et les membres. Chaque mesure de ces potentiels correspond une
drivation de l'ECG. Un systme de drivations consiste en un ensemble cohrent de
drivations, chacune tant dfinie par la disposition des lectrodes sur le corps du patient.
L'emplacement des lectrodes est choisi de faon explorer la quasi-totalit du champ
lectrique cardiaque.
Si on mesure le vecteur cardiaque dans une seule direction, on ne sera pas en mesure de le
caractriser entirement. Il est donc important davoir un standard de positionnement des
lectrodes (drivations) pour lvaluation clinique du signal ECG. En pratique, douze
drivations sont utilises dans les plans frontal et transversal pour explorer lactivit
lectrique du cur. On distingue :
- Trois drivations bipolaires (ou drivations standard) : Elles ont t dtermines par Einthoven (Einthoven, 1906) et ils sont appeles bipolaires car
le potentiel est mesur entre deux lectrodes. Elles sont obtenues partir des potentiels du DI,
DII, DIII obtenues par permutation des lectrodes places sur le bras droit, le bras gauche et la
jambe gauche de la manire suivante :
DI=VL-VR DII=VF-VR DIII=VF-VL
O VR correspond au potentiel au bras droit, VL correspond au potentiel au bras gauche et VF
correspond au potentiel dans la jambe gauche. La jambe droite est relie la masse. Les
vecteurs obtenus forment alors un triangle quilatral appel triangle dEinthoven comme
donn sur la Figure (1.3).
- Trois drivations unipolaires aVR, aVL, aVF : Les drivations unipolaires des membres permettent d'tudier l'activit lectrique du cur sur
le plan frontal. Elles ont t dtermines par Wilson (Wilson et al, 1934). Ces drivations
permettent de mesurer la tension entre un point de rfrence et le bras droit, le bras gauche et
la jambe gauche respectivement. Le point de rfrence est ralis par la moyenne des signaux
qui apparaissent sur les deux autres membres qui ne sont pas en observation. A cet effet, on
utilise des rsistances de valeur leve, suprieure 5M. La Figure (1.4) montre les
drivations unipolaires.
-
Chapitre 1 Le cur et llectrocardiographie
12
Figure 1.3. Montage dEinthoven pour lenregistrement des derivations bipolaires des membres.
Figure 1.4. Drivations unipolaires.
- Six drivations prcordiales : Ce sont des drivations unipolaires mises au point par Wilson (Wilson et al, 1944). Elles sont
poses sur le thorax et sont dsignes par la lettre V suivie du numro de leur emplacement.
Le potentiel de l'lectrode exploratrice est pris par rapport la moyenne des potentiels VL, VR
et VF. Six points, dfinis par Wilson, permettent d'obtenir les drivations V1 V6. Leur
emplacement est reprsent sur la Figure (1.5).
-
Chapitre 1 Le cur et llectrocardiographie
13
Figure 1.5 Drivations thoraciques.
5.2 Ondes et Intervalles de L'ECG
Le processus de dpolarisation et de repolarisation des structures myocardiques se
prsente dans l'ECG comme une squence de dflexions ou ondes superposes une ligne de
potentiel zro, appele ligne isolectrique ou ligne de base. Ces dflexions sont dites positives
si elles sont situes au-dessus de la ligne isolectrique sinon elles sont dites ngatives.
Pour chaque battement cardiaque l'ECG enregistre principalement trois ondes successives
[53,54] comme montr sur la Figure (1.6).
Figure 1.6 Trac ECG.
-
Chapitre 1 Le cur et llectrocardiographie
14
- L'onde P: Elle reprsente la dpolarisation auriculaire. Cette onde peut tre positive ou ngative avec
une dure de l'ordre de 90 ms. Gnralement son observation est difficile, spcialement dans
des conditions bruites. Il faut noter que la repolarisation auriculaire n'est pas visible sur
l'ECG car elle concide avec le complexe QRS d'amplitude plus importante.
- Le complexe QRS: Il correspond la dpolarisation ventriculaire prcdant l'effet mcanique de contraction et il
possde la plus grande amplitude de l'ECG. Il est constitu de trois ondes conscutives :
l'onde Q qui est ngative, l'onde R qui est positive dans un ECG normal et l'onde S qui est
ngative. Sa dure normale est comprise entre 85 et 95 ms.
- L'onde T: Elle corresponde la repolarisation des ventricules, qui peut tre ngative, positive ou bi-
phasique et qui a normalement une amplitude plus faible que le complexe QRS. Bien que la
dpolarisation et la repolarisation des ventricules soient des vnements opposs, l'onde T est
normalement du mme signe que l'onde R, ce qui indique que la dpolarisation et la
repolarisation ne sont pas symtriques.
L'ECG est aussi caractris par plusieurs intervalles comme on peut voir sur la Figure (1.6):
- L'intervalle RR: Il est dlimit par les sommets de deux ondes R conscutives et d'o est value la frquence
cardiaque instantane. Cet intervalle est utilis pour la dtection des arythmies ainsi que pour
l'tude de la variabilit de la frquence cardiaque.
- Le segment ST: Il reprsente l'intervalle durant lequel les ventricules restent dans un tat de dpolarisation
actif. Il est aussi dfini comme la dure entre la fin de l'onde S et le dbut de l'onde T.
- L'intervalle PQ: Il reprsente l'intervalle de temps entre le dbut de la dpolarisation des oreillettes et le dbut
de la dpolarisation ventriculaire. Il reprsente le temps ncessaire l'impulsion lectrique
pour se propager du nud sinusal jusqu'aux ventricules et il est mesur entre le dbut de
l'onde P et le dbut du complexe QRS.
- Lintervalle QT: Il reprsente la dure entre le dbut du complexe QRS et la fin de l'onde T. Cet intervalle
reflte la dure de la dpolarisation et repolarisation ventriculaire. En effet sa dynamique peut
tre associe des risques d'arythmie ventriculaire et de mort cardiaque soudaine.
-
Chapitre 1 Le cur et llectrocardiographie
15
6. Troubles du rythme et de la conduction cardiaque
Sous cette dnomination on regroupe les arythmies cardiaques et les blocs cardiaques.
Le meilleur outil pour diagnostiquer une arythmie est l'lectrocardiogramme. Dans l'analyse
de l'ECG, les pathologies ou anomalies sont dtectes et classes en fonction de leur dviation
par rapport au rythme idal qu'est le rythme sinusal. Chaque dviation visible sur l'ECG peut
tre attribue une anomalie physiologique [54,2].
6.1 Rythme sinusal
Le rythme sinusal est le rythme normal cardiaque. Il correspond une activation
physiologique des oreillettes, puis des ventricules, a partir du nud sinusal. Son rythme est
compris entre 60 80 battements par minute avec un intervalle rgulier entre des battements
normaux. Le cur s'acclre normalement lors de l'activit physique, dans les circonstances
physiologiques qui exigent un surcrot de demande mtabolique ou sous l'effet des motions
ou d'excitants tels que caf, tabac et alcool.
6.2 Blocs cardiaques
Les blocs cardiaques sont dus une rupture de conduction du myocarde qui altre la
dpolarisation. Ces ruptures peuvent tre plus ou moins svres : freinantes (allongement du
temps de parcours), intermittentes (le blocage de la conduction se fait alatoirement), ou
complte (aucune conduction).
6.2.1 Bloc Sino-Auriculaire (Bloc SA)
Le nud sinusal peut ne pas transmettre de stimulus aux cellules des oreillettes. La
consquence est qu'au moins un cycle complet n'est pas effectu. Aprs la pause, due au bloc,
le cycle reprend normalement si aucun autre foyer ectopique n'a dclench la contraction.
6.2.2 Blocs Auriculo-Ventriculaire (BAV)
On appelle BAV l'altration de la conduction du stimulus de dpolarisation entre les
oreillettes et les ventricules.
-
Chapitre 1 Le cur et llectrocardiographie
16
6.2.3 Blocs de branche
Le bloc de branche est d au blocage de la dpolarisation dans une des branches du
faisceau de His. Un bloc dans l'une ou l'autre branche provoque un retard dans la
dpolarisation du ventricule auquel elle appartient. La dpolarisation des ventricules est
dsynchronise et le complexe QRS est largi par rapport l'ECG normal comme montr sur
la Figure (1.7).
(a)
(b)
Figure 1.7 Exemples d'ECG : (a) normal et (b): bloc de branche gauche.
7. Les arythmies cardiaques
Elles sont une cause majeure de mortalit et constituent une partie trs importante de
la problmatique des maladies cardiovasculaires. L'arythmie survient lorsque l'excitation
lectrique nat hors du nud sinusal, dans le nud atrio-ventriculaire ou les ventricules par
exemple, ou que l'onde lectrique ne suit plus les voies prfrentielles de propagation. La
contraction cardiaque qui en rsulte s'carte du rythme normal. Le battement supplmentaire
qu'elle provoque se nomme extrasystole, par opposition la contraction normale nomme
systole. On classe les arythmies en fonction de leur lieu de formation et de leurs effets sur le
rythme cardiaque. Si le trouble se dclare dans les oreillettes ou le nud atrio-ventriculaire,
on parlera d'arythmie supra-ventriculaire; s'il apparat dans les ventricules, on parlera
d'arythmie ventriculaire. Si une arythmie acclre le rythme cardiaque, on parlera de
tachycardie (tachy = rapide); si elle le ralentit, on parlera alors de bradycardie (brady = lent)
[2].
-
Chapitre 1 Le cur et llectrocardiographie
17
7.1 Extrasystoles supra-ventriculaires
Une extrasystole supra-ventriculaire est caractrise par une stimulation cardiaque
prmature par rapport au rythme de base. Selon son origine, elle pourra tre auriculaire
(oreillettes) ou jonctionnelle (nud atrio-ventriculaire). Souvent l'hypertension artrielle, en
raison de sa surcharge pour le cur, provoque une distension des oreillettes et leur
contraction prmature. La faiblesse du muscle cardiaque peut constituer une autre cause de
ce type d'extrasystole.
7.2 Contraction ventriculaire prmature (extrasystole ventriculaire)
L'extrasystole ventriculaire est due la prsence d'une zone irritative dans le
ventricule qui ne se soumet pas l'harmonie de l'activation cardiaque. L'motion, un
dsquilibre de la teneur en sels minraux, un tat fivreux ou une infection peuvent
dmasquer une propension cette arythmie. Dans ces cas, celle-ci sera considre comme
bnigne, tandis que l'apparition d'extrasystoles accompagnant une maladie cardiaque peut
dvoiler un problme qui ncessite un traitement. Si les extrasystoles se multiplient et que la
stimulation lectrique suit le mouvement, la frquence cardiaque augmentera, on parlera
alors de tachycardie.
7.3 La tachycardie supra-ventriculaire
Lors de tachycardie paroxystique, le cur s'emballe soudainement et bat trs
rapidement, jusqu' 150 220 fois par minute comme montr sur la Figure (1.8). Ces
pisodes peuvent durer quelques secondes ou se prolonger pendant plusieurs heures. Ils
s'arrtent aussi soudainement qu'ils sont apparus. Les tachycardies supra ventriculaires
peuvent apparatre ds le trs jeune ge et persister toute la vie. Aprs ces crises, le sujet se
sent fatigu, mais ce type d'arythmie est rarement dangereux. Elles ncessitent nanmoins
l'attention du mdecin, car elles peuvent tre gnantes et diminuer la qualit de vie.
-
Chapitre 1 Le cur et llectrocardiographie
18
Figure 1.8 Tachycardie supra-ventriculaire
7.4 La fibrillation auriculaire
Une fibrillation auriculaire est dfinie comme la contraction anarchique des
oreillettes, qui entrane une contraction rapide et irrgulire des ventricules comme montr
sur la Figure (1.9). Il sagit dun trouble du rythme du cur trs frquent, en particulier chez
les sujets de plus de 60 ans. Le diagnostic est difficile car les symptmes de fibrillation
auriculaire ne sont absolument pas ressentis.
Figure 1.9 Fibrillation auriculaire
7.5 La tachycardie ventriculaire
La tachycardie ventriculaire est en gnral la manifestation dun dysfonctionnement
du muscle cardiaque. Elle peut apparatre tout ge, mais elle est frquemment la
consquence dun infarctus du myocarde. Elle se manifeste par la dsynchronisation des
-
Chapitre 1 Le cur et llectrocardiographie
19
battements ventriculaires qui conduit une diminution du pompage du sang (voir Figure
(1.10)).
Figure 1.10 Tachycardie ventriculaire
7.6 Fibrillation ventriculaire
La fibrillation ventriculaire (FV) est parfois inaugurale (mort subite), prcoce
(fibrillation ventriculaire primaire de bon pronostic), parfois tardive (fibrillation
ventriculaire secondaire) accompagnant alors un anvrysme du ventricule gauche suite un
mauvais diagnostic. La fibrillation ne peut pas se produire dans un milieu homogne. En
fait, la priode rfractaire, l'excitabilit, ainsi que la vitesse de conduction nont pas des
proprits constantes partout dans le tissu ventriculaire comme montr sur la Figure (1.11).
Figure 1.11 Fibrillation ventriculaire
-
Chapitre 1 Le cur et llectrocardiographie
20
8. Artefacts visibles sur l'lectrocardiogramme
Sur tout enregistrement lectrocardiographique il peut apparatre des vnements
indsirables pouvant brouiller le trac et, parfois, induire en erreur le diagnostic final. Ces
bruits sont reconnaissables par l'il expriment qui les identifie avant d'effectuer son
diagnostic. Les effets indsirables peuvent avoir plusieurs sources: techniques, physiques ou
pathologiques. Nous allons surtout dvelopper l'aspect technique et physique des bruits et
artefacts prsents sur les tracs lectrocardiographiques notamment sur les tracs Holter. En
partant du principe que les bruits frquents en lectrocardiographie sont des bruits additifs,
les caractristiques de ces bruits auxquelles nous allons nous attacher sont l'amplitude, la
priodicit et la bande spectrale. Les artefacts prennent une place particulire puisqu'ils
induisent des modifications des performances des algorithmes d'analyse automatique de
l'lectrocardiogramme [2,53].
8.1 Bruits techniques
Le matriel utilis lors de l'enregistrement doit tre manipul avec prcaution car il peut
tre source de bruits lors de l'enregistrement. Les plus courants sont prsentes ci-dessous.
- Bruit d au secteur Le rseau de distribution lectrique peut parfois brouiller le signal lectrocardiographique
avec une onde dont l'harmonique principale est 50 Hz comme montr sur la Figure (1.12).
Ce type de bruit apparat sur tout l'enregistrement et peut tre assez fort mais il s'limine
facilement avec un filtre slectif car c'est un bruit haute frquence a bande troite.
Figure 1.12 Interfrence secteur 50 Hz.
-
Chapitre 1 Le cur et llectrocardiographie
21
- Bruit d aux mouvements d'lectrodes Lorsque les lectrodes sont connectes incorrectement, des sauts brusques de la ligne de
base apparaissent. L'effet sur le trac peut aller de la simple diminution d'amplitude
l'apparition de pics lorsque les lectrodes sont en contact intermittent avec la peau. Ces pics
peuvent parfois tre confondus avec les ondes du trac normal comme montr sur la Figure
(1.13). Ce type de bruit intermittent bande spectrale large s'limine difficilement car son
nergie se trouve dans la mme gamme de frquence que le complexe QRS.
Figure 1.13 Bruit d aux mouvements des lectrodes.
- Autres bruits courants Parmi les bruits courants on peut citer les artefacts ds aux mouvements des cbles
lectriques, la saturation des instruments de mesure, les mauvais cblages, les artefacts ds
au port de vtements synthtiques, etc.
8.2 Artefacts physiques
Les artefacts physiques sont dus aux activits lectriques du corps humain telles que les
commandes de contraction des muscles ou la respiration.
- Mouvements de la ligne de base Lors de l'enregistrement de l'lectrocardiogramme, l'activit respiratoire peut faire osciller la
ligne de base de l'ECG un rythme rgulier comme montr sur la Figure (1.14). D'autres
perturbations peuvent avoir pour effet de dplacer temporairement la ligne de base comme,
par exemple, les mauvais contacts entre la peau et les lectrodes. Ces perturbations sont
gnralement peu gnantes pour l'analyse de l'ECG et peuvent tre en grande partie filtres
car leur nergie se situe dans une bande de frquence basse, qui empite peu sur celle de
l'ECG normal.
-
Chapitre 1 Le cur et llectrocardiographie
22
Figure 1.14 Drive de la ligne de base.
- Bruit myoletrique ou tremblement somatique La contraction d'un muscle est commande par une dpolarisation des cellules musculaires
et bien que les lectrocardiographes soient construits pour tre surtout sensibles aux
frquences du myocarde, l'ECG enregistre les contractions des muscles squelettiques
comme montr sur la Figure (1.15). L'aspect le plus courant est une oscillation haute
frquence lie la tension musculaire d'un sujet qui n'est pas convenablement dtendu. Ces
perturbations sont assez gnantes lorsque le patient bouge beaucoup ou lorsqu'il frissonne,
elles peuvent noyer les ondes P et T et empcher un diagnostic fiable. L'apparition de ces
perturbations dpend de l'tat du patient, s'il est trs tendu ou atteint de maladie de
Parkinson, l'enregistrement peut tre de mauvaise qualit sur toutes les voies de l'ECG.
Figure 1.15 Bruit myoletrique ou tremblement somatique.
-
Chapitre 1 Le cur et llectrocardiographie
23
9. Conclusion
Ce chapitre est une introduction aux lments de base de llectrophysiologie du
cur. Aprs une introduction sur lanatomie du cur humain, nous avons dcrit brivement
lactivit mcanique du cur ainsi que le systme de conduction lectrique du cur. Ces
notions sont indispensables pour la bonne comprhension des problmes tudis par la
suite.
Dans une deuxieme partie de ce chapitre nous avons expos les differentes notions de
llectrocardiographie. Quelques pathologies cardiaques typiques ont t presentes et
illustres chacune par un enregistrement ECG correspondant.
Nous avons termin ce chapitre par donner les diffrents types dartefacts qui
peuvent affecter le signal ECG enregistr.
-
Chapitre II
Les rseaux de neurones artificiels
-
Chapitre II Les rseaux de neurones artificiels
25
1. Introduction
Inspirs du fonctionnement du cerveau humain, les rseaux de neurones artificiels
(RNA) occupent aujourdhui une place prpondrante dans plusieurs domaines des sciences
de lingnieur. C'est partir de l'hypothse que le comportement intelligent merge de la
structure et du comportement des lments de base du cerveau, que les rseaux de neurones
artificiels se sont dvelopps. Les progrs accomplis dans la comprhension du
fonctionnement du cerveau humain ont contribu dans une large mesure au dveloppement
des RNA. Cependant les scientifiques sont toujours impressionns par larchitecture du
systme neuronal humain, sa complexit, son efficacit et sa rapidit dans le traitement de
certains problmes complexes que le plus puissant des ordinateurs actuels ne peut rsoudre
avec la mme efficacit.
Dun point de vu mathmatique, un RNA est un systme mathmatique possdant une
capacit dapprentissage de lenvironnement extrieur. Il est capable de modliser un
processus physique partir de donnes exprimentales (il n'est pas strictement ncessaire
dassumer une relation particulire entre les donnes) mises sa disposition afin de
gnraliser sur de nouvelles donnes. Les RNA peuvent fournir une solution intressante pour
les problmes de classification des anomalies cardiaques, leur excellente possibilit
d'apprendre le rapport entre les entres-sorties d'un ensemble de donnes sans n'importe
quelle connaissance antrieure les rendent tout fait appropris aux tches de classification
dans les situations pratiques comme la notre. Dans ntre cas le RNA sera utilis pour la
classification des anomalies cardiaques partir des paramtres ou signatures dune anomalie,
en dautres termes, son rle sera la discrimination dune anomalie cardiaque partir du signal
ECG.
Ce chapitre est structur en deux parties. Une premire partie est consacre la
prsentation des rseaux de neurones artificiels. Nous commenons par donner une brve
prsentation de lvolution historique de cet axe de recherche, avant de prsenter le principe
de fonctionnement des neurones artificiels, nous dcrivons les bases essentielles des neurones
biologiques ainsi que les diffrentes architectures de rseaux de neurones. Nous concluons
cette partie en prsentant les rseaux de neurones les plus utiliss. La deuxime partie de ce
chapitre sera consacre aux architectures neuronales utilises dans notre thse qui sont le
Perceptron Multi Couches et celui de Kohonen. Nous prsentons ainsi leur principe de
-
Chapitre II Les rseaux de neurones artificiels
26
fonctionnement avec leurs algorithmes dapprentissage et nous terminerons par les diffrentes
applications des RNA.
2. Elments de base des rseaux de neurones
2.1 Historique
Lorigine de linspiration des rseaux de neurones artificiels remonte 1890 quand W.
James, clbre psychologue amricain, introduit le concept de mmoire associative. Il propose
ce qui deviendra une loi de fonctionnement pour lapprentissage des rseaux de neurones,
connu plus tard sous le nom de loi de Hebb. Il a fallu attendre lanne 1943 pour que J. Mc
Culloch chercheur en neurologie et W. Pitts mathmaticien proposent le premier modle
mathmatique et informatique du neurone (un neurone au comportement binaire). Ce sont les
premiers montrer que des rseaux de neurones formels simples peuvent raliser des
fonctions logiques, arithmtiques et symboliques complexes. Cest avec D. Hebb,
neuropsychologue canadien, quarrive une nouvelle vague de dveloppement. Il publia en
1949 son livre intitul The Organization of behavior [55] dans lequel il expose ses ides sur
lapprentissage pour la premire fois. Cet ouvrage sera considr comme source dinspiration
pour le dveloppement des modles informatiques dapprentissage et des systmes adaptatifs
ultrieurs.
Un des premiers succs remarquable de cette discipline remonte 1957 lorsque F.
Rosenblatt dveloppe le modle du Perceptron [56]. Il construit le premier neuro-ordinateur
bas sur ce modle et lapplique au domaine de la reconnaissance des formes. En 1960, B.
Widrow et T.Hoff dveloppent le modle AdaLiNe (Adaptative Linear Neuron). Dans sa
structure, le modle ressemble au Perceptron, cependant la loi dapprentissage est diffrente.
Ils proposent la minimisation des erreurs quadratiques en sortie comme algorithme
dapprentissage du rseau. Vers la fin des annes 1960, M. Minsky et S. Papert montrent dans
leur livre intitul Perceptrons [42] les limitations thoriques du Perceptron. Ces limitations
concernent limpossibilit de traiter des problmes non linaires en utilisant ce modle.
Quelques annes dombre se sont ensuite succdes de 1967 1982.
Le renouveau de cette discipline reprend en 1982 grce J. J. Hopfield, un physicien
reconnu. Au travers dun article court, clair et bien crit [45], il prsente une thorie du
fonctionnement et des possibilits des rseaux de neurones. On peut citer encore les travaux
de Kohonen et J. Anderson qui ont mis au point de nouveaux rseaux pouvant servir de
-
Chapitre II Les rseaux de neurones artificiels
27
mmoires associatives, ainsi que S. Grossberg qui a mis au point ce que lon appelle
aujourdhui les rseaux auto-organiss. Cest ensuite, en 1985 que la rtro-propagation du
gradient apparat. Cest un algorithme dapprentissage adapt au Perceptron Multi Couches.
Sa dcouverte est ralise par trois groupes de chercheurs indpendants. Ds cette dcouverte,
nous avons la possibilit de raliser une fonction non linaire dentre/sortie sur un rseau en
dcomposant cette fonction en une suite dtapes linairement sparables. Enfin, en 1989
Moody et Darken [43] exploitent quelques rsultats de linterpolation multi variables pour
proposer le Rseau Fonctions de base Radiales (RFR), connu sous lappellation anglophone
Radial Basis Function network (RBF). Ce type de rseau se distingue des autres types de
rseaux de neurones par sa reprsentation locale.
2.2 Du neurone biologique au modle mathmatique
2.2.1 Le modle neurophysiologique
Le cerveau humain est compos de cellules distinctes appeles neurones formant un
ensemble dense denviron 10 100 milliards dunits interconnectes. Le neurone est une
cellule compose dun corps cellulaire et dun noyau comme montr sur la Figure (2.1). Le
corps cellulaire se ramifie pour former ce que lon nomme les dendrites. Cest par les
dendrites que linformation est achemine de lextrieur vers le soma (corps du neurone).
Linformation est traite alors par le corps cellulaire. Si le potentiel daction dpasse un
certain seuil, le corps cellulaire rpond par un stimulus. Le signal transmis par le neurone est
chemin ensuite le long de laxone (unique) pour tre transmis aux autres neurones. La
transmission entre deux neurones nest pas directe. En fait, il existe un espace intercellulaire
de quelques dizaines dAngstrms entre laxone du neurone affrent et les dendrites du
neurone effrent. La jonction entre deux neurones est appele synapse comme schmatis sur
la Figure (2.2) [57].
2.2.2 Le modle mathmatique
Par analogie avec le neurone biologique, chaque neurone artificiel est un processeur
lmentaire. Il reoit un nombre variable d'entres en provenance de neurones en amont. A
chacune de ces entres est associ un poids w, abrviation du mot poids (weight en anglais),
reprsentatif de la force de la connexion. Chaque processeur lmentaire est dot d'une sortie
-
Chapitre II Les rseaux de neurones artificiels
28
unique qui se ramifie ensuite pour alimenter un nombre variable de neurones en aval comme
montr sur la Figure (2.3) [58]. A chaque connexion est associ un poids.
Figure 2.1 Schma dun neurone.
Figure 2.2 Schma dune synapse.
-
Chapitre II Les rseaux de neurones artificiels
29
Figure 2.3 Neurone formel.
Le comportement du neurone artificiel se compose de deux phases [58]:
La premire phase reprsente le prtraitement des donnes reues en calculant la somme
pondre des entres selon l'expression suivante :
(2.1)
Dans la deuxime phase, une fonction de transfert calcule la valeur de l'tat interne du
neurone. C'est cette valeur qui sera transmise aux neurones en aval. Plusieurs possibilits
existent pour spcifier la nature de la fonction dactivation du modle. Les fonctions
mathmatiques les plus souvent utilises tel que les fonctions linaires, sigmodes et
gaussiennes sont schmatises sur la Figure (2.4). A la diffrence des neurones biologiques
dont l'tat est binaire, la plupart des fonctions de transfert sont continues, offrant une infinit
de valeurs possibles comprises dans l'intervalle [0, +1] ou [-1, +1]. Ainsi, le neurone peut tre
dfini mathmatiquement comme tant une fonction algbrique, a priori non linaire (suivant
la fonction dactivation f) et borne, avec des entres x et paramtre par les poids wij.
Figure 2.4 Diffrents types de fonctions d'activation pour le neurone artificiel.
-
Chapitre II Les rseaux de neurones artificiels
30
2.3 Architecture des rseaux de neurones
On distingue deux grandes familles de rseaux de neurones: les rseaux boucls et les
rseaux non boucls [59].
2.3.1 Les rseaux de neurones non boucls (en Anglais feedforward)
Un rseau de neurones non boucl ralise une (ou plusieurs) fonctions algbriques de
ses entres par composition des fonctions ralises par chacun des neurones le composant.
Lentre au rseau dsigne linformation reue par ce dernier de lenvironnement extrieur.
Dans un tel rseau, linformation circule dans une seule direction, de lentre vers la sortie. Ce
type de rseaux nautorise pas le retour en arrire de linformation. Le temps ne joue aucun
rle fonctionnel dans un rseau de neurones non boucl. Pour cette raison, ces rseaux sont
aussi qualifis de rseaux statiques, par opposition aux rseaux dynamiques. Ce type de
rseau comprend deux groupes d'architectures: les rseaux mono-couches et les rseaux
multi-couches. Ils diffrent par l'existence ou non de neurones intermdiaires appels
neurones cachs entre les units d'entres et les units de sorties appeles nuds sources ou
nuds d'entre et nuds de sortie respectivement.
Un rseau non-boucl mono-couche possde une couche d'entre recevant les stimuli
traiter par l'intermdiaire des nuds sources. Cette couche se projette en une couche de sortie
compose de neurones (nuds de calcul) transmettant les rsultats du traitement au milieu
extrieur. Un rseau non-boucl multi-couche se caractrise par la prsence d'une ou de
plusieurs couches caches, dont les nuds de calcul correspondants s'appellent neurones
cachs. Les couches caches s'interposent entre l'entre du rseau et sa sortie. Leur rle est
d'effectuer un prtraitement des signaux d'entre, reus par la couche d'entre en provenance
du milieu extrieur et de transmettre les rsultats correspondant la couche de sortie o sera
dtermine la rponse finale du rseau avant qu'elle soit transmise au milieu extrieur. Les
rseaux les plus frquemment utiliss de cette catgorie sont les perceptrons multi-couches
(Multilayer Perceptrons, MLP).
2.3.2 Les rseaux de neurones boucls (rcurrents)
Dans un rseau boucl, appel aussi rseau rcurrent ou dynamique, il est possible de
trouver au moins un cycle o linformation peut revenir son point de dpart. Cela suppose
-
Chapitre II Les rseaux de neurones artificiels
31
que la sortie dun neurone peut tre fonction delle-mme. Or cela nest possible que si la
notion de temps est prise en compte. Ce type de rseau est notamment utilis pour la
modlisation dynamique de processus non linaires.
2.4 Les types dapprentissage des rseaux de neurones
L'apprentissage est vraisemblablement la proprit la plus intressante des rseaux de
neurones. Elle ne concerne cependant pas tous les modles, mais uniquement les plus utiliss.
Lapprentissage est une phase du dveloppement du rseau de neurones durant laquelle on
calcule les poids des neurones de telle manire que les sorties du rseau soient aussi proches
que possible des sorties dsires. Les procdures dapprentissage sont divises, elles aussi, en
deux grandes catgories: apprentissage supervis et apprentissage non supervis [60].
2.4.1 Lapprentissage supervis
Lapprentissage supervis implique lexistence dun professeur qui a pour rle
dvaluer le succs (ou lchec) du rseau quand il lui est prsent un stimulus connu (on dit
que ce stimulus est un exemple appartenant la base dapprentissage). Cette supervision
consiste renvoyer au rseau une information lui permettant de faire voluer ses connexions
(parfois aussi sa propre architecture) afin de faire diminuer son taux dchec. Linformation
peut tre explicite, sous la forme dune mesure de lerreur commise, par exemple, ou
globalement sur lensemble des exemples de la base. Cest ce qui se passe dans le cas du
Perceptron. Mais elle peut tre plus implicite (apprentissage par renforcement), sous forme
dune simple apprciation (bon ou mauvais, punition ou rcompense), sans mesure derreur, et
mme tre globale, sur lensemble des tches que le rseau doit excuter. Dans ce dernier cas,
il est facile de comprendre que lapprentissage est le plus difficile, la difficult majeure
consistant pour le rseau identifier les tapes du processus qui sont responsables de lchec
ou du succs.
2.4.2 Lapprentissage non supervis
Lapprentissage non supervis implique la fourniture un rseau autonome dune
quantit suffisante dexemples contenant des rptitions (autrement dit de la redondance),
telles que celui-ci en dgage les rgularits automatiquement. Ces rseaux sont souvent
-
Chapitre II Les rseaux de neurones artificiels
32
appels auto-organisateurs, ou encore apprentissage comptitif. Dans lapprentissage non
supervis, les donnes ne contiennent pas dinformations sur une sortie dsire, il ny a pas de
superviseur ou expert humain. Il sagit de dterminer les paramtres du rseau de neurones
suivant un critre dfinir. Dans ce cas, les exemples prsents lentre provoquent une
auto adaptation du rseau afin de produire des valeurs de sortie qui soient proches en rponse
pour des valeurs dentres similaires. Ce type dapprentissage possde souvent moins de
complexit dans le calcul par rapport lapprentissage supervis. Bien entendu, larchitecture
du rseau, pralablement dfinie par son utilisateur, est une forme de supervision.
3. Les rseaux de neurones les plus utiliss
La Figure (2.5) reprsente les rseaux de neurones les plus utiliss dans la littrature.
Dans ce qui suit, nous allons faire une description de chacun d'eux.
Figure 2.5 Rseaux de neurones le plus utiliss.
3.1 Les Perceptrons
3.1.1 Le perceptron mono-couche (Perceptron simple)
Le perceptron est le premier modle des rseaux de neurones invent en 1957 par
Frank Rosenblatt [56]. C'est un rseau simple, puisquil ne se compose que d'une couche
d'entre et d'une couche de sortie. Il peut aussi tre utilis pour faire de la classification et
-
Chapitre II Les rseaux de neurones artificiels
33
pour rsoudre des oprations logiques simples, il suit gnralement un apprentissage
supervis selon la rgle de correction de l'erreur.
3.1.2 Le perceptron multicouche (en anglais Multi Layer Perceptron)
C'est une extension du prcdent, avec une ou plusieurs couches caches entre l'entre et
la sortie [61]. Chaque neurone dans une couche est connect tous les neurones de la couche
prcdente et de la couche suivante. Il peut rsoudre des problmes non linairement
sparables et des problmes logiques plus compliqus. Il suit un apprentissage supervis selon
la rgle de correction de l'erreur, ce rseau sera dtaill par la suite. 3.2 Les rseaux fonction radiale
Les rseaux fonctions de bases radiales (RBF) ou plus simplement rseaux bases
radiales ont t proposs par J. Moody et C. Darken [43]. Les RBF seront donc employs dans
les mmes types de problmes que les PMC savoir, en classification et en approximation de
fonctions, particulirement. L'apprentissage le plus utilis pour les RBF est le mode hybride et
les rgles sont soit la rgle de correction de l'erreur soit la rgle d'apprentissage par
comptition. 3.3 Les cartes auto-organisatrices de Kohonen (SOM)
Les cartes topologiques ou cartes auto organisatrices ont t introduites pour la premire
fois par T. Kohonen [44] en 1982. Ce sont des rseaux apprentissage non-supervis qui
tablissent une carte discrte, ordonne topologiquement, en fonction de patterns d'entre. Le
rseau forme ainsi une sorte de treillis dont chaque nud est un neurone associ un vecteur
de poids. La correspondance entre chaque vecteur de poids est calcule pour chaque entre.
Par la suite, le vecteur de poids ayant la meilleure corrlation, ainsi que certains de ses
voisins, vont tre modifis afin d'augmenter encore cette corrlation, ce rseau sera dtaill
par la suite.
3.4 Les rseaux de Hopfield
Les rseaux de Hopfield [45] sont des rseaux rcurrents et entirement connects.
Dans ce type de rseau, chaque neurone est connect chaque autre neurone et il n'y a aucune
-
Chapitre II Les rseaux de neurones artificiels
34
diffrence entre les neurones d'entre et de sortie. Ils fonctionnent comme une mmoire
associative non-linaire et sont capables de trouver un objet stock en fonction de
reprsentations partielles ou bruites. L'application principale des rseaux de Hopfield est
l'entrept de connaissances mais aussi la rsolution de problmes d'optimisation. Le mode
d'apprentissage utilis ici est le mode non-supervis.
3.5 Les rseaux ART
Les rseaux ART (Adaptive Resonance Theory) sont des rseaux apprentissage par
comptition [46, 47]. Dans ce genre de rseau, les vecteurs de poids ne seront adapts que si
l'entre fournie est suffisamment proche d'un prototype dj connu par le rseau. Il est noter
qu'il existe deux principaux types de rseaux ART : les ART-1 pour des entres binaires et les
ART-2 pour des entres continues. Le mode d'apprentissage des ART peut tre supervis ou
non.
4. Le classificateur perceptron multicouche
4.1 Principe
Un rseau perceptron multicouche (en anglais MLP) est constitu de neurones relis
entre eux par des liens pondrs. Il se compose d'une couche d'entre, d'une couche de sortie
et d'une ou plusieurs couches caches comme montr sur la Figure (2.6). A l'heure actuelle, il
n'existe pas de rgles ou lois rgissant le nombre de couches et le nombre de neurones par
couche utiliser. Le choix reste heuristique et il est tabli en fonction de l'utilisation du
rseau. Le but est d'obtenir le rseau le plus simple possible afin de limiter le temps de calcul,
mais suffisamment labor pour rpondre aux critres de discrimination dsirs. L'utilisation
d'un tel rseau pour la classification impose le nombre de neurones pour la couche d'entre.
En effet, cette couche correspond au vecteur de mesure ou vecteur dentre. La couche
d'entre aura alors un nombre de neurones quivalent au nombre de composantes du vecteur
dentre. En ce qui concerne la couche de sortie, un des choix possibles est de faire
correspondre le nombre de neurones au nombre de classes estimes. Pour grer les neurones,
les fonctions d'activation permettent de dfinir l'tat de leur sortie en fonction de leurs entres.
En effet, chaque neurone est reli tous les neurones de la couche prcdente et chacune des
connexions est affecte d'un poids w pondrant la sortie du neurone prcdent. La somme des
-
Chapitre II Les rseaux de neurones artificiels
35
entres est alors introduite dans une fonction d'activation qui dcide de l'tat de sortie du
neurone [62].
Figure 2.6 Perceptron Multi Couches. 4.2 Rtropropagation du gradient de lerreur
Soit le rseau deux couches de la Figure (2.6) dans lequel les units de sortie sont
notes oi, les units caches j et les units dentre xk. Les connexions des units dentre aux
units caches sont notes wkj et celles des units caches aux units de sortie par wij. Lentre
k a pour valeur x lorsque la donne p est prsente au rseau. Ces valeurs peuvent tre
binaires (0/1 ou +1/-1) ou continues [62].
Pour la donne dentre p, la valeur de sortie de lunit cache j est donne par :
(2.1)
Les units de sortie ont comme valeur :
(2.2)
Les fonctions derreurs partielles et globales sont alors dfinies par
et (2.3)
La minimisation de la fonction derreur globale va se faire par une descente de gradient. Par
consquent, aprs la prsentation de tous les vecteurs dentre de la base dapprentissage,
nous modifierons la valeur de chaque connexion par la rgle suivante:
-
Chapitre II Les rseaux de neurones artificiels
36
(2.4)
Cette rgle dapprentissage est gnralement appele la rgle de delta gnralise. Dans
lexpression (2.3), seule la sortie i dpend du paramtre w. Selon la position des poids des
connexions, deux cas se prsentent :
Cas des connexions entre la couche cache et celle de sortie (wij) : Pour le cas des neurones de sortie, lexpression (2.3) devient fonction du paramtre wij qui
influe uniquement sur la sortie du neurone dindice i. Nous pouvons donc dcomposer la