Segmentation et classification de l'onde P d'un électrocardiogramme (détection d'un risque de fibrillation auriculaire)

La fibrillation auriculaire (FA) est une maladie cardiaque très fréquente. Pour permettre une prévention de la maladie, une étude de l onde P est nécessaire. Cette onde est la plus petite parmi les ondes des ECG de surface avec un rapport signal à bruit faible, ce qui rend son étude difficile. Dans ce travail nous proposons tout d abord une nouvelle méthode de segmentation de l électrocardiogramme (ECO), qui exploite un model de Markov caché multiéchelle . Le principe de notre approche est d utiliser les coefficients d ondelettes pour décrire les différentes ondes de l ECG et de lier ces coefficients par une structure arborescente permettant ainsi de rendre plus robuste la segmentation. Cette méthode est complétée par un algorithme de fusion entre échelles se basant sur le contexte, ce qui permet de segmenter certaines ondes P, alors que d autres méthodes échouent même à détecter les limites de ces classes. Afin d effectuer une classification de l onde P entre sujets normaux et sujets à risque de FA, 121 paramètres de l onde P ont été calculés. Pour assurer une compatibilité avec les algorithmes d induction et de diminuer le temps de calcul, nous avons étudié et comparé un ensemble de méthodes de discrétisation. A l issue de cette étude, l algorithme CAIM a été adopté ce qui a permis un gain de 7 % de taux de classification par rapport au cas continu. Les paramètres de l onde P ne sont pas tous informatifs ce qui nous a amené à nous intéresser à la sélection des paramètres les plus pertinents. Nous avons étudié deux approches de sélection: l approche de filtrage et l approche enveloppante. A l issue de cette étude, nous avons considéré une méthode hybride de sélection utilisant les algorithmes génétiques. Enfin, nous avons testé deux méthodes de classification: les arbres de décision qui nous ont donné un taux moyen de classification égal à 81 % et les machines à vecteur de support (SVM) qui ont fourni les meilleurs résultats : plus de 83% de sensibilité moyenne et 91% de spécificité moyenne, ce qui présente une augmentation de plus de 20% des performances par rapport aux méthodes proposées dans les travaux précédents qui utilisent l analyse discriminante et le réseau de neurones.Atrial fibrillation (AF) is a frequent heart disease. In order to prevent it, a study of the P wave is necessary. This wave is difficult to process because it is the weakest among the surface ECG and it has a low SNR. A new electrocardiogram (ECG) segmentation method is proposed. The method uses a Wavelet Tree Hidden Markov Model introduced by Crouse in 1998. The method consists in using the wavelet coefficients to characterize the different ECG waves, and in linking these coefficients by a tree structure permitting to detect wave changes. By associating this method to a fusion method between scales based on the context concept, good results are obtained on a special database created for risk analysis of arterial fibrillation, particularly in P wave segmentation. 121 parameters of the wave P were calculated. In order to ensure a compatibility with the induction algorithm and to decrease to computing time, we studied and compared some discretization methods. We chose the CAIM algorithm. This method allowed a profit of 7% of the classification rate. The parameters of the wave P are not ail informative and consequently we were interested in the selection of the relevant parameters. We studied two approaches of selection: filter approach and wrapped approach. So, we considered a hybrid method of selection using a genetic algorithm. Finally, we tested two classification methods: the decision trees which gave a 81% of classification rate and the support vector machine (SVM) which gave better results: we reached a specificity of 91 % and a sensitivity of 83 %. These results represent an increase of more than 20% compared to two old methods: discriminant analysis and neural network.BREST-BU Droit-Sciences-Sports (290192103) / SudocBREST-Télécom Bretagne (290192306) / SudocSudocFranceF