Classification des signaux EMG utérins afin de détecter les accouchements prématurés

Premature birth remains the main cause of neonatal mortality and morbidity. Uterine EMG signal seems a potential vector for the indication of the risk of premature birth. In the continuation of the work completed for detection, the treatment and the classification of the events in Uterine EMG signal, our work was dedicated to the classification of the EMG contractions, in order to part the two types of labor: premature deliveries and deliveries at term. The uterine contractions were manually segmented from the uterine EMG signals. Then each contraction is modeled and the parameters are extracted before making the classification. This modeling is made by wavelet and the analysis of the power spectral density of each contraction. Classification is then carried out by using 2 types of methods: first a non-supervised classification method, which is used to group the contractions with no a priori knowledge of the classes, and then permits to make an interpretation of the groups according to the weeks of gestation and term of delivery. In this context we have developed an original method of non supervised classification based on the Fisher test combined with the K-mean method (USCM, Unsupervised Statistical Classification Method). The other type of used classification is supervised. After having selected in a precise way the women who can be used for the training of our method of classification, we used various supervised methods of classification. First, we used traditional methods (neural Networks, Parzen...). Then an original method based on the Wavelet network has been developed for this classification. This method had been previously used for the regression but never for classification. We were faced with the low number of the set of training. We thus also developped a method based on autoregressive model (AR Model) to increase the training set. Concerning the applications, and for separation between the EMG signals (clinical application), we used two approaches. In the first approach, we used contractions having the same RWG (Registration Week of Gestation) but different BWG (Birth Week of Gestation), by testing small and large differences. The second approach is to classify the events acquired with different RWG for women having the same BWG. According to the results obtained, we can conclude that we can distinguish different delivery terms from recordings obtained from women having the same term of pregnancy. We can also conclude that the contractions change their characteristics according to the term of pregnancy. In a clinical point of view, the important result is that we could distinguish, for a given recording term, normal contraction to contractions leading to the premature delivery.L'accouchement prématuré reste la principale cause de mortalité et de morbidité néonatales. Le signal EMG utérin semble un vecteur potentiel d'indication du risque d'accouchement prématuré. Dans la suite des travaux réalisés pour la détection, le traitement et la classification des événements dans le signal EMG Utérin, notre travail s'est orienté vers la classification des contractions à partir des signaux EMG utérins, afin de séparer les deux types d'accouchement : accouchement prématuré et accouchement à terme. Les contractions utérines ont été manuellement segmentées à partir du signal EMG utérin. Puis chaque contraction est modélisée et des paramètres sont extraits avant de faire la classification. Cette modélisation est faite par ondelettes et par analyse de la densité spectrale de puissance de chaque contraction. La classification est ensuite réalisée en utilisant 2 types de méthodes : tout d'abord une classification non supervisée, qui regroupe les contractions sans connaissance a priori des classes, permettant ensuite une interprétation des groupes en fonction des semaines d'aménorrhées et du terme d'accouchement. Dans ce contexte nous avons développé une méthode originale de classification non supervisée basée sur le test de Fisher combiné avec la méthode de k-moyenne (USCM, Unsupervised Statistical Classification Method). L'autre type de classification est supervisée. Après avoir sélectionné d'une façon précise les femmes qui peuvent être utilisées pour l'apprentissage de notre méthode de classification, nous avons utilisé différentes méthodes supervisées de classification. Tout d'abord, nous avons testé des méthodes classiques (Réseaux de neurones, Parzen,...). Puis une méthode originale basée sur le réseau d'ondelettes a été développée pour cette classification, cette méthode ayant été précédemment utilisée pour la régression mais jamais pour la classification. Nous avons été confrontés à un problème lié au faible nombre de d'éléments pour l'apprentissage. Nous avons donc aussi utilisé une méthode basée sur la modélisation autorégressive pour augmenter l'ensemble d'apprentissage. En ce qui concerne les applications, et pour la séparation entre les signaux d'EMG (application clinique), nous avons utilisé deux approches. Dans la première approche, nous avons utilisé des contractions ayant le même nombre de SAR (Semaines d'Aménorrhée à l'Enregistrement) mais des SAA (semaines d'Aménorrhée à l'accouchement) différent (petite différence et grande différence). La deuxième approche est de classifier les événements acquis avec différentes (SAR) pour des femmes ayant le même SAA. D'après les résultats obtenus, nous avons pu conclure que nous pouvons distinguer le terme d'accouchement des femmes enregistrés aux mêmes termes de grossesse. Et nous avons pu également conclure que les contractions changent de caractéristiques en fonction du terme de grossesse. D'un point de vue clinique, le résultat important est que, pour un terme de grossesse donné à l'enregistrement, il est possible de distinguer une contraction normale et une contraction conduisant à un accouchement prématuré