Détection de l`Onde R d`un Electrocardiogramme Basée sur le
Transcription
Détection de l`Onde R d`un Electrocardiogramme Basée sur le
SETIT 2007 4rth International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 – TUNISIA Détection de l'Onde R d'un Electrocardiogramme Basée sur le Produit Multiéchelle Rym Besrour* , Zied Lachiri** et Noureddine Ellouze* *Dépt. de Génie Electrique, ENIT BP 37, 1002, Le Belvédère, Tunisie [email protected] [email protected] **Dépt. de Physique et Instrumentation, INSAT BP 676, 1080, Centre Urbain, Tunisie. [email protected] Résumé : Cet article présente une nouvelle méthode de détection du complexe QRS et plus précisément l'onde R dans un électrocardiogramme (ECG) basée sur le calcul du produit des coefficients de la transformée en ondelettes continue (TOC) pour différentes échelles successives. Cette méthode est basée sur le travail de Mallat et Hwang pour la détection des singularités en utilisant les maximums locaux des coefficients en ondelettes issus de la décomposition d’un signal donné. Ces singularités correspondent à une paire de module de maxima (minimum négatif/maximum positif) sur les différentes échelles. En utilisant la dérivée première d'une gaussienne ayant un seul moment nul, nous appliquons le produit des coefficients de la décomposition en ondelettes (Product of the Wavelet Coefficients PWC) pour des niveaux de décomposition successifs afin de réhausser l'amplitude des modules maximum et atténuer les pics correspondant à du bruit. Nous avons testé notre algorithme sur différents signaux de la base de donnée MIT/BIH comportant différents types de pathologies, nous avons atteint une sensibilité Se de 99.94% et une positive predictivity P+ de l'ordre de 99.88% . Mots clés : électrocardiogramme, détection de l'onde R, transformée en ondelette continue, produit multiéchelle, base MIT/BIH. INTRODUCTION correspond à la contraction des ventricules et l'onde T correspond au relâchement des ventricules (Figure1). L'électrocardiogramme est l'enregistrement, en des points de référence (les dérivations cardiaques) par l'intermédiaire d'électrodes placées à la surface du corps, de la différence de potentiel électrique provoquée par la propagation de l'influx électrique au sein du cœur. Une convention internationale a présenté cet enregistrement sous la forme immuable d'un électrocardiogramme de 12 à 18 dérivations. Ces dérivations standards se caractérisent par leur polarité, et leur position dans l'espace par rapport au coeur. Chaque dérivation apportera des informations sur les parties du coeur que traverse l'influx électrique. En particulier, on observe les ondes P, QRS et T qui constitue un battement cardiaque : l'onde P correspond à la contraction des oreillettes, le complexe QRS Figure1. Les déflections caractéristiques labellisées par les termes onde P ou T, complexe QRS -1- SETIT2007 positive de l'ordre de 99.86% avec la base de données de MIT/BIH. De nombreuses méthodes existent pour détecter efficacement le complexe QRS ou plus précisément l'onde R, ce qui permet en outre de caractériser la fréquence cardiaque. Chaque méthode possède ses avantages et ses inconvénients en terme de robustesse, de coût de calcul ou de complexité. La majorité des méthodes utilise le calcul de la dérivée, puis un seuillage. De nombreuses variantes existent, faisant intervenir d'autres caractéristiques (dérivée seconde, amplitude…). Ces multiples méthodes se différencient par leur plus ou moins grande sensibilité au bruit, perturbations de la ligne de base, etc. D'autres méthodes, plus récentes, ont vu le jour depuis une dizaine d'années, et sont basées par exemple, sur l'utilisation des ondelettes ou des réseaux de neurones pour la reconnaissance du QRS [KMB 92], [XHT 92], [NOS 01], [VHM +01]. La plupart des méthodes utilisant les TO sont basées sur le travail de Mallat et Hwang [MH 92] de détection des singularités utilisant les maximums locaux des coefficients en ondelettes issus de la décomposition d’un signal donné. Il est montré également dans que ces singularités correspondent à l’analyse d’une paire de module de maxima (minimum négatif/maximum positif) sur les échelles. Dans cet article, nous présentons une nouvelle méthode pour détecter l'onde R en utilisant le produit multiéchelle d'une transformée en ondelette continue. Notre algorithme est basé sur l'approche de Mallat et de Hwang pour la détection de singularité à travers les maximum locaux non pas des coefficients de la TOC mais du produit de trois niveaux de décomposition successifs. L'ondelette utilisée est la dérivée première d'une gaussienne. Cet article est structuré comme suit : dans un premier temps, nous présentons la théorie de la transformée en ondelette continue ainsi que la notion du produit multiéchelle. Par la suite, nous présentons brièvement la base de données utilisée. En seconde partie, nous détaillons la méthode de détection utilisée et nous terminerons par les résultats de la validation de l'approche adoptée dans la base de donnée MIT/BIH. 1. Transformée en ondelette continue (TOC) La transformée en ondelettes décompose les signaux sur une famille d’ondelettes translatées et dilatées. Une ondelette est une fonction ψ ∈ L2 (ℜ) de moyenne nulle. Elle est normalisé à ||ψ || = 1, et centrée au voisinage de t = 0. Une famille d’atomes tempsfréquence s’obtient en dilatant l’ondelette ψ par un facteur s, et en la translatant par u : L'algorithme proposé par Pan et Tompkins comprend six étapes [PT 85]. Le signal ECG est filtré par un filtre passe bande, puis dérivé. Ensuite, il subit une transformation non linéaire et une intégration afin de favoriser certaines composantes fréquentielles du signal. Après cette étape, un filtrage passe bas est appliqué pour réduire les composantes spectrales haute fréquence. Enfin, une opération de seuillage permet d’identifier les complexes QRS. ψ u,s (t) = 1 t − u ψ s s (1) L’approche de LePage [P 03] est largement inspirée de la technique présentée par Pan J. et Tompkins. Cet algorithme comprend une première étape de filtrage passe bande, une deuxième étape de calcul de la dérivée, une troisième étape de transformation non linéaire suivie d’une intégration et de filtrage passe bas. Enfin une dernière étape qui consiste à une seuillage adaptatif. Ces atomes restent de norme 1 : ||ψu, s || =1. La transformée en ondelettes continue d’un signal x(t) au temps u et à l’échelle s est donnée par l’équation suivante : La technique de détection du QRS proposée par Li et al [LZT 95] est basée sur la localisation des maximum locaux dépassant un certain seuil fixé. En utilisant l'ondelette spline quadratique, il a atteint une sensibilité de 99.9% et une prédictive positive de 99.94% avec la base de données MIT/BIH. Dans cette expression, s est le facteur d’échelle et u le paramètre de translation. Le paramètre s joue le rôle de l’inverse de la fréquence : plus s est petit plus le support de l’ondelette est réduit, donc la fréquence centrale de son spectre est élevée [M 99]. Kadambi et al [KMB 99] ont décrit un algorithme pour détecter l'onde R en déterminant les maximum locaux pour deux niveaux de décomposition dyadiques. Il a atteint une sensibilité de 96.84% et une prédictive positive de 95.2% en testant son algorithme sur la base de données AHA. 2. Détection des singularités transformée en ondelettes +∞ W x(u , s ) = ∫ x(t ) −∞ 1 s t −u dt s ψ * (2) par La transformée en ondelettes peut être utilisée en tant qu’outil pour l’analyse et la mesure de la régularité uniforme et locale d’un signal. Pour caractériser les structures singulières, il faut pouvoir quantifier précisément la régularité locale d’un signal x(t). La détection des singularités d’un signal est une opération fondamentale car souvent ces points correspondent à des évènements importants du signal. Ces instants peuvent être déterminés par la transformée en ondelettes grâce aux maxima locaux. La décroissance Martinez et al [MAO +04] utilisent l'algorithme de Li appliquant une transformée en ondelettes dyadique à un système robuste qui identifie la position de l'onde, le début et la fin du complexe QRS, l'onde P et T. Il a atteint une sensibilité de 99.80% et une prédictive -2- SETIT2007 de 4. Présentation de la base de données MIT/BIH Wx(u, s) peut en effet être contrôlée par les valeurs de ses maxima locaux. Le terme module maximal est utilisé pour décrire les points tels que La base de données physiologiques MIT/ BIH est le fruit d’une collaboration entre le Massachssut Institue of technologie et l’hôpital « Beth Israël Diaconesse Médical Centre ». Elle a été réalisée entre 1975 et 1979 et distribuée en 1980. La Base de données de l’Arythmie MIT-BIH contient 48 extraits d’une demiheure de deux canaux d’enregistrements ECG, obtenus de 47 sujets étudiés par le Laboratoire d’ Arythmie BIH entre 1975 et 1979. Les sujets étaient 25 hommes âgés entre 32 et 89 ans, et 22 femmes âgeés entre 23 et 89 ans. Vingt-trois enregistrements ont été choisis au hasard d'un ensemble de 4000 enregistrements ECG de 24 heures rassemblés d'un mélange de population de patients (approximativement 60%) et malades en consultation externe (approximativement 40%) au Beth Israël Hôpital de Boston; le restant 25 enregistrements ont été sélectionnés du même ensemble pour inclure des arythmies moins communes. Les enregistrements ont été numérisés à 360 échantillons par seconde par canal avec résolution de 11 bits. Deux ou plus de cardiologues ont étiqueté chaque dossier indépendamment [MM 91]. Wx(u, s) soit localement maximal. Cela implique : ∂W x(u , s ) =0 ∂u (3) Les singularités sont localisées aux abscisses où convergent les modules maxima des coefficients d’ondelettes aux fines échelles. Si l’ondelette n’a qu’un seul moment nul, les modules maxima d’ondelettes sont les maxima de la dérivée première de x (t ) lissée par θs . Si l’ondelette a deux moments nuls, les modules maxima correspondent aux maxima de la dérivée seconde. Si la transformée en ondelettes n’a pas de maximum local aux fines échelles alors x (t ) est localement régulière [MH 92] [MZ 92]. Dans notre cas et vu que l'onde R est une singularité d'amplitude, nous devons alors utiliser une ondelette à un seul moment nul. Notre choix a été porté sur la dérivée première d'une gaussienne. ψ (t ) = − 1/ 4 π −t2 2 t exp 2 3/ 2 2σ σ σ 2 w2 ψˆ ( w) = j 2 σ 3 / 2 π1 / 4 w exp − 2 5. Méthode de détection (4) Notre algorithme de détection est basé sur cinq étapes (figure2). Dans la première étape, nous décomposons le signal ECG en cinq niveaux successifs, notés 1, 2, 3, 4 et 5 (figure3). Puis, nous calculons un produit impair des coefficients de la transformée en ondelettes continues pour trois échelles successifs, notés P123, P234 et P345 (figure4). (5) 3. Produit multiéchelle des coefficients de la transformée en ondelettes A l’instar de Sadler [SS99], il est proposé d’utiliser l’algorithme du produit multiéchelle, cet algorithme procède au calcul du produit des coefficients de la transformée en ondelettes pour différentes échelles successives. Considérons une analyse multiéchelle et calculons le produit des coefficients de la transformée en ondelettes d’un signal x(t) de quelques échelles dyadiques j = j1 p (t ) = ∏ w2 j x(t ). (6) j = j0 La fonction p(t) montrera des pics aux transitions présentes dans le signal et présente de faibles valeurs ailleurs. Dans cette opération non linéaire sur x(t), les singularités produisent à travers les échelles des pics dans les coefficients de la transformée en ondelettes qui sont renforcés par le produit p(t). Bien que certaines échelles de lissage ne soient pas optimums, la combinaison non linéaire tend à authentifier ces pics en supprimant les faux pics. Le nombre impair des termes de p(t) permet de préserver le signe de la singularité. Figure2. Schéma de principe de l’algorithme adopté -3- SETIT2007 Par la suite, nous appliquons un seuil pour déterminer les modules maxima les plus significatifs. L'onde R correspond à deux lignes de maxima de signes opposés (minimum négatif/maximum positif) du produit multiéchelle considéré. En considérant le produit multiéchelle P345, on détermine tous les modules maxima dépassant un seuil TH3. Ces derniers seront stockés dans un ensemble {nk345 | k=1… N}. Ensuite, on détermine tous les modules maxima du produit P234 dépassant un seuil TH2 à condition qu'ils soient au voisinage de nk345, ainsi on détermine l'ensemble {nk234 | k=1… N}. De la même manière, on détermine les modules maxima du produit P123 avec un seuil TH1 et ils seront stockés dans l'ensemble {nk123 | k=1… N}. Les seuils d'amplitude TH1, TH2 et TH3 sont proportionnels à la valeur efficace des cœfficients en ondelettes pour une fenêtre d'analyse de taille 213 échantillons. Figure3. Signal ECG et la représentation de ses coefficients en ondelettes pour les cinq premiers échelles La quatrième étape consiste à éliminer les modules maxima redondants ou isolés. Supposons que n1123 est la position du premier minimum négatif (maximum positif ) de P123et que nk123 (k=2… N) est la position d'un maximum positif (minimum négatif). Si l'intervalle entre n1123 et nk123 dépasse les 120 ms (seuil empirique), ce minimum (maximum) est considéré un minimum (maximum) isolé et il sera donc éliminé. Après, nous éliminons les modules maxima redondants, c'est à dire si au voisinage d'un maximum positif, il y a deux minimum négatifs donc un des deux minimum est considéré comme redondant et doit être éliminer. La procédure adaptée est la suivante : soit Min1 et Min2 les deux minimums négatifs, leurs amplitudes respectives sont A1 et A2, et les intervalles entre les minimum et le maximum sont notés L1 et L2 respectivement. si si A1 A 1.2 × 2 alors Min2 est redondant L1 L2 (7) A2 A 1.2 × 1 alors Min1 est redondant L2 L1 (8) Figure4. Signal ECG et la représentation du produit impair des coefficients de la TO Pour déterminer les performances de la détection du complexe QRS ou plus précisément l'onde R, deux paramètres sont utilisés : la sensibilité Se et la predictivité positive P+. Ces règles sont aussi appliquées dans le cas d'un minimum négatif et deux maximum positifs. Après l'élimination de tous les modules isolés ou redondants, la position de l'onde R est définie comme le passage par zéro entre le minimum négatif et le maximum positif considérés [M 91]. Se = TP TP + FN (9) 6. Résultats P+ = (10) Nous avons testé notre approche sur la base de données MIT/BIH d'arythmie. Seuls 28 signaux comprenant différents type de pathologies cardiaques, à savoir la tachycardie supraventriculaire, la fibrillation auriculaire, les bigeminismes, les trigeminismes, les tachycardies ventriculaires, la fibrillation ventriculaire, ont été utilisés pour la validation de la méthode. TP TP + FP où TP est le nombre de battements correctement détectés, FN représente le nombre de fausses détections et FP le nombre de battements non détectés. Les résultats obtenus sont détaillés dans le tableau cidessous (Tableau1). -4- SETIT2007 Signal ECG 100 101 102 103 105 106 109 112 114 117 118 119 121 122 123 201 202 205 209 212 213 217 219 230 231 232 233 234 Total Nombre de battements 2273 1865 2187 2084 2575 2027 2532 2539 1887 1535 2275 1987 1863 2476 1518 1963 2136 2656 3005 2748 3251 2208 2154 2257 1574 1781 3101 2753 63210 TP FP FN Se (%) P+ (%) 2273 1865 2186 2084 2571 2014 2530 2538 1887 1534 2274 1987 1862 2476 1540 1954 2134 2651 3004 2748 3251 2204 2154 2257 1571 1781 3101 2753 63184 0 0 1 0 4 16 2 1 1 1 1 0 1 0 0 13 2 5 2 0 0 4 0 0 0 0 0 0 54 0 2 1 0 15 3 0 0 1 1 1 0 1 0 0 4 0 0 3 0 0 0 2 1 0 2 0 0 37 100 99.89 99.95 100 99.42 99.85 100 100 99.95 99.93 99.95 100 99.95 100 100 99.74 100 100 99.9 100 100 100 99.9 100 100 100 100 100 99.94 100 100 99.95 100 99.84 99.21 99.92 99.96 99.5 99.93 99.95 100 99.95 100 100 99.33 99.9 99.81 99.93 100 100 99.82 100 99.95 100 99.88 100 100 99.88 Figure6. Résultat de la détection de l’onde R d’un tracé d’électrocardiogramme d’un homme malade 7. Conclusion L'approche proposée offre une nouvelle méthode de détection des événements d'un électrocardiogramme basée sur une analyse du produit multiéchelle pour une décomposition en ondelettes continue. On a atteint une sensibilité moyenne de 99.94% et une prédictivité positive de l'ordre de 99.88%. En se référant aux travaux de Li [LZT 95] et pour qu'on soit dans les mêmes conditions de travail, nous avons calculé la valeur moyenne de Se et P+ atteint pour les mêmes signaux. Ces pourcentages sont de l'ordre de 99.94% et 99.95% respectivement. Donc en comparant les résultats obtenus par les deux méthodes, on remarque qu'on a plus de battements non détectés, ceci est du soit au choix de l'ondelette, soit au seuil choisi. Tableau1. Résultats de la détection de l'onde R REFERENCES [KMB 92] S. Kadambe, R. Murray, and G.F BoudreauxBartels. The dyadic wavelet transform based QRS detector (ECG analysis). Conference on Signals, Systems and Computers; vol1; pp130-134; 1992. [KMB 99] S. Kadambe, R. Murray and GF. BoudreauxBartels. Wavelet transform-based QRS complex detector. IEEE Transactions on Biomedical Engineering; vol46; pp838-848; 1999. [LZT 95] C. Li, C. Zheng and C. Tai. Detection of ECG Characteristic Points using Wavelet Transforms. IEEE Transactions on Biomedical Engineering; vol42; pp21-28; 1995. [M 91] S. Mallat. Zero-crossings of a wavelet transform. IEEE Transactions on Information Theory; vol37; N°4; 1992 Figure5. Résultat de la détection de l’onde R d’un tracé d’électrocardiogramme d’un homme sain [M 99] S. Mallat. A Wavelet Tour of Signal Processing; 2sd edition; Academic Press 1999. [MAO +04] JP. Martinez, R. Aleida, S. Olmos, AP. Rocha and P. Laguna. A wavelet-based ECG delineator : evaluation on standard databases. IEEE Transactions on Biomedical Engineering; vol51; pp570-581; 2004. -5- SETIT2007 [MH 92] S. Mallat, WL. Hwang. Singularity Detection Processing with Wavelets. IEEE Transactions Information Theory; vol38; pp617-643; 1992. [MH 92] S. Mallat, WL. Hwang. Singularity Detection Processing with Wavelets. IEEE Transactions Information Theory; vol38; pp617-643; 1992. and on and on [MM 91] G.B. Moody and R.G. Mark. The MIT/BIH Arrythmia database on CD-ROM and software for use with it. IEEE 1991. [MZ 92] S. Mallat, S. Zhong. Characterization of signals from multiscale edges. IEEE Transactions on Pattern Analysis and Machine Intelligence; vol14; N°7; 1992 [NOS 01] J. Neves Rodrigues, V. Owall, and L. Sornmo. QRS detection for pacemakers in a noisy environment using a time lagged artificial neural network. IEEE Circuits and Systems; pp596-599; 2001. [PT 85] J. PAN and W. J. Tompkins. A Real Time QRS Detection Algorithm. IEEE Transactions on Biomedical Engineering; Vol 32; N°3; pp230-236; 1985. [P 03] R. LePage. Détection et analyse de l’onde P d’un électrocardiogramme : application de dépistage de la fibrillation auriculaire . Thèse de Doctorat, Université de Bretagne Occidentale, 2003. [SS 99] MB. Sadler and A. Swami. Analysis of multiscale products for step detection and estimation. IEEE Transactions on Information Theory; vol45; pp10431051; 1999. [VHM +01] C. Vasquez, A. Hernandez, F. Mora, G. Carrault, and G. Passariello. Atrial Activity Enhancement by Wiener Filtering Using an Artificial Neural Network. IEEE Transactions on Biomedical Engineering; vol48; N°8; pp940-944; 2001. [XHT 92] Q. Xue, Y.H. Hu, and W.J Tompkins. NeuralNetwork-Based Adaptative Matched Filtering for QRS detection. IEEE Transactions on Biomedical Engineering, pp317-328; 1992. -6-