Segmentation et analyse de l`onde P d`un ECG pour le dépistage d

SETIT 2005
3rd International Conference: Sciences of Electronic,
Technologies of Information and Telecommunications
March 27-31, 2005 – TUNISIA
Segmentation et analyse de l’onde P d’un ECG pour le
dépistage d’anomalies auriculaires
Z.Amirou*, N.Djouaher*, M.Djeddi**
*Laboratoire LAMPA Département d’Electronique, Faculté de Génie Electrique et d’Informatique
Université Mouloud Mammeri Tizi-Ouzou, Algérie
E-maîl : [email protected], [email protected]
**Université de Boumerdes, Algérie
Résumé: La fibrillation auriculaire (FA) correspond au disfonctionnement des oreillettes. Elle représente l’une des
arythmies cardiaques les plus courantes. Nous proposons dans cet article une méthode d’extraction et d’analyse
automatique de l’onde P. L’analyse de cette onde d’activation est très importante dans le cas de sujets à risque de FA.
L’analyse est faite en utilisant la dérivation standard DII où les ondes d’activation sont plus lisibles. La première
étape consiste à détecter puis à supprimer les complexes QRS en faisant appel à l’analyse multirésolution. Après la
segmentation, l’onde P est isolée; ceci facilite son analyse et le calcul de certains paramètres pouvant indiquer s’il y’a
risque de FA.
Mots clefs: Electrocardiogramme, Ondelettes, Segmentation, Onde-P, Fibrillation Auriculaire.
1.Introduction
L’électrocardiogramme
est
l’interprétation
physique de l’activité électrique du cœur. Il est
constitué
d’une
succession
de
déflexions
respectivement identifiées par les ondes P,Q,R,S,T et
U d’après la terminologie d’Einthoven (voir figure 1)
La fibrillation auriculaire (FA) est l’une des
arythmies les plus courantes. Elle survient chez 2% à
5% des personnes de plus de 60 ans et chez 10% des
personnes de plus de 70 ans. Elle est le résultat d’une
désorganisation dans l’activité électrique des
oreillettes.
2. Objectifs
La segmentation d’un signal consiste à le
partitionner en trames successives et homogènes.
Dans notre cas, les buts que nous poursuivons sont:
premièrement, d’isoler sans intervention humaine l’
onde
P
des
autres
composantes
de
l’électrocardiogramme (ECG), pour deuxièmement,
extraire un certain nombre de paramètres pouvant
nous aider à classifier le sujet comme étant à risque de
FA.
La segmentation est la première étape de toute une
chaîne complexe de traitements et de calculs, exigeant
donc une qualité quasi irréprochable. Pour cela
plusieurs étapes sont nécessaires: tout d’abord un
ensemble de traitements préliminaires dont le rôle est
d’éliminer un grand nombre de bruits et artefacts qui
pourraient nuire à la segmentation; et ensuite au
résultats.
3.Chargement des données
fig 1. Electrocardiogramme (dérivation DII)
L’analyse de l’onde P est donc très importante dans le
cas de sujets à risques de FA.
Les signaux, que nous avons examinés proviennent de
la base de données « Internationnal ECG database »
Parmi les dérivations, nous avons choisi la dérivation
DII où l’onde P est plus visible.
Parce qu’il est un système interactif et convivial de
calcul numérique et de visualisation graphique,
Matlab5.3 est l’environnement sous lequel, nous
avons développé nos traitements. Le chargement du
signal ECG sous Matlab constitue l’étape initiale dans
notre algorithme, il s’agit de convertir les données
codées sous la forme initiale de MIT BIT Database en
un autre format compréhensif par Matlab.
SETIT2005
4. Outil de traitement
4.1 La Transformée en Ondelettes continue
La transformée en ondelettes remplace la sinusoïde
de la transformée de Fourier par une famille de
translations et dilatations d'une de base ψ est une
fonction de moyenne nulle, centrée au voisinage de
zéro et d'énergie finie. La famille de vecteurs est
obtenue par translation et dilatation de l'atome de
baseΨu,s:
La figure 2 montre que les ondelettes permettent de
détecter efficacement les ruptures dans un signal. On
distingue clairement l'aspect multirésolution.
Les complexes QRS sont bien localisés en hautes
fréquences tandis que les ondes P et T ne sont visibles
qu’en basses fréquences mais assez masquées par la
dominance des QRS.
Une estimation du niveau de bruits peut être donnée
par les coefficients d’ondelettes pour un niveau haute
résolution.
+∞
t −u)
wf (u,s)=< f,ψ u,s >= ∫ f(t) 1 ψ *(
)dt
s
s
−∞
(1)
Chaque fonction ψu,s est une ondelette fille de
l'ondelette mère ψ et garde les propriétés de cette
dernière, à savoir la régularité, la localisation et le
caractère oscillant de l'ondelette. La fonction
précédente est centrée au voisinage de u, comme
l'atome de Fourier fenêtré. Si le centre de fréquence de
ψ est η, le centre de fréquence de la fonction dilatée
est en η/s.
La transformée en ondelettes a donc une résolution
temps-fréquence qui dépend de l'échelle s. Sous la
condition
Cψ =
+ ∞
∫
0
ψ ^ (ω ) ²
d ω < +∞
ω
(2)
C’est une représentation complète, stable et
redondante du signal.
4.2. L'analyse multirésolution
L'analyse multirésolution consiste à projeter le
signal sur une série de sous espaces orthogonaux de
L²(R) . Ce sont les espaces d'approximations Vj et de
détails Wj.
Une analyse multirésolution de L²(R ) est une suite
croissante de {Vj} avec j∈Z de sous espaces
vectoriels fermés de L² (R ) vérifiant les propriétés
suivantes:
1) Vj ⊂ Vj+1
2) f(t) ∈ Vj ⇔ f(2t) ∈ Vj+1
3) lim Vj = ∩Vj ={0} et
J→ϖ
J ∈Z
limVj= ∩Vj est dense dans L² ( R )
J → ϖ
J ∈Z
4) Il existe une fonction g(t) dans V0 telle que la suite
{g(t-k) / k∈Z}soit une base de Reisz de V0.
5.Localisation des différentes ondes
L’utilisation de la transformée en ondelette
discrète permet une implémentation facile et ne garde
niveau après niveau que l’information utile.
Cependant le choix de la transformée en ondelette
continue s’impose lorsqu’il s’agit d’analyser le
contenu fréquentiel d’un signal et ce malgré la
redondance d’informations.
fig.2 Analyse de l’ECG par ondelette continue
6. Traitements préliminaires
La segmentation de l’électrocardiogramme est un
problème important et délicat à résoudre et qui n’a
pas encore de solution universellement reconnue.
Cette segmentation est indispensable dans un
processus
d’analyse de l’onde P. Sa bonne réalisation conditionne la réussite et l’intérêt des procédures de calculs
ultérieurs, appliquées notamment à l’onde P.
Pour mener au mieux cette segmentation, on est
amené à réaliser un certain nombre de prétraitements dont la plupart sont effectués dans le
domaine temps échelle par décomposition du signal en
plusieurs niveaux de résolution((Akay.M, 1998),. (Krim.
H & al, 1999)
6.1 Débruitage HF
L’analyse multirésolution permet de séparer les
coefficients d’ondelettes relatifs aux hautes fréquences
du reste du signal. Notons qu’un seuil doit être fixé à
chaque niveau de résolution pour éviter toute
distorsion des QRS (Piotr.Augustiniak, 2003).
6.2 Suppression de la ligne de base
Un autre phénomène moins gênant que le bruit
mais pouvant entraîner des problèmes est celui des
fluctuations de la ligne de base. L’origine des
fluctuations peut être due aux mouvements
(respiratoires ou autres) des patients. Une dérive peu
importante n’est pas préjudiciable quant à la qualité de
SETIT2005
la segmentation. En revanche, une forte dérive de la
ligne de base peut donner à celle-ci des valeurs prise
habituellement par des complexes QRS et donc
entraîner des erreurs. Les fluctuations de la ligne de
base sont typiquement de basses fréquences, on peut
don leur appliquer un filtrage passe haut. La
décomposition en ondelettes réalise un découpage en
bandes de fréquence et va s’avérer utile pour corriger
cette dérive. En utilisant un nombre suffisant de
niveaux de décomposition, on peut séparer la ligne de
base du reste du signal ECG. La reconstruction de ce
dernier sans sa dernière approximation nous permet de
centrer nettement le signal. (voir figure 3).
h
Signal Original
300
200
100
0
-100
-200
0
200
4s
8s
12s
16s
20s
24s
28s
32s
100
400
200
0
0
-100
-200
0
Fig 4. exemple de fausse détection
0
Signal sans ondulation de la ligne de base
0
4s
8s
12s
16s
20s
24s
28s
32s
0
fig 3. Suppression de la ligne de Base
6. 3 Détection des complexes QRS
La détection des complexes QRS constitue une
étape incontournable lors des traitements de l’ECG.
Cette onde permet essentiellement de caractériser la
fréquence cardiaque moyenne. Cette détection est
aussi intéressante dans le cas où la segmentation du
signal en trames définissant chacune un cycle, est
nécessaire. Cette segmentation permet l’analyse de
toute composante fréquentielle du signal.
Pour la détection des ondes R, on rencontre
souvent les difficultés suivantes :
-distance irrégulière entre les pics R
-forme maximale irrégulière
Pour la localisation de ces pics dans le cas d’un
ECG de forme régulière, les filtres numériques ainsi
que toutes les méthodes temporelles donnent de bons
résultats (Pan.Jtompkins.W.J, 1985)
Dans le cas de certaines formes particulières de
l’ECG (voir figure 4), les méthodes temporelles
conduisent à une mauvaise détection des QRS car les
ondes P et T peuvent parfois être interprétées comme
des QRS (R.Lepage & al, 2001) .
Pour résoudre le problème des
formes
particulières, nous avons utilisé le produit des
coefficients d’ondelettes obtenus à des résolutions
différentes et avec des ondelettes analysantes
différentes (voir figure 5). Nous avons choisi un
niveau haute résolution (Haar) et un niveau de basse
résolution (Coiflet). Cela permet d'éliminer les
phénomènes résiduels liés aux bruits et d'obtenir une
bonne localisation des pics R.
100
200
300
400
500
600
700
500
600
700
600
700
haar
200
0
-200
0
100
200
300
400
coiflet
500
0
-500
0
100
200
300
400
500
fig 5.a. Coefficients d’ondelettes à différentes
résolutions
400
200
0
0 10 100
x 10
200
300
400
500
600
700
0
200
300
400
500
600
700
3
2
1
0
100
fig 5.b. Localisation des pics R
6.4. Suppression du complexe QRS
Il est parfois intéressant de supprimer le complexe
QRS car celui-ci est gênant lorsqu’il s’agit d’évaluer
les autres composantes du signal.
On se propose de supprimer les complexes QRS en
exploitant les positions des maxima locaux. Cette
approche permet de localiser le début et la fin du
complexe. On décompose le signal jusqu'à un niveaux
de résolution bien déterminé, on supprime tous les
coefficients relatifs à l’intervalle QS puis on
SETIT2005
reconstruit le signal sans perdre les composantes de
faible amplitude (R.Lepage & al, 2001).
Dans l’optique d’une détection aisée de l’onde P,
cette méthode semble être intéressante.
consiste à approximer l’onde P à un polynôme d’ordre
4 au sens des moindres carrés (Couderc JP & al, 1999) .
Cette approximation est indiquée par la figure 7.
6.4. Segmentation de l’onde P
Pour mieux analyser l’onde P, on ramène à la
lignes isoélectriques le segment relatif au complexe
QRS. Une marge de quelques ms de part et d’autre de
l’onde P est conservée pour réduire l’influence d’une
éventuelle imprécision. Cette marge doit être centrée
en retranchant la moyenne des échantillons de
chacun. On constate sur la figure 6 quelques formes de
l’onde P isolée.
5
0
0
500
5
0
0
500
5
0
0
500
5
0
0
500
2
0
4
0
6
0
8
0
10
0
12
0
14
0
2
0
4
0
6
0
8
0
10
0
12
0
14
0
2
0
4
0
6
0
8
0
10
0
12
0
14
0
2
0
4
0
6
0
8
0
10
0
12
0
14
0
fig 6. segmentation de l’onde P
7. Paramètres descriptifs de la FA
Les paramètres utilisés pour essayer de prédire le
risque de FA peuvent être classés en plusieurs
catégories :
7.1.Paramètres temporels
fig.7- Onde P normale -ascendante lente
-bi-phasique
(approchées par un polynôme d’ordre 4(trait rouge)
7.2.Paramètres fréquentiels
Des études (Clavier.L,1997), ont montré la
divergence sur la pertinence des paramètres temporels
d’où la nécessité d’explorer le domaine fréquentiel car
la présence de hautes fréquences dans l’onde P
pourrait être un indicateur de risques de FA.
7.2.1.Analyse spectrale de l’onde P
La transformée de fourrier peut nous renseigner
sur le contenu fréquentiel de l’onde P. La présence de
hautes fréquences peuvent être détectées. Cependant,
cette méthode présente certaines insuffisances d’où le
recours à l’analyse temps – fréquence.
7.1.1 La durée de l’onde P
Cette durée est facilement estimée lors de la
segmentation. Un allongement de cette durée peut
indiquer aux médecins la présence de troubles de
conduction au niveau des oreillettes. Une durée
supérieure à 120ms identifie une maladie soit au
niveau des oreillettes, soit au niveau de la conduction.
5000
4000
3500
3000
2500
2000
1500
1000
500
0
7.1.2 La forme de l’onde P
Malgré l’importance de la forme de l’onde P dans
le diagnostic, peu d’études ont été menées dans ce
sens [6,7]. Les ondes P ont été classées suivant 4
classes : les formes normales (symétriques), les
formes avec pente ascendante lente, les formes avec
pente descendante lente et les formes biphasiques. Les
3 dernières classes sont considérées comme
pathologiques. La différence entre ces formes peut
être capturée au travers d’une modélisation qui
s p e c t re o n d e P
s p e c t re o n d e P à la
ré s o lu t io n 4
4500
fig 8.
0
50
100
150
200
250
300
350
400
450
500
- spectre de fréquence d’une onde P normal
-spectre de fréquence de l’onde P( résolution 4)
7.2.2 Les transformations temps-fréquences
L’analyse
fréquentielle
n’apporte
aucune
localisation dans le temps.
En effet, les
disfonctionnements de l’oreillette gauche et droite
font apparaître des hautes fréquences sur des segments
SETIT2005
différents de l’onde P c’est pourquoi, il est
indispensable de les localiser.
Parmi les représentations temps fréquences, nous
avons opté pour la transformée en ondelettes. Cette
transformée, si elle est redondante, elle est plus
facilement observable et se prête mieux à l’analyse du
contenu fréquentiel d’un signal. Il est très visible sur
la figure 9 que les coefficients d’ondelettes sont plus
importants en basses résolutions (a>14)mais il n’y a
pratiquement pas d’information en haute résolution
car il s’agit d’une onde P normale.
9. References
50
(Akay.M, 1998), “Wavelet in biomedical signal processing”,
IEEE, (New York).
(Clavier.L,1997),
‘’ Analyse
du
signal
électrocardiographique en vue du dépistage de la
fibrillation auriculaire ‘‘, Thèse de l’université de
Rennes I.
0
ondeP
-50
0
10
20
30
40
50
60
1000
800
400
200
0
10
20
30
40
50
60
fig.9 Transformée en Ondelettes continue de
l’onde P (par coefficient)
A naly z ed s ignal.
40
30
10
2
6
10
14
18
22
26
30
34
38
64
(Krim. H & al, 1999), “ On Denoising and Best Signal
representation » . IEEE Transactions on Information
Theory, 45(7) :2225–2238, (1999).
(Pan.Jtompkins.W.J, 1985), “A real QRS detector”, IEEE,
Transaction on biomedical engineering, Vol 32, N°3, p
139-146.
(Piotr.Augustiniak, 2003), “ Time-frequency modeling and
discrimination of noise in the electrocardiogram”,
Physiol.
20
s c ales a
(Clavier.L & al,1996),‘’ P-wave parameters for atrial
fibrillation risk detection’’, 18th anualinternational
conference of the IEEE Engineering in Medicine and
Biology society.
(Couderc JP & al, 1999) “ Wavelet analysis of spatial
dispertion of P-wave morphology in patients converted
from Atrial Fibrillation”, Computers in cardiology, 26:
699-702,
600
0
temporelle est faible. L’étude faite sur les ondes P que
nous avons pu segmenter semble être satisfaisante.
Cependant, pour améliorer ces résultats et pouvoir
segmenter les ondes P non couplées aux complexes
QRS, il faut améliorer la méthode de segmentation qui
constitue une étape incontournable dans ce travail.
Nous nous sommes orientés vers une méthode
statistique basée sur les Chaînes de Markov Cachées
(HMM). Cette méthode qui paraît plus robuste, fait
l’objet d’un travail en cours.
5
10
15
20
Continuous Trans f orm, abs olute c oef f ic ients .
5
10
15
time (or s pac e) b
20
fig 9.a. transfrmée en ondelette continue
(niveaux de gris)
8. Conclusion
Cet article présente une étude de l’onde P dans le
but de faire une classification automatique de sujet à
risque de fibrillation auriculaire; l’une des arythmies
les plus courantes. L’efficacité de la méthode est
fortement conditionnée par l’efficacité de la
segmentation. Pour l’instant, les méthodes de
segmentation utilisées ; manuelle et par ondelettes ne
sont satisfaisantes que dans le cas des ondes P
couplées à des QRS. De plus, la détermination des
positions du début et de la fin de l’onde P n’est pas
toujours précise car, à basses fréquences, la précision
(Ronan.Lepage & al, 2001) “ECG sementation and P-wave
feature extraction: application to patients prone to atrial
fibrillation”, IEEE/EMBS, Istambul, (Turkey )