| Imprimer |
| Méthodes à faible complexité algorithmique pour l'analyse d'ECG (Parsimonious analysis methods for ECG signals) Ka, Ahmad Khoureich - (2012-12-04) / Universite de Rennes 1, Université européenne de Bretagne - Méthodes à faible complexité algorithmique pour l'analyse d'ECG
| |||
Langue : Anglais Directeur(s) de thèse: Petritis, Dimitri; Sangharé, Mamadou Discipline : Traitement du signal et télécommunications Ecole Doctorale : Mathématiques, informatique, signal, électronique et télécommunications Classification : Sciences de l'ingénieur Mots-clés : Transformée discrète d'ondelettes, Électrocardiogramme, ECG, Méthode parcimonieuse
| |||
Résumé : Cette thèse a porté sur l'analyse des électrocardiogrammes en vu de développer de nouvelles méthodes efficaces de classification des arythmies (un outil de diagnostique) et de localisation automatique des battements anormaux en temps réel dans un signal ECG (un outil de surveillance). Les signaux ECG sont prétraités et les battements extraits sont compressés puis analysés à l'aide de la décomposition en ondellettes. La méthode de classification proposée exploite les spécificités du patient en faisant un regroupement contextuel des battements et en utilisant une base de données de battements cardiaques annotés. La méthode utilise également une fonction de similarité pour comparer deux battements donnés. La méthode de localisation exploite aussi la décomposition en ondelettes mais se base sur une partie des données disponibles (set of parsimony) pour détecter automatiquement et temps réel à l'aide d'une fonction masque les battements cardiaques anormaux contenus dans le signal ECG. Les deux méthodes ont été testées sur les signaux électrocardiogrammes du MIT-BIH arrhythmia database et des bons résultats ont été obtenus. Abstract : This thesis focused on the analysis of electrocardiograms in view of developing new effective methods of classification of arrhythmias (a diagnostic tool) and automatic localisation of abnormal beats (monitoring tool) in real time in an ECG signal. The ECG signals are preprocessed and the extracted beats are compressed and then analysed using wavelet transform. The proposed classification method exploits specificities of the patient by doing a contextuel clustering of beats and using a database of annotated heart beats. The method uses also a similarity function to compare two given beats. The localisation method also uses the wavelet decomposition but operates only on a portion of available data (set of parsimony) to automatically detect in real time abnormal heart beats with the aid of a mask function. Both methods were tested on ECG signals from MIT-BIH arrhythmia database and good results have been obtained. | |||