SETIT 2009

5th International Conference: Sciences of Electronic,

Technologies of Information and Telecommunications
March 22-26, 2009 TUNISIA

Dtection et Classification Automatiques dArythmies

Cardiaques
Zid-el-khir CHALABI*, Abderhim BOUDJEMAOUI *, Larbi SAADIA*,
et Nasreddine BERRACHED *
*Laboratoire LARESI dpartement dlectronique Universit des Sciences et de la Technologie dOran
P.B. 1505 Oran El MNaouar 31000 Algrie
hzidelkhir@yahoo.fr
abdou_djemaoui@hotmail.fr
s_larbi86@yahoo.fr
Laresi@hotmail.com

Rsum: Nous proposons dans ce papier deux modles de classificateurs neuronaux destins lidentification
automatique des arythmies cardiaques. Le premier est un rseau de Kohonen combin (SOM-LVQ) pour tre supervis
(SOM : Self Organisation Map et LVQ : Learning Vector Quantization) ; le second est un rseau de fonction bases
radiales RBF (Radial Basis Functions). Notre but principal est davoir un meilleur taux de classification dans un temps
minimum avec des algorithmes simples dans leur mise en oeuvre. La transforme en ondelettes est utilise pour extraire
les paramtres qui caractrisent diffrentes pathologies arythmiques et constituant ainsi les bases dapprentissage et de
gnralisation des rseaux de neurones. Un prtraitement par filtrage adapt par londelette de Symlet a t appliqu
aux signaux avant lextraction. Les signaux ECG exploits dans cette tude sont tirs de la base de donnes MIT-BIH
Arrhythmia Database connue mondialement. Les rsultats obtenus sont satisfaisants avec des taux de reconnaissance
(Tr) moyens respectifs de 95.90% pour le rseau LVQ et 92.56% pour le RBF. Les taux de prdictibilit (Pr) par
individu sont de 100% pour 19 ECG parmi 28 tudis pour les deux algorithmes.
Mots cls: Arythmies cardiaques, Automatique, Classification neuronale, MIT-BIH, RBF, SOM-LVQ, Transforme en
ondelettes.

battements irrguliers (Arrhyt. Episode). Elles forment

INTRODUCTION
Le signal ECG reprsente lactivit lectrique du
cur, est sans doute la technique de diagnostic des
pathologies cardiaques la plus rpandue. LECG est
un signal alatoire non stationnaire, structur
(figure.1) par la succession de formes dondes et
dintervalles de la (P, Q, R, S,T). Toute modification
morphologique ou temporelle de ses vnements (ou
chroniques) constitue une pathologie cardiaque. Les
changements concernant le rythme ou la frquence
sont des arythmies cardiaques (maladies mortelles) et
font objet du prsent travail.
La dtection de ces arythmies est un srieux
problme sur le plan clinique et technologique
(moyens et approches). Elles sont varies et les
manires de les aborder sont galement varies,
souvent cela dpend de quel point de vue o on se
place. Selon [TSI 04], il est possible de dfinir les
arythmies cardiaques par lirrgularit des battements
cardiaques (Arrhyt. Beat) ou comme un groupe de
deux groupes : le premier comprend la fibrillation et la
tachycardie ventriculaires qui sont dangereuses et
ncessitent une thrapie immdiate avec un
dfibrillateur ; le second groupe concerne les
arythmies non dangereuses mais qui exigent une
thrapie prventive dautre problme. Ces troubles
cardiaques sont aussi classs suivant la frquence et le
rythme dcrit par le nombre de cycles ou contractions
ventriculaires (dpolarisation des ventricules) par
minute, reprs sur lECG par le nombre de
complexes QRS [CHA 05], [htt ECG].
Un certain nombre de travaux [CHA 05],[THE 07],
[BES 07],[TSI 04],[SIL 98],[LIA 04], [FRE 96],[GRE
00]et [MON 05] ont t raliss avec succs pour
mettre en vidence les arythmies, mais ils dfrent par
le choix des types et nombre de paramtres
significatifs qui caractrisent larythmie en question.
Par exemple les arythmies PVC (Contractions
Ventriculaires Prmatures) ont t dtectes dans
[CHA 05],[OME 05],[LIA 04] et [FRE 96] avec
diffrents paramtres, approches et rsultats. Ces

-1-
SETIT2009
paramtres peuvent tre morphologiques, temporels
tels que en [GRE 00],[KRA 05] et [YAN 05],[OME
5] ou statistiques ou les deux [GHO 98]. Dans [TSI
04] et [THE 07] seul lintervalle RR est exploit pour
chercher plusieurs arythmies.
Dautre part plusieurs mthodes de classification
ont t proposes dans la littrature pour classer les
battements arythmiques en battement normal ou
anormal (arythmique) pour certains et pour dautres
selon diffrents rythmes (TV, BV,...) [THE 07], [TCH
07], [TSI 04] et [KRA 05]. [KRI 95] compare trois
procdures diffrentes pour caractriser les rythmes
classer par un rseau LVQ. Mais dans la majorit des
cas les paramtres essentiels sont mesurs autour du
complexe QRS (largeur, forme et amplitude) et
plus particulirement la dtection de londe R qui est
un paramtre dominant [CHA 05], [BES 07], [TCH
07], [THE 07]. Spcialement pour les arythmies
auriculaires (fibrillation auriculaire) londe P et
lintervalle PR sont privilgis [LEP 03].
Cette tude varie, nous a permis dtablir un
certain nombre de paramtres significatifs pour classer
les arythmies prsentes dans le complexe QRS.
Figure 1. Caractristiques dun battement cardiaque.
Inspirs de plusieurs travaux cits, nous proposons
une approche de reconnaissance automatique pour
dtecter plusieurs arythmies. Elle met en jeu des
mthodes danalyse non linaire par les rseaux de
neurones et des outils danalyse non stationnaire par la
transforme en ondelettes (WT) qui ont des proprits
dadaptation trs intressantes.
Actuellement la mthode des ondelettes est
devenue une technique, par excellence, trs efficace
pour extraire les paramtres qui caractrisent
larythmie dans ses diffrentes formes. Beaucoup de
travaux utilisant les ondelettes ont t mens avec
succs, en particulier les articles [BES 07], [DUB 04]
[OME 05],[SEN 95] et [YAN 04] ont largement
dmontr lapport de la WT du signal ECG. Elle
permet de produire les instants de dbut et de fin des
ondes et intervalles et de filtrer le signal.
-2-
Lanalyse non linaire par rseau de neurones
artificiels (RNA) semble prometteuse pour fournir des
indicateurs pertinents lidentification de pathologies
cardiaques. La littrature est riche en travaux ayant
exploit les avantages des RNA pour dtecter ou
classer automatiquement des arythmies cardiaques tels
que [CHA05],[DUB 04],[ELD 02], [FRE 96], [GRE
00], [KRI 95], [LIA 04], [MON 05], [OMR 06], [SIL
98], [THE 07] et [TSI 04] o diffrentes approches de
classification ont t abordes. Mais un classificateur
peut tre efficace pour un ECG et chouer avec un
autre ECG ou une autre pathologie. Ce qui justifie le
grand nombre de travaux dans ce domaine. Il y aura
toujours des investigations car le moindre espoir
damlioration des performances, sauve une vie.
Rcemment Lu et Weng dans [Lu 07], montrent que
pour une tude particulire il est souvent difficile
didentifier le meilleur classificateur par manque de
guide adquat. Beaucoup dtudes comparatives de
classificateurs sont conduites ; la combinaison de
diffrentes approches peut tre un puissant outil pour
amliorer la qualit des algorithmes de classification.
En particulier, les mthodes qui tiennent compte des
connaissances a priori des donnes ont eu plus de
succs. Cest pourquoi nous proposons des
algorithmes dapprentissage par quantification
vectorielle (VQ) dont loutil essentiel est le codebook.
Par la construction du codebook, la VQ tient compte
des spcificits de lapplication donne et permet ainsi
dexploiter linformation priori. Il sagit de la
combinaison des algorithmes SOM-LVQ et celui du
rseau RBF. Chaque rseaux (RNA) ayant appris les
caractristiques clefs de chaque arythmie, reoit en
entre, en phase de test, un vecteur de paramtres
(dfinissant un battement cardiaque) issus de la WT,
effectue la discrimination en deux ou plusieurs classes
darythmies.
Nos rsultats sont valus sur les enregistrements
dECG de MIT-BIH Data Arrhythmias, trs connue
par les utilisateurs dECG, pour dtecter les
pathologies les suivantes : Extra systole ventriculaire
(V), Extra systole supra-ventriculaire (S), Fibrillation
ventriculaire (VF), Flottement ventriculaire ( !),
Tachycardie ventriculaire ((VT) et Bradycardie
ventriculaire (Br) que nous allons classer selon le
rythme et la frquence. Les symboles sont ceux
utiliss dans MIT-BIH annotation.
1. Mthode
1.1. Organigramme de dtection
Nous rsumons lessentiel de la procdure tablie
dans lorganigramme de la figure.2. Notre objectif
tant de dtecter et de classer automatiquement les
arythmies, les performances du classificateur
SETIT2009
dpendent du choix des paramtres significatifs pour
discriminer les battements normaux des battements
pathologiques. Selon [SIL 96] et [RAD 99] les
performances dun RNA sont fortement lies la
qualit dextraction des indicateurs de pathologies.
Cest pourquoi, le prtraitement du signal ECG est
ncessaire avant dextraire ces paramtres avec
exactitude. Ici, le prtraitement concerne la correction
de la ligne de base et la suppression du bruit.
Figure 2. Oraganigramme de la procdure adopte.
1.2. Prtraitement
1.2.1 Correction du signal ECG
Le prtraitement consiste rendre le signal propre
sans artfacts. Avant de procder la suppression des
bruits, il est dabord ncessaire de corriger le signal,
cette correction est ralise par un filtre mdian afin
(a)
Figure 3. Leffet du filtre mdian sur le signal ECG.: (a) le signal Yecg1 (n) original en rouge et en bleu le signal Ycorrig
(n); (b) la portion zoome dans la figure (a) ; (c) le signal de correction Yecg3 (n).
de redresser la ligne de base et ramener le signal vers
un repre normalis. Cette opration est reprsent sur
la figure.3 et par les quations (1), (2) et (3).
Yecg2 (n) = Yecg1 (n) * f1 (n) (1)
Yecg3 (n) = Yecg2 (n) * f2 (n) (2)
Y corrig (n) = Yecg1 (n) Yecg3 (n) (3)
Le filtre mdian est un outil efficace pour corriger
le signal sans perte dinformation. Cest un filtre
classique non linaire, son principe est le suivant :
Pour chaque chantillon du signal, on classe les
chantillons voisins compris dans la fentre par
valeurs croissantes. On prend la valeur mdiane des
chantillons classs et on laffecte lchantillon
courant. Le processus de correction est labor de
faon liminer partir du signal original Yecg1 (n)
londe P et le complexe QRS par un premier filtre
mdian f1(n) dune largeur de 150 millisecondes,
ensuite dliminer londe T partir du signal Yecg2 (n)
issu du premier filtrage par un second filtre mdian
dune largeur de 50 millisecondes. Le signal Yecg3 (n)
rsultant de la deuxime opration ne contient donc
que la ligne de base. Le signal corrig Ycorrig (n) est
alors obtenu par une soustraction entre le signal
original Yecg1(n) et le signal Yecg3 (n) rsultant des deux
oprations de filtrage.
1.2.2. Suppression du bruit
Pour supprimer les artfacts autres que la ligne de
base, deux types de filtre seront mis en comptition :
filtrage par un filtre RIF Least Square et par
lapplication de londelette de Symlet afin destimer le
degr de la qualit du filtrage.
(b) (c)
-3-
SETIT2009
1.2.2.1. Filtre Least square.
Le filtre FIR Least Square (LSQ) est bas sur
lalgorithme des moindres carrs, trs connu par les
utilisateurs du signal ECG. Cest un filtre classique
trs efficace, ses principales caractristiques sont :
l'ondulation dans la bande passante est moindre,
l'affaiblissement minimal dans la bande de rjection
est plus accentu. Cest le meilleur comportement
pour la mthode des moindres carrs dont lalgorithme
approxime les donnes en calculant dabord lerreur
e(n) selon lquation (4) ensuite recherche de la plus
petite erreur est effectue par la formule (5) :
e(n) = Ycorrig (n) Ycor. filtr(n)* (4)
N
err = min e ( n ) 2
n =1
Les caractristiques pratiques du filtre Least
Square utilis sont : une bande passante de [0,40] Hz,
- Dbut de la bande de rjection : 50 Hz
- Frquence dchantillonnage : Fe = 1000 Hz
- Ordre du filtre : 13 chantillons
La rponse impultionnelle du filtre est donne
par lquation (6)
h(n) = - 0,0375 - 0,00628 (n-1) + 0,0405 (n-2) +
0,0946 (n-3) + 0,1451 (n-4) + 0,1808 (n-5) +
0,1937 (n-6) + 0,1808 (n-7) + 0,1451 (n-8) + (6)
0,0946 (n-9) + 0,0405(n-10) - 0,0063(n-11) -
0,0374(n-12)
(a)
(b)
Figure 4. Leffet du filtre RIF Least Square appliqu
sur le signal ECG : (a) Ycorrig (n) en bleu et en noir le
signal filtr; (b) la portion zoome dans la fig.(a).
1.2.2.2. Filtrage par londelette de Symlet.
Les Symlets sont des ondelettes support
compact, orthogonales, reconstruction exacte et
presque symtriques. Elles sont quivalentes aux
filtres RIF phase linaire Elles permettent des
transformations continues et discrtes dalgorithme
rapide. Mais elles ne possdent pas dexpression
explicite. Le principe de bruitage donne lieu des
algorithmes trs simples, souvent plus performants et
faciles rgler que les mthodes traditionnelles
destimation grce leur adaptativit selon [HLA 05],
[MIS 03].
Les caractristiques pratiques de dondelette du
Symlet utilise ici sont : = 4 pour la translation
temporelle et s = 5 pour lchelle frquentielle. La
(5) figure 5 montre les rsultats de filtrage par Sym4. Le
terme translation est li l'endroit de la fentre, car la
fentre est dcale sur le signal. Le terme chelle
(scale), cest un paramtre qui est dfini comme
1/frquence.
(a)
(b)
Figure 5. Filtrage par ondelette du Symlet : (a) le
signal Ycorrig (n) en bleu et en noir le signal filtr par
sym4 ; (b) la portion zoome dans la figure (a).
Si on examine bien les courbes (b) des figures 4 et
5, on constate que le filtrage par sym4 reproduit le
signal Ycorrig (n), en fig.5 b, avec plus de fidlit que
celui fourni par le filtre LSQ en fig.4. Londelette du
symblet balaie tout le complexe QRS notamment le
pic R. Cest d lavantage, des caractristiques des
ondelettes annonces prcdemment.
-4-
SETIT2009

Ces derniers rsultats seront retenus pour la suite procdure de dtection, par db6, des indicateurs des
de notre travail. Sur le signal ECG corrig, arythmies diagnostiquer. Le principe de localisation
lextraction des paramtres des arythmies sera efficace est bas sur les valeurs maximum absolues et inspire
et prcise. de lalgorithme du passage par zro qui consiste en
lapplication dun filtre particulier possdant une
double proprit : la localisation en temps et en
3. Extraction frquence [DUB 04], [TCH 07]. Les passages zro
Lextraction et l'identification des paramtres des transformes correspondent ici aux extrema
d'ECG sont la base de l'analyse d'ECG et du locaux (les pics) du signal original pour les ondelettes
diagnostic. La dtection prcise des complexes de non symtriques telle que (db).
QRS est trs importante, cet effet nous avons utilis
la transforme en ondelettes du Daubechies (dbN)
pour extraction des paramtres [MIS 03]. Les
ondelettes dbN ont les mmes proprits que les
Symlets mais pas symtriques surtout pour les faibles
valeurs de N diffrentes de 1. Les dbN ont souvent
taient trs efficaces dans beaucoup de travaux de
dtection et de compression de lECG. Le lecteur
intress par la thorie des ondelettes, peut consulter
la littrature [HLA 05],[MIS 03],[SEN 95],[LIA
04],[TCH 07] qui est trs riche car les ondelettes sont
actuellement loutil par excellence du traitement et de
lanalyse du signal. Le choix de l'ondelette dpend Figure 6. Leffet de londelette de DAUBECHIES en
surtout des proprits (orthogonalit et continuit pour rouge sur le signal ECG100 de MIT-BIH en noir.
assurer lunicit des coefficients) et de l'application,
Les indicateurs de pathologies sont choisis avec
3.1. Application de londelette de Daubechies soin en sinspirant de la bibliographie en rfrence en
particulier [CHAL 05],[DUB 04] et [THE 07]. Il sagit
3.1.1. Calacul de la CWT de : lintervalle RR, la frquence cardiaque,
Soit x(t) le signal (ECG) tre analys, londelette lamplitude des ondes Q, R, et S ainsi que la dure et
mre (t) est choisie pour servir de prototype toutes la surface du complexe QRS.
les fentres. Toutes les fentres qui sont employes
(ondelettes filles) sont des versions dilates (ou
comprimes) et dcales de l'ondelette mre voir le
figure 6.
La CWT est une fonction de deux paramtres et s
(les mmes que dans 1.2.B), qui est le coefficient de la
(WT) du signal x(t) en utilisant lodelette mre
danalyse (.):

(6)

Une fois que l'ondelette mre est choisie le calcul

commence par s = 1. Cette premire valeur de s
correspondra l'ondelette la plus comprime, la
CWT est calcule pour toutes les valeurs de s < 1
et s > 1. Alors les deux paramtres et s sont
augments par un pas suffisamment petit. Ceci
correspond lchantillonnage du plan chelle-
temps. Quand le processus est complt pour Figure 7. Lorganigramme de localisation
toutes les valeurs dsires de = 12 et s = 6, dans (extraction) des ondes ECG par londelette de
ce cas le CWT du signal est calcul. DAUBICHIES.
Lintervalle RR est la diffrance entre 2 pics R successifs:
3.1.2. Dtection des paramtres caractristiques RR (i) = position du pic R (i+1) - position du pic R (i).
La figure.7 reprsente lorganigramme qui dcrit la

-5-
SETIT2009
La frquence cardiaque est la frquence instantane du
signal ECG.
Lamplitude R(i) = max du pic R
Lamplitude Q(i) = min du pic Q
Lamplitude S (i) = min du pic S
La dure QRS = fin de S - dbut de Q
La surface QRS = surface du dbut de Q jusqu la fin de S.
Le principe de la fentre i est le suivant : Chercher
tous les minimums par rapport un seuil (-1,5 mV), la
largueur de la fentre = 4 passages zros avant et
aprs la position de chaque minimum.
Figure 8. Localisation des pics R pour calculer lintervalle
RR, la frquence cardiaque et lamplitude R.sur lECG
100 de MIT-BIH: le repre rouge indique la position de pic R.
Les rsultats obtenus dans cette phase (figure 8 et
9) seront regroups, aprs une opration de
normalisation dans des fichiers textes reprsentant les
vecteurs caractristiques de chaque battement. La
normalisation est ncessaire car ces paramtres sont de
valeurs et de dimensions diffrentes. Ils vont faire
lobjet de vecteurs dentre des rseaux SOM-LVQ et
RBF pour la classification en battements normaux ou
pathologiques, certains dans la phase dapprentissage
et dautres dans la phase de test pour chaque patient
respectivement.
Figure 9. Localisation du complexe QRS pour calculer sa
dure et sa surface : en rouge la position du dbut de londe Q,
et bleu la fin de londe S.
-6-
4. Classification
Le but est de classer automatiquement les
battements cardiaques. Le choix du classificateur est
trs important, il constitue llment de dcision dans
un systme de reconnaissance de formes. Lapproche
connexionniste neuronale conserve lide du calcul
rcursif, parallle et rapide pendant la phase
dapprentissage. Lorsque les classes se prsentent avec
des surfaces de sparation trs complexes, les rseaux
superviss SOM, LVQ, et RBF, sont plus aptes en
raison de leur apprentissage local par la VQ.[RAD
99]. Cest de la construction du dictionnaire que la QV
tient des spcificits de lapplication donne, et
permet donc dexploiter les informations a priori.
Beaucoup de dtails sur ces rseaux sont donns dans
[CHA 05], [KON 97],[RAD 99] et [BEN 06].
Les RNA sont associs gnralement un
algorithme appel "apprentissage" capable de modifier
de manire plus ou moins automatique le traitement
effectu dune tche donne. Dans ce travail nous
avons utilis deux types dalgorithmes :
1. La combinaison SOM-LVQ des algorithmes de
Kohonen (Self Oraganisation Map) dapprentissage
non supervis, LVQ (Learning Vector Quantisation )
dapprentissage supervis.
2. Le RBF (Radial Basis Funtions) dapprentissage
supervis.
Ces rseaux sont mis en uvre pour classer six
pathologies : Extra systole ventriculaire (V), Extra
systole supra ventriculaire (S), Fibrillation
ventriculaire (FV), Flottement ventriculaire ( !),
Tachycardie Ventriculaire ((VT) et Bradycardie
ventriculaire (Br). La classification est ralise en
deux groupes : selon la frquence pour les
pathologies : (VT, FV, Br et N pour battement normal,
puis selon le rythme pour les pathologies : V, S.
4.1. Rseaux de Kohonen SOM-LVQ
La carte auto-organisatrice est un ensemble
structur de neurones dont les vecteurs de poids
dfinissent une topologie dfinie par une notion de
voisinage. Lentre du rseau est le vecteur de
caractristiques qui reprsente un battement cardiaque.
Lapprentissage non supervis (la classe est
ignore) par la carte SOM permet de trouver seul les
frontires entre les classes, les poids des neurones sont
organiss de manire minimiser une erreur de
quantification. Il permet galement de faire rduire
lespace dentre pour notre objectif qui est de
reconnatre la classe du vecteur dentre.
Une meilleure estimation de frontires peut tre
obtenue en introduisant une phase dapprentissage
supervis, au cours de laquelle la classe des
SETIT2009
battements, est prise en considration. Nous
appliquons lalgorithme LVQ1 qui consiste
prsenter nouveau des vecteurs de caractristiques
au rseau, et rajuster les vecteurs de poids de
manire minimiser le taux global derreurs de
classification.
Lalgorithme LVQ1 comprend deux couches : une
couche descriptive et une couche prdictive, la
seconde supervise la premire. Les neurones de la
premire couche reprsentent les classes et travaillent
de faon comptitive. Ceux de la deuxime couche
reprsentent les prdictions et travaillent de faon
supervise. Lors de la comptition, seuls les poids
Wi(t) du neurone gagnant (selon le plus proche voisin)
sont modifis par la rgle dapprentissage suivante des
quations (7),(8) et (9):
Wi (t + 1) = Wi (t )
Si le neurone nest pas vainqueur.
Wi (t + 1) = Wi (t ) + (t )(
. x Wi )
Sil est vainqueur et est associ la mme classe
de x.
Wi (t + 1) = Wi (t ) (t )(
. x Wi )
Sil est vainqueur mais nest pas associ la mme
classe de x.
(t), le coefficient dapprentissage, varie selon la
condition suivante: 0 < (t ) < 1 et dcrot avec le
temps pour affiner la sparation.
Lapplication pratique est inspire des travaux
[KOH 97],[BEN 06],[CHA 05] o Il est recommand
lutilisation du voisinage hexagonal qui permet une
meilleure lasticit de la carte. La dimension de la
carte est approche de la formule heuristique (10):
nbre _ cellules = 5 (nbre vecteur d ' entre)
0.54321
La phase dapprentissage sarrte sous lune des
W = D + .Y
conditions suivantes:
1. Lerreur quadratique moyenne est infrieure 10-10.
2. Le nombre ditrations maximum est gal 500.
4.2. Rseau RBF
Les rseaux RBF comptent quelques proprits qui
les rendent trs intressants pour tre utiliss comme
classificateurs [RAD 99], [FAL 98] et [BEN 06] : Ils
peuvent raliser des surfaces de dcision de
complexit arbitraire en s'adaptant facilement de
nouveaux scnarios par l'augmentation du nombre de
neurones sur la couche cache. Lapprentissage du
rseau RBF est hybride puisquil est non-supervis
pour la couche cache et supervis pour la couche de
sortie. Le but de l'apprentissage non-supervis est de
trouver les vecteurs poids des neurones de la couche
cache, qui dfinissent les centres des rgions de
sensibilit associes.
Les paramtres principaux rgler dans un rseau
RBF sont:
1. Le nombre de neurones RBF (nombre de
neurones dans lunique couche cache) : Ce nombre
est gal au nombre de vecteurs dentre.
(7) 2. La position des centres des gaussiennes de
chacun des neurones : ces centres sont calculs de la
manire suivante :
T
xi
(8) ci = (11)
i =1 T
Avec T le nombre de donnes appartenant la classe
Ci ; x i : une donne quelconque.
(9)
3. La largeur de ces gaussiennes : Une fois tous les
centres cj choisis, il faut dterminer la largeur () des
gaussiennes qui est le champ rcepteur. Si on choisit
un gal pour toutes les gaussiennes, une rgle
empirique consiste exprimer par lquation (12):
N
d
j = x c
N 8 i=1
i j 1 j M (12)
M : le nombre de centrodes ; xj : une donne
quelconque ; N : le nombre dexemples dans la base
dapprentissage.
4. Les poids des connexions entre les neurones RBF
(10) (W) et le(s) neurone(s) de sortie, peuvent tre calculs
par lquation matricielle (13) utilisant la mthode de
la matrice pseudo-inverse D+. O Y, est la matrice
colonne des sorties attendues, les lments de la
(13) matrice D sont donns par la formule (14).
xi c 1 i N
f i , j ( x ) = exp
j
o (14)
2 . 2
{1 j M
Inspirs de [BEN 06] et daprs plusieurs tests on a
-7-
SETIT2009
pris : Une couche cache de 6 neurones. La largeur des
noyaux (les gaussiennes) de la couche cache est, en
moyenne, fixe avec un = 0.8. Une couche de sortie
de 2 neurones (2 classes : battement normal et
battement anormal).
4.3. Rsultats et interprtations
4.3.1 Classification par SOM-LVQ
Le nombre de vecteur va dpendre du vecteur
dcrivant la pathologie. Dans le cas de la frquence la
dimension de la carte est de 5*9 et pour le rythme elle
est de 5* 8. (t) est gal 0.01.
La figure.9 reprsente deux exemples de cartes de
classification par lalgorithme SOM-LVQ. Les cartes
utilises : sont en (a) pour le cas de lECG.228, class
selon la frquence, les cellules de la carte contiennent
des tiquettes ou symboles des pathologies de
frquence (VF, !, (VT, Br et N). En (b), cest le cas de
lECG.100 class selon le rythme, les tiquettes sont
celles des pathologies de rythme (S,V ou N).
Les cellules vides sont, en gnral, des neurones
prvus dans la taille de la carte mais aucun battement
na pu tre cas. Sur la figure 9(a) on remarque que la
pathologie Br tant plus proche du groupe N de part sa
nature, se trouve sur la carte assez loin des autres
pathologies dont la frquence est plus rapide. Cest
une caractristique de lalgorithme SOM (respect de la
topologie de lespace dentre). La figure 9(b) met en
vidence une nette sparation des battements V et S
par une srie de cellules vides.
(a). Classification selon la frquence.
(b) Classification selon le rythme.
Figure 9. Cartes SOM-LVQ utilises: (a) cas de
lECG.228 class selon la frquence et (b) cas de
lECG.100 class selon le rythme.
-8-
La distribution des tiquettes sur les deux cartes,
montre bien une discrimination entre les diffrentes
pathologies, ce qui signifie que les indicateurs choisis
sont reprsentatifs des pathologies. La qualit de
classification est exprime par les statistiques relatives
la sensibilit Se, la prdictivit Pr et au taux de
bonne classification Tr.
4.3.2. Statistiques des rsultats
Les statiques, calcules pour les deux types de
rseaux estiment les performances de classification,
sont portes sur les tableaux 1 et 2 respectifs pour la
pathologie de la frquence ; les tableaux 3 et 4
contiennent celles obtenues pour le rythme.
4.3.2.1. La frquence
Daprs les tableaux 1 et 2 affichs, les valeurs
moyennes de taux de reconnaissance (Tr) obtenues
avec les deux algorithmes proposs sont dans la marge
de la bibliographie : Tr = 96.05% pour SOM-LVQ et
Tr = 92.4% pour le RBF. Ces chiffres un peu moins
levs sont calculs dans les pires
conditions concernant les fichiers (102), (104), (105),
(106), (223) et (124) qui se trouvent dans la mme
situation. Les deux fichiers (102) et (223) posent un
problme. Par exemple les deux algorithmes ont eu le
mme comportement pour deux fichiers : Se = 0 et Pr
= NAN (non calcule) pour le fichier (102) par SOM-
LVQ et le fichier (223) par RBF et des Tr respectifs
non nuls, mais ils sont en contradiction pour le mme
fichier:
(223): Se Pr
SOM-LVQ 50 100
RBF 0 NAN.
Tandis que pour les fichiers (105) et (106) les
rsultats sont identiques par les classificateurs.
En dehors des cas, les taux Tr sont dans les
intervalles respectifs 81,82% <Tr <98,70% pour le
rseau SOM-LVQ et 88,23% <Tr < 100% pour le
RBF qui semblent tre bons. La prdictibilit Pr
leve signifie que les battements pathologiques sont
bien dtects, il y en a 19 sur 27 avec Pr = 100% pour
les deux rseaux. Si Se est leve alors les battements
sains sont bien dtects, elle est dans lintervalle :
71,43 % <Se<100% pour le SOM-LVQ et le RBF.
Ceci est un rsultat positif car la statistique du vrai
positif (Pr) est leve et cest le but recherch.
4.3.2.2. Le rythme
Daprs les tableaux 3 et 4 concernant le rythme,
si nous faisons les mmes analyses propos de
certains fichiers, les taux Tr sont dans lintervalle
88.23% <Tr < 99.8% par lalgorithme SOM-LVQ
(tableau.3), et dans lintervalle 80%<Tr<100% par
celui de RBF (tableau.4). Nous pouvons conclure
quils sont comparables ceux des travaux en
rfrences. Le fichier (102) est trait par les deux
SETIT2009

rseaux correctement, cest un rsultat intressant la 4.4. Discussions

frquence ( 02 composantes) ne permet pas de le
caractriser significativement.
Une remarque dduite des quatre tableaux est
visible en analysant les statistiques relatives aux
fichiers (200, 203 et 208) : le Tr obtenu en frquence
par RBF est suprieur celui obtenu selon le rythme.
Par contre les statistiques de ces mmes sont
inversement obtenues par le rseau SOM-LVQ : le Tr
(rythme) > Tr (frquence). Mais les fichiers (101,103
et 205) ont t classs par RBF selon au rythme avec
un Tr trs lev par rapport celui ralis par SOM-
LVQ.
Silipo dans [SIL 98] compare les approches,
neuronales et traditionnelles, des dtecteurs
darythmies et montre une amlioration notable des
RNA valus sur diffrentes bases de donnes
standard. Les PVC ont t trs bien classs par [FRE
96] avec Se = 99% et Pr = 97% en utilisant un rseau
de neurone flou (Fuzzy ARTMAP) bas sur la
technique de la thorie de rsonnance adapte, deux
coefficients tirs dun codage prdictif linaire autour
du complexe QRS caractrisent le battement. [LIA 04]
dtecte les QRS par la WT et utilise les rseaux de
neurones flou pour classer les PVC avec un taux gal
99.79%.

Patient Tr % Pr % Se % Patient Tr % Pr % Se % Patient Tr % Pr % Se %

102 98 ,08 NaN 0 123 96,97 100 83,33 215 98,70 100 98,65
104 98,18 100 83,33 124 81,82 81,82 50 221 98,11 100 93,33
105 98,28 100 50 200 91,43 86,36 50 223 98,20 100 50
106 97,83 100 50 201 98,33 92,86 96,97 228 98,11 100 95,45
108 97,65 100 96,97 203 97,30 97.78 97.78 230 98,22 100 83,33
113 92,11 100 90 208 91,90 91.38 98,15 231 97,68 100 66,67
114 97,37 100 97,30 210 96,78 93.,33 93.33 232 97,37 100 90
115 92,86 77,77 87,50 212 93,33 100 33.,33 233 98,08 100 98,61
119 97,44 100 95,24 213 98,67 100 98,65 Moy. 96,05 96,66 82,50
121 92,5 88,89 94,12 214 96,23 100 71,43

Tableau.1 Statistiques de classification par SOM-LVQ selon la frquence.

Patient Tr % Pr % Se % Patient Tr % Pr % Se % Patient Tr % Pr % Se %

102 98 ,08 NaN 0 123 96,97 100 96,87 215 98,70 100 98,65
104 98,20 100 83,33 124 81,82 81,82 100 221 98,11 100 93,33
105 98,28 100 50 200 91,43 86,36 100 223 98,20 100 50
106 97,83 100 50 201 98,33 92,86 100 228 98,11 100 95,45
108 97,65 100 96,97 203 97,30 97,78 97,78 230 98,22 100 83,33
113 92,10 100 90 208 91,90 91,38 98,15 231 97,67 100 66,67
114 97,37 100 97,30 210 96,77 93,33 93,33 232 97,37 100 90
115 92,86 77,78 87,50 212 93,33 100 33,33 233 98,08 100 98,61
119 97,44 100 95,24 213 98,67 100 98,65 Moy. 92,40 75,83 97,40
121 92,5 88,89 94,12 214 96,23 100 71,43

Tableau.2 Statistiques de classification par RBF selon la frquence

-9-
SETIT2009

Patient Tr % Pr % Se % Patient Tr % Pr % Se %
100 88,24 97,83 90 100 94,12 100 94
101 54 95,24 47,62 101 100 100 100
102 96 95,92 100 102 92,16 93,88 97,87
103 91,49 66,67 100 103 100 100 100
109 91,90 61,90 100 109 95,31 96,77 98,36
200 96,83 98,36 98,36 200 93,75 96,77 96,77
203 98,67 98,63 100 203 90,67 93,06 97,10
205 98,36 100 93,75 205 100 100 100
207 89,39 94,44 92,73 207 80 83,05 94,23
208 92,96 98,40 93,85 208 90,79 95,45 94,03
Moy. 86,79 90,74 91,63 Moy. 93,68 95,90 97,24

Tableau 3. Statistiques de classification par SOM- Tableau 4. Statistiques de classification par RBF
LVQ selon le rythme. selon le rythme.

Les auteurs de [TSI 05] appliquent trois rgles
fournies par un systme expert mdical, les rsultats
obtenus pour classer des battements arythmiques selon
la dure de lintervalle RR uniquement, sont de 98%,
mais la mthode nest ralise quaprs plusieurs
tapes. Rcemment, lapproche utilise par Themis et
al dans [THE 07] faisant suite [TSI 05], consiste
extraire un ensemble de rgles issues de larbre de
dcision transformes en modles de systme expert
flou pour classer des arythmies cardiaques, avec
comme seul paramtre lintervalle RR. Le meilleur
taux atteint est alors de 98.5%, juste 0.5% de plus.
Lauteur de [Yan 05] propose une technique de
transformation morphologique base sur un drivateur
multi-chelles qui montre de bons potentiels dans
lanalyse de lECG et la reconnaissance automatique
des arythmies cardiaques. Cette technique permet de
rduire la sensibilit au bruit par chelle et vite le
problme de dviation de position pos la WT. La
sparation entre rythmes cardiaques ncessitant un
choc lectrique ou non est tudie dans [KRA 05] en
utilisant des critres morphologiques et frquentiels, le
score moyen de classement pour plusieurs arythmies
dpasse 93%. En comparant les descripteurs
morphologiques et temps-frquence de lECG, Ivaylo
[IVA 06] utilise lalgorithme Matching Pursuits
pour reprsenter la correlation temps-frquence afin
damliorer le travail dcrit dans [KRA 05]. Les
rsultats obtenus par apprentissage local et spcifiques,
selon la rgle des K plus proches voisins, sont de :
94.8%< Pr, Se< 99.9%. Les auteurs de [CHA 05], avec
le mme rseau SOM-LVQ, ralisent des taux de Pr =
80.26% et Se=82.30% bien infrieurs ceux du prsent
travail. Cest l, lintrt de lextraction par les
ondelettes. Larticle [OME 05] combine les
informations morphologiques et temporelles pour
classer des PVC par un robuste rseau de neurone dont
les performances sont entre 95.16 et 96.82% qui sont
proches de celles ralises par le rseau SOM-LVQ :
Tr = 96.05%. Dans les mmes conditions locales que
[OME 05] nous avons eu des Pr et Se ayant atteint des
taux de 100% dans beaucoup de cas. Pour 19 sur 27
ECG, les algorithmes SOM-LVQ et RBF ont donn des
Pr = 100% concernant la frquence. Les battements
pathologiques (vrais positifs) sont bien reconnus par
notre approche.
Dune manire gnrale les rsultats obtenus avec
les deux algorithmes proposs dans approches ont des
valeurs moyennes de taux de reconnaissance (Tr)
satisfaisants. Vue la simplicit de la procdure, le coup
de dveloppement faible, ils sont comparables ceux
ports dans la littrature.
Nous navons pas trouv une diffrence
significative entre les deux algorithmes proposs.
Nanmoins pour certains fichiers par exemple le 208 :
le RBF est plus performant pour discriminer selon la
frquence alors que le SOM-LVQ est plus performant
selon le rythme.
5. Conclusion.
Le but de notre travail est de classer
automatiquement des arythmies cardiaques dtectes
sur des signaux ECG rels tirs de la base de MIT-BIH.
Le choix de classification non linaire par les rseaux
de neurones artificiels, largement discut dans la
littrature, donne de bonnes performances cause de
leur pouvoir sparateur des situations complexes telles
les arythmies supraventriculaires. Les performances
des RNA dpendent galement fortement de la qualit
de lextraction des QRS. Les travaux ayant amlior
lextraction des caractristiques ont eu des rsultats
levs. La dtection des dbuts et des fins des ondes
par ondelettes a t trs efficace pour le complexe
QRS. Cest ce qui a guid notre choix de lapproche.
Les propos avancs par [LU 07] concernant les
performances dun classificateur sont confirms ici :

- 10 -
SETIT2009
les mmes donnes peuvent tre classes avec des taux
diffrents par des rseaux diffrents; cest les cas cits
plus haut en discussion (102, 208,203..).
La moindre amlioration apporte par les
algorithmes est un bon rsultat car a implique la
sauvegarde dune vie. Nous pouvons dire que notre
procdure a aussi des potentialits importantes mais
pour quelle puisse faire lobjet de mthode daide au
diagnostique (applicable cliniquement) il faut dabord
traiter plus dECGs, en particulier pour le rythme, faire
varier la base de donnes et traiter dautres pathologies
cardiaques. Thoriquement, les rseaux de neurones
sont optimum quand la base de donnes est de trs
grande taille. Il est ncessaire de trouver des
explications aux rsultats contradictoires entre les deux
rseaux.
REMECIEMENT
Nous tenons remercier Bendani Djazia et Iles
Lotfi davoir contribu respectivement lucider les
rseaux de neurones et pour lanalyse des donnes
MIT/BIT.
REFERENCES
[BEN 06] D. Bendani, Z. Chalabi, N. Berrached
Dtection de pathologies du myocarde par les
rseaux de neurons. International Confrence :
JETIM2006, 2imes Journes Algro-Franaises en
imagerie mdicales, USTHB, le 21-22 novembre
2006, Algrie.
[BES 07] R. Besrour, Z. Lachiri, N. Ellouze. Dtection
de l'Onde R d'un Electrocardiogramme Base sur le
Produit Multi-chelles. SETIT March 25-29- 2007
- TUNISIA
[CHA 05] Z.Chalabi , N. Berrached, L. Ilies . Dtection
des Extrasystoles Ventriculaires par les Algorithmes
SOM & LVQ, Colloque Tlcom2005&4mes
JFMMA ; 23,24 et 25 Mars 2005, Rabat, Maroc.
[DUB 04] R. Dubois. Application des nouvelles
mthodes dapprentissage la dtection prcoce
danomalies lectrocardiographie. Thse de
Doctorat, Universit Paris 6. Janvier 2004.
[TCH 07] D. Tchiotsop. Modlisations Polynomiales
des signaux ECG. Applications la compression.
Thse de Doctorat, Institut Polytechnique de
Lorraine, Novembre 2007.
[FRE 96] M.H. Frederic, H. Sowhan. Classification of
Cardiac Arrhythmias using Fuzzy ARTMAP, IEEE
Transaction On Biomedical Engineering, Vol. 43,
N4, April 1996.
[FA 98] F.L. Long, R Unbehauen. Applied Neural
Networks for Signal Processing, Cambridge
University Presse, 1998.
- 11 -
[GRE 00] H.K. Gretchen, L. Barbosa, J. E. Mouson.
Neural Network Detection of Abnormal Ventricular
Beats Using Temporal and Morphological Features
of the Electrocardiographic signal. Propjet de
recherch PI-449, ISAS2000 de lUniversit
Corrientes Argentine 2000.
[GHO 98] H. Gholam, H. Nazeran. Detection and
extraction of the ECG signal parameters.
Engineering in Medicine and Biology Society,
1998. Proceeding of the 20th Annual International
Conference of the IEEE, pp127-130, 20 Oct-1Nov
1998,Hong Kong. China
[HLA 05] F. Hlawatsch, F. Auger. Temps-frquence
Concepts et Outils. Edition Herms Lavoisier 2005.
[HHT] http : //www-ulp ed. strasbg.fr/medecine/cours
ECG Troubles du rythme.
[IVA 06] C. Ivaylo, H.G. Gomez,V. Krasteva, I. Jekova,
A. Gotchev, K. Egiazarian. Comparative study of
morphological and time-frequency ECG descriptors
for heartbeat classification. Medical Engineering
and Physics, Vol. 28, N9, pp876-887, November
2006.
[JAD 94] JF. Jadouin, "Les Rseaux de Neurones,
principes et dfinitions", Herms, 1994.
[KOH 97] T. Kohonen. Self-Organization and
Associative Memory. Springer-Verlag, 1997.
[KRS 05] V. Krasteva, I. Jekova. Assessment of ECG
Frequency and Morphology Parameters for
Automatic Classification of life-threatening Cardiac
Arrhythmias. Journal of Physiological
Measurment, Vol.26 N5 pp707-23, October 2005.
[KRI 95] D.E. Kristiansen, J.H. Huoy, T. Eftestol.
Rhythm detection in ECG signal. Proceeding
Norwegian Signal Processing Symposium 1995, pp
119-124.
[LEP 03] R. Le Page. Dtection et analyse de londe P
dun ECG : Application au dpistage de la de la
fibrillation auriculaire. Thse de Doctorat,
Universit de Bretagne Occidentale, Septembre
2003.
[LIA 04] Y.S. Liang, H.W. Ying and H. Weichih. Using
Wavelet Transform and Fuzzy Neural Network for
VPC Detection from the Holter ECG. IEEE
Trasactions On Biomedical Engineering, Vol. 51,
N07, July 2004.
[LU 07] D. Lu, Q. Weng. A survey of image Classification
Methods and Techniques for Improving Classification
Performance. International Journal Remoting Sensing,
2007, Vol. 28, N5 pp 823-870.
[MIS 03] M. Misiti, Y. Misiti, G. Oppenheim, G.M. Poggi.
Les ondelettes et leurs applications. Edition Hermes
2003.
SETIT2009
[MON 05] J.E. Monzon, M.I. Pisarello. Cardiac Beat
Classification using a Fuzzy Interference System.
Engineering in Medicine and Biology Society, IEEE-
EMBS, 27th International Conference, Shanghay 2005,
pp5582-5584.
[OME 07] T.I. Omer, G. Laurent, T.A.K. Gregory. Robust
Neural Network based Classification of Premature
Ventricular Contractions using Wavelet Transform and
Timing Interval Features. Journal IEEE Transactions On
Biomedical Engineering, Vol. 53, N12, December 2006,
pp 2507-15.
[RAD 99] E. Radoi. Contribution la reconnaissance des
objets 3D partir de leur Signature Ferromagntique.
Thse de Doctorat, UFR Science techniques, Universit
de Bretagne Occidentale, 1999.
[SEN 95] L. Senhadji, G Carrault, J.J. Bellanger, G.
Passariello. Comparing Wavelet Transforms for
Recognizing Cardiac Patterns, IEEE Engineering in
Medicine and Biology, p167-173, March/April I995.
- 12 -
[SIL 98] R. Silipo, C. Marchesi. Artifical Neural Networks
for Automatic ECG Analysis. IEEE Transaction on
Signal Processing, Vol .46, N5, May 1998.
[THE 07] P.E. Themis, G.T. Markos, P.E. Costas, P. Costas,
I.F. Dimitrios, K.M. Lampros. A methodology for the
Automated Creation of Fuzzy Expert Systems for
Ischemic and Arrhythmic Beat Classification based on a
Set of Rules obtained by a Decision Tree. Journal
Artificial Intelligence in Medicine Vol 40, N3, pp 187-
200, July 2007.
[TSI 05] M.G. Tsipouras, D.I. Fotiadis, D. Sideris. An
Arrhythmia Classification System based on the RR-
Interval Signal. Artificial Intelligence in Medicine, Vol
33, N3, pp237-250, March 2005.
[YAN 05] S. Yan, L.C. Kap, M.K. Shankar. Characteristic
Wave Detection in ECG Signal using Morphological
Transform. BMC Cardiovascular Disorder, Vol. 5 N28,
pp 1186-2261, September 2005.