Modélisation cognitive et prédictive du comportement dynamique de l'activité électrique du coeur par approches neuronales

= Artificial neural networks for modeling and predicting the dynamical behavior of the ventricular repolarisation phase

• Auteur / Autrice : Rajai Mourid El Dajani
• Direction : Paul Rubel
• Type : Thèse de doctorat
• Discipline(s) : Images et systèmes
• Date : Soutenance en 2002
• Etablissement(s) : Lyon, INSA
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : Laboratoire : LISI - Laboratoire d'Ingénierie des Systèmes d'Information (Lyon, INSA)

Mots clés

Mots clés contrôlés

Traitement du signal

Réseaux neuronaux (physiologie)

Fréquence cardiaque

Électrocardiographie ambulatoire

Électrocardiographie

Résumé

L'objectif général de notre sujet de thèse est de développer, de mettre en œuvre et d'évaluer de nouvelles méthodes d'analyse de la dynamique spatio-temporelle du champ électrique cardiaque en ambulatoire, et plus particulièrement de la dynamique de la phase de repolarisation mesurée sur l'électrocardiogramme (ECG) par l'intervalle QT. Le but est d'analyser et de comprendre l'évolution en continu de la structure spatio-temporelle du signal électrique cardiaque. Dans ce cadre, nous avons mis au point une méthodologie originale à base de réseaux de neurones artificiels (RNA) pour réaliser des modèles prédictifs du comportement dynamique très basse fréquence de l'intervalle QT d'un patient donné en fonction des variations instantanées de sa fréquence cardiaque mesurée par l'intervalle RR. La fonction à modéliser est du type : , où M est la durée de la mémoire de RR. Nos travaux ont permis l'élaboration d'un réseau de neurones de type “ perceptron multicouche ”, comportant 120 neurones dans la couche d'entrée (i. E. 120 mesures de RR, ce qui équivaut à M= 4 minutes), 10 neurones dans la couche cachée et 1 neurone en sortie. L'apprentissage est effectué au moyen d'un algorithme de rétropropagation avec facteur d'apprentissage adaptatif pour la phase d'apprentissage. La valeur du retard M trouvé est cohérente avec les constantes de temps identifiées au moyen d'études invasives qui semblent indiquer que la réponse ventriculaire se comporterait comme un système du premier ordre avec une constante de temps de l'ordre de la minute. Dans ces conditions, il faudrait au moins 4 minutes pour atteindre 98% de la valeur maximale du signal. Les réseaux multi-couches se sont avérés ainsi capables de modéliser la relation non-linéaire QT=f(RR) en régime transitoire et permettent d'envisager l'extraction de nouvelles informations sur la dynamique du système cœur en ambulatoire, et d'éviter ainsi des explorations invasives. Par ailleurs, nous proposons une méthode originale de détection en temps réel des anormalités de la réponse ventriculaire en fonction des variations instantanées de la fréquence. Les différences entre le QT prédit et le QT mesuré peuvent être utilisées pour déclencher une alarme en cas de franchissement d'un seuil. Cependant, des études supplémentaires sont nécessaires pour déterminer les seuils de déclenchement ainsi que la valeur diagnostique des paramètres susceptibles d'être déduits de la réponse des modèles neuronaux à un échelon unité

Within the framework of quantitative ambulatory electrocardiology (ECG) and the space-time analysis of the repolarisation phase, our work is to establish neural networks (ANN) architecture to predict the dynamic changes of the ventricular repolarisation phase in function of instantaneous changes of the heart rate. The ventricular repolarisation and the heart rate are measured on the ECG respectively by the QT and the RR intervals. The networks will learn the following non-linear patient specific relationship : QTi = f(RRi, RRi-1, RRi-M+1, RRi-M) where M is a time delay. Our results indicate that Multi-Layer Perceptrons are able to approach the non-linear aspects of the QT-RR relashionship, and can model both the dynamica behavior (response to step impulse) and the steady state dynamic behavior (QT = f(RR) (response to different, fixed RR intervals). .