Réseaux de Neurones Récursifs Profonds pour la Débruitage du Signal ECG

Le signal électrocardiographique est sujet à de multiples bruits, causés par divers facteurs. Il est donc une pratique standard de débruiter ce type de signal avant toute analyse ultérieure. Avec les progrès d'une nouvelle branche de l'apprentissage automatique, appelée apprentissage profond, de nouvelles méthodes sont disponibles qui promettent des performances de pointe pour cette tâche. Nous présentons une approche novatrice pour débruiter les signaux électrocardiographiques en utilisant des réseaux neuronaux récurrents profonds. Nous utilisons une technique d'apprentissage par transfert en pré-entraînant le réseau avec des données synthétiques générées par un modèle dynamique d'ECG (electrocardiogram) et en l'affinant ensuite avec des données réelles. Nous examinons également l'impact des données d'entraînement synthétiques sur les performances du réseau sur les signaux réels. La méthode proposée a été testée sur un ensemble de données réelles avec des niveaux variables de bruit. Les résultats montrent qu'un réseau neuronal récurrent profond à quatre couches peut surpasser les méthodes de référence pour les signaux fortement bruités. De plus, les réseaux pré-entraînés avec des données synthétiques semblent obtenir de meilleurs résultats que ceux entraînés uniquement avec des données réelles. Nous démontrons qu'il est possible de créer un réseau neuronal de débruitage de pointe qui, après avoir été pré-entraîné sur des données artificielles et affiné correctement, peut performer exceptionnellement bien sur des signaux ECG réels.