Détection de la Fibrillation Atriale à l'Aide de Caractéristiques Profondes et de Réseaux de Neurones Convolutifs
L'arythmie auriculaire, également connue sous le nom de fibrillation atriale, est une affection cardiaque qui touche environ 33,5 millions de personnes dans le monde et peut être à l'origine d'un tiers des accidents vasculaires cérébraux chez les personnes âgées de plus de 60 ans. La détection et le diagnostic de la fibrillation atriale (AFIB) sont réalisés de manière non invasive dans un environnement clinique par l'évaluation des électrocardiogrammes (ECGs). Les premières recherches sur les méthodes automatisées pour la détection de l'AFIB dans les signaux ECG se sont concentrées sur l'analyse traditionnelle des signaux biomédicaux afin d'extraire des caractéristiques importantes pour leur utilisation dans des modèles de classification statistique. Plus récemment, des modèles d'intelligence artificielle utilisant des architectures de réseaux convolutifs et/ou récurrents ont été mis en œuvre.Dans cette étude, des caractéristiques significatives du domaine temporel et fréquentiel du signal ECG ont été extraites en appliquant la transformée de Fourier à court terme, puis en représentant visuellement ces informations sous forme de spectrogramme. Deux approches différentes de classification ont été examinées, utilisant des caractéristiques profondes issues des spectrogrammes construits à partir de segments ECG. La première approche a utilisé un modèle DenseNet pré-entraîné pour extraire les caractéristiques, qui ont ensuite été classifiées à l'aide de machines à vecteurs de support (SVM), tandis que la deuxième approche a utilisé les spectrogrammes comme entrée directe dans un réseau convolutif.Les deux approches ont été évaluées sur le jeu de données MIT-BIH AFIB, où l'approche basée sur le réseau convolutif a atteint une précision de classification de 93,16 %. Bien que ces résultats ne surpassent pas les méthodes automatisées établies pour la détection de la fibrillation auriculaire, ils sont prometteurs et méritent une investigation supplémentaire étant donné qu'ils n'ont pas nécessité un prétraitement du bruit, ni l'extraction manuelle de caractéristiques, ni une dépendance à la détection des battements.