Un nouveau réseau de diagnostic profond des arythmies pour la classification de l’arythmie atriale à l’aide de signaux d’électrocardiogramme

La fibrillation atriale (FA), un trouble fréquent du rythme cardiaque, est une maladie récidivante potentiellement mortelle qui touche principalement les personnes âgées. La classification automatique constitue l’un des sujets les plus pertinents en sciences médicales et en bioinformatique, en particulier pour la détection de la fibrillation atriale. Toutefois, l’analyse manuelle des signaux d’électrocardiogramme (ECG) pour identifier leurs caractéristiques locales s’avère difficile en raison de leur faible amplitude, de leur courte durée, ainsi que de la complexité et de la non-linéarité inhérentes à ces signaux. Ainsi, dans ce travail, nous proposons une nouvelle méthode profonde de diagnostic des arythmies, nommée modèle réseau profond CNN-BLSTM, destinée à détecter automatiquement les battements cardiaques associés à la FA à partir de signaux ECG. Ce modèle se compose principalement de quatre couches de convolution, deux couches BLSTM et deux couches entièrement connectées. Les jeux de données des intervalles RR (désignés comme ensemble A) et des séquences de battements cardiaques (ondes P-QRS-T, désignés comme ensemble B) sont alimentés dans ce modèle. Plus important encore, notre approche a atteint des performances remarquables, avec une précision de 99,94 % et 98,63 % respectivement sur les ensembles d’entraînement et de validation de l’ensemble A. Sur l’ensemble de test (données non vues), nous avons obtenu une précision de 96,59 %, une sensibilité de 99,93 % et une spécificité de 97,03 %. À notre connaissance, l’algorithme proposé présente des résultats excellents par rapport à de nombreuses recherches récentes, offrant ainsi une nouvelle solution prometteuse pour la détection automatique de la fibrillation atriale.