La fibrillation atriale (FA) est le trouble du rythme cardiaque le plus fréquent, responsable de morbidité et de mortalité importantes. La FA peut se manifester sous forme d’épisodes très courts (c’est-à-dire FA proximale) ou de durée prolongée (c’est-à-dire FA persistante), chacune entraînant des excitations ventriculaires irrégulières qui altèrent la fonction globale du cœur. La détection précoce et automatique de la FA reste un défi non résolu, limitant l’efficacité des stratégies thérapeutiques. Dans cette étude, nous avons développé une nouvelle méthode fondée sur la transformation en ondelettes continues et les réseaux de neurones convolutifs bidimensionnels (CNN 2D) pour détecter les épisodes de FA. La méthode proposée analyse les caractéristiques temps-fréquence du signal électrocardiogramme (ECG), ce qui la distingue des méthodes classiques de détection de la FA qui se concentrent sur l’activité atriale ou ventriculaire isolée. Ensuite, un CNN 2D a été entraîné afin d’améliorer la performance de détection de la FA. La base de données MIT-BIH de fibrillation atriale a été utilisée pour évaluer l’algorithme. L’efficacité de la méthode proposée a été comparée à celle de plusieurs méthodes existantes, dont la plupart ont utilisé le même jeu de données. L’algorithme nouvellement développé, basé sur les CNN, a atteint des taux de sensibilité, de spécificité, de valeur prédictive positive et de précision globale (ACC) respectivement de 99,41 %, 98,91 %, 99,39 % et 99,23 %. Étant donné que l’algorithme proposé cible les caractéristiques temps-fréquence des signaux ECG plutôt que l’activité atriale ou ventriculaire isolée, il est capable de détecter les épisodes de FA à partir de seulement cinq battements, ouvrant ainsi des perspectives prometteuses pour des applications pratiques à l’avenir.