Comparaison entre les classifieurs basés sur les caractéristiques et les réseaux de neurones convolutifs pour la détection d'arythmie à partir de courtes segments d'ECG

Le diagnostic des maladies cardiovasculaires telles que la fibrillation atriale (FA) constitue une procédure longue et coûteuse, qui nécessite souvent une inspection visuelle des signaux électrocardiographiques (ECG) par des experts. Afin d'améliorer la prise en charge des patients et de réduire les coûts des soins de santé, la détection automatisée de ces pathologies revêt une importance capitale. Dans cette étude, nous classifions des segments courts d'ECG en quatre catégories (FA, rythme normal, autres rythmes, bruit) dans le cadre du défi Physionet/Computing in Cardiology 2017. Nous comparons un classificateur basé sur des caractéristiques de pointe avec une approche fondée sur un réseau de neurones convolutifs (CNN). Les deux méthodes ont été entraînées à l’aide des données du défi, complétées par une base de données supplémentaire issue de Physionet. Le classificateur basé sur les caractéristiques a obtenu un score F1 de 72,0 % sur l’ensemble d’entraînement (validation croisée à 5 plis) et de 79 % sur l’ensemble de test caché. De même, le réseau de neurones convolutifs a atteint 72,1 % sur la base de données augmentée et 83 % sur l’ensemble de test. Cette dernière méthode a finalement obtenu un score de 79 % lors du concours. Les routines développées ainsi que les modèles pré-entraînés sont disponibles gratuitement sous licence GNU GPLv3.