Upload
noemie-lamour
View
102
Download
0
Embed Size (px)
Citation preview
Traitement du signal pour le biomédical
Quelques exemples en ECG qui intéressent la cellule
O. Meste, H. Rix, V. Zarzoso, A. Cabasson, P. Bonizzi, R. Phlypo
Principaux domaines de l’équipe:
Traitement numérique des signaux ECG
• Analyse des intervalles
• Analyse de formes (les ondes de l’ECG)
• Séparation de sources (AF et activité ventriculaire)
Autres
• Implants cochléaires, Acouphène, PEA
• EEG sommeil
Modèle de dépolarisation/repolarisation d’une cellule• Action Potential Duration (APD/QRST)
• Diastolic Interval (DI)
• Basic cycle lentgth (BCL/RR)
APDn=BCLn-DIn état stable
APDn= APDn+1
BCL diminue
Ce principe se retrouve au niveau de l’organe cœur !!!
Le comportement cellulaire les intervalles/ondes cardiaques
• R-R (influence sympathique/parasympathique sur le nœud SA)
• P-R (influence sympathique/parasympathique sur le nœud AV)
• Q-T (adaptation cellulaire rapide et lente)
• T-wave alternans (oscillation cellulaire)
APDn=BCLn-DIn état stable
APDn= APDn+1
BCL diminue
Modèle de Variation de Forme pour la détection de TWA
L’allure de la courbe de restitution APDn+1=g(DIn) peut engendrer une alternance !
En général pour des rythmes rapides
Désynchronisation des cellules
fibrillations
0
1
:
: ( ( 1) )
i i
ii i
H x T
H x T v
Au niveau de l’organe cœur : la forme de l’onde T va alterner (-Volts)
marqueur d’arythmie potentielle
apparaît aux rythmes sinusaux rapides (effort) ou déclenchés (pacemaker), PTCA
Modèle simpliste:0
1
:
: ( 1)
i
ii
H x T
H x T v
Modèle réaliste:
Avec et modélisant l’effet de la respiration et la ligne de base
Comment tester les hypothèses et estimer v ?
Difficultés:
Détection basée sur un modèle
Identifiabilité du modèle
Orthogonalité des modèles sous H0 et H1
On estime T avec une moyenne et v avec une moyenne alternée
1
2
1 0, ,
1
1 1
ˆ ˆ, , arg min
( 1) 0 ; ( 1) 0
L
L
L i ii
L Li i
i ii i
x M
subject to
0
1
:
: ( ( 1) )
i i
ii i
H x T
H x T v
Utilisé si test de student positif
Puis GLRT
Résultats simulation:
0 50 100150 200250300 350400
0
T waveFirst alternans wavesecond alternans wave
50 100 150 2000.65
0.7
0.75
0.8
0.85
0.9
0.95
1
1.05
1.1
1.15 i i+0.8
0 20 40 60 80 100 120 140 160 1801
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2proposed method with constrainsreference method
0 20 40 60 80 100 120 140 160 1801
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2proposed method without constrainsreference method
Résultats PTCA (L=16):
successive T waves from beat index > 330
successive T waves from beat index > 600
0 100 200 300 400 500 600 700 8000
2
4
6
8
10
12
14proposed method with constrainsreference methodproposed method without constrains
Changement de phase
0 100 200 300 400 500 600 700 8000
5
10
15
20
25
30
35
40vec1vec2unit
Une alternative : L’alternance est une variabilité
• SVD de l’ensemble des ondes T orthogonales à 1
•Projection des ondes T sur puis test student
1 2[ 1]v v
Retour à la cellule:
Approximation linéaire de g( ) APDn+1= a DIn+b = -a APDn+a RRn+b
C’est un modèle ARX si 0< a <1 APD oscille et se stabilise si saut de RR
Pas suffisant pour tout décrire + effet adaptation lente (exponentielle)
APDlentn+1= c APDlentn + (1-c) RRn
QT (APD) doit présenter ces propriétés (à un lissage prés car cellules indép.)
Le QT très bruité
Améliorer la mesure du QT (de plus T variable à l’effort)
Performance sur horizon court
0 100 200 300 400 500 600 700450
500
550
600
650
700
750
800
850
900
0 100 200 300 400 500 600 700140
150
160
170
180
190
200
210
a=0.043
a=0.244
RR(i) QT(i)
• Utilisation de TDE (Woody Aline)
• Modélisation de la relation QT/RR
• Les coefficients dépendent de RR
Variabilité des intervalles cardiaques
Estimation des intervalles R-R, P-R (repos/effort)
Pb de ligne de base
Pb de superposition des ondes
Pb de changement de forme
Analyse des tendances et des variabilités
Caractérisation
Interprétation (couplage central , mécanique, …)
k
norm
aliz
ed f
requ
ency
500 1000 1500 2000 25000
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0 100 200 300 400 500 600 700 800 900 10000.45
0.5
0.55
0.6
0.65
0.7
0.75
time (s)
freq
uenc
y (H
z)
Etude des intervalles R-R
Démodulation, filtrage R-R
Filtrage T-F et modélisation (PFM/IPFM) (observation évènement)
500 1000 1500 2000 2500320
330
340
350
360
370
380
390
400
410
420
k
hp(k
) (m
s)
pédalage
respiration
ASR mécanique
Etude des intervalles P-R
Superposition des ondes biais
RSB faible et forme changeante estimateur performant sur horizon faible
Modélisation des observations
MLE Critère à minimiser
Algo. itératif (~Woody improved) + contraintes d’inégalités (LSI)
Résultats (f = fonction linéaire par morceaux)
simulation
Cas réels (comparaison sportifs/sédentaires)