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)

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 ! APDn=BCLn-DIn état stable APDn= APDn+1 En général pour des rythmes rapides BCL diminue Désynchronisation des cellules fibrillations

 Comment tester les hypothèses et estimer 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: Modèle réaliste: Avec  et  modélisant l’effet de la respiration et la ligne de base  Comment tester les hypothèses et estimer v ?

Puis GLRT 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 Puis GLRT Utilisé si test de student positif

Résultats simulation: 50 100 150 200 250 300 350 400 T wave First alternans wave second alternans wave 50 100 150 200 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 a i b +0.8

Résultats PTCA (L=16): successive T waves from beat index > 330 100 200 300 400 500 600 700 800 2 4 6 8 10 12 14 proposed method with constrains reference method proposed method without constrains successive T waves from beat index > 600 Changement de phase

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

Approximation linéaire de g( )  APDn+1= a DIn+b = -a APDn+a RRn+b 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

Utilisation de TDE (Woody Aline) Modélisation de la relation QT/RR Les coefficients dépendent de RR 100 200 300 400 500 600 700 140 150 160 170 180 190 210 a=0.043 a=0.244 RR(i) QT(i)

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, …)

Etude des intervalles R-R Démodulation, filtrage  R-R Filtrage T-F et modélisation (PFM/IPFM) (observation  évènement) 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)