Télécharger la présentation
1
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
2
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
4
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 !!!
5
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)
6
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
7
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 ?
8
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
9
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
10
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
11
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
12
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
13
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)
14
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, …)
15
Etude des intervalles R-R Démodulation, filtrage R-R
Filtrage T-F et modélisation (PFM/IPFM) (observation évènement) pédalage respiration ASR mécanique
16
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)
17
Résultats (f = fonction linéaire par morceaux)
simulation Cas réels (comparaison sportifs/sédentaires)
