Traitement du signal pour le biomédical Quelques exemples en ECG qui intéressent la cellule

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. APDn=BCLn-DIn état stable APDn= APDn+1 BCL diminue • Modèle de dépolarisation/repolarisation d’une cellule • Action Potential Duration (APD/QRST) • Diastolic Interval (DI) • Basic cycle lentgth (BCL/RR) 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. 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. 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. 1.15 a T wave i 1.1 First alternans wave b +0.8 i second alternans wave 1.05 1 0.95 0.9 0.85 0.8 0.75 0 0.7 0.65 50 100 150 200 0 50 100 150 200 250 300 350 400 Résultats simulation:

10. successive T waves from beat index > 330 14 proposed method with constrains reference method successive T waves from beat index > 600 proposed method without constrains 12 10 8 6 4 2 0 0 100 200 300 400 500 600 700 800 Résultats PTCA (L=16): 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. 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. 210 200 190 a=0.043 180 a=0.244 170 160 150 140 0 100 200 300 400 500 600 700 • Utilisation de TDE (Woody Aline) • Modélisation de la relation QT/RR • Les coefficients dépendent de RR 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)