Analyse des signaux ECG pour prédiction de maladies cardiaques avec deep learning

Abstract

Les maladies cardiovasculaires, responsables d’environ 17,9 millions de décès annuels selon l’Organisation mondiale de la Santé, représentent un enjeu majeur de santé publique, rendant la détection précoce essentielle pour améliorer le pronostic des patients. L’électrocardiogramme (ECG), un outil diagnostic non invasif, joue un rôle clé dans l’identification des pathologies cardiaques, mais son interprétation manuelle est complexe, chronophage et sujette à des er reurs, nécessitant une expertise médicale pointue. Avec l’essor de l’intelligence artificielle, l’apprentissage profond offre des solutions innovantes pour automatiser et optimiser l’analyse des signaux ECG, garantissant une précision accrue et une rapidité d’exécution. Dans ce tra vail, nous avons développé une approche hybride combinant des réseaux de neurones convolutifs (CNN) pour extraire les motifs spatiaux, et des réseaux bidirectionnels à mémoire à long terme (BiLSTM) pour capturer les dépendances temporelles, appliquée à la classification des patholo gies cardiaques à partir de la base de données PTBXL version1.0.3, comprenant plus de 21000 enregistrements ECG à 12 dérivations. Une pipeline méthodologique robuste a été mise en place, intégrant un prétraitement avancé (filtrage passebande Butterworth 0,540Hz, normalisation Zs core), des techniques d’augmentation des données (bruit aléatoire, décalage temporel, mise à l’échelle) et un équilibrage des classes pour gérer la variabilité des signaux et les déséquilibres en tre pathologies. Le modèle a atteint des performances remarquables: une précision de96,43Cette étude met en évidence le potentiel des architectures hybrides CNN+BiLSTM pour une analyse automatisée, précise et fiable des signaux ECG, ouvrant des perspectives prometteuses pour le développement de systèmes de dépistage évolutifs et leur intégration dans la pratique clinique. Les recherches futures pourraient se concentrer sur l’optimisation des performances pour les classes sousreprésentées, l’exploration de modèles plus légers pour des applications en