Simple Science

La science de pointe expliquée simplement

# Génie électrique et science des systèmes# Traitement du signal# Apprentissage automatique

Avancées dans la surveillance ECG intra-auriculaire

Une nouvelle méthode améliore la surveillance cardiaque grâce à la technologie ECG intra-auriculaire.

Edoardo Occhipinti, Marek Zylinski, Harry J. Davies, Amir Nassibi, Matteo Bermond, Patrik Bachtiger, Nicholas S. Peters, Danilo P. Mandic

― 6 min lire


Avancées de la tech ECGAvancées de la tech ECGintra-auriculaireappareils pour les oreilles.suivi de la santé cardiaque avec desDe nouvelles méthodes améliorent le
Table des matières

Ces dernières années, la technologie portable est devenue de plus en plus populaire, surtout pour surveiller la santé. Beaucoup de ces appareils, comme les bracelet et les patchs, sont utilisés pour suivre l'activité cardiaque avec différentes méthodes, comme l'ECG (électrocardiogramme) et le PPG (photopléthysmogramme). Même si ces appareils sont utiles, ils ont souvent des limites. Par exemple, les bracelets mesurent généralement le rythme cardiaque au fil du temps, mais ils ne peuvent pas donner une lecture ECG complète à moins d'utiliser les deux mains, comme avec l'Apple Watch. De même, les patchs thoraciques sont meilleurs pour un suivi à long terme mais peuvent être inconfortables à porter tous les jours.

Une nouvelle catégorie d'appareils appelée "hearables" a fait son apparition. Ces trucs sont conçus pour être portés dans l'oreille et peuvent surveiller en continu les signes vitaux. L'oreille est un bon endroit pour ça car elle est proche d'organes importants et est généralement dans une position stable pendant que quelqu'un vaque à ses occupations. Les experts s'attendent à ce que le marché des hearables puisse atteindre une taille significative dans les années à venir.

Ces appareils portés à l'oreille peuvent suivre divers signaux de santé, y compris les ondes cérébrales (EEG), l'activité cardiaque (ECG) et le flux sanguin (PPG). Ils sont déjà utilisés à plusieurs fins, comme surveiller le sommeil, mesurer le taux d'oxygène dans le sang, vérifier la pression artérielle, évaluer la charge mentale et détecter la somnolence.

Plus précisément, la santé cardiaque peut être surveillée en utilisant trois méthodes principales : électrique (ECG), optique (PPG) et audio. Les signaux ECG électriques peuvent être détectés en plaçant des capteurs dans l'oreille. Cependant, ces signaux contiennent souvent beaucoup de bruit provenant d'autres fonctions corporelles, ce qui rend difficile la capture de données cardiaques précises. Ce problème survient parce que les signaux électriques produits par le cœur sont assez faibles lorsqu'ils sont mesurés dans l'oreille par rapport à d'autres emplacements standards comme la poitrine.

Un des défis de l'utilisation de l'ECG à base d'oreille est le signal faible, ce qui peut entraîner un mauvais rapport signal-bruit (SNR). Cela signifie que le signal cardiaque souhaité est souvent noyé sous le bruit d'autres sources, principalement l'activité cérébrale (EEG) mais aussi d'autres activités musculaires. Le mouvement de la mâchoire ou de la tête peut également ajouter au bruit, compliquant encore plus les choses.

Pour tirer pleinement parti du suivi ECG intra-auriculaire, de meilleures méthodes sont nécessaires pour récupérer les informations cardiaques tout en supprimant les signaux non pertinents. Des travaux récents ont montré qu'une méthode de filtrage spécifique peut aider à identifier les points clés dans le signal ECG même en présence de beaucoup de bruit. Bien que cette méthode soit prometteuse, elle a des limites dans sa capacité à réduire le bruit et à identifier correctement les différentes formes de signaux cardiaques.

Dans une étude récente, des chercheurs ont développé une nouvelle approche utilisant un autoencodeur de convolution de débruitage (DCAE) pour nettoyer les enregistrements ECG intra-auriculaires. Le DCAE fonctionne en prenant des enregistrements bruyants et en essayant de recréer une version plus claire basée sur des signaux ECG propres correspondants provenant d'une autre source.

Les chercheurs ont collecté des données en enregistrant à la fois les signaux ECG intra-auriculaires et les signaux ECG classique Lead I de 45 personnes en bonne santé. Chaque session a duré cinq minutes pendant que les participants étaient invités à se détendre. Bien que quelques artefacts de mouvement étaient présents dans les données, ils n'ont pas été supprimés, permettant au modèle d'apprendre dans diverses conditions.

Pour apprendre au modèle efficacement, les chercheurs ont ajouté des exemples de signaux ECG bruyants synthétiques, qui comprenaient un bruit similaire à celui trouvé lors des véritables enregistrements auriculaires. L'objectif était de s'assurer que le modèle pouvait construire des techniques robustes pour nettoyer les signaux cardiaques bruyants.

Le modèle DCAE est composé de plusieurs couches qui traitent les signaux ECG. La première phase capte les caractéristiques essentielles, et la deuxième phase reconstruit le signal nettoyé. En formant le modèle de cette manière, il apprend à se concentrer sur les aspects importants de l'ECG tout en ignorant le bruit non pertinent.

Après l'entraînement du modèle, sa performance a été évaluée. Les résultats ont montré une amélioration significative du SNR des signaux ECG intra-auriculaires. En fait, le SNR médian a augmenté de 5,9 dB après le processus de débruitage. Cela signifie que les signaux nettoyés étaient beaucoup plus clairs et plus faciles à interpréter pour le rythme et la Fréquence cardiaque.

De plus, le modèle a également amélioré la précision des estimations du rythme cardiaque. Il a réduit l'erreur moyenne dans la mesure du rythme cardiaque de 67 %, et la précision d'identification des battements cardiaques clés (R-peaks) s'est améliorée de manière significative, atteignant un impressionnant médian de 90 %.

Les résultats montrent que les techniques de débruitage peuvent nettoyer efficacement les signaux ECG intra-auriculaires, les rendant comparables aux enregistrements ECG traditionnels. Le modèle a pu maintenir les caractéristiques critiques de la forme d'onde ECG, même dans l'environnement bruyant typique des enregistrements auriculaires. Cette caractéristique est cruciale pour les applications cliniques potentielles où un suivi cardiaque précis est nécessaire.

En outre, les chercheurs ont testé le modèle dans divers scénarios, y compris des signaux avec des formes plus complexes, comme ceux se produisant lors de conditions cardiaques spécifiques. Même dans ces cas, le modèle a montré sa capacité à récupérer les caractéristiques essentielles du signal ECG.

Les avancées mises en avant par cette étude positionnent l'ECG intra-auriculaire comme un outil pratique pour surveiller de près la santé cardiaque. La portabilité continue et le confort des hearables offrent une voie prometteuse pour la détection précoce et la gestion continue des maladies cardiaques.

Avec un développement et des tests dans le monde réel, cette technologie pourrait ouvrir la voie à des informations précieuses sur la santé cardiovasculaire, améliorant finalement les résultats pour les patients.

Source originale

Titre: In-ear ECG Signal Enhancement with Denoising Convolutional Autoencoders

Résumé: The cardiac dipole has been shown to propagate to the ears, now a common site for consumer wearable electronics, enabling the recording of electrocardiogram (ECG) signals. However, in-ear ECG recordings often suffer from significant noise due to their small amplitude and the presence of other physiological signals, such as electroencephalogram (EEG), which complicates the extraction of cardiovascular features. This study addresses this issue by developing a denoising convolutional autoencoder (DCAE) to enhance ECG information from in-ear recordings, producing cleaner ECG outputs. The model is evaluated using a dataset of in-ear ECGs and corresponding clean Lead I ECGs from 45 healthy participants. The results demonstrate a substantial improvement in signal-to-noise ratio (SNR), with a median increase of 5.9 dB. Additionally, the model significantly improved heart rate estimation accuracy, reducing the mean absolute error by almost 70% and increasing R-peak detection precision to a median value of 90%. We also trained and validated the model using a synthetic dataset, generated from real ECG signals, including abnormal cardiac morphologies, corrupted by pink noise. The results obtained show effective removal of noise sources with clinically plausible waveform reconstruction ability.

Auteurs: Edoardo Occhipinti, Marek Zylinski, Harry J. Davies, Amir Nassibi, Matteo Bermond, Patrik Bachtiger, Nicholas S. Peters, Danilo P. Mandic

Dernière mise à jour: 2024-08-27 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2409.05891

Source PDF: https://arxiv.org/pdf/2409.05891

Licence: https://creativecommons.org/licenses/by-nc-sa/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires