Détection des structures cycliques dans un signal

**Contact2012** · 11/01/2009, 12h40

Bonjour;
J'ai un vecteur de nombre réels (données ECG) que je veux analyser et détecter les cycles qu'il contient. Mais, il n'est pas parfaitement régulier . Voir sa représentation sous Matlab jointe au message.
Pouvez vous m'aider à trouver un algorithme pouvant extraire les cycles de mon signal?

Merci pour vos aides.

**ToTo13** · 11/01/2009, 16h54

Bonjour,

est ce que le problème est bien posé ?
Il me semble que dans un ECG, il faut regarder l'onde T. Elle suit les pics. Donc est ce que retrouver tous les pics positifs et/ou négatifs puis le "mini" pic suivant ne suffirait pas ?

**Contact2012** · 11/01/2009, 17h55

Merci ToTo pour ta réponse.
En fait, lorsque j'ai un signal bien régulier, je procède par détection du complex QRS : un pic maximum très apparant par rapport aux autres ondes. Puis, une fois le signal ECG est décomposé en morceaux commenceant pas onde R, je fais translater pour que ca commence par l'onde P.
Mon programme de décomposition en cycle est le suivant :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
clear all;
[xn,fs]=wavread('300-0-598-0--sig0.wav');
m=max(xn);
tres=0.7*m;
peaks=[];
% detection des pics dans le signal ecg
for i=1:length(xn)
    if xn(i)>tres
        peaks=[peaks i];
    end
end
%elimination des valeurs répétées dans peaks et calcul du cycle length
distance=[];
peaks2=[];
for j=1:length(peaks)-1
    % la longueur d'un cycle est sup à 200
    if (peaks(j+1)-peaks(j))>200
        distance = [distance peaks(j+1)-peaks(j)];
        peaks2=[peaks2 peaks(j)];
    end
end
cycle_len=fix(mean(distance));
% reconstruction du signal
xs=[];
for i=1:length(peaks2)-1
        cyc = xn(peaks2(i):peaks2(i+1));
        xs=[xs ; cyc];
end
plot(xs);

Mais avec le signal joint (qui n'est pas régulier), cet algorithme ne me donne pas de bon résultats.

Merci pour toute aide.

**FR119492** · 11/01/2009, 18h44

Salut!
Le nom scientifique de ton type de problème est série temporelle ou série chronologique, en anglais time serie. Il y a une masse de publications sur ce sujet.
Jean-Marc Blanc

**Contact2012** · 11/01/2009, 21h14

Salut;
Oui c'est vrai ca s'appelle "times series data" en anglais.
stp, tu peux me fournir des liens ou je pourrais trouver de l'aide?

Merci.

Bonjour;
SVP, est ce que vous pouvez me conseiller d'autres forums et/ou sites ou je pourrais trouver une solution pour mon pb?

Merci à tous.

**FR119492** · 12/01/2009, 15h03

Salut!
Tu peux commencer par regarder dans Wikipedia en français et en anglais. Ce n'est en effet pas du tout mon domaine d'activité, mais tu dois apprendre à chercher l'information.
Jean-Marc Blanc

**Contact2012** · 12/01/2009, 15h23

Merci FR119492 pour ton aide;
En fait, moi aussi c'est pas mon domaine mais je dois analyser ce signal ECG comme application. Je suis de base ingénieur informaticien.
Ce que j'ai trouvé sur wikipedia, ce sont les notions de base pour un signal ECG

.
De toutes façons, merci pour tous les conseils

**ToTo13** · 12/01/2009, 17h37

Bonjour,

bon... et si on reprenait les choses à la base.
Dans l'exemple que tu viens de nous donner, quels sont les cycles que tu souhaites trouver ? Pourrais tu TOUS les marquer afin de voir si on observe des similarités ?

**Contact2012** · 19/01/2009, 00h24

Merci ToTo13 pour tes aides.
C'est vraiment tres gentil de ta part.

En fait, j'ai opté pour une solution qui marche bien lorsque les données sont réguliers (ECG normal régulier).
Je detecte tous les pics de l'onde R (tous les maximums > 0.7*Tres, avec Tres=max(signal)), et je les considère comme étant le début de cycle et comme ca je peux décomposer le signal en cycle .
Mais le pb que ca marche pas toujours.
Je vais considerer cette solution car ce n'est pas vraiment l'objectif de mon travail. Il y'a plein de travaux de recherche qui essayent de trouver une méthode de décomposition d'un ECG et automatiser son analyse.
Merci une autre fois pour l'aide ToTo13

**acx01b** · 19/01/2009, 02h27

salut

et si tu commençais par une autocorrélation ?

autocor_x = real(ifft(abs(fft(x,2^(nextpow2(length(x))+1))).^2));

**Contact2012** · 19/01/2009, 02h33

Ben, vous voulez dire la fonction d'autocorrelation classique?
J'utilise Matlab qui possède déjà une fonction de calcul xcorr pour un signal 1-D.

Je l'ai utilisé et j'ai pas eu un bon résultat. Car ca reviens au meme probleme (recherche de la distance entre les pics).
Voici la figure de l'auto-correlation (en pièce jointe).

**FR119492** · 19/01/2009, 15h28

Salut!

Je l'ai utilisé et j'ai pas eu un bon résultat

Cela ne m'étonne pas outre mesure: l'autocorrélation, ça marche très bien si le signal est périodique, par exemple quand tu cherches les variations d'une grandeur au cours d'une semaine, ou des variations saisonnières. Mais, dans ton cas, le rythme cardiaque peut varier de manière a priori inconnue.
Jean-Marc Blanc

**Contact2012** · 19/01/2009, 15h40

Oui exactement, il est bien cyclique mais parfois il varie de facon innatendue.
L'un des chercheurs en cardio m'a proposé la méthode de détection de tous les pics R. et puis faire la translation pour retrouver le début de chaque cycle.
Je vous tiendrais au courant de mon avancement.
Merci pour l'aide Jean-Marc Blanc

**FR119492** · 19/01/2009, 17h14

Salut!

il est bien cyclique

Il faudrait peut-être d'abord s'entendre sur la signification du mot "cyclique". La définition ne doit contenir ni explicitement, ni implicitement les mots "à peu près".
Jean-Marc Blanc

**acx01b** · 21/01/2009, 16h19

salut

a priori il faut commencer par un peu de traitement du signal

- filtrage du signal entre 10 et 400 bpm ( 0.16 -> 6.5 Hz) par exemple
- détection de la période principale avec l'autocorrélation (plus grand pic entre 20 et 200 bpm)
- trouver le début de chaque période avec la programmation dynamique, pourquoi pas en ayant fait une différentiation juste avant
c'est à dire que tu suis plusieurs chemins entre pics, en valorisant ceux qui concordent avec ta mesure générale du rythme de battement, ça te permet de résoudre en même temps le problème des erreurs d'octaves (2 x la période) dans l'autocorrélation
- application d'un algo de ton choix pour détecter les battements sains et non-sains, les arythmies... (forme du pic, distance entre 2 pics...)

**Contact2012** · 22/01/2009, 13h07

Bonjour;
Merci bien pour votre réponse. stp, tu peux m'expliquer l'objectif de chaque étape.

Envoyé par acx01b

1. filtrage du signal entre 10 et 400 bpm ( 0.16 -> 6.5 Hz) par exemple

Est ce que ce filtrage permettra d'éliminer le bruit dans le signal? Si oui, pourquoi exactement ces valeurs pour le filtrage?

Envoyé par acx01b

2. détection de la période principale avec l'autocorrélation (plus grand pic entre 20 et 200 bpm)

Aussi, ici les valeurs 20 et 200 désignent quoi exactement stp? et est ce que la période principale désigne la distance entre le premier pic (central) et celui qui le suit dans la courbe de la fonction d'autocorrelation?

Merci d'avance pour toute explication.
Bonne journée.

**acx01b** · 22/01/2009, 13h49

bpm : battements par minute
c'est une mesure de fréquence
20,200 c'est juste qu'il y a peu de chances que le patient ait une fréquence cardiaque < 20 ou > 200 bpm
le plus grand pic dans l'autocorrélation c'est la période la plus significative de ton signal
c'est à dire que si la plus grande valeur c'est xcorr(i) alors la période principale c'est i
en général (c'est logique) si xcorr(i) est très important et ses voisins beaucoup moins, alors pour tout n entier xcorr(n.i) le sera aussi
attention : la plus grande valeur dans xcorr est TOUJOURS xcorr(0)

après je te dis ça mais tu peux aussi regarder un cours de traitement de signal, ou appliquer sans comprendre une méthode qui marche

**Contact2012** · 22/01/2009, 15h45

Salut acx01b;
Merci bien pour ta réponse. Mais encore j'ai pas bien saisi

Peux-tu stp me guider plus? des ressources sur le net ou des algorithmes librement distribués?

**cite olympique** · 08/04/2009, 19h51

Envoyé par Contact2012

Merci ToTo pour ta réponse.
En fait, lorsque j'ai un signal bien régulier, je procède par détection du complex QRS : un pic maximum très apparant par rapport aux autres ondes. Puis, une fois le signal ECG est décomposé en morceaux commenceant pas onde R, je fais translater pour que ca commence par l'onde P.
Mon programme de décomposition en cycle est le suivant :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
clear all;
[xn,fs]=wavread('300-0-598-0--sig0.wav');
m=max(xn);
tres=0.7*m;
peaks=[];
% detection des pics dans le signal ecg
for i=1:length(xn)
    if xn(i)>tres
        peaks=[peaks i];
    end
end
%elimination des valeurs répétées dans peaks et calcul du cycle length
distance=[];
peaks2=[];
for j=1:length(peaks)-1
    % la longueur d'un cycle est sup à 200
    if (peaks(j+1)-peaks(j))>200
        distance = [distance peaks(j+1)-peaks(j)];
        peaks2=[peaks2 peaks(j)];
    end
end
cycle_len=fix(mean(distance));
% reconstruction du signal
xs=[];
for i=1:length(peaks2)-1
        cyc = xn(peaks2(i):peaks2(i+1));
        xs=[xs ; cyc];
end
plot(xs);

Mais avec le signal joint (qui n'est pas régulier), cet algorithme ne me donne pas de bon résultats.

Merci pour toute aide.

**Contact2012** · 08/04/2009, 22h27

le programme est déjà donné dans un post précédent (voir la discussion)

Détection des structures cycliques dans un signal

Traitement du signal

Discussions similaires

Partager

Partager