[go: up one dir, main page]

WO2025133123A1 - Procede de reconstruction d'un ecg en temps reel a partir d'un signal ppg - Google Patents

Procede de reconstruction d'un ecg en temps reel a partir d'un signal ppg Download PDF

Info

Publication number
WO2025133123A1
WO2025133123A1 PCT/EP2024/087911 EP2024087911W WO2025133123A1 WO 2025133123 A1 WO2025133123 A1 WO 2025133123A1 EP 2024087911 W EP2024087911 W EP 2024087911W WO 2025133123 A1 WO2025133123 A1 WO 2025133123A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
ecg
points
ppg
subset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2024/087911
Other languages
English (en)
Inventor
Miki Junior TAH PITT
Jerry Rufin TCHOUNDI DJILA
Yves MBODA
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dtectio
Original Assignee
Dtectio
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dtectio filed Critical Dtectio
Publication of WO2025133123A1 publication Critical patent/WO2025133123A1/fr
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02438—Measuring pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval

Definitions

  • ECG Unlike PPG, ECG has technical implementation disadvantages. ECG requires the use of multiple electrodes, while PPG uses a single sensor to enable continuous recording. Furthermore, the material used to provide a good quality ECG signal with the electrode can cause skin irritation, discomfort, and even allergic reactions during long-term use of these devices.
  • Certain factors such as the positioning of the electrodes, their detachment or their retention on the skin can influence the results of the ECG and lead to false positive or negative results.
  • ECG signal contains many signal descriptors, namely data characterizing the QRS complex and heart rate data, as well as variations in this frequency over time. Learning does not allow for reliable restitution of both the QRS complex and heart rate variability.
  • One objective of the invention is to overcome the aforementioned drawbacks.
  • the invention relates to a method for generating an ECG signal from a PPG signal and a trained machine learning model comprising:
  • ⁇ Segmentation of the first signal comprising: o Definition of a first time window of a first predefined duration; o Extraction of a first set of sampled points of the first PPG signal, called PPG points, comprising a first subset of points between two consecutive PPG markers and a second subset of consecutive points of the second PPG marker, the number of points of the second subset being less than the number of bridges of the first subset; o Positioning of said first segmented signal in the first time window from the second PPG marker;
  • ⁇ Using a trained learning model to produce an output vector defining a second segmented signal of an ECG from an input vector comprising the data of the first set; ⁇ Recombination of the segments produced to reconstruct a continuous ECG signal from: o Detection of at least two consecutive ECG markers of the second signal present in each cycle of said second signal; o Reconstruction of the ECG signal by concatenation of the segments from the time markers.
  • An advantage of using a time window with less than two cycles is that it provides a reliable and accurate reconstruction method for QRS complexes. Learning has very good performance and the reconstruction is of better quality than when using a plurality of cycles considered as input to the network.
  • the heart rate is used to identify the local maximum corresponding to the desired ECG marker.
  • two consecutive markers of the first signal are used to interpolate the lengths between two consecutive ECG markers of the second signal.
  • the machine learning model is trained according to the method for training a neural network to generate an ECG from a PPG signal according to the invention.
  • the invention relates to a method for training a neural network to generate an ECG from a PPG signal, said method comprising:
  • a synchronization of the first signal with the second signal comprising: o Detection of at least one first PPG marker of the first signal present in each cycle of said first signal; o Detection of at least one first ECG marker of the second signal present in each cycle of said second signal; o Estimation of a transit time of the first PPG signal; o Alignment of the two signals from an offset of one of the two signals by the value of the transit time;
  • ⁇ Segmentation of the first signal and the second signal comprising: o Defining a first time window of a first predefined duration; o Extracting a first set of sampled points from the first PPG signal, called PPG points, comprising a first subset of points between two consecutive PPG markers and a second subset of consecutive points from the second PPG marker; o Positioning said first segmented signal in the first time window, said window comprising the two consecutive PPG markers; o Defining a second time window of a second predefined duration; o Extracting a second set of sampled points from the second ECG signal, called ECG points, comprising a first subset of points between two consecutive ECG markers and a second subset of consecutive points from a second marker; o Positioning said second segmented signal in the first time window, said window comprising the two consecutive ECG markers;
  • ⁇ Training a machine learning model comprising: o Generation of input vectors comprising the first set of points; o Implementation of a loss function from the second set of points;
  • the first marker is an R peak of a QRS complex and the second marker is a local minimum of the second signal.
  • the transit time is estimated by calculating the minimum difference measured between two markers of each of the two signals considered in the same cycle.
  • the second subset of points of the second consecutive segmented ECG signal of a second marker comprises a number of points less than the number of points of the first subset.
  • One advantage is that it allows for precise recalibration at the network output to heart rate.
  • the second set of points makes it possible to better detect these minimums or maximums at the network output and therefore to group the segments together according to heart rate.
  • a third subset of points of the second set of points comprises a set of ECG points of the same value following the second subset of points so as to complete the second time window.
  • the acquisition of the heart rate is carried out by means of the analysis of the second ECG signal comprising the estimation of the intervals between two consecutive peaks of the acquired ECG signal, called RR intervals.
  • An advantage is to obtain an accurate heart rate.
  • the method comprises an indicator of the deviation of the heart rate calculated from the PPG signal and that calculated from the ECG signal.
  • One advantage is to take into account the deviation between the two measurements during learning.
  • the following characteristics apply to both the method for generating an ECG signal from a PPG signal and a trained machine learning model and the method for training the machine learning model.
  • the second subset of points of the first segmented PPG signal consecutive to a second marker comprises a number of points less than the number of points of the first subset.
  • a third subset of points of the first set of points comprises a set of PPG points of the same value succeeding the second subset of points so as to complete the first time window.
  • the machine learning model is a convolutional neural network known as CNN.
  • the CNN neural network is a U-NET type network composed of an encoder, a decoder and a tool making it possible to concentrate the neural network on the most important or relevant parts of the data, a tool called Attention Gate.
  • the training of the coefficients of the machine learning model is carried out using an optimizer and an implementation of a cost function.
  • the acquisition of the heart rate is carried out by means of the analysis of the first PPG signal comprising the estimation of the intervals between two consecutive markers of the acquired PPG signal.
  • the invention relates to a device for generating a continuous ECG signal comprising a PPG signal sensor and a computer and a memory for implementing the method of the invention.
  • FIG.1 A flowchart of a system for preprocessing and training a machine learning model from two acquired signals including an ECG signal and a PPG signal;
  • FIG.2 A flowchart of training a neural network
  • FIG.3 A detailed flowchart of the operation of the trained neural network in Figure 2;
  • FIG.4 A flowchart of the operation of the trained neural network
  • FIG.5 A flowchart of the pre-processing system, training the neural network
  • FIG.6 An example of a PPG signal acquired by a measuring device
  • ⁇ [Fig.8] An example of a raw ECG signal acquired by electrodes
  • ⁇ [Fig.9] The example of ECG signal sampled at 100Hz after filtering
  • FIG.17 an example of representation of the output signals of the network trained with a second type of segmentation
  • the PPG sensor comprises an emitter of a light source, such as a diode and a receiver such as a photodetector.
  • the photoreceptor detects variations in reflected light and converts them into an electrical signal.
  • a cardiac cycle can be divided into two phases based on blood flow.
  • the so-called systole phase is the phase of dilation of the heart. This phase results in a decrease in blood volume in the vessels.
  • the increase in blood volume results in an increase in the light absorbed by the blood and a decrease in the intensity of the transmitted light.
  • the diastole phase the decrease in blood volume results in an increase in the intensity of the transmitted light.
  • the signal acquired by the sensor includes a variation in a physical parameter measured during this cyclical phenomenon.
  • the PPG signal denoted Si is a signal whose amplitude is expressed in volts or in arbitrary units as a function of time.
  • the heart rate can be deduced from the signal Si.
  • a computer configured to detect characteristic markers of the PPG signal makes it possible to deduce the heart rate.
  • the method acquires an ECG signal and a PPG signal in order to train the MLi machine learning model.
  • the ECG signal is denoted S2 and the PPG signal is denoted Si.
  • an ECG signal is acquired from an individual whose PPG signal is also acquired.
  • the ECG and PPG signals used to train the ML1 model are synchronized and acquired from the same individual.
  • One advantage is to train the model with correlated PPG and ECG signals.
  • the individual during ECG acquisition, the individual is at rest.
  • the acquisition of the ECG signal is carried out during exercise.
  • ECG signals are acquired in different configurations corresponding to different states of an individual.
  • One interest is to obtain the most exhaustive possible training of all the states of cardiac activity of the individual.
  • the acquisition is performed during a stress test to generate a stress electrocardiogram.
  • the individual performs increasingly intense physical effort.
  • the acquisition of the ECG signal comprises the implementation of an arrangement of ten adhesive electrodes connected to an electrocardiograph by means of cables. For a more precise measurement, twelve or eighteen electrodes can be used.
  • the four electrodes are distributed around each wrist and ankle.
  • At least six electrodes, called precordial electrodes are distributed in the region of the thorax located in front of the heart, called the precordial zone.
  • two electrodes are used to obtain at least a potential difference.
  • the electrodes are stuck to bare skin.
  • An electrocardiogram is a method for visualizing changes in the electrical current flowing through the heart over time. This method relies on recording and transcribing the electrical currents flowing through the heart during each cardiac contraction.
  • the ECG provides information on the rhythm, rate, and conduction of the heart. It allows for the analysis of electrical signals generated and conducted by the heart muscle or the analysis of blood circulation.
  • An electrical current from the heart originates at a specific point at the top of the right atrium, a point called the sinus node.
  • the generated current travels through the heart.
  • the current passes through the atria, it causes the heart muscle to contract.
  • the conduction system maintains the heart rate within a specific range. Electrical propagation may be disrupted due to heart disease.
  • the signal obtained is the ECG signal S2 is a signal whose amplitude is expressed in Volts as a function of time.
  • a graphical representation of a raw ECG signal sampled at 100Hz is obtained after acquisition by an electrocardiograph.
  • the method for generating an ECG signal comprises a step of recording the heart rate. This heart rate can be deduced from the ECG signal S2.
  • a calculator configured to detect characteristic markers of the ECG signal makes it possible to deduce the heart rate.
  • the heart rates are deduced from the two signals S1 and S2.
  • the measurement of the two heart rates from the two signals makes it possible to carry out measurement error corrections on one or other of the signals.
  • the heart rate is deduced from the PPG signal.
  • the method for training the ML1 model includes a step of filtering and sampling the PPG signal Si and the ECG signal S2 each at a predefined frequency.
  • the filtering and sampling step carried out during the execution of the training method are identical to those which will be carried out during the execution of the method for generating an ECG signal.
  • the filtering and sampling steps are only carried out on the acquired PPG signal Si.
  • the PPG signal is filtered.
  • the use of a bandpass filter between 40 and 400 Hz to filter high and low frequencies eliminates artifacts related to the movement of the individual.
  • the step of filtering the PPG signal is denoted FILT1 in Figure 1.
  • the step of sampling the PPG signal is denoted ECH1 in Figure 1.
  • the raw PPG signal sampled at 100Hz of Figure 6 is filtered and resampled to 125Hz.
  • the filtered Si signal also noted SIF in figure 7 represents a signal in which the baseline is made stable over time.
  • the ECG signal is filtered using a method called the "Tarvainen” method to reduce the shape effect.
  • certain phenomena such as the movement of the individual, the detachment of the electrodes, the induced effects of respiration, variations in skin impedances, etc. can cause an overall wave-like tendency affecting the electrical signal produced by the heart. This phenomenon is also known as baseline drift.
  • the baseline or isoelectric line of the heart corresponds to the plot of the average amplitude of the signal smoothed over a given period of time.
  • This filtering is based on the use of a high-pass filter.
  • finite impulse response filters are used. This means that the filter output reacts only for a finite time after the application of an input impulse. This is a method known as “distending.”
  • Detrending a signal consists of eliminating or reducing an underlying trend in the collected data, the trend corresponding to variations in the average signal other than those generated by the cardiac electrical activity measured over time.
  • the ECG signal sampled at 100Hz in Figure 8 is filtered so as to eliminate the “trend” phenomenon. It is verified that this filtering makes it possible to normalize the average value of the signal over time, reducing or even eliminating its variations over time.
  • the ECG signal filtering step is noted FILT2 in Figure 1.
  • the ECG signal sampling step is noted ECH2 in Figure 1.
  • the sampling on signal Si will be chosen to be identical to the sampling of signal S2.
  • filtering can be implemented such as filtering of the electromyogram, filtering of interference noise at a certain predefined frequency.
  • the SIF and S2F signals are then recorded in a memory to be processed to train the ML1 model.
  • the processing can correspond to the shaping of the model's input vector, data enrichment, or data control. Indeed, some signals can be eliminated when the quality of the latter is not sufficient and does not allow the ML1 model to be correctly trained.
  • the signal recording step is noted ENR1 in Figure 1. Synchronization - Alignment
  • the method for generating an ECG signal comprises a step of synchronizing the filtered ECG signal and the filtered PPG signal. This step is denoted SYNCi in Figure 1. This step is also called signal alignment.
  • This step has the advantage of improving the learning of the MLi machine learning model because the shifts and variations of these shifts over time do not alter the training of the neural network.
  • This synchronization makes it possible to erase the longer transit times of the PPG signal with respect to the ECG signal given the nature of the signals and the body conducting them.
  • This synchronization phase is no longer carried out during the exploitation phase of the trained neural network given the fact that only the PPG signal will be acquired.
  • the so-called “QRS” complex corresponds to mechanical systole, in other words to ventricular contraction. It contains three waves: the Q wave is the first negative deflection, the R wave is the first positive deflection and the S wave is the second negative deflection following the R wave.
  • the T wave represents the so-called repolarization phase of the ventricles, in other words the return to the resting phase of the ventricles.
  • FIG. 14 shows an example of an S2 signal with a QRS complex in which the P, R, and T waves are represented.
  • the graphical representation of a PPG signal groups together a set of waves which are broken down as follows:
  • ECG and PPG signals are cyclical signals due to the heart rate and the reproduction of a pattern at each period in time with the heart rate. These patterns allow us to discriminate areas of interest, allowing us to define time markers in the cycle to synchronize the signals.
  • the first step for synchronizing the ECG signal and the PPG signal comprises determining a first marker of the PPG signal and a second marker of the corresponding ECG signal.
  • markers are, for example, local minima or maxima such as characteristic peaks.
  • the markers used are the R peaks of the ECG signal and the trough corresponding to the R peak of the PPG signal taken in the same cycle.
  • Figure 10 illustrates the markers MECGI and MECG2 which are consecutive R peaks on the signal Si.
  • Figure 10 illustrates the markers MPPGI and MPPG2 which are consecutive troughs on the signal S2.
  • the second step comprises estimating the transit time of the PPG signal relative to the transit time of the ECG signal.
  • a pulse transit time is a measure of the transmission delay between the ECG signal and the PPG signal at a certain point in the body.
  • a measurement of the time difference between an ECG marker and a corresponding marker for the PPG is performed for each cycle.
  • the transit time is considered as the minimum difference measured between two markers of each of the two signals considered in the same cycle. It is understood that the time of transit is globally constant over time since this delay depends only on the physics of the signals propagating in a body. By considering the minimum deviation, the method of the invention makes it possible to dissociate the transit time from all other phenomena altering the signal measurements.
  • the filtered ECG and PPG signals of Figures 7 and 9 are synchronized using as markers, the R peaks, for the ECG signal, and the corresponding troughs for the PPG signal.
  • the method for training the model of the invention comprises a step of segmentation SEGi of the ECG signal S2 and the PPG signal Si.
  • the training method and the method for reconstructing an ECG implement a segmentation of each cardiac cycle of the PPG signal.
  • the method for training the ML1 model implements a step of segmentation of the ECG signal S2 necessary for training the model.
  • the segmented signals are denoted respectively Si’ and S2’ relative to the segmented PPG signals and the segmented ECG signals.
  • Figure 12 illustrates a segmentation of an ECG signal in an FTI window.
  • the duration of the segmentation window is advantageously strictly less than two cardiac cycles.
  • An advantage is to learn the model with data that essentially characterizes the waveform over one cycle and not with data that characterizes the rhythm or frequency of the signal.
  • This segmentation window has the advantage of improving the learning of the machine learning model because it mitigates the error in reconstructing the ECG signal obtained by machine learning for the “QRS” complex.
  • the training data only represents the signal data over a single cycle.
  • the training will involve learning the reconstruction of the rhythm.
  • the heart rate is obtained by an analysis of the ECG signal and/or PPG does not necessarily use a machine learning model. This heart rate is then used to reconstruct or consolidate the reconstruction of the segmented signal into a continuous signal of all cycles.
  • the segmentation window comprises at least one complete cycle and possibly a fraction of a following and/or preceding cycle. This window is identical when learning the model and when using the learned model.
  • the method for training the model and the method for generating an ECG signal comprises a step of segmenting SEGi the signals.
  • the latter comprises an extraction of a second set of sampled points E2 from the second ECG signal S2.
  • a time window FT2 of a predefined duration is fixed.
  • this window FT2 is called the second time window.
  • the equivalent segmentation window will be noted as the first time window, it is noted FTI.
  • E2 the set of points extracted from the ECG signal defining a segmented signal S2’ resulting from the segmentation of the ECG signal in a time window FT2.
  • the points of the set E2 make it possible to define an input vector of an ML1 machine learning model such as a neural network.
  • MECGI two consecutive ECG markers denoted MECGI, MECG2 are defined. These markers are defined so as to obtain a complete cycle. These markers make it possible to collect a first set of sampled points denoted ENS21 between said two markers MECGI and MECG2. These ENS21 points are extracted from the received or acquired signal.
  • a second subset of sampled points denoted ENS22 is extracted from the second ECG marker MECG2 for a predefined duration succeeding the second predefined MECG2 marker.
  • the ENS21 and ENS22 point sets partly make up the E2 point set.
  • the size of the point set ENS22 is smaller than the size of the point set ENS21. This ensures that a complete cycle is obtained while strictly limiting the points to two cycles.
  • the method for generating an ECG signal comprises a step of segmentation SEG1 of the PPG signal Si.
  • This method comprises an extraction of a first set of sampled points E1 of the first PPG signal Si.
  • the segmentation of the signal is preferably identical during the method for training the ML1 model.
  • Figure 11 illustrates a segmentation of a PPG signal in an FTI window.
  • a first FTI time window of a predefined duration is fixed.
  • the FTI time window is of the same size as the second F T2 time window.
  • the method of the invention makes it possible to define two consecutive PPG markers noted MPPGI, MPPG2.
  • a first set of sampled points noted ENS11 is extracted between the two MPPGI and MppG2 markers.
  • a second subset of sampled points denoted ENSi2 is extracted from the second PPG marker MPPG2 to a predefined point.
  • the point set Ei includes the point subsets ENS11 and ENS12.
  • the two consecutive PPG markers MPPGI, MPPG2 are two consecutive minima corresponding substantially to the two markers MECGI, MECG2 of the ECG signal in the learning process of the MLi model.
  • An interest is to retain points that are strongly correlated and correspond to the same physiological phenomena.
  • the length of the set of points ENS12 is less than the length of the set of points ENSn. This ensures that the window is strictly less than two epochs, in other words two cardiac cycles.
  • a third subset of points ENS13 of the second set of points Ei comprises a set of PPG points of the same value succeeding the second subset of points ENS12 so as to complete the first time window FTI.
  • the set of points ENS23 completes the set of points ENS11 and ENSi2.
  • this segmentation is used for the PPG signal of Figure 10. All points in the third subset of points ENS have a zero value.
  • the segmentation takes all the points included in a predefined time interval.
  • the segmentation window includes at least one cardiac cycle and can go beyond two cycles.
  • a segmentation with a two-second window is used for the PPG Si’ and ECG S2’ signals.
  • the segmentation is 250 points long with 125Hz sampling.
  • the relative root mean square error rRMSE and Pearson correlation coefficient p value can be estimated to evaluate the methods.
  • Pearson correlation is a statistical measure that evaluates the linear relationship between two continuous variables. It describes the extent to which the variation in one variable is associated with the variation in another variable. The Pearson correlation takes its values in the range from -1 to 1 . The closer the Pearson correlation coefficient is to -1 or 1 , the stronger the correlation between the two variables.
  • the ECG signal obtained by machine learning follows a similar trend to the expected ECG signal. That is, the two signals increase or decrease together in a linear manner.
  • Figure 2 represents the different signals processed during the training of the MLi model.
  • the PPG signal acquired by a measuring device is denoted Si.
  • the ECG signal acquired by another measuring device is denoted S2.
  • the segmented signals processed by the neural network to be trained are denoted Si’ and S2’ respectively.
  • the output signal of the neural network to be trained is denoted 82a’.
  • the trained ML1 machine learning model can predict the continuous ECG signal from a single PPG signal measurement. Training the model transforms the input vector from the PPG into an output vector that is as close as possible to the ECG signal that would have been measured by an ECG measuring device if it were used.
  • the machine learning model receives as input vectors the set of sampled points E2 from the ECG and the set of sampled points E1 from the PPG.
  • the machine learning model CNN1 is a convolutional neural network called CNN.
  • the machine learning model comprises a U-NET type architecture.
  • a U-NET architecture is itself based on a CNN architecture.
  • the model includes an encoder ENC, a decoder DEC, a software component to focus the neural network on the most important or relevant parts of the data, a software component called "Attention Gate” and a memory layer represented by the "Biderectional Gated Recourent Unit” called BiGRU.
  • BiGRU is a type of recurrent neural network. It consists of two GRU blocks, one in the forward direction of data propagation and the other in the reverse direction.
  • an LSTM layer may be used instead of the GRU block.
  • this embodiment may require longer training.
  • each block includes at least one convolution layer.
  • the convolution layer denoted CONV in Figure 15, uses filters that scan the input data by performing convolution operations.
  • the core dimensions of each layer increase as the layers advance.
  • Each block also includes a normalization layer, such as a layer called “Layer normalization” in English terminology.
  • This layer is denoted LN in Figure 15. It allows the outputs of each layer of the neural network to be normalized. This layer allows the stabilization of the neural network, to accelerate the learning of the model by allowing it to converge more quickly.
  • Each block also includes an activation function, such as a rectified linear activation called ReLU, denoted LR.
  • This function allows neurons to be activated or deactivated by adding biases.
  • the so-called "ReLU” layer is also called a linear rectification unit. The activated features are passed on to the next layer, which promotes faster and more efficient learning.
  • Figure 15 represents an example of the architecture of a U-NET type network comprising 3 blocks in the ENC encoder and 3 blocks in the DEC decoder.
  • the convolution layers are denoted CONV
  • the input normalization layers are denoted LN for “Layer normalization” in Anglo-Saxon terminology
  • the activation layers are denoted LR.
  • the second block and the third block are denoted RB and correspond to residual blocks.
  • One advantage of a residual block is to improve learning in deep neural networks by allowing a more direct flow of the gradient during backpropagation.
  • a residual block provides a skip connection, which bypasses one or more layers. This connection passes the input of the block directly to its output, summing it to the output of the intermediate layer(s). This is represented in Figure 15 in the RB block by an arrow starting from the input of the block and allowing the variables or coefficients to be added to the variables or coefficients at the output of the RB block before the last activation layer (LR).
  • One benefit is to allow the error signal to propagate more efficiently through the network during backpropagation. This helps to mitigate the gradient vanishing problem, especially in very deep networks.
  • a residual block (RB) comprises at least one convolution layer (CONV), one normalization layer (LN), and one rectified activation layer (LR). Figure 15 represents an example of such an architecture.
  • two “Attention Gates” in English terminology and noted AG in figure 15 connect the encoder ENC and the decoder DEC.
  • the decoder also comprises three blocks.
  • the first two blocks each respectively comprise a transposed convolution layer CONV_T, a normalization layer denoted LN and a rectified activation layer ReLU, denoted LR.
  • the final block of the decoder comprises two transposed convolution layers CONV_T separated by a memory layer composed of a BiGRU denoted BG in FIG. 15.
  • the DEC decoder allows the reconstruction of the segmented signal from the characteristics learned by the encoder.
  • the training method comprises the implementation of a cost function making it possible to calculate the error between the produced output 82a' representing the reconstructed ECG signal and the initial measured ECG signal S2'.
  • the machine learning model generates an ECG signal 82a' which is therefore compared to the signal S2' corresponding to the input E2 to calculate this error and minimize it by modifying the coefficients of the convolution layers.
  • the difference A
  • the method comprises a feedback loop, for example carried out using gradient descent, which enables the network to be trained by modifying the coefficients of the matrices of the convolution layers.
  • the ECG signals measured by the S2 electrodes can be split into two groups. A first set of signals is used within the cost function for network training and the second set of signals is used to validate that sufficient training allows obtaining given performances.
  • the output signals of the neural network for training are noted 82a’ and for using the trained network the output signals of the network are noted 82b’.
  • Figure 3 represents the recombination steps of the reconstructed segmented signals.
  • the recombination step is denoted RECOMB1.
  • segmentation step is denoted SEG1
  • processing step by the trained neural network is denoted ML1.
  • the PPG signal acquired by a measuring device is denoted Si.
  • the signal processed by the trained neural network is denoted Si’.
  • the output signal of the trained neural network is denoted 82b’ and the recombined signal is denoted S2b.
  • Figure 16 shows 82b’ ECG signals produced for different epochs following one another with the first segmentation.
  • the signals S2b(tj)’, S2b(ti+i)’ and S2b(ti+2)’ are shown.
  • Figure 17 represents 82b' ECG signals produced for different epochs following one another with the second segmentation.
  • the signals S2b(tj)', S2b(ti+i )' and S2b(ti+2)' are represented with this second segmentation.
  • the invention makes it possible to recombine these signals with each other in order to produce a continuous signal.
  • S2b the non-recombined signals at the output of the neural network and we denote S2b the recombined signals forming a continuous signal comprising a plurality of epochs.
  • the method for generating an ECG comprises a step of combining the signals formed by the output vectors of the neural network.
  • the reconstruction is carried out continuously so as to form a continuous ECG signal.
  • the sequence of reconstructed ECG signals is recorded in a memory so as to allow exploitation by a computer embedded in the PPG measuring device or by a remote computer, for example that of a computer, a digital tablet or a server.
  • the training method made it possible to generate segmented ECG signals faithful to those that could have been measured by ECG electrodes.
  • An advantage of the method of the invention is that a simple PPG measuring device makes it possible to generate a continuous ECG signal that can be used to detect singularities of the ECG signal such as arrhythmias, QRS complex fragmentation rates, variations in heart rate.
  • the method for generating the ECG includes detecting consecutive ECG markers.
  • Figure 16 represents only the markers MECGI and MECG2 on the first signal S2b(ti).
  • the markers used can be local minima or local maxima such as the marker MECGI and the marker MECG2.
  • the second signals S2b generated by the machine learning model MLi will be “glued together” to form a continuous signal using the markers present in each cycle of said second signal S2’.
  • the recombination can be carried out by concatenating the segments produced by the neural network from the temporal markers.
  • Marker detection can be carried out using an algorithm that takes into account two elements: the search for local minima or local maxima and heart rate. Indeed, by correlating these two pieces of information, the method of the invention ensures that the good local minimum is considered in combination with the heart rate analyzed upstream of the neural network, during the acquisition of the signals.
  • the heart rate can be deduced from the acquired PPG signal or ECG signal.
  • the heart rate is advantageously deduced from the PPG signal acquired by the device.
  • the segments are then combined so as to join one end of one segment with another end of the next segment instead of the maximum value of the local maximum or local minimum, that is, the marker generated at each cycle.
  • the segments can be joined together at the top of the R peaks.
  • the method of the invention comprises a step of interpolating the R-R segments to the length of the local maxima or local minima of the corresponding PPG signal.
  • Figure 18 represents a first diagram comprising the acquired PPG signal Si, a second diagram comprising the reconstructed ECG signal S2b, and a third diagram representing the two signals Si and S2b allowing the local maxima and local minima of each cycle to be visualized.
  • An advantage of the invention is that it allows an ECG to be reconstructed in real time and continuously from the measurement of a PPG signal.
  • One advantage is that a PPG device only requires one measurement point and can be embedded in a device such as a bracelet or a watch.
  • An advantage of the invention is to take advantage of a trained neural network to reconstruct an ECG signal from a cycle of a PPG signal and reconstruct the signal continuously through heart rate analysis.
  • the network's learning is not affected by cycle frequency, rhythm variation, and possible errors related to the reconstruction of the heart rate by the neural network.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

Procédé pour générer un signal ECG à partir d'un signal PPG et d'un modèle d'apprentissage machine entrainé comportant : ■ Une première acquisition (ACQ1) d'un premier signal (S1), dit signal PPG, au moyen d'un capteur agencé sur un dispositif d'acquisition du signal au contact de la peau d'un individu pour mesurer les variations du volume pulsatile du sang; ■ Segmentation (SEG1) du premier signal (S1); ■ Utilisation d'un modèle d'apprentissage entrainé pour produire un second signal segmenté d'un ECG à partir d'un vecteur d'entrée comportant les données d'un cycle d'un premier signal PPG; ■ Recombinaison des segments produits pour reconstruire un signal ECG continu à partir de : o détection de deux marqueurs ECG consécutifs du second signal présent dans chaque cycle dudit second signal; o Reconstruction du signal ECG par concaténation des segments à partir des marqueurs temporels.

Description

PROCEDE DE RECONSTRUCTION D’UN ECG EN TEMPS REEL A PARTIR D’UN SIGNAL PPG
Domaine de l’invention
Le domaine de l’invention se rapporte au domaine des procédés et des dispositifs de transformation, d’analyse et de traitement de signaux cardiaques. En particulier, le domaine de l’invention se rapporte au domaine des procédés pour transformer un signal de photopléthysmographie, dit signal PPG, en un signal électrocardiographique, dit signal ECG, afin de produire un signal ECG en continu à partir d’un simple équipement d’acquisition.
État de la technique
Actuellement, il existe des solutions permettant d’obtenir un électrocardiographe à partir d’un photopléthysmogramme.
L’ECG a des désavantages techniques de mise en œuvre contrairement au PPG. Pour réaliser l’ECG, il est nécessaire d’utiliser plusieurs électrodes, contre un capteur pour le PPG permettant de réaliser un enregistrement continu. Par ailleurs, le matériau utilisé pour fournir un signal ECG de bonne qualité avec l'électrode peut provoquer une irritation de la peau, un inconfort, voir des réactions allergiques lors de l'utilisation à long terme de ces dispositifs.
Certains facteurs tels que le positionnement des électrodes, leur décollement ou leur maintien sur la peau peuvent influencer les résultats de l’ECG et entraîner des résultats faussement positifs ou négatifs.
Il existe, dans l’art antérieur, des procédés permettant la reconstruction d’un signal ECG à partir d’un signal PPG grâce à un algorithme d’apprentissage machine. Dans ce type de procédé, une segmentation du signal PPG d’une longueur fixe avec plusieurs époques est utilisée.
Un problème est qu’un signal ECG comporte de nombreux descripteurs du signal à savoir les données caractérisant le complexe QRS et les données de fréquence cardiaque ainsi que les variations de cette fréquence au cours du temps. L’apprentissage ne permet pas d’obtenir une fiabilité de restitution à la fois du complexe QRS mais également de la variabilité de la fréquence cardiaque.
En conséquence, la précision des prédictions des modèles actuels reste insatisfaisante pour exploiter le signal ECG reconstruit à partir d’un signal PPG, notamment pour fournir une aide au diagnostic de pathologies cardiaques.
Il existe un besoin d’améliorer la précision de la reconstruction d’un signal ECG à partir d’un signal PPG pour obtenir un signal en continu et générer des indicateurs caractérisant des singularités du signal ECG ainsi reconstruit.
Résumé de l’invention
Un objectif de l’invention est de pallier aux inconvénients précités.
Selon un premier aspect, l’invention concerne un procédé pour générer un signal ECG à partir d’un signal PPG et d’un modèle d’apprentissage machine entrainé comportant :
■ Une première acquisition d’un premier signal, dit signal PPG, au moyen d’un capteur agencé sur un dispositif d’acquisition du signal au contact de la peau d’un individu pour mesurer les variations du volume pulsatile du sang ;
■ Un échantillonnage du premier signal à une fréquence prédéfinie ;
■ Un enregistrement du rythme cardiaque ;
■ Segmentation du premier signal comportant : o Définition d’une première fenêtre temporelle d’une première durée prédéfinie ; o Extraction d’un premier ensemble de points échantillonnés du premier signal PPG, dits points PPG, comportant un premier sous ensemble de points entre deux marqueurs PPG consécutifs et un second sous ensemble de points consécutifs du second marqueur PPG, le nombre de points du second sous-ensemble étant inférieur au nombre de ponts du premier sous ensemble ; o Positionnement dudit premier signal segmenté dans la première fenêtre temporelle à partir du second marqueur PPG ;
■ Utilisation d’un modèle d’apprentissage entrainé pour produire un vecteur de sortie définissant un second signal segmenté d’un ECG à partir d’un vecteur d’entrée comportant les données du premier ensemble ; ■ Recombinaison des segments produits pour reconstruire un signal ECG continu à partir de : o Détection d’au moins deux marqueurs ECG consécutifs du second signal présent dans chaque cycle dudit second signal ; o Reconstruction du signal ECG par concaténation des segments à partir des marqueurs temporels.
Un avantage d’utiliser une fenêtre temporelle comportant moins deux de cycles est d’obtenir une méthode de reconstruction fiable et précise des complexe QRS. L’apprentissage est a une très bonne performance et la reconstruction est de meilleure qualité que lors de l’utilisation d’une pluralité de cycles considérée en entrée du réseau.
Selon un mode de réalisation, la fréquence cardiaque est utilisée pour identifier le maximum local correspondant au marqueur ECG recherché.
Selon un mode de réalisation, les marqueurs ECG utilisés lors de la recombinaison des segments sont des pics R. Un avantage est de minimiser l’erreur lors de la segmentation des cycles.
Selon un mode de réalisation, deux marqueurs consécutifs du premier signal sont utilisés pour interpoler les longueurs entre deux marqueurs ECG consécutifs du second signal.
Selon un mode de réalisation, le modèle d’apprentissage machine est entrainé selon le procédé pour entrainer un réseau de neurones pour générer un ECG à partir d’un signal PPG selon l’invention.
Selon un autre aspect, l’invention concerne un procédé pour entrainer un réseau de neurones pour générer un ECG à partir d’un signal PPG, ledit procédé comportant :
■ Une première acquisition d’un premier signal, dit signal PPG, au moyen d’un capteur agencé sur un dispositif d’acquisition du signal au contact de la peau d’un individu pour mesurer les variations du volume pulsatile du sang ;
■ Une seconde acquisition d’un second signal, dit signal ECG, au moyen d’au moins une paire d’électrodes apposées sur la peau d’un individu ;
■ Un échantillonnage du premier signal et du second signal chacun à une fréquence prédéfinie ; ■ Un enregistrement de la fréquence cardiaque ;
■ Une synchronisation du premier signal avec le second signal, ladite synchronisation comprenant : o Détection d’au moins un premier marqueur PPG du premier signal présent dans chaque cycle dudit premier signal ; o Détection d’au moins un premier marqueur ECG du second signal présent dans chaque cycle dudit second signal ; o Estimation d’un temps de transit du premier signal PPG ; o Alignement des deux signaux à partir d’un décalage d’un des deux signaux de la valeur du temps de transit ;
■ Segmentation du premier signal et du second signal comportant : o Définition d’une première fenêtre temporelle d’une première durée prédéfinie ; o Extraction d’un premier ensemble de points échantillonnés du premier signal PPG, dits points PPG, comportant un premier sous ensemble de points entre deux marqueurs PPG consécutifs et un second sous ensemble de points consécutifs du second marqueur PPG ; o Positionnement dudit premier signal segmenté dans la première fenêtre temporelle, ladite fenêtre comportant les deux marqueurs PPG consécutifs ; o Définition d’une seconde fenêtre temporelle d’une seconde durée prédéfinie ; o Extraction d’un second ensemble de points échantillonnés du second signal ECG, dits points ECG, comportant un premier sous-ensemble de points entre deux marqueurs ECG consécutifs et un second sous-ensemble de points consécutifs d’un second marqueur ; o Positionnement dudit second signal segmenté dans la première fenêtre temporelle, ladite fenêtre comportant les deux marqueurs ECG consécutifs ;
■ Apprentissage d’un modèle d’apprentissage machine comportant : o Génération de vecteurs d’entrée comprenant le premier ensemble de points ; o Mise en œuvre d’une fonction de perte à partir du second ensemble de points ;
■ Génération d’un modèle d’apprentissage machine entrainé.
Selon un mode de réalisation, le premier marqueur est un pic R d’un complexe QRS et en ce que le second marqueur est un minimum local du second signal.
Selon un mode de réalisation, le temps de transit est estimé au moyen du calcul de l’écart minimal mesuré entre deux marqueurs de chacun des deux signaux considérés dans un même cycle. Un intérêt est de permettre de synchroniser de manière homogène pour chaque cycle les signaux PPG et ECG entre eux.
Selon un mode de réalisation, le second sous-ensemble de points du second signal ECG segmenté consécutifs d’un second marqueur comprend un nombre de points inférieur au nombre de points du premier sous-ensemble.
Un avantage est de permettre un recalage précis en sortie du réseau à la fréquence cardiaque. Notamment, en sélectionnant un marqueur qui définit un minimum local ou un maximum local, le second ensemble de points permet de mieux détecter ces minimums ou maximums en sortie du réseau et donc de rassembler les segments entre eux en fonction de la fréquence cardiaque.
Selon un mode de réalisation, un troisième sous-ensemble de points du second ensemble de points comprend un ensemble de points ECG de même valeur succédant le second sous-ensemble de points de manière à compléter la seconde fenêtre temporelle. Un avantage est de permettre d’obtenir des fenêtres de taille fixe pour l’entrainement en considérant un signal pouvant aller jusqu’à une durée prédéfinie. Un intérêt du remplissage est de ne pas perturber l’apprentissage avec des données du complexe QRS d’un autre cycle que le cycle définissant l’entrée du réseau.
Selon un mode de réalisation, l’acquisition de la fréquence cardiaque est réalisée au moyen de l’analyse du second signal ECG comportant l’estimation des intervalles entre deux pics consécutifs du signal ECG acquis, dénommés intervalles R-R. Un avantage est d’obtenir une fréquence cardiaque précise. Selon un mode de réalisation, le procédé comprend un indicateur d’écart de la fréquence cardiaque calculée à partir du signal PPG et celle calculée à partir du signal ECG. Un intérêt est de prendre en compte de déviation entre les deux mesures lors de l’apprentissage.
Les caractéristiques suivantes s’appliquent aussi bien au procédé pour générer un signal ECG à partir d’un signal PPG et d’un modèle d’apprentissage machine entrainé qu’au procédé pour entrainer le modèle d’apprentissage machine.
Selon un mode de réalisation de l’un et/ou l’autre de ces procédés, le second sous-ensemble de points du premier signal PPG segmenté consécutifs d’un second marqueur comprend un nombre de points inférieur au nombre de points du premier sous-ensemble. Un avantage est de permettre un recalage précis en sortie du réseau à la fréquence cardiaque. Notamment, en sélectionnant un marqueur qui définit un minimum local ou un maximum local, le second ensemble de points permet de mieux détecter ces minimums ou maximums en sortie du réseau et donc de rassembler les segments entre eux en fonction de la fréquence cardiaque.
Selon un mode de réalisation de l’un et/ou l’autre de ces procédés, un troisième sous-ensemble de points du premier ensemble de points comprend un ensemble de points PPG de même valeur succédant le second sous-ensemble de points de manière à compléter la première fenêtre temporelle. Un avantage est de permettre d’obtenir des fenêtres de taille fixe pour l’entrainement en considérant un signal pouvant aller jusqu’à une durée prédéfinie. Un intérêt du remplissage est de ne pas perturber l’apprentissage avec des données du complexe QRS d’un autre cycle que le cycle définissant l’entrée du réseau.
Selon un mode de réalisation de l’un et/ou l’autre de ces procédés, le modèle d’apprentissage machine est un réseau neuronal convolutif dit CNN.
Selon un mode de réalisation de l’un et/ou l’autre de ces procédés, le réseau neuronal CNN est un réseau de type U-NET composé d’un encodeur, d’un décodeur et d’un outil permettant de concentrer le réseau neuronal sur les parties les plus importantes ou pertinentes des données, outil dénommé Attention Gate. Selon un mode de réalisation de l’un et/ou l’autre de ces procédés, l’entrainement des coefficients du modèle d’apprentissage machine est réalisé à partir d’un optimiseur et d’une mise en œuvre d’une fonction de coût.
Selon un mode de réalisation de l’un et/ou l’autre de ces procédés, l’acquisition de la fréquence cardiaque est réalisée au moyen de l’analyse du premier signal PPG comportant l’estimation des intervalles entre deux marqueurs consécutifs du signal PPG acquis. Un avantage est d’obtenir la fréquence cardiaque directement à partir du capteur PPG et d’un calculateur.
Selon un autre aspect l’invention concerne un dispositif pour générer un signal ECG en continu comprenant un capteur de signal PPG et un calculateur et une mémoire pour mettre en œuvre le procédé de l’invention. Un avantage est de permettre de disposer un tel dispositif sur un bracelet avec un unique point de contact au poignet.
Brève description des figures
D’autres caractéristiques et avantages de l’invention ressortiront à la lecture de la description détaillée qui suit, en référence aux figures annexées, qui illustrent :
■ [Fig.1] : Un organigramme d’un système de prétraitement et d’entrainement d’un modèle d’apprentissage machine à partir deux de signaux acquis dont un signal ECG et un signal PPG ;
■ [Fig.2] : Un organigramme d’un entrainement d’un réseau de neurones ;
■ [Fig.3] :Un organigramme de l’exploitation du réseau de neurones entrainé détaillé de la figure 2;
■ [Fig.4] : Un organigramme de l’exploitation du réseau de neurones entrainé;
[Fig.5] : Un organigramme du système de prétraitement, d’entrainement du réseau de neurones ;
■ [Fig.6] : Un exemple d’un signal PPG acquis par un dispositif de mesure ;
■ [Fig.7] : L’exemple du signal PPG échantillonné à 100Hz après filtrage ;
■ [Fig.8] : Un exemple de signal ECG brut acquis par des électrodes ; ■ [Fig.9] : L’exemple de signal ECG échantillonné à 100Hz après filtrage ;
■ [Fig.10] : Un exemple de signaux PPG et ECG filtré et alignés avec les pics R du signal ECG et les minima correspondants du signal PPG ;
■ [Fig.11 ] : Un exemple de segmentation du signal PPG sur une fenêtre comportant une portion d’un cycle suivant et un remplissage ;
■ [Fig.12] : Un exemple de segmentation du signal ECG sur une fenêtre comportant une portion d’un cycle suivant et un remplissage ;
■ [Fig.13] : Un exemple de segmentation avec une fenêtre fixe de deux secondes du signal ECG ;
■ [Fig.14] : Un exemple de segmentation avec une fenêtre fixe de deux secondes du signal PPG filtré ;
■ [Fig.15] : Un exemple d’architecture neuronale d’un modèle d’algorithme d’apprentissage machine pour la reconstruction automatique d’un ECG ;
■ [Fig.16] : un exemple de représentation des signaux en sortie du réseau entrainé avec un premier type de segmentation ;
■ [Fig.17] : un exemple de représentation des signaux en sortie du réseau entrainé avec un second type de segmentation ;
■ [Fig.18] : un exemple de représentation des signaux recombinés par le procédé de l’invention.
Description détaillée
Selon un premier aspect, l’invention concerne un procédé pour générer un signal ECG à partir d’un signal PPG et d’un modèle d’apprentissage machine MLi. Ce procédé est par exemple décrit aux figures 3 et 4.
Selon un second aspect, l’invention concerne un procédé pour entrainer un modèle d’apprentissage machine MLi à partir de l’acquisition d’un signal ECG et de l’acquisition d’un signal PPG. Ce procédé met en œuvre une fonction de coût pour apprendre le modèle. Ce procédé est par exemple décrit aux figures 1 et 2.
Acquisition du signal PPG Le procédé pour générer un signal ECG comporte une première étape d’acquisition ACQi d’un signal PPG noté signal Si.
L’acquisition peut être réalisée à partir de différents dispositifs. Selon un exemple, le dispositif peut être un bracelet ou une montre comportant à minima un capteur PPG.
Selon un mode de réalisation, le capteur PPG comprend un émetteur d’une source de lumière, telle qu’une diode et un récepteur tel qu’un photodétecteur.
La mesure optique permettant de générer un signal PPG et d’en déduire la fréquence cardiaque à partir de cette technique peut être connue sous le nom de « surveillance optique de la fréquence cardiaque » ou « OHR/OHRM ». L’acronyme PPG peut être utilisé parfois pour désigner la technologie, le signal ou l’équipement. Dans la suite de la description, on nommera un signal issu de cette technologie : un signal PPG et on nommera un équipement tel qu’un capteur, un capteur PPG.
Une photopléthysmographie ou PPG est une méthode optique, non invasive, d’analyse des variations du volume sanguin dans les tissus superficiels. Cette méthode s’appuie sur l’analyse de la variation de l’absorption de lumière dans les tissus. Cette méthode est utilisée, par exemple, pour les oxymètres pour mesurer la saturation en oxygène dans le sang, dans les montres et bracelets connectées pour calculer la fréquence cardiaque.
Selon un mode de réalisation, le capteur PPG est un capteur optoélectronique. Il est composé d’un émetteur d’une source de lumière, telle qu’une diode et d’un récepteur tel qu’un photodétecteur. La diode émet de la lumière qui traverse différentes couches successives de la peau : la surface, la couche cornée, l’épiderme et le derme. Une partie de la lumière est absorbé par le sang, une partie de la lumière est réfléchie. Le photodétecteur reçoit la lumière réfléchie.
Selon un mode de réalisation l’émetteur et le récepteur sont placés l’un à côté de l’autre, dit mode de réflexion.
Selon un mode de réalisation, le photorécepteur détecte les variations de lumière réfléchie et les converties en un signal électrique.
Un cycle cardiaque peut être divisé en deux phases en fonction du flux sanguin. Lorsque le cœur se contracte, il expulse le sang dans le système vasculaire, c’est la phase dite de systole. Cela entraîne une augmentation du volume sanguin dans les vaisseaux. La phase dite de diastole est la phase de dilatation du cœur. Cette phase entraîne une diminution du volume sanguin dans les vaisseaux. En phase de systole, l’augmentation du volume sanguin entraîne l’augmentation de la lumière absorbée par le sang et la diminution de l’intensité de la lumière transmise. En phase de diastole, la diminution du volume sanguin entraine une augmentation de l’intensité de la lumière transmise. Ainsi, le signal acquis par le capteur comprend une variation d’un paramètre physique mesuré lors de ce phénomène cyclique.
Selon un mode de réalisation, le signal PPG noté Si est un signal dont l’amplitude est exprimée en volt ou en unité arbitraire en fonction du temps. Selon un mode de réalisation, la fréquence cardiaque peut être déduite du signal Si. Selon un mode de réalisation, un calculateur configuré pour détecter des marqueurs caractéristiques du signal PPG permet de déduire la fréquence cardiaque.
Dans un exemple illustratif, en référence à la figure 6, on obtient la représentation graphique d’un signal PPG noté Si brut échantillonné à 100Hz après son acquisition par un dispositif.
Acquisition de l’ECG
Lors de la phase d’apprentissage et de la mise en œuvre du procédé d’entrainement, le procédé acquiert un signal ECG et un signal PPG de manière à entrainer le modèle d’apprentissage machine MLi. Le signal ECG est noté S2 et le signal PPG est noté Si.
Dans ce dernier cas, selon un mode de réalisation, un signal ECG est acquis d’un individu dont le signal PPG est également acquis. Afin de réaliser un entrainement performant, les signaux ECG et PPG utilisés pour entrainer le modèle ML1 sont synchronisés et acquis depuis le même individu. Un intérêt est d’entrainer le modèle avec des signaux PPG et ECG corrélés.
Selon un mode de réalisation, lors de l’acquisition ECG, l’individu est au repos. Selon un autre mode de réalisation, l’acquisition du signal ECG est réalisée pendant un effort. Selon un mode de réalisation, des signaux ECG sont acquis dans différentes configurations correspondant à différents états d’un individu. Un intérêt est d’obtenir un entrainement le plus exhaustif possible de l’ensemble des états d’activités cardiaques de l’individu. Selon un exemple, l’acquisition est réalisée pendant un test d’effort pour la génération d’un électrocardiogramme d’effort. Dans ce contexte, l’individu pratique un effort physique de plus en plus intense.
Selon un mode de réalisation, l’acquisition du signal ECG comprend la mise en œuvre d’un agencement de dix électrodes adhésives reliées à un électrocardiographe grâce à des câbles. Pour une mesure plus précise, douze ou dix-huit électrodes peuvent être utilisées.
Les quatre électrodes dites électrodes périphériques sont réparties au niveau de chaque poignée et chevilles. Au moins six électrodes, dites électrodes précordiales, sont réparties dans la région du thorax situé en avant du cœur, dite zone précordiale.
Selon un mode plus léger, deux électrodes sont utilisées pour obtenir à minima une différence de potentielle.
Selon un mode de réalisation, les électrodes sont collées sur la peau nue.
Un électrocardiogramme ou ECG est une méthode permettant de visualiser les variations de courant électrique parcourant le cœur au cours du temps. Cette méthode s’appuie sur l’enregistrement et la transcription des courants électriques traversant le cœur au cours de chaque contraction cardiaque. L’ECG fournit des informations sur le rythme, la fréquence et la conduction cardiaque. Il permet l’analyse des signaux électriques générés et conduits par le muscle cardiaque ou l’analyse de la circulation sanguine.
Un courant électrique du cœur apparait en un point précis situé au sommet de l’oreillette droite, point dénommé nœud sinusal. Le courant généré se propage dans le cœur. Lorsque le courant traverse les oreillettes cardiaques, cela provoque une contraction du muscle cardiaque. Le système de conduction maintient le rythme cardiaque dans une plage spécifique de valeurs. La propagation électrique peut être perturbée en raison d’une pathologie cardiaque.
Selon un mode de réalisation, le courant électrique généré au nœud sinusal est mesuré entre deux points, à la surface du corps, grâce aux électrodes et est capté par l’électrocardiographe.
Selon un mode de réalisation, le signal obtenu est le signal ECG S2 est un signal dont l’amplitude est exprimée en Volt en fonction du temps. Dans un exemple illustratif, en référence à la figure 8, on obtient la représentation graphique d’un signal ECG brut échantillonné à 100Hz après l’acquisition par un électrocardiographe.
Le procédé pour générer un signal ECG comporte une étape d’enregistrement de la fréquence cardiaque. Cette fréquence cardiaque peut être déduite du signal ECG S2.
Selon un autre mode de réalisation, un calculateur configuré pour détecter des marqueurs caractéristiques du signal ECG permet de déduire la fréquence cardiaque.
Selon un mode de réalisation, les fréquences cardiaques sont déduites des deux signaux Si et S2. Dans ce dernier cas, la mesure des deux fréquences cardiaques provenant des deux signaux permet de réaliser des corrections d’erreur de mesure sur l’un ou l’autre des signaux.
Préférentiellement, la fréquence cardiaque est déduite du signal PPG. Un avantage est d’entrainer le modèle ML1 dans les conditions d’exploitation du procédé de l’invention dans lequel l’ECG n’est pas acquis puisqu’on cherche à le regénérer depuis le signal PPG.
Filtrage
Le procédé pour entrainer le modèle ML1 comporte une étape de filtrage et d’échantillonnage du signal PPG Si et du signal ECG S2 chacun à une fréquence prédéfinie.
Selon un mode de réalisation, l’étape de filtrage et d’échantillonnage réalisées lors de l’exécution du procédé d’entrainement sont identiques à celles qui seront réalisées lors de l’exécution du procédé pour générer un signal ECG. Dans ce cas, les étapes de filtrage et d’échantillonnage sont uniquement réalisées sur le signal PPG Si acquis.
Selon un mode de réalisation, le signal PPG est filtré. L’utilisation d’un filtre passe-bande entre 40 et 400Hz pour filtrer les hautes et basses fréquences élimine les artefacts liés au mouvement de l’individu. L’étape de filtrage du signal PPG est notée FILT1 sur la figure 1 . L’étape d’échantillonnage du signal PPG est notée ECH1 sur la figure 1 .
Dans un exemple illustratif, en référence à la figure 7, le signal PPG brut échantillonné à 100Hz de la figure 6 est filtré et rééchantillonné à 125 Hz.
Le signal Si filtré également noté SIF de la figure 7 représente un signal dans lequel la ligne de base est rendu stable au cours du temps. Selon un mode de réalisation, le signal ECG est filtré à l’aide d’une méthode dite méthode de « Tarvainen » pour réduire l’effet de forme. En effet, lors de l’enregistrement de l’ECG, certains phénomènes tels que le mouvement de l’individu, le décollement des électrodes, les effets induits de la respiration, les variations d’impédances cutanée, etc. peuvent entraîner une tendance globale ondulatoire affectant le signal électrique produit par le cœur. Ce phénomène est également connu sous le nom de dérive de la ligne de base. La ligne de base ou ligne isoélectrique du cœur correspond au tracé de l’amplitude moyenne du signal lissée sur une période de temps donné.
Ce filtrage se base sur l’utilisation d’un filtre passe-haut. Dans le cas de la méthode dite de « Tarvainen », on utilise des filtres à réponse impulsionnelle finie. Cela signifie que la sortie du filtre réagit uniquement pendant un temps fini après l'application d'une impulsion en entrée. C’est une méthode dite de « détrendage ». Le détrendage d’un signal consiste à éliminer ou réduire une tendance sous-jacente dans les données collectées, la tendance correspondant aux variations du signal moyen autres que celles générées par l’activité électrique cardiaque mesurée au cours du temps.
Dans un exemple illustratif, en référence à la figure 9, le signal ECG échantillonné à 100Hz de la figure 8 est filtré de manière à éliminer le phénomène de « trend ». On vérifie que ce filtrage permet de normaliser la valeur moyenne du signal au cours du temps, réduisant, voire éliminant ses variations au cours du temps. L’étape de filtrage du signal ECG est notée FILT2 sur la figure 1 . L’étape d’échantillonnage du signal ECG est notée ECH2 sur la figure 1. Préférentiellement, l’échantillonnage sur signal Si sera choisi identique à l’échantillonnage du signal S2.
Selon d’autres modes de réalisation, d’autres types de filtrage peuvent être mis en œuvre tel qu’un filtrage de l’électromyogramme, un filtrage du bruit d’interférence à une certaine fréquence prédéfinie.
Les signaux SIF et S2F sont ensuite enregistrés dans une mémoire pour être traitées pour entrainer le modèle ML1. Le traitement peut correspondre à la mise en forme de vecteur d’entrée du modèle, de l’enrichissement de données, ou du contrôle de données. En effet, certains signaux peuvent être éliminés lorsque la qualité de ces derniers n’est pas suffisante et qu’elle ne permet pas d’entrainer correctement le modèle ML1. L’étape d’enregistrement des signaux est notée ENR1 sur la figure 1. Synchronisation - Alignement
Lors de l’entrainement du modèle MLi, les acquisitions des signaux PPG et ECG sont réalisés simultanément, par conséquence le contexte d’acquisition d’un signal ECG est le même que pour l’acquisition d’un signal PPG. Par contexte, on entend les données de jours, heures, dates, individu, état physique de l’individu, etc.
Lorsque le modèle MLi est entrainé et qu’une première acquisition ACQi d’un signal PPG est réalisée conjointement à une seconde acquisition ACQ2 d’un signal ECG, selon un mode de réalisation, le procédé pour générer un signal ECG comporte une étape de synchronisation du signal ECG filtré et du signal PPG filtré. Cette étape est notée SYNCi sur la figure 1 . Cette étape est également appelée alignement des signaux.
Cette étape a l’avantage d’améliorer l’apprentissage du modèle d’apprentissage machine MLi du fait que les décalages et les variations de ces décalages au cours du temps n’altèrent pas l’entrainement du réseau de neurones. Cette synchronisation permet en effet d’effacer les temps de transit plus longs du signal PPG vis-à-vis du signal ECG compte tenu de la nature des signaux et du corps conduisant ces derniers.
Cette phase de synchronisation n’est plus réalisée lors de la phase d’exploitation du réseau de neurones entrainé compte tenu du fait que seul le signal PPG sera acquis.
La représentation graphique d’un signal ECG regroupe un ensemble d’ondes se décomposant de la manière suivante :
■ L’onde P représentant la contraction des oreillettes cardiaques
■ Le complexe dit complexe « QRS » correspond à la systole mécanique, autrement dit à la contraction ventriculaire. Il contient trois ondes : l’onde Q est première déflexion négative, l’onde R est la première déflexion positive et l’onde S est la seconde déflexion négative suivant l’onde R.
■ L’onde T représente la phase dite de repolarisation des ventricules, autrement dit le retour à la phase de repos des ventricules.
On dénomme les pics Q, R et S, les pics de chaque onde correspondante. La figure 14 représente un exemple d’un signal S2 présentant un complexe QRS au sein duquel les ondes P, R et T sont représentées. La représentation graphique d’un signal PPG regroupe un ensemble d’ondes se décomposant de la manière suivante :
■ L’onde systolique qui atteint son maximum SY pendant la systole cardiaque en un point dit « le pic » ou « sommet systolique » ;
■ L’onde diastolique observée entre le moment auquel le cœur termine le cycle systolique et le sommet diastolique DI.
Une représentation de ces deux ondes est illustrée à la figure 11 .
On comprend que les signaux ECG et PPG sont des signaux cycliques du fait de la fréquence cardiaque et du fait de la reproduction d’un motif à chaque période au rythme de la fréquence cardiaque. Ces motifs permettent de discriminer des zones d’intérêts permettant de définir des marqueurs temporels dans le cycle pour synchroniser les signaux.
Afin de réaliser une synchronisation de ces signaux, différentes étapes peuvent être mises en œuvre.
Selon un mode de réalisation, la première étape pour la synchronisation du signal ECG et du signal PPG comprend la détermination d’un premier marqueur du signal PPG et d’un second marqueur du signal ECG correspondant. Ces marqueurs sont par exemple des minimums ou maximums locaux tels que des sommets caractéristiques.
Selon un exemple, les marqueurs utilisés sont les pics R du signal ECG et le creux correspondant au pic R du signal PPG pris dans un même cycle. La figure 10 illustre les marqueurs MECGI et MECG2 qui sont des pics R consécutifs sur le signal Si. La figure 10 illustre les marqueurs MPPGI et MPPG2 qui sont des creux consécutifs sur le signal S2.
Selon un mode de réalisation, la seconde étape comprend l’estimation du temps de transit du signal PPG par rapport au temps de transit du signal ECG.
Un temps de transit de l'impulsion est une mesure du délai de transmission entre le signal ECG et le signal PPG en un certain point du corps.
Selon un mode de réalisation, une mesure de l’écart en temps entre un marqueur de l’ECG et un marqueur correspondant pour le PPG est effectuée pour chaque cycle. Selon un mode de réalisation, le temps de transit est considéré comme l’écart minimal mesuré entre deux marqueurs de chacun des deux signaux considérés du même cycle. On comprend que le temps de transit est globalement constant au cours du temps puisque ce délai ne dépend que de la physique des signaux se propageant dans un corps. En considérant l’écart minimal, le procédé de l’invention permet de dissocier le temps de transit de tous les autres phénomènes altérant les mesures des signaux.
Dans un exemple illustratif, en référence à la figure 10, les signaux ECG et PPG filtrés des figures 7 et 9 sont synchronisés en utilisant comme marqueurs, les pics R, pour le signal ECG, et les creux correspondants pour le signal PPG.
Segmentation des signaux
Signal ECG
Le procédé pour entrainer le modèle de l’invention comporte une étape de segmentation SEGi du signal ECG S2 et du signal PPG Si. Selon un mode de réalisation, le procédé d’entrainement et le procédé pour reconstruire un ECG mettent en œuvre une segmentation de chaque cycle cardiaque du signal PPG. Le procédé pour entrainer le modèle ML1 met en œuvre une étape de segmentation du signal ECG S2 nécessaire à l’entrainement du modèle. Les signaux segmentés sont notés respectivement Si’ et S2’ relativement aux signaux PPG segmentés et aux signaux ECG segmentés.
La figure 12 illustre une segmentation d’un signal ECG dans une fenêtre FTI .
La durée de la fenêtre de segmentation est avantageusement inférieure strictement à deux cycles cardiaques.
Un avantage est d’apprendre le modèle avec des données caractérisant essentiellement la forme d’onde sur un cycle et non avec des données caractérisant le rythme ou la fréquence du signal.
Cette fenêtre de segmentation a l’avantage d’améliorer l’apprentissage du modèle d’apprentissage machine du fait qu’elle atténue l'erreur de reconstruction du signal ECG obtenu par apprentissage machine pour le complexe « QRS ».
Cet avantage résulte du fait que les données d’apprentissage ne représentent que les données du signal sur un seul cycle. En d’autres termes, dans le cas d’une segmentation de plusieurs cycles, l’apprentissage impliquera l’apprentissage de la reconstruction du rythme. Or dans la présente invention, le rythme cardiaque est obtenu par une analyse du signal ECG et/ou PPG n’utilisant pas nécessairement un modèle d’apprentissage machine. Ce rythme cardiaque est ensuite utilisé pour reconstituer ou consolider la reconstitution du signal segmenté en un signal continu de l’ensemble des cycles.
Selon différents modes de réalisation, la fenêtre de segmentation comprend au moins un cycle complet et possiblement une fraction d’un cycle suivant et/ou précédent. Cette fenêtre est identique lors de l’apprentissage du modèle et lors de l’utilisation du modèle appris.
Selon un mode de réalisation, le procédé pour entraîner le modèle et le procédé pour générer un signal ECG comporte une étape de segmentation SEGi des signaux.
Concernant le procédé pour entrainer le modèle, ce dernier comprend une extraction d’un second ensemble de points échantillonnés E2 du second signal ECG S2.
Selon un mode de réalisation, une fenêtre temporelle FT2 d’une durée prédéfinie est fixée. Pour le signal ECG, cette fenêtre FT2 est appelée seconde fenêtre temporelle. On notera pour le signal PPG, la fenêtre équivalente de segmentation la première fenêtre temporelle, elle est notée FTI .
On note E2 l’ensemble des points extraits du signal ECG définissant un signal segmenté S2’ issus de la segmentation du signal ECG dans une fenêtre temporelle FT2. Les points de l’ensemble E2 permettent de définir un vecteur d’entrée d’un modèle d’apprentissage machine ML1 tel qu’un réseau de neurones.
On note E1 l’ensemble des points extraits du signal PPG définissant un signal segmenté Si’ issus de la segmentation du signal PPG dans une fenêtre temporelle FTI de manière à définir un vecteur d’entrée d’un modèle d’apprentissage machine ML1 tel qu’un réseau de neurones.
Selon un mode de réalisation, on définit deux marqueurs ECG consécutifs notés MECGI , MECG2. Ces marqueurs sont définis de sorte à obtenir un cycle complet. Ces marqueurs permettent de recueillir un premier ensemble de points échantillonnés noté ENS21 compris entre lesdits deux marqueurs MECGI et MECG2. Ces points ENS21 sont extraits du signal reçu ou acquis.
Un second sous ensemble de points échantillonnés noté ENS22 est extrait à partir du second marqueur ECG MECG2 pendant une durée prédéfinie succédant le second marqueurs MECG2 prédéfini. Les ensembles de points ENS21 et ENS22 composent en partie l’ensemble de points E2.
Selon un exemple, les marqueurs consécutifs utilisés sont deux pics R consécutifs du signal ECG S2’. Ils sont notés MECGI , MECG2 Sur la figure 10.
Selon un mode de réalisation, la taille de l’ensemble de points ENS22 est inférieur à la taille de l’ensemble de point ENS21. Cela assure d’obtenir un cycle complet tout en limitant strictement les points à deux cycles.
Selon un mode de réalisation, un troisième sous-ensemble de points ENS23 du second ensemble de points E2 comprend un ensemble de points de même valeur succédant le second sous-ensemble de points ENS22 de manière à compléter la seconde fenêtre temporelle FT2. L’ensemble de points ENS23 complète l’ensemble de points E2. En effet, la fenêtre FT2 ayant une durée fixe et le rythme cardiaque pouvant évoluer, le nombre de points prélevés des ensembles ENS21 et ENS22 peuvent varier et en conséquence, la taille de l’ensemble ENS23 peut varier. Ce troisième ensemble de points permet d’effectuer un remplissage de manière à conserver une fenêtre de segmentation fixe.
Dans un exemple illustratif, en référence à la figure 12, cette segmentation est utilisée pour le signal ECG de la figure 10. L’ensemble des points du troisième sous-ensemble de points ENS23 a une valeur nulle.
Signal PPG
Le procédé pour générer un signal ECG comporte une étape de segmentation SEG1 du signal PPG Si. Ce procédé comprend une extraction d’un premier ensemble de points échantillonnés E1 du premier signal PPG Si. La segmentation du signal est préférentiellement identique lors du procédé pour entrainer le modèle ML1.
La figure 11 illustre une segmentation d’un signal PPG dans une fenêtre FTI .
Selon un mode de réalisation, une première fenêtre temporelle FTI d’une durée prédéfinie est fixée. Selon un mode de réalisation, la fenêtre temporelle FTI est de même taille que la seconde fenêtre temporelle F T2.
Selon un mode de réalisation, le procédé de l’invention permet de définir deux marqueurs PPG consécutifs notés MPPGI , MPPG2. Un premier ensemble de points échantillonnés noté ENS11 est extrait entre les deux marqueurs MPPGI etMppG2. Un second sous ensemble de points échantillonnés noté ENSi2est extrait à partir du second marqueur PPG MPPG2 jusqu’à un point prédéfini. L’ensemble de points Ei comprend les sous-ensembles de points ENS11 et ENS12.
Selon un exemple, les deux marqueurs PPG consécutifs MPPGI , MPPG2 sont deux minimums consécutifs correspondants sensiblement aux deux marqueurs MECGI , MECG2 du signal ECG dans du procédé d’apprentissage du modèle MLi. Un intérêt est de retenir des points fortement corrélés et correspondant aux mêmes phénomènes physiologiques.
Selon un mode de réalisation, la longueur de l’ensemble de points ENS12 est inférieur à la longueur de l’ensemble de point ENSn. Cela assure que la fenêtre soit inférieure strictement à deux époques, autrement dit deux cycles cardiaques.
Selon un mode de réalisation, un troisième sous-ensemble de points ENS13 du second ensemble de points Ei comprend un ensemble de points PPG de même valeur succédant le second sous-ensemble de points ENS12 de manière à compléter la première fenêtre temporelle FTI . L’ensemble de points ENS23 complète l’ensemble de points ENS11 et ENSi2.
Dans un exemple illustratif, en référence à la figure 11 , cette segmentation est utilisée pour le signal PPG de la figure 10. L’ensemble des points du troisième sous-ensemble de points ENS a une valeur nulle.
Autre segmentation
Selon un second mode de réalisation, une autre segmentation est possible pour les signaux ECG et PPG. La segmentation prend l’ensemble des points compris sur un intervalle de temps prédéfini. La fenêtre de segmentation comprend au moins un cycle cardiaque et peut aller au-delà de deux cycles.
Dans un exemple illustratif, en référence aux figures 13 et 14, une segmentation avec une fenêtre de deux secondes est utilisée pour les signaux PPG Si’ et ECG S2’. La segmentation est d’une longueur de 250 points avec un échantillonnage à 125Hz.
Afin d’estimer les performances des modèles, l’erreur quadratique moyenne relative rRMSE et la valeur de coefficient de corrélation de Pearson p peuvent être estimées afin d’évaluer les méthodes. La première segmentation permet d’obtenir de très bons résultats avec p = 0,94 +/-0,05 et RSME = 0,05 +/-0,02. La seconde méthode permet également d’obtenir de bons résultats mais inférieurs à la première méthode de segmentation avec p = 0,68 +/-0,24 et RSME = 0,11 +/-0,04
La corrélation de Pearson est une mesure statistique qui évalue la relation linéaire entre deux variables continues. Elle décrit dans quelle mesure la variation d'une variable est associée à la variation d'une autre variable. La corrélation de Pearson prend ses valeurs dans l’intervalle compris entre -1 et 1 . Plus le coefficient de corrélation de Pearson est proche de -1 ou 1 , plus la corrélation est forte entre les deux variables. Ici, le signal ECG obtenu par l’apprentissage machine suit une tendance similaire au signal ECG attendu. C’est-à-dire que les deux signaux augmentent ou diminuent ensemble de manière linéaire.
Apprentissage d’un modèle d’apprentissage machine (MLi)
La figure 2 représente les différents signaux traités lors de l’apprentissage du modèle MLi. Le signal PPG acquis par un dispositif de mesure est noté Si. Le signal ECG acquis par un autre dispositif de mesure est noté S2. Les signaux segmentés et traités par le réseau de neurones à entrainer sont notés respectivement Si’ et S2’. Le signal sortant du réseau de neurones à entrainer est noté 82a’.
Le modèle d’apprentissage machine ML1 une fois entrainé permet de prédire le signal ECG en continu à partir de la seule mesure d’un signal PPG. L’entrainement du modèle permet de transformer le vecteur d’entrée issu du PPG en un vecteur de sortie qui se rapproche le plus possible du signal ECG qui aurait été mesuré par un appareil de mesure d’un ECG si ce dernier était utilisé.
Selon un mode de réalisation, lors de la phase d’apprentissage machine, le modèle d’apprentissage machine reçoit en vecteurs d’entrée l’ensemble de points échantillonnés E2 issu de l’ECG et l’ensemble de points échantillonnés E1 issu du PPG.
Selon un mode de réalisation, le modèle d’apprentissage machine CNN1 est un réseau neuronal convolutif dit CNN.
Selon un exemple de réalisation, le modèle d’apprentissage machine comprend une architecture de type U-NET. Une telle architecture U- NET est elle-même basée sur une architecture CNN. Dans ce cas, le modèle comprend un encodeur ENC, un décodeur DEC, un composant logiciel permettant de concentrer le réseau neuronal sur les parties les plus importantes ou pertinentes des données, un composant logiciel dénommé « Attention Gate » et une couche mémoire représenté par le « Biderectional Gated Recourent Unit » dit BiGRU.
Le BiGRU est un type de réseau neuronal récurrent. Il comprend deux blocs GRU, l’un dans le sens de la propagation directe des données et l’autre dans le sens inverse.
Selon un autre mode de réalisation, une couche de LSTM peut être utilisée à la place du bloc GRU. Néanmoins, ce mode de réalisation peut nécessiter un apprentissage plus long.
Selon un mode de réalisation, trois blocs permettent de réaliser l’encodeur ENC. Chaque bloc comprend au moins une couche de convolution. La couche de convolution notée CONV sur la figure 15 utilise des filtres qui scannent les données en entrée en effectuant des opérations de convolution.
Selon un exemple, les dimensions du noyau de chaque couche augmentent avec l'avancée des couches.
Chaque bloc comprend en outre une couche de normalisation telle qu’une couche appelée « Layer normalization » dans la terminologie anglosaxonne. Cette couche est notée LN sur la figure 15. Elle permet de normaliser les sorties de chaque couche du réseau de neurones. Cette couche permet la stabilisation du réseau de neurones, d'accélérer l'apprentissage du modèle en lui permettant une convergence plus rapide.
Cette dernière permet un apprentissage plus rapide et plus stable grâce à la normalisation des entrées couches.
Chaque bloc comprend également une fonction d’activation, telle qu’une activation rectifiée linéaire dite ReLU, notée LR. Cette fonction permet d’activer ou désactiver des neurones en ajoutant des biais. La couche dite « ReLU », est également appelée unité de rectification linéaire. Les caractéristiques activées sont transmises à la couche suivante, ce qui favorise un apprentissage plus rapide et plus efficace.
La figure 15 représente un exemple d’architecture d’un réseau de type U-NET comportant 3 blocs dans l’encodeur ENC et 3 blocs dans le décodeur DEC. Les couches de convolutions sont notées CONV, les couches de normalisation en entrée des couches sont notées LN pour « Layer normalisation » dans la terminologie anglo-saxonne et les couches d’activation sont notées LR.
Le deuxième bloc et le troisième bloc sont notés RB et correspondent à des blocs résiduels. Un avantage d’un bloc résiduel est d'améliorer l'apprentissage dans les réseaux de neurones profonds en permettant un flux plus direct du gradient pendant la rétropropagation.
La mise en œuvre d’un bloc résiduel RB assure une connexion de saut, qui contourne une ou plusieurs couches. Cette connexion transmet l'entrée du bloc directement à sa sortie, en l'additionnant à la sortie de la couche ou des couches intermédiaires. Ceci est représenté à la figure 15 dans le bloc RB par une flèche partant de l’entrée du bloc et permettant d’additionner les variables ou coefficients avec les variables ou les coefficients en sortie du bloc RB avant la dernière couche d’activation LR. Un intérêt est de permettre au signal de l'erreur de se propager plus efficacement à travers le réseau pendant la rétropropagation. Cela aide à atténuer le problème de disparition du gradient, particulièrement dans les réseaux très profonds. Un bloc résiduel RB comprend au moins une couche de convolution CONV, une couche de normalisation LN et une couche d’activation rectifiée LR. La figure 15 représente un exemple d’une telle architecture.
Selon un mode de réalisation, deux « Attention Gate » dans la terminologie anglosaxonne et notée AG sur la figure 15 relient l’encodeur ENC et le décodeur DEC.
Selon un mode de réalisation, le décodeur comprend également trois blocs. Les deux premiers blocs comprennent chacun respectivement une couche de convolution transposée CONV_T, une couche de normalisation notée LN et une couche d’activation rectifiée ReLU, notée LR. Le bloc final du décodeur comprend deux couches de convolution transposée CONV_T séparés par une couche mémoire composée d’un BiGRU noté BG sur la figure 15.
Le décodeur DEC permet la reconstruction du signal segmenté à partir des caractéristiques apprises par l'encodeur.
Fonction de coût Selon un mode de réalisation, le procédé d’entrainement comprend la mise en œuvre d’une fonction de coût permettant de calculer l’erreur entre la sortie produite 82a’ représentant le signal ECG reconstruit et le signal ECG initial mesuré S2’. Le modèle d’apprentissage machine génère un signal ECG 82a’ qui est donc comparé au signal S2’ correspondant à l’entrée E2 pour calculer cette erreur et la minimiser en modifiant les coefficients des couches de convolutions. ON mesure l’écart A = |S2 -S2b’| à partir d’une fonction de distance comme une erreur quadratique par exemple.
Selon un mode de réalisation, le procédé comprend une boucle de rétroaction par exemple réalisée au moyen d’un descente de gradient permet l’apprentissage du réseau en modifiant les coefficients des matrices des couches de convolution.
Les signaux ECG mesurés par les électrodes S2 peuvent scindés en deux groupes. Un premier ensemble de signaux est utilisé au sein de la fonction de coût pour l’apprentissage du réseau et le second ensemble de signaux est utilisé pour valider qu’un apprentissage suffisant permet d’obtenir des performances données.
Les signaux en sortie du réseau de neurones pour l’entrainement sont notés 82a’ et pour l’utilisation du réseau entrainé les signaux en sortie du réseau sont notés 82b’.
Recombinaison des signaux pour former l’ECG continu
La figure 3 représente les étapes de recombinaison des signaux segmentés reconstruits. L’étape de recombinaison est notée RECOMB1. Dans cette figure l’étape de segmentation est notée SEG1 et l’étape de traitement par le réseau de neurones entrainés est notée ML1.
Le signal PPG acquis par un dispositif de mesure est noté Si. Le signal traité par le réseau de neurones entrainé est noté Si’. Le signal sortant du réseau de neurones entrainé est noté 82b’ et le signal recombiné est noté S2b.
La figure 16 représente des signaux ECG 82b’ produits pour différentes époques se succédant avec la première segmentation. Les signaux S2b(tj)’, S2b(ti+i)’ et S2b(ti+2)’ sont représentés.
La figure 17 représente des signaux ECG 82b’ produits pour différentes époques se succédant avec la seconde segmentation. Les signaux S2b(tj)’, S2b(ti+i )’ et S2b(ti+2)’ sont représentés avec cette seconde segmentation. Avec la première ou la seconde segmentation, l’invention permet de recombiner ces signaux entre eux afin de produire un signal continu.
On note S2b’ les signaux non recombinés en sortie du réseau de neurones et on note S2b les signaux recombinés formant un signal continu comportant une pluralité d’époques.
A cet effet, le procédé pour générer un ECG comprend une étape de combinaison des signaux formés par les vecteurs de sortie du réseau de neurones. La reconstruction est réalisée en continue de sorte à former un signal ECG en continu. La séquence des signaux ECG reconstruits est enregistrée dans une mémoire de sorte à permettre une exploitation par un calculateur embarqué par le dispositif de mesure PPG ou par un calculateur distant par exemple celui d’un ordinateur, d’une tablette numérique ou d’un serveur.
Le procédé d’entrainement a permis de générer des signaux segmentés d’ECG fidèles à ceux qui auraient pu être mesurée par des électrodes d’une ECG. Un intérêt du procédé de l’invention est qu’un simple dispositif de mesure PPG permet de générer un signal ECG en continu qui peut être exploité pour détecter des singularités du signal ECG telle que des arythmies, des taux de fragmentation du complexe QRS, des variations du rythme cardiaque.
Afin de reconstruire les signaux produits par le modèle d’apprentissage machine le procédé pour générer l’ECG comprend une détection de marqueurs ECG consécutifs. La figure 16 représente uniquement les marqueurs MECGI et MECG2 sur le premier signal S2b(ti). Les marqueurs utilisés peuvent être des minimums locaux ou des maximum locaux tels que le marqueur MECGI et le marqueur MECG2. Les seconds signaux S2b générés par le modèle d’apprentissage machine MLi vont être « recollés » pour former un signal continu en utilisant les marqueurs présents dans chaque cycle dudit second signal S2’. Autrement dit, la recombinaison peut être réalisée par la concaténation des segments produits par le réseau de neurones à partir des marqueurs temporels.
La détection de marqueurs peut être réalisée à partir d’un algorithme permettant de prendre en compte deux éléments : la recherche de minimum locaux ou de maximums locaux et la fréquence cardiaque. En effet, en corrélant ces deux informations, le procédé de l’invention assure le fait que le bon minimum local est considéré en combinaison de la fréquence cardiaque analysée en amont du réseau de neurones, lors de l’acquisition des signaux.
En ce qui concerne le procédé d’entrainement, la fréquence cardiaque peut être déduite du signal PPG ou du signal ECG acquis. En ce qui concerne le procédé de génération du signal ECG, la fréquence cardiaque est avantageusement déduite du signal PPG acquis par le dispositif.
Un intérêt est de rechercher un minimum ou un maximum local autour de la fréquence cardiaque pour éviter de considérer un marqueur correspondant au marqueur du cycle précédent. A cette fin une marge d’erreur prédéfinie peut être utilisée pour rechercher un maximum ou un minimum local autour d’un point dans le cycle.
Les segments sont alors combinés de sorte à joindre une extrémité d’un segment avec une autre extrémité du prochain segment au lieu de la valeur maximale du maximum local ou minimum local , c’est-à-dire du marqueur généré à chaque cycle. Par exemple, les segments peuvent être recollés entre eux au sommet des pics R.
Parfois, du fait que les données segmentées de l'ECG et du PPG ne sont pas parfaitement conformes à la relation qui existe entre le PPG et le signal ECG notamment du fait que le temps d'arrivée de l'impulsion a été considéré comme constant, le procédé de l’invention comprend une étape d’interpolation des segments R-R à la longueur des maximums locaux ou minimums locaux du signal PPG correspondants. Un intérêt est de réinjecter la connaissance connue du signal acquis PPG afin d’obtenir le signal ECG reconstruit le plus fiable et le plus fidèle possible.
La figure 18 représente un premier diagramme comportant le signal PPG Si acquis, un second diagramme comportant le signal ECG reconstruit S2b, et un troisième diagramme représentant les deux signaux Si et S2b permettant de visualiser les maximums locaux et minimums locaux de chaque cycle.
Un avantage de l’invention est de permettre de reconstruire un ECG en temps réel et de manière continue à partir de la mesure d’un signal PPG. Un intérêt est qu’un dispositif PPG ne nécessite qu’un point de mesure et peut être embarqué dans un dispositif tel qu’un bracelet ou une montre.
Un avantage de l’invention est de tirer parti d’un réseau de neurones entrainé pour reconstruire un signal ECG à partir d’un cycle d’un signal PPG et de reconstruire le signal en continu grâce à l’analyse du rythme cardiaque. Ainsi, l’apprentissage du réseau n’est pas affecté par la fréquence des cycles, la variation du rythme et les possibles erreurs liées à la reconstruction du rythme cardiaque par le réseau de neurones.

Claims

REVENDICATIONS
1. Procédé pour générer un signal ECG à partir d’un signal PPG et d’un modèle d’apprentissage machine (MLi) entrainé comportant :
■ Une première acquisition (ACQi) d’un premier signal (Si ), dit signal PPG, au moyen d’un capteur agencé sur un dispositif d’acquisition du signal au contact de la peau d’un individu pour mesurer les variations du volume pulsatile du sang ;
■ Un échantillonnage (ECHi) du premier signal (Si) à une fréquence prédéfinie ;
■ Un enregistrement (ENRi) du rythme cardiaque (Fc) ;
■ Segmentation (SEGi) du premier signal (Si) comportant : o Définition d’une première fenêtre temporelle (FTI ) d’une première durée prédéfinie (Ti) ; o Extraction d’un premier ensemble de points échantillonnés (Ei) du premier signal PPG (Si), dits points PPG, comportant un premier sous ensemble de points (ENSu) entre deux marqueurs PPG consécutifs (MPPGI , MPPG2) et un second sous ensemble (ENS12) de points consécutifs du second marqueur PPG (MPPG2), le nombre de points du second sous- ensemble (ENS12) étant inférieur au nombre de ponts du premier sous ensemble (ENSu) ; o Positionnement dudit premier signal segmenté (Si’) dans la première fenêtre temporelle (FTI ) à partir du second marqueur PPG (MPPG2) ;
■ Utilisation d’un modèle d’apprentissage entrainé pour produire un vecteur de sortie (VECG) définissant un second signal segmenté (S2 ) d’un ECG à partir d’un vecteur d’entrée (VPPG) comportant les données du premier ensemble (E1) ;
■ Recombinaison des segments (VECG) produits pour reconstruire un signal ECG continu à partir de : o Détection d’au moins deux marqueurs ECG (MECGI ) consécutifs du second signal (S2 ) présent dans chaque cycle dudit second signal (S2 ) ; o Reconstruction du signal ECG (S2b) par concaténation des segments à partir des marqueurs temporels.
2. Procédé pour générer un signal ECG à partir d’un signal PPG et d’un modèle d’apprentissage machine (MLi) entrainé selon la revendication précédente caractérisé en ce que la fréquence cardiaque (Fc) est utilisée pour identifier le maximum local correspondant au marqueur ECG recherché.
3. Procédé pour générer un signal ECG à partir d’un signal PPG et d’un modèle d’apprentissage machine (MLi) entrainé selon la revendication précédente caractérisé en ce que les marqueurs ECG utilisés lors de la recombinaison des segments sont des pics R.
4. Procédé selon la revendication précédente caractérisé en ce que deux marqueurs consécutifs (MPPGI , MPPG2) du premier signal (Si) sont utilisés pour interpoler les longueurs entre deux marqueurs ECG consécutifs du second signal (S2b).
5. Procédé selon l’une quelconque des revendications précédentes caractérisé en ce que le modèle d’apprentissage machine (MLi) est entrainé selon la revendication 6.
6. Procédé pour entrainer un réseau de neurones pour générer un ECG à partir d’un signal PPG, ledit procédé comportant :
■ Une première acquisition (ACQi) d’un premier signal (Si ), dit signal PPG, au moyen d’un capteur agencé sur un dispositif d’acquisition du signal au contact de la peau d’un individu pour mesurer les variations du volume pulsatile du sang ;
■ Une seconde acquisition (ACQ2) d’un second signal (S2), dit signal ECG, au moyen d’au moins une paire d’électrodes apposées sur la peau d’un individu ;
■ Un échantillonnage (ECH1, ECH2) du premier signal (Si) et du second signal (S2) chacun à une fréquence prédéfinie ;
■ Un enregistrement (ENR1) de la fréquence cardiaque (Fc) ; ■ Une synchronisation (SYNCi) du premier signal (Si) avec le second signal (S2), ladite synchronisation (SYNCi) comprenant : o Détection d’au moins un premier marqueur PPG (MPPGI ) du premier signal (Si) présent dans chaque cycle dudit premier signal (Si) ; o Détection d’au moins un premier marqueur ECG (MECGI ) du second signal (S2) présent dans chaque cycle dudit second signal (S2) ; o Estimation d’un temps de transit (Ttr) du premier signal PPG (S2) ; o Alignement des deux signaux (Si , S2) à partir d’un décalage d’un des deux signaux (Si, S2) de la valeur du temps de transit (Ttr) ;
■ Segmentation (SEG1) du premier signal (Si) et du second signal (S2) comportant : o Définition d’une première fenêtre temporelle (FTI ) d’une première durée prédéfinie (T1) ; o Extraction d’un premier ensemble de points échantillonnés (E1) du premier signal PPG (Si), dits points PPG, comportant un premier sous ensemble de points (ENSu) entre deux marqueurs PPG consécutifs (MPPGI , MPPG2) et un second sous ensemble (ENS12) de points consécutifs du second marqueur PPG (MPPG2) ; o Positionnement dudit premier signal segmenté (Si’) dans la première fenêtre temporelle (FTI ), ladite fenêtre comportant les deux marqueurs PPG (MPPGI , MPPG2) consécutifs ; o Définition d’une seconde fenêtre temporelle (FT2) d’une seconde durée prédéfinie (T2) ; o Extraction d’un second ensemble de points échantillonnés (E2) du second signal ECG (S2), dits points ECG, comportant un premier sous-ensemble de points (ENS21) entre deux marqueurs ECG consécutifs (MECGI , MECG2) et un second sous-ensemble (ENS22) de points consécutifs d’un second marqueur (MECG2) ; o Positionnement dudit second signal segmenté (S2 ) dans la première fenêtre temporelle (FTI ), ladite fenêtre comportant les deux marqueurs ECG (MECGI , MECG2) consécutifs ;
■ Apprentissage d’un modèle d’apprentissage machine (ML1) comportant : o Génération de vecteurs d’entrée comprenant le premier ensemble de points (E1) ; o Mise en œuvre d’une fonction de perte à partir du second ensemble de points (E2) ;
■ Génération d’un modèle d’apprentissage machine (ML1) entrainé.
7. Procédé selon la revendication 6 caractérisé en ce que le premier marqueur (M1) est un pic R d’un complexe QRS et en ce que le second marqueur (M2) est un minimum local du second signal.
8. Procédé selon la revendication 6 caractérisé en ce que le temps de transit est estimé au moyen du calcul de l’écart minimal mesuré entre deux marqueurs (Mi, M2) de chacun des deux signaux (Si, S2) considérés dans un même cycle.
9. Procédé selon l’une quelconque des revendications 6 à 8 caractérisé en ce que le second sous-ensemble (ENS22) de points du second signal ECG segmenté (S2 ) consécutifs d’un second marqueur (MECG2) comprend un nombre de points inférieur au nombre de points du premier sous-ensemble (ENS21).
10. Procédé selon l’une quelconque des revendications 6 à 9 caractérisé en ce qu’un troisième sous-ensemble de points (ENS23) du second ensemble de points (E2) comprend un ensemble de points ECG de même valeur succédant le second sous-ensemble de points (ENS22) de manière à compléter la seconde fenêtre temporelle (FT2).
11 . Procédé selon l’une quelconque des revendications 6 à 10 caractérisé en ce que l’acquisition de la fréquence cardiaque (Fc) est réalisée au moyen de l’analyse du second signal ECG (S2) comportant l’estimation des intervalles entre deux pics (Ri) consécutifs du signal ECG acquis, dénommés intervalles R-R.
12. Procédé selon la revendication 11 caractérisé en ce qu’il comprend un indicateur d’écart de la fréquence cardiaque (Fc) calculée à partir du signal PPG (Si) et celle calculée à partir du signal ECG (S2).
13. Procédé selon l’une quelconque des revendications 1 à 12 caractérisé en ce que le second sous-ensemble (ENS12) de points du premier signal PPG segmenté (Si’) consécutifs d’un second marqueur (MPPG2) comprend un nombre de points inférieur au nombre de points du premier sous-ensemble (ENS21).
14. Procédé selon l’une quelconque des revendications 1 à 13 caractérisé en ce qu’un troisième sous-ensemble de points (ENS13) du premier ensemble de points (E1) comprend un ensemble de points PPG de même valeur succédant le second sous-ensemble de points (ENS12) de manière à compléter la première fenêtre temporelle (FTI).
15. Procédé selon l’une quelconque des revendications 1 à 14 caractérisé en ce que le modèle d’apprentissage machine (CNN1) est un réseau neuronal convolutif dit CNN.
16. Procédé selon l’une quelconque des revendications 1 à 15 caractérisé en ce que le réseau neuronal CNN est un réseau de type ll-NET composé d’un encodeur, d’un décodeur et d’un outil permettant de concentrer le réseau neuronal sur les parties les plus importantes ou pertinentes des données, outil dénommé Attention Gate.
17. Procédé selon l’une quelconque des revendications 1 à 16 caractérisé en ce que l’entrainement des coefficients du modèle d’apprentissage machine (ML1) est réalisé à partir d’un optimiseur et d’une mise en œuvre d’une fonction de coût.
18. Procédé selon l’une quelconque des revendications 1 à 17 caractérisé en ce que l’acquisition de la fréquence cardiaque (Fc) est réalisée au moyen de l’analyse du premier signal PPG (Si) comportant l’estimation des intervalles entre deux marqueurs consécutifs du signal PPG acquis.
19. Dispositif pour générer un signal ECG en continu comprenant un capteur de signal PPG et un calculateur et une mémoire pour mettre en œuvre le procédé de l’une quelconque des revendications 1 à 5.
PCT/EP2024/087911 2023-12-20 2024-12-20 Procede de reconstruction d'un ecg en temps reel a partir d'un signal ppg Pending WO2025133123A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2314653 2023-12-20
FR2314653A FR3157092B1 (fr) 2023-12-20 2023-12-20 Procede de reconstruction d’un ecg en temps reel a partir d’un signal ppg

Publications (1)

Publication Number Publication Date
WO2025133123A1 true WO2025133123A1 (fr) 2025-06-26

Family

ID=91334970

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/087911 Pending WO2025133123A1 (fr) 2023-12-20 2024-12-20 Procede de reconstruction d'un ecg en temps reel a partir d'un signal ppg

Country Status (2)

Country Link
FR (1) FR3157092B1 (fr)
WO (1) WO2025133123A1 (fr)

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHIU HONG-YU ET AL: "Reconstructing QRS Complex From PPG by Transformed Attentional Neural Networks", IEEE SENSORS JOURNAL, IEEE, USA, vol. 20, no. 20, 5 June 2020 (2020-06-05), pages 12374 - 12383, XP011810061, ISSN: 1530-437X, [retrieved on 20200916], DOI: 10.1109/JSEN.2020.3000344 *
TANG QUNFENG ET AL: "Robust Reconstruction of Electrocardiogram Using Photoplethysmography: A Subject-Based Model", FRONTIERS IN PHYSIOLOGY, vol. 13, 25 April 2022 (2022-04-25), CH, XP093199272, ISSN: 1664-042X, DOI: 10.3389/fphys.2022.859763 *
ZHU QIANG ET AL: "Learning Your Heart Actions From Pulse: ECG Waveform Reconstruction From PPG", IEEE INTERNET OF THINGS JOURNAL, IEEE, USA, vol. 8, no. 23, 4 August 2021 (2021-08-04), pages 16734 - 16748, XP011888939, DOI: 10.1109/JIOT.2021.3097946 *

Also Published As

Publication number Publication date
FR3157092B1 (fr) 2025-12-12
FR3157092A1 (fr) 2025-06-27

Similar Documents

Publication Publication Date Title
KR20190056858A (ko) 딥러닝 기반의 혈압 예측 시스템 및 방법
WO2008135659A2 (fr) Dispositif pour mesurer des propriétés viscoélastiques de tissus biologiques et procédé utilisant ce dispositif.
CH678690A5 (fr)
WO2024003509A1 (fr) Dispositif de détermination d'une longueur de cycle d'activation cardiaque
FR3017529A1 (fr) Procede et systeme de surveillance du systeme nerveux autonome d'un sujet
CA2580758C (fr) Procede de traitement d'une serie rr et son application a l'analyse de la variabilite du rythme cardiaque, et en particulier a l'evaluation de la douleur ou du stress chez un etre vivant
FR3053237A1 (fr) Dispositif de detection d'au moins un trouble du rythme cardiaque
EP3678541A1 (fr) Systeme d'evaluation de la maturation d'un bebe premature
WO2025133123A1 (fr) Procede de reconstruction d'un ecg en temps reel a partir d'un signal ppg
WO2021259958A1 (fr) Procede de determination de la pression arterielle a partir d'un signal ppg et dispositif correspondant
CH627358A5 (fr) Procede et appareillage d'analyse rapide d'un enregistrement electrocardiographique sur bande.
EP3110322B1 (fr) Procédé et dispositif de contrôle automatique de la qualité d'une serie rr obtenue à partir d'un signal cardiaque
EP1366428A2 (fr) Procede et dispositif de filtrage d'une serie rr issue d'un signal cardiaque, et plus particulierement d'un signal ecg
EP4344405B1 (fr) Dispositif pour l'acquisition d'une sequence d'images echographiques et procede associe
EP3294121B1 (fr) Procede et dispositif de determination de parametres representatifs d'une activite cardiovasculaire
EP4027874B1 (fr) Procédé de détermination du taux respiratoire
FR2983055A1 (fr) Detection et estimation du complexe qrs pour le suivi d'une activite cardiaque et pulmonaire
Ghadekar et al. Bi-LSTM based interdependent prediction of physiological signals
Lee et al. Development of deep learning models for motion artifact mitigation in wearable PPG devices
FR3144911A1 (fr) Procédé de détermination d’un risque de décompensation cardiaque d’un patient
WO2023222453A1 (fr) Procédé et dispositif d'estimation de tension artérielle
WO2025093422A1 (fr) Techniques de traitement de données et d'estimation de tension artérielle
Venegas et al. Automated Phonocardiogram Segmentation\linebreak via a 1D U-Net Convolutional Neural Network: A Binary Approach
CN120284217A (zh) 基于uwb信号的非接触式臂踝脉搏波速度预测方法及系统
FR3028167A1 (fr) Methode d'elaboration automatisee d'une courbe d'evolution d'un indicateur representatif de la variabilite de la frequence cardiaque d'un individu

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24836753

Country of ref document: EP

Kind code of ref document: A1