You are on page 1of 210

No d’ordre : 3267

Thèse
présentée

devant l’Université de Rennes I
pour obtenir

le grade de : Docteur de l’Université de Rennes I

Mention : Traitement du signal et t´el´ecommunications

par

Stéphane BRUNO

Équipe d’accueil : Équipe R2D2, IRISA Lannion
École doctorale : MATISSE
Composante universitaire : Structure et Propriété de la Matière (SPM)

Modélisation de signaux physiologiques en vue d’une
classification automatique du sommeil

soutenue le 26 janvier 2006 devant la commission d’examen :

Président : Mr. Lotfi SENHADJI Professeur à l’Université de Rennes 1
Rapporteurs : Mr. Jacques PRADO Maître de Conférences à l’ENST Paris
Mr. Hervé RIX Professeur à l’Université de Nice-Sophia Antipolis
Examinateurs : Mr. Jean-Marc BOUCHER Professeur à l’ENST Bretagne
Mr. Jérôme BOUDY Ingénieur d’Étude à l’INT Évry
Directeur : Mr. Pascal SCALART Professeur à l’Université de Rennes 1
Invité : Mr. Philippe COSQUER P-DG de APHYCARE Technologies

Remerciements

Avant d’entrer dans le vif du sujet, je souhaite remercier chaleureusement Pascal
SCALART, Professeur `a l’Universit´e de Rennes 1, pour avoir encadr´e ce travail depuis ses
origines (ou presque) et permis que celui-ci se termine favorablement. J’ai particuli`erement
appr´eci´e sa s´er´enit´e et son esprit innovant tout au long de notre collaboration.

Je tiens aussi `a remercier tr`es sinc`erement Jacques PRADO, Maˆıtre de Conf´erence ` a
´
l’Ecole Nationale Sup´erieure des T´el´ecommunications de Paris et Herv´e RIX, Professeur ` a
l’Universit´e de Nice-Sophia Antipolis, d’avoir bien voulu accepter la charge de rapporteur.

Merci aussi `a Lotfi SENHADJI, Professeur `a l’Universit´e de Rennes 1, de m’avoir
fait l’honneur de pr´esider le jury d’examen. Merci ´egalement `a Jean-Marc BOUCHER,
´
Professeur `a l’Ecole Nationale Sup´erieure des T´el´ecommunications de Bretagne et J´erˆome
BOUDY, Ing´enieur de Recherche ` a l’Institut National des T´el´ecommunications, pour leur
active participation `a ce mˆeme jury.

Je remercie bien sˆ ur aussi Philippe COSQUER, P-DG d’APHYCARE Technologies,
d’avoir permis le d´eroulement de cette th`ese et l’ensemble de ses salari´es (Cl´ement,
Guillaume, Thomas, Laurent(x2), Pierre-Yves, Marc, Bruno, Isabelle) pour l’ambiance
sympathique qui y r`egne. Je salue ´egalement les membres du laboratoire R2D2 (Daniel (x2),
S´ebastien, H´el`ene, Olivier (x2), Kacem, Michel, Mich`ele, Herv´e, Benoit, Orlane, Claude)
pour l’accueil dont j’ai toujours b´en´efici´e dans leurs locaux, et tout particuli`erement les
´ e, Im`ene, Jean-Marc...), avec qui nous avons pu ´echanger sur nos ´etats
doctorants (Cyril, Eku´
d’ˆames au cours de la th`ese.

Ce travail n’aurait pu aboutir sans l’implication des ´equipes m´edicales avec qui nous
avons collabor´e, et plus sp´ecifiquement B´eatrice NOGUES au centre Hospitalier La¨ennec de
Nantes, et Damien LEGER ´ et Maxime ELBAZ, `a l’Hotel-Dieu de Paris et c’est pourquoi je
tiens ici `a leur t´emoigner ma reconnaissance.

Je ne saurais conclure cette page sans adresser des remerciements tout particuliers `a
No¨el CHATEAU, chercheur au sein de France T´el´ecom R&D, qui m’a permis de d´ecouvrir
les application pratiques du traitement du signal et donn´e envie, par le travail que nous
avons r´ealis´e ensemble, de poursuivre dans cette voie.

Enfin, merci `a Sandrine et `a toute ma famille pour m’avoir offert un cadre propice `
a
l’accomplissement de cette th`ese...

puis `a estimer la fr´equence respiratoire `a l’aide d’un algorithme adaptatif visant `a poursuivre la composante principale de la d´ecomposition de Karhunen-Lo`eve de cette composante additive. l’autre de la fr´equence respiratoire. entre 7 et 15%). . Ce signal est d´ecoup´e en ´epoques de trente secondes. Le syst`eme propos´e classe ces vecteurs dans l’un des six ´etats de vigilance (´eveil. entre autre. Nous d´eveloppons un algorithme bas´e sur une estimation en deux phases successives. elles sont toutes deux performantes lorsqu’elles sont appliqu´ees `a un seul individu. Les fr´equences cardiaque et respiratoire sont des variables importantes pour la classifica- tion. Nous proposons ´egalement deux m´ethodes de rescorage permettant de corriger les erreurs de classification. Dans une derni`ere partie nous ´etudions les techniques envisageables pour r´ealiser l’op´eration de classification automatique en stades de sommeil. Celui-ci permet. et l’autre. La seconde phase consiste `a utiliser cette estimation pour isoler une composante respiratoire additive. dans un premier temps. C’est pourquoi nous nous sommes int´eress´es `a leur estimation `a partir du signal acquis par le bracelet.R´ esum´ e Cette th`ese s’inscrit dans le cadre de l’´etude d’un syst`eme de classification automatique du sommeil bas´e sur un bracelet multicapteur. un r´eseau de neurone de type perceptron multicouche. pour estimer le rythme cardiaque. inad´equates pour r´ealiser la classification de nuits ne participant pas ` a l’apprentissage. Nous ´etudions. d´elivr´e par l’op´erateur de d´emodulation de Teager. sommeil paradoxal). Ces deux estimateurs fournissent des r´esultats satisfaisants (faible biais et variance acceptable. La premi`ere vise `a utiliser le signal de fr´equence instantan´ee. Il ressort des essais r´ealis´es que si les deux techniques de classification envisag´ees s’av`erent. Dans un deuxi`eme temps nous proposons deux estimateurs. l’estimation de ces param`etres ` a partir d’une mod´elisation du syst`eme physiologique de g´en´eration des battements cardiaques. stades de sommeil 1 `a 4. l’acquisition du signal de variation de pression de l’art`ere radiale. pr´esente au sein du signal de variation de pression art´erielle. que l’on caract´erise par un vecteur de param`etres. exploitant une mod´elisation du signal de variation de pression art´erielle. dans le cadre des bases de donn´ees utilis´ees. Les r´esultats sont int´eressants mais l’implantation de l’algorithme dans un syst`eme embarqu´e tel que le bracelet n´ecessite quelques adaptations. Nous en retenons deux : l’une utilise un classifieur bay´esien s’appuyant sur une mod´elisation monogaussienne. l’un de la fr´equence cardiaque.

.

which are characterized by a vector of parameters. Promising results are presented but further improvements are required to get an efficient implementation in an embedded target. In a second time we propose two estimators. Then. performed by Teager demodulation operator. Experiments show that both classification techniques lead to poor results. As cardiac and respiratory frequencies are of main importance in sleep classification. Both estimators are built on a two-stage processing unit. based on a single-Gaussian model. cardiac rhythm is determi- ned from an estimation of the instantaneous frequency of arterial signal. the first part of this work deals with the estimation of such parameters from the observation of the arterial signal. Both estimators yield satisfying results : low bias (less than 3%) and acceptable variance (between 7 and 15%). We also propose two rescoring me- thods in order to correct classification mistakes. This signal is segmented into thirty-second epochs. The last part of the manuscript is dedicated to the selection of a sleep classification tech- nique. when the learning database incor- porates nights from different patients. respiratory frequency is estimated with the help of an adaptive algorithm following the eigenvector associated to the largest eigenvalue of this component. The second step takes advantage of this estimation in order to isolate the additive respiratory component that is part of the arterial signal. However. based on a multisensor wriststrap allowing the measure of pressure variations in the radial artery. . Each vector is classified among the six sleep stages (awake / NREM sleep 1-4 / REM). based on a modelling of the arterial signal. in terms of sleep staging.Summary This PhD work fits in line with the development of an automatic sleep staging system. A first respiratory frequency estimator is based on a model of the physiological system that generates heart beats. and neural networks by the way of a multilayer perceptron. our proposed techniques prove to be efficient when applied to database recorded from a single person. Two of them are selected : the Bayesian rule. one of the cardiac rhythm and the other one of the respiratory rhythm. In a first step.

.

.3. . . . . . .2. . . . . . .3. . . . .1 Le mod`ele TVTIPFM . 48 2.4. . . . . . . . . . . .Table des mati` eres 1 Le sommeil et ses m´ ethodes d’investigations : utilisation du bracelet mul- ticapteur pour l’analyse du sommeil 21 1. . . . . . . . . . . . . .3.2 Estimation de la fr´equence respiratoire `a partir du mod`ele TVTIPFM 50 2. 50 2. . . . . . . 26 1. . . . . . . . 55 . . . . . . . . . 26 1. . . . . . . . .2. . . . . . . . . . . . . . . . . . . . 34 2. . 26 1. .4. . .3 Le lit `a charge statique . . . . . . . . . . . . . . . 25 1.2. . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . .1.4 Les donn´ees cardio-respiratoires . . . . . . . . . . . . . . . . . . . .3 Le scorage automatique du sommeil . . . . . . . . .2. . . . . . . . 31 2 Exploitation de la mod´ elisation physiologique du signal de variation de pression art´ erielle pour l’estimation des rythmes cardiaque et respiratoire 33 2. . 48 2. . . . . . . . . . .1 Pr´esentation de l’algorithme . . . . . . . . . . .4. . . . . . . . . . . . .2 Choix des param`etres du mod`ele . .2 Obtention des signaux g´en´erateurs `a partir du signal de battements . . . . . 24 1.3 Algorithme d’estimation des variables du mod`ele . . . 38 2. . . . . 35 2. . . . . . . . .1 Exploitation des donn´ees actim´etriques . . . . . . . 22 1. . . .3. . . . . . .1 L’actim´etrie . . . . . . . .1 Le sommeil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Exploitation des donn´ees ´electro-enc´ephalographiques . . .1 Validation du mod`ele `a partir de signaux synth´etiques . . . . . .4. . . . . . . . . 48 2. . . . . . . . . . . . . .2. . . 35 2. . . . .2 L’analyse du sommeil . . . .3. . . . . . 30 1. . . .2 Influence du sommeil sur les rythmes physiologiques . . . . . . . . . . . . 26 1. .3 Application `a des signaux ECG r´eels . . 23 1. . . . .2 Mise en œuvre pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 2. 25 1.1 Une nuit de sommeil . . . . .3 Exploitation des donn´ees cardio-respiratoires . . 27 1. 21 1. . . . . . . . . . . . . . . . . . .4 Application au signal de variation de pression art´erielle . . . 49 2. . . . . . . . . . . . .2 La polysomnographie classique . .4 R´esultats . . . . .4 Conclusions concernant l’´etude men´ee dans ce document . . . . . .1 Mod´elisation de la g´en´eration des battements cardiaques . . . . . . . . . . . . . . . .

. . .3 Bases de donn´ees retenues . . . . . . . . . . . . . . . . . . . . . 61 3. . . . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 3. . . . . . 72 3. . . .5 Conclusions sur l’emploi du mod`ele TVTIPFM pour la d´etermination des si- gnaux respiratoires . .2 Description g´en´erale de la chaˆıne de traitement . .1 La collaboration avec les centres de sommeil . . . . . . . . .4. . . . . . . . . . 62 3. . . . . . . . . . . . . . . . . . . . . . . . . .3 Estimation param´etrique de la fr´equence respiratoire : mod´elisation du signal r´esiduel par une somme de sinuso¨ıdes bruit´ees . . . . . 63 3. . . . . . .2 Estimation param´etrique de la fr´equence respiratoire : mod´elisation du signal r´esiduel par une sinuso¨ıde bruit´ee . . . . . . 77 3. . . . . . . . . . . . . . . . . . . . . . . 84 3. . 59 3 Utilisation de la d´ emodulation AMFM et de la d´ecomposition en vecteurs propres pour l’estimation des rythmes cardiaque et respiratoire 61 3. . . . . .1. . .4. . . . . . . . . . . . . . . . . . . . .3. . . . . . . .1. . . . . . . . . . . . . . . . . . 65 3. . .1 Extraction du produit des modulants . 65 3. . . . . . . . . . . . . . . . .3 Estimation du rythme respiratoire par analyse du signal d’amplitude instantan´ee . . . . 99 4. . . . . . . . . . . . . .4 ´ Evaluation sur des signaux r´eels . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . 97 4. . . . . . . .2 D´emodulation AMFM du signal de variation de pression art´erielle par l’op´erateur de Teager . . . . . . . .1 Le signal de variation de pression art´erielle est modul´e AMFM . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 3. . . . . . . . . . . . . . 64 3. . . . . 98 4. . . . . . .2. 72 3. . . . . . . . . . . . . 77 3. .2 S´election des param`etres utilis´es par la classification . . . . . . 97 4. . . . . . 76 3. . . . . . . . . . . . . .3 Domaine de validit´e ”exp´erimental” de la m´ethode AMFM . . . . . . .2.2 Estimation du rythme respiratoire par analyse du signal de fr´equence instantan´ee . . . . .3. . . . . . . .5.5 D´etermination de la fr´equence respiratoire `a partir du signal de variation de pression art´erielle filtr´e . . . . . . . . . . .3 Algorithme discret . . .2 Pourquoi on peut aller au-del`a du domaine d´efini par les contraintes . . . .1 Contexte de l’exp´erimentation .8 ` TABLE DES MATIERES 2. . .3. . . 67 3. . . . . . . . . . . . . . . . . . . . . . 75 3. . . . .2.4 Conclusions concernant cette m´ethode d’estimation des param`etres cardio-respiratoires . . . . . . . .3 Application au signal de variations de pression art´erielle . . . . . . . 69 3. . . . . .4. .1 Estimation non param´etrique de la fr´equence respiratoire : utilisation d’un p´eriodogramme . . . . .1 D´etermination du domaine de validit´e ”th´eorique” . .5. . . . . . . . . . . . .6 Conclusions sur l’utilisation de la d´emodulation AMFM pour l’estimation des rythmes cardiaque et respiratoire . . . . . 75 3. . . . . . . . . .2 S´eparation des modulants . . . . . . . 94 4 Classification 97 4. 99 .1 Estimation du rythme cardiaque par utilisation du signal de fr´equence instantan´ee . . . . . . .4. . . . . .

.1. .2 Mise en oeuvre d’un r´eseau de neurones . . . . . .5. . .4. . . . . . . . . . . . . . . . . . . . 124 4. . . .5 R´ealisation du boˆıtier . . . . . . . . . . . . . 146 5.7 D´etection actim´etrique . . . . . . .3 ´ Elimination des param`etres redondants . . . . . . . . . . . . . . .2. . . .5. . . . . . . . . . . .1 Le rescorage par r`egles . . . . . . . . . . . . . .4 Conclusions sur le rescorage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 5 D´ eveloppements mat´ eriels et logiciels li´ es au cadre CIFRE 145 5. . . . 138 4. . . 145 5. . . . .3 Description g´en´erale de la classification . . 140 4. . . .5. 128 4. . .5. . . . . . . 130 4. . . . . . . . . . . .3 R´esultats de la classification connexioniste . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . .6 Rescorage . . .6.5 Changement de configuration du r´eseau . 152 5. . . . .3. . . . 130 4. . . . . . . . . . . . . . . .2. . .1. . . . . . . . . . . . . . 112 4. . 105 4. . .4. . . . 101 4. . . . . . . . . . . . 115 4. .4. . . . .5 Suivi de patient . . . . . . .1 Principe th´eorique . . . . ` TABLE DES MATIERES 9 4. . . . 128 4. . . . . . . . . . . . . . . . . . . . . . . . . .5. . . . 122 4. . .1 R´ealisation ´electronique du bracelet . . . . . . . . . . . .5. . .4 R´ealisation d’une nouvelle version de la carte ´electronique sup´erieure . . . . . . . . 120 4. . . . . . . . . . . .6. . . . . . . . . . 111 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 4. . . . . . . . . . . . . . . .3 Les m´ethodes bay´esiennes . . . . . . . . 132 4. . . . . . . . 103 4. . . . . . . . . . .7 Utilisation d’un arbre de d´ecision . . . .5. . . . . 151 5. . . . . . . . . . . . . . . . . . . . . . .3 Comparaison des deux m´ethodes de rescorage . . . . . . . . . .5. . . .4. . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . .8 Conclusion sur l’´etape de classification . . . . . . . . 100 4. . . . . . .6. . . . . . . . . . . . . . .1. . . .2 Analyse du caract`ere gaussien des param`etres . . . . . . . . . . . . . . . .2 Le programme de gestion . . . . . . . . . . . . . .8 Conclusions sur le scorage par r´eseau de neurone .1.6 Suivi de patient . . . . 110 4. . . . . . . . . . 132 4. . 109 4. . . . . . . . . . . . . . . . .3. 105 4.1 Les r´eseaux de neurones . . . . .6. 122 4. . .3 Premiers r´esultats de la classification par mod´elisation gaussienne . . . . . .4. . . 129 4. . . . . . . . . 149 5. . . . . . . . 131 4. . . . . . . . . . . .2 S´election des param`etres pertinents . .2 Mod´elisation Markovienne de la nuit . . . . . .5 Classification connexioniste . . . . . . . . . . . . .4 Combinaison des param`etres par fonctions lin´eaires discriminantes . .1 Le bracelet SmartMedia . . . 153 . . . . . . . . . . .4 Utilisation des fonctions lin´eaires discriminantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . 104 4. . . . .2 Les surfaces s´eparatrices lin´eaires . . . . . . . . . . 136 4. . . .1 Description g´en´erale d’un r´eseau de neurones . . .4 Classification gaussienne . . . . . 107 4. . 141 4. . .3 Probl`emes rencontr´es et solutions apport´ees . . . .1 Param`etres initiaux . . . . . .1. . . . .6 Conclusions sur la classification gaussienne . . . . . . .

2. 180 D.1. . . 180 D. . . . . . . . . . . .6 R´ealisation du boˆıtier de lecture de la SmartMedia .3 Classification en quatre groupes. . Classification en quatre groupes. . . . . . . . BA 181 D. . . . . .2 Classification en six stades. . 160 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8 Combinaison des param`etres par les FLD. . . . . . .10 ` TABLE DES MATIERES 5. . . . . . 179 D. . .6 Suivi de patient (Calculs sur une nuit et moyenne pond´er´ee des r´esultats) : Classification en quatre groupes .7 Combinaison des param`etres par les FLD. . . . . . . . . . . . . . . 187 F. . . .3 Regroupement des stades physiologiquement proches : classification en quatre groupes. . . . 180 D. . 180 D. . . . BT . . . . . . . . . . . . . . . . 188 F. . . . . . . . . . . . . . . . 181 D. . . . . . . . BA . . . . . . . . . . . . . . 188 F. . . . . .7 Combinaison des param`etres par les FLD. . 187 F. . . . . . . . . . . . . . . . . . . . . . 163 6 Conclusion et perspectives 165 A Param` etres quantitatifs retenus 173 B S´ election des param` etres pertinents : cas g´ en´ eral 175 C S´ election des param` etres pertinents : cas du suivi de patient 177 D R´ esultats du mod` ele gaussien 179 D. . . . . . . . . 188 F. . . 159 5. . . . Classification en six stades. BT . . . . . . . BT . . . . . . . . . . Classification en six stades. . . . .5 Suivi de patient (Calculs sur une nuit et moyenne g´eom´etrique des r´esultats) : Classification en six stades . 187 F. . . . . . . . . . . . . . . . BT . . . 181 D. . . . . . . . . . . . . . . . BT 181 E Apprentissage d’un r´ eseau de neurones 183 F R´ esultats des r´ eseaux de neurones 187 F. . . . .6 Combinaison des param`etres par les FLD. . . . . Classification en six stades. . . . . . . . . . . . . BA . . . Classification en quatre groupes. . .2 Gestion des donn´ees . . . . . .4 Regroupement des stades physiologiquement proches : classification en quatre groupes. . . . BA . . . . . . . . . . . . . . . . . . . . 158 5.1 Classification en six stades. .10 Combinaison des param`etres par les FLD. . . BA 188 . . BT . . . . . . . . . . .1 Classification en six stades. . .1 Pr´etraitement des donn´ees enregistr´ees `a Nantes . . . .3 Traitement des nuits . BA . . . . BA . . 158 5. . . BA . . .2. . . . .2. . . . . . . .2 Pr´etraitement des donn´ees enregistr´ees `a Paris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Conclusion . . . . . . . . . .9 Combinaison des param`etres par les FLD. . . . . 180 D. . 156 5. . . . . . . . . .5 Combinaison des param`etres par les FLD. Classification en quatre groupes. . . . . . . . BT . . . . . .4 Classification en quatre groupes. . Classification en six stades. .2 Classification en six stades. . . . . . .

. . . BA . . . . . . . . . . . . . . . . . . . . Gestion des ´epoques non class´ees par le rescorage global. . . . . . . 191 G. . .8 Combinaison des param`etres par les FLD. .1 R´eseau de type E/6/5/4. . . . . . . . . . . . . . . . . . . . . . . . . . . 196 J Hypnogrammes de la base de test : scorage par m´ ethode gaussienne ou connexioniste et rescorage par r` egles 197 K Interface graphique de gestion de la classification 203 L Interface graphique de mesure des rythmes cardiaques et respiratoires 205 . . . . . . . . . . . . . . . . . . . . . . . . . . Classification en quatre classes. . . . . . . . . . . . . . . . . . . . . . . . . . . .3 R´eseau de type E/6/5/4. . . . . 192 G. . . . . . . . . Gestion des ´epoques non class´ees par statistiques locales. . . . . . . . . . . . . . BT . . . .2 Rescorage global par r`egle. . 193 H. . . 192 G. . Classification en six stades (pas d’utilisation des FLD). . 192 H R´ esultats des r´ eseaux de neurones pour une classification en trois stades 193 H. . .2 Classification en trois classes. . . . . . . . . . . . . . . . . . . . . . . . .1 Classification en trois classes. . . . . . .9 Suivi de patient (Calculs sur une nuit et moyenne pond´er´ee des r´esultats) : Classification en six stades . BA . . . . . . . Classification en six stades (pas d’utilisation des FLD). . . . . . . . . Classification en quatre groupes. . . . . . . . . . . . . Combinaison des param`etres par les FLD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192 G. . .5 R´eseau de type E/8/7/6. . . . . . . . . . . .4 R´eseau de type E/6/5/4. BA . . . . . 193 I Matrices de confusion issues du scorage par arbre de d´ ecision 195 I. . . . . . . BA . . . . . . . BT 189 F. . . . . . . Gestion des ´epoques non class´ees par le rescorage global. . 195 I. . . . . . . . . . . . . . . . . .3 Rescorage global par HMM. . . . . . . . . . . . . . . . Classification en six stades (pas d’utilisation des FLD). . . Classification en quatre classes. . . . . . . . . . . 195 I. . . .6 R´eseau de type E/8/7/6. . . . . . . . . . . . . BT . . . . . . . . . . . . .1 Rescorage global par r`egle. . . . . . . . . . . . Classification en six stades (pas d’utilisation des FLD). . . . . 189 G R´ esultats d’un r´ eseau de neurones simplifi´ e 191 G.2 R´eseau de type E/6/5/4. . . . . . . . . . . . . . . . . . . . . . . . . 191 G. . . . BT . . . . . BT . . . . . Combinaison des param`etres par les FLD. ` TABLE DES MATIERES 11 F. . . . . . . . . . . . . .

.

Table des figures

1 Le bracelet S´er´eo’z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Positionnement du bracelet de classification du sommeil par rapport `a l’existant 18

1.1 Exemple d’hypnogramme d’un adulte jeune en bonne sant´e (issu de [1]) . . . 24

2.1 Mod`ele TVTIPFM de g´en´eration des battements cardiaques . . . . . . . . . . 34
2.2 Signaux 2.81 et 2.82, inject´es dans le mod`ele TVTIPFM et signaux reconstruits
ˆ
par l’algorithme d´ecrit en 2.3.1. (a) : λ(t) et λ(t). (b) : a(t) et a
ˆ(t). . . . . . . 50
2.3 Comparaison de la fr´equence d´elivr´ee par l’estimateur 2.83 et la fr´equence
r´eelle du signal a(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.4 Visulisation de l’effet du d´ecentrage de la fenˆetre d’observation . . . . . . . . 52
2.5 Estimation d’une fr´equence respiratoire de 0.25Hz pour diff´erentes valeurs de
∆f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.6 Estimation de la fr´equence respiratoire lorsqu’on emploie une excursion
fr´equentielle sup´erieure `a celle d´efinie par (2.79) . . . . . . . . . . . . . . . . . 53
2.7 (a) : Signal a(t), de fr´equence 0.25Hz et son estimation a ˆ(t). (b) : Spectre
associ´e au signal a
ˆ(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.8 Estimation de la fr´equence respiratoire `a partir d’un signal de battements
donn´e par ECG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.9 Estimation de la fr´equence respiratoire `a partir du signal composite par uti-
lisation du mod`ele TVTIPFM. Chaque estimation correspond `a une ´epoque
d’une dur´ee de trente secondes. . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.10 Illustration du comportement de la m´ethode de d´etection des battements car-
diaques `a partir du signal composite. . . . . . . . . . . . . . . . . . . . . . . . 57
2.11 D´etermination de l’approximation de la matrice Σ†
par observation d’un saut
dans la distribution des valeurs propres. . . . . . . . . . . . . . . . . . . . . . 58
2.12 D´etermination de l’approximation de la matrice Σ†
par utilisation de la norme
de Frobenius. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.1 Exemple de signal de variation de pression art´erielle (Fe =128Hz) . . . . . . . 62
3.2 P´eriodogramme d’une section de signal respiratoire . . . . . . . . . . . . . . . 66
3.3 Vingt secondes du signal modul´e AMFM g´en´er´e `a partir de l’´equation (3.38). 68
3.4 (a) : Signal de fr´equence instantan´ee obtenu par d´emodulation AMFM du
signal de la figure 3.3. (b) : P´eriodogramme de ce signal de fr´equence instantan´ee. 68

14 TABLE DES FIGURES

3.5 Chaˆıne de traitement du signal composite par d´emodulation FM. . . . . . . . 69
3.6 Estimation de la fr´equence porteuse du signal modul´e. (a) : utilisation de filtres
glissants. (b) : utilisation de filtres fixes. L’erreur dans la zone de maillage
horizontal n’exc`ede pas 1%. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.7 Estimation de la fr´equence du signal de modulation de fr´equence. (a) : utilisa-
tion de filtres glissants. (b) : utilisation de filtres fixes. L’erreur dans la zone
de maillage horizontal n’exc`ede pas 1%. . . . . . . . . . . . . . . . . . . . . . 71
3.8 Estimation de la fr´equence du signal de modulation d’amplitude. (a) : utilisa-
tion de filtres glissants. (b) : utilisation de filtres fixes. L’erreur dans la zone
de maillage horizontal n’exc`ede pas 1%. . . . . . . . . . . . . . . . . . . . . . 72
3.9 R´esultats de l’estimation cardiaque op´er´ee sur 9 signaux.(a) : vue d’ensemble.
(b) : d´etail de la premi`ere courbe pour visualiser le d´ecalage temporel. . . . . 73
3.10 Estimation de la fr´equence respiratoire par analyse du signal de fr´equence
instantan´ee filtr´e selon le gabarit [0.2; 0.5]Hz . . . . . . . . . . . . . . . . . . 74
3.11 Estimation de la fr´equence respiratoire par analyse du signal de fr´equence
instantan´ee filtr´e en fr´equences asservies par la fr´equence cardiaque (Fc ).(a) :
utilisation d’un filtre passe-bande de gabarit [Fc /5; Fc /3]. (b) : utilisation d’un
filtre passe-bande de gabarit [Fc /5; Fc /4]. . . . . . . . . . . . . . . . . . . . . 75
3.12 Estimation de la fr´equence respiratoire obtenue par analyse d’un signal r´esiduel
issu de l’annulation par un filtre adaptatif de la composante cardiaque dans le
signal de variation de pression art´erielle. . . . . . . . . . . . . . . . . . . . . . 76
3.13 Exemple de signal r´esiduel obtenu apr`es filtrage adaptatif du signal de variation
de pression art´erielle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.14 R´esultat de l’estimation de la fr´equence respiratoire obtenue par
p´eriodogramme du signal r´esiduel. Application aux signaux de la base de
Nantes. (a) : Vue d’ensemble. (b) : D´etail. . . . . . . . . . . . . . . . . . . . . 78
3.15 Filtre v donnant l’erreur d’approximation (3.48). . . . . . . . . . . . . . . . . 79
3.16 Estimation d’un signal sinuso¨ıdal de fr´equence 50Hz, additionn´e d’un bruit
blanc (RSB = 40dB, F e = 256Hz) . . . . . . . . . . . . . . . . . . . . . . . . 81
3.17 Erreur d’estimation d’une sinuso¨ıde bruit´ee par un bruit blanc gaussien
(RSB = 20dB). (a) : Fe = 256Hz. (b) : Fe = 1Hz. . . . . . . . . . . . . . . . 82
3.18 Estimation de la fr´equence respiratoire par application de l’estimateur de So
et Chan sur le signal r´esiduel sous-´echantillonn´e `a 1Hz (Base de Nantes). (a) :
estimation standard. (b) : conservation des param`etres entre les ´epoques et
utilisation de la m´ediane. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.19 R´esultat de l’estimateur lorsque le signal ´etudi´e comporte deux sinuso¨ıdes . . 84
3.20 D´etermination adaptative des z´eros correspondant `a s(n) = cos(0.25πn) +
cos(0.75πn) + (n) o`
u (n) est un bruit blanc gaussien centr´e, de rapport signal
`a bruit 0dB. (a) : Valeurs instantan´ees des z´eros. (b) : Trajectoire des z´eros
dans le plan complexe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.21 Estimation du vecteur propre maximum . . . . . . . . . . . . . . . . . . . . . 87
3.22 (a) Signal issu du filtre r´ejecteur de la composante cardiaque. (b) Estimation
du vecteur propre maximum de ce signal. . . . . . . . . . . . . . . . . . . . . 89

TABLE DES FIGURES 15

3.23 Chaˆıne de traitement d’estimation de la fr´equence respiratoire par analyse de
la composante additive du signal de variation de pression art´erielle . . . . . . 90
3.24 R´esultats de la chaˆıne de traitement de la figure 3.23 dans l’estimation de la
fr´equence respiratoire. Base de donn´ees de Nantes. (a) : Vue d’ensemble. (b) :
D´etail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.25 R´esultats de la chaˆıne de traitement de la figure 3.23 dans l’estimation de la
fr´equence respiratoire. Base de donn´ees de Paris. (a) : Vue d’ensemble. (b) :
D´etail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.26 (a) Repr´esentation en nuage de points des estimations de la fr´equence respira-
toire. (b) Repr´esentation en densit´e de ces points. . . . . . . . . . . . . . . . . 93
3.27 R´egression lin´eaire des m´edianes verticales . . . . . . . . . . . . . . . . . . . . 94

4.1 Chaˆıne de classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2 Repr´esentation des techniques de classification . . . . . . . . . . . . . . . . . 105
4.3 S´eparation lin´eaire `a trois classes . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.4 Le mod`ele de Markov observable `a deux ´etats et ses probabilit´es de transition 109
4.5 Distribution des valeurs du param`etre 1 (p´eriode cardiaque moyenne de l’´epoque.112
4.6 Distribution du param`etre issu de l’emploi de la deuxi`eme fonction lin´eaire . 118
4.7 Valeur de la fr´equence respiratoire en fonction de la valeur de la fr´equence
´
cardiaque. Epoques issues de la base d’apprentissage . . . . . . . . . . . . . . 121
4.8 Mod´elisation d’un neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.9 Fonction d’activation de type sigmo¨ıde . . . . . . . . . . . . . . . . . . . . . . 123
4.10 Architecture d’un r´eseau de type perceptron multicouche . . . . . . . . . . . . 124
4.11 Donn´ees utilis´ees pour la mise au point du r´eseau de neurones. (a) Base d’ap-
prentissage. (b) Base de test. . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.12 Comparaison des apprentissage selon la fonction d’activation utilis´ee. Appren-
tissage de cinq cents fois la base d’apprentissage. (a) Fonction sigmo¨ıde. (b)
Fonction tangente hyperbolique. . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.13 Principe du rescorage par utilisation d’informations globales : une ´epoque de
stade 4 entour´ee d’´epoques de stade 2 est rescor´ee en stade 2. . . . . . . . . . 132
4.14 Histogramme des distributions des valeurs de confiance de la classification
gaussienne : `a gauche, le cas des ´epoques bien class´ees. A droite le cas des
´epoques mal class´ees. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.15 Histogramme des distributions des valeurs de confiance de la classification par
r´eseau de neurones : `a gauche, le cas des ´epoques bien class´ees. A droite le cas
des ´epoques mal class´ees. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4.16 Repr´esentation du HMM utilis´e pour le rescorage . . . . . . . . . . . . . . . . 137
4.17 Comparaison qualitative sur une nuit des rescorage par r`egle et rescorage mar-
kovien. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

5.1 Le bracelet utilis´e pour l’enregistrement des signaux de Nantes . . . . . . . . 145

16 TABLE DES FIGURES

5.2 Vue des deux cartes composant le bracelet utilis´e pour l’enregistrement des
signaux de Nantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.3 Exemples de batteries Ni-Mh (a) et Lithium-ion (b) . . . . . . . . . . . . . . 148
5.4 Courbe de d´echarge de l’accumulateur ML2032 Maxell, pour diff´erentes inten-
sit´es continues de d´echarge. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.5 Sch´ema de connexion utilis´e pour la d´etection de l’insertion de la carte Smart-
Media . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
5.6 Le boˆıtier r´ealis´e initialement . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
5.7 Le boˆıtier r´ealis´e apr`es correction des d´efauts du boˆıtier . . . . . . . . . . . . 155
5.8 Version 3 du boˆıtier : modifications op´er´es sur l’entretoise (a) et le capot (b). 155
5.9 Version 4 du boˆıtier : modifications de l’entretoise (a) et assemblage final (b). 156
5.10 Sch´ema de principe du boˆıtier de relecture des cartes SmartMedia . . . . . . 157
5.11 Proc´edure d’int´egration d’une nuit dans la base de donn´ees . . . . . . . . . . 161
5.12 Sch´ema de l’architecture du programme supervisant l’exploitation des donn´ees 162

E.1 Repr´esentation des vecteurs d’entr´ee et de sortie du r´eseau . . . . . . . . . . . 183

J.1 Nuit n◦ 1 de la base de test : classification par mod`ele gaussien et rescorage par
r`egle. Le taux d’accord global est de 17%. . . . . . . . . . . . . . . . . . . . . 198
J.2 Nuit n◦ 2 de la base de test : classification par mod`ele gaussien et rescorage par
r`egle. Le taux d’accord global est de 26% . . . . . . . . . . . . . . . . . . . . 198
J.3 Nuit n◦ 3 de la base de test : classification par mod`ele gaussien et rescorage par
r`egle. Le taux d’accord global est de 36% . . . . . . . . . . . . . . . . . . . . 199
J.4 Nuit n◦ 4 de la base de test : classification par mod`ele gaussien et rescorage par
r`egle. Le taux d’accord global est de 21%t . . . . . . . . . . . . . . . . . . . . 199
J.5 Nuit n◦ 5 de la base de test : classification par mod`ele gaussien et rescorage par
r`egle. Le taux d’accord global est de 21% . . . . . . . . . . . . . . . . . . . . 200
J.6 Nuit n◦ 1 de la base de test : classification par r´eseau de neurone et rescorage
par r`egle. Le taux d’accord global est de 38%. . . . . . . . . . . . . . . . . . . 200
J.7 Nuit n◦ 2 de la base de test : classification par r´eseau de neurone et rescorage
par r`egle. Le taux d’accord global est de 31% . . . . . . . . . . . . . . . . . . 201
J.8 Nuit n◦ 3 de la base de test : classification par r´eseau de neurone et rescorage
par r`egle. Le taux d’accord global est de 24% . . . . . . . . . . . . . . . . . . 201
J.9 Nuit n◦ 4 de la base de test : classification par r´eseau de neurone et rescorage
par r`egle. Le taux d’accord global est de 18%t . . . . . . . . . . . . . . . . . . 202
J.10 Nuit n◦ 5 de la base de test : classification par r´eseau de neurone et rescorage
par r`egle. Le taux d’accord global est de 28% . . . . . . . . . . . . . . . . . . 202

K.1 Interface graphique de gestion de la classification . . . . . . . . . . . . . . . . 203

L.1 Interface graphique de gestion de la classification . . . . . . . . . . . . . . . . 205

`a une plus grande exposition m´ediatique du sommeil. ce sont les mouvements des tendons qui modifient le diam`etre global du poignet. une irritabilit´e [2]. des troubles de la m´emoire. nous nous appuyons sur le bracelet multicapteur S´er´eo’Z. Il est compos´e d’une membrane souple remplie d’un gel qui transmet les contraintes physiques `a trois capteurs : – Un capteur de pression statique. Nombreuses sont les personnes `a se plaindre de la mauvaise qualit´e de leurs nuits. Cette force est transmise `a la surface du capteur par le biais du gel dont elle est remplie. – Un capteur de temp´erature.. – Enfin.. c’est qu’il conditionne la qualit´e de la journ´ee : on sait aujourd’hui qu’un mauvais sommeil peut entraˆıner un manque d’attention. Le mˆeme ph´enom`ene se . dont l’objectif est d’assurer la s´ecurit´e de la personne ˆag´ee isol´ee par la d´etection automatique des chutes. les variations de pression sont recueillies par un capteur de type pi´ezo-´electrique. Pourtant. qui permet de recueillir une indication sur la temp´erature cutan´ee du poignet. Comme celui-ci est entour´e par le bracelet ´elastique. Cette donn´ee permet de quantifier le serrage du bracelet. qui permet de connaˆıtre la pression continue appliqu´ee `a la membrane. il en r´esulte une augmentation de la force appliqu´ee par celui-ci en chaque point du poignet et notamment au niveau de la membrane. il n’existe actuellement que peu de syst`emes. accessibles au grand public. Dans le premier cas. Deux types de perturba- tions sont susceptibles de faire varier la pression appliqu´ee `a la membrane : les mouvements du poignet et la pression art´erielle radiale. Si ce facteur est important.Introduction Nous assistons. C’est ce dernier capteur qui nous int´eresse plus particuli`erement. commer- cialis´e par la soci´et´e APHYCARE technologies. permettant de renseigner les personnes sur la qualit´e de leur sommeil. 1 – Le bracelet S´er´eo’z Dans cette entreprise. ces derni`eres ann´ees. L’objectif de cette th`ese est pr´ecis´ement de pr´esenter les ´etudes pr´ealables au d´eveloppement d’un tel syst`eme. Fig.

Fig. Elles sont s´epar´ees par un circuit analogique ad´equat. de sorte que l’on r´ecup`ere. voire. C’est pourquoi nous envi- sageons un syst`eme permettant la distinction entre la veille. INTRODUCTION produit lors de l’arriv´ee de l’onde de pression cardiaque. Ce sujet int´eresse la soci´et´e APHYCARE Technologies. De fait. 4]. bas´ee sur le noyau multicapteur qu’elle exploite d´ej`a. Notre ambition est de r´ealiser un produit aussi simple qu’un actim`etre mais aux performances ´etoff´ees par rapport `a celui-ci. 2 – Positionnement du bracelet de classification du sommeil par rapport `a l’existant La r´ealisation de cette ´etude de faisabilit´e passe aussi par la recherche de solutions algo- . d’autre part. un signal li´e au mouvement dans lequel la contribution de la pression art´erielle est quasi-nulle. il n’existe que peu de produits li´es au sommeil accessibles au grand public. Nous savons d’embl´ee que le syst`eme final ne sera pas en mesure de r´ealiser un hypnogramme de qualit´e m´edicale. et. Celle-ci provoque un accroissement du volume des vaisseaux. d’une part. entre les sommeils lent l´eger et lent profond. qui se traduit par une augmentation du diam`etre du poignet. mesurant l’activit´e motrice du poignet et permettant de distinguer les p´eriodes de veille de celles de sommeil. Pour cette raison. Cependant. La possibilit´e de mesurer ces informations ainsi que l’actim´etrie du porteur nous a amen´e au souhait d’´evaluer la possibilit´e d’utiliser le bracelet multicapteur S´er´eo’Z pour r´ealiser une ana- lyse automatique du sommeil. les travaux pr´esent´es ci-apr`es se sont d´eroul´es principalement au sein de la soci´et´e APHYCARE Technologies. un signal retra¸cant les variations de pression art´erielle. dans la mesure o` u il offre la perspective du d´eveloppement d’une nouvelle famille de produits.18 CHAPITRE 0. le sommeil orthodoxe et le sommeil paradoxal. `a l’int´erieur du second. Le signal de variation de pression art´erielle contient des informations cardiaque et respiratoire dont l’´evolution est corr´el´ee avec celle du sommeil [3. la contribution de l’onde de pression art´erielle au signal enregistr´e est nettement moins ´energ´etique que celle issue des mouvements du poignet et c’est pourquoi tout mouve- ment alt`ere la qualit´e du signal de variation de pression art´erielle en provoquant sa saturation. le signal recueilli par le capteur de pression dynamique est la somme de ces deux contri- butions. comme mentionn´e pr´ec´edemment. Il s’agit principalement d’actim`etres. dans le cadre d’une convention CIFRE ´etablie avec le laboratoire R2D2 de l’ENSSAT. comme le pr´ecise la figure 2.

). Nous poursuivons ensuite l’´etude des signaux modul´es pour d´evelopper un estimateur de la fr´equence respiratoire. Dans un second temps. Puis. Le second chapitre pr´esente un estimateur s’appuyant sur un mod`ele physiologique r´egissant la g´en´eration des battements cardiaques et int´egrant. . Puis. Le chapitre 3 est consacr´e `a l’exploitation des modulations d’amplitude et de fr´equence dont fait l’objet le signal de variation de pression art´erielle. des m´ethodes d’´etude du sommeil. . en lien avec les param`etres mesur´es. Deux principales techniques de classification sont ´etudi´ees. Nous d´etaillons ´egalement dans cette partie deux m´ethodes de rescorage permettant d’am´eliorer les r´esultats de la classification. Enfin le chapitre 4 est d´edi´e au probl`eme de la classification automatique du sommeil ` a partir. en utilisant l’op´erateur d´evelopp´e par Teager. dans le signal de variation de pression art´erielle. Nous d´ebutons la pr´esentation de cette ´etude par un aper¸cu. nous utilisons l’estimateur de la fr´equence cardiaque pour isoler. Les liens math´ematiques permettant de d´eterminer les entr´ees du mod`ele `a partir de la connaissance du signal de battement cardiaque sont d´ecrits. . au sein d’un premier chapitre. dont on se servira pour estimer la fr´equence respiratoire. en tant que param`etre d’entr´ee. le signal respiratoire. nous d´eterminons un nouveau domaine de validit´e. entre autres. Nous avons choisi de r´ealiser une d´emodulation instantan´ee de ce signal. soit dans leur coˆut calculatoire ou m´emoriel trop important. nous d´etaillons deux estimateurs des fr´equences cardiaque et respiratoire. exploit´ee par un classifieur bay´esien. des estimateurs pr´esent´es pr´ec´edemment. nous abordons dans une derni`ere partie certains des d´eveloppements mat´eriels et logiciels qui se sont av´er´es n´ecessaires pour recueillir les donn´ees sur lesquelles s’appuient ces travaux. une composante respiratoire additive. r´esidant essentiellement soit dans leur mauvaise immunit´e aux bruits auxquels est soumis le signal (boug´es. La premi`ere repose sur une mod´elisation monogaussienne de la distribution des param`etres. Nous pr´esentons diff´erentes techniques permettant d’estimer `a moindre coˆ ut la fr´equence de ce signal. Les travaux pass´es ont en effet montr´e les limites des m´ethodes classiques. afin de recueillir des informations permettant d’orienter au mieux nos travaux. tremblements . La seconde utilise un r´eseau connexionniste du type perceptron `a deux couches cach´ees. Comme le signal de variation de pression art´erielle ne satisfait pas les conditions th´eoriques exig´ees pour l’emploi de cet op´erateur. nous adaptons progressivement cette m´ethode `a l’exploitation du signal de variation de pression art´erielle. Enfin. 19 rithmiques innovantes permettant d’obtenir une estimation fiable des fr´equences cardiaque et respiratoire `a partir des signaux existants.

.

Le sommeil `a ondes lentes (stades 1. 3 et 4) serait un h´eritage g´en´etique des p´eriodes o` u l’homme fut plac´e dans r´egions o`u la nourriture ´etait insuffisante et le sommeil lent serait en fait une sorte de mini-hibernation. permettant d’´economiser les ressources ´energ´etiques [6]. serait apparu avec l’acquisition de l’hom´eothermie et aurait pour but de permettre au cerveau de ranger dans la m´emoire les informations qu’il a apprises.1 Le sommeil ` cette ´epoque. Le sommeil paradoxal quant `a lui. le cerveau ´etant en effet compl`etement coup´e du monde ext´erieur durant cette p´eriode [7]. L’intervalle entre deux p´eriodes de sommeil paradoxal est fonction de la taille de l’animal . 1. une mise au repos du cerveau. nous savons que cela n’est pas vrai. Dans le mˆeme temps. mˆeme aujourd’hui on ne connaˆıt toujours pas bien les raisons du sommeil. Afin d’y voir plus clair nous allons. Cela dit. notamment lors des p´eriodes de rˆeve o`u le cerveau consomme au moins autant d’´energie que durant l’´eveil [5. Aujourd’hui. et que le sommeil est un ph´enom`ene actif. 2. A comme une inhibition des centres nerveux d’´eveil. r´ealiser un tour d’horizon des techniques et connaissances concernant le sommeil. On constate d’ailleurs une augmentation de la dur´ee du sommeil paradoxal lorsque le sujet a ´et´e soumis `a des situations nouvelles ou inhabituelles [5]. il ´etait consid´er´e Le sommeil est surtout ´etudi´e depuis le d´ebut du si`ecle.Chapitre 1 Le sommeil et ses m´ ethodes d’investigations : utilisation du bracelet multicapteur pour l’analyse du sommeil Les connaissances sur le sommeil ne cessent de progresser `a mesure que les techniques d’´etudes se d´eveloppent. des questions aussi fondamentales que l’int´erˆet du sommeil pour l’homme restent encore `a l’´etat d’hypoth`eses. dans ce chapitre. 6]. Ceci nous am`enera `a situer et pr´eciser le sujet de nos travaux.

et de complexes K. puis apparaissent des ondes delta (≤ 3Hz) de grande amplitude. grandes ondes lentes. au tout d´ebut de la nuit. bouff´ees d’ondes rapides (10-15Hz). On observe alors sur l’EEG un ralentissement des ondes ´electriques jusqu’`a une fr´equence de 4 `a 6Hz. Lorsque ce chiffre d´epasse 50%. lequel ´etait confondu avec le stade 1 d’aujourd’hui. 11]. `a l’inverse d’un carnivore. Puis le sujet passe doucement dans le stade 1. La dur´ee de sommeil paradoxal d´epend des r´eserves ´energ´etiques de l’animal. L’activit´e ´electrique va encore se ralentir. Cependant. dont le premier ´etait parfois associ´e `a des mouvements oculaires rapides (caract´eristiques. L’animal ne peut donc se permettre que peu de sommeil paradoxal. Ainsi. du sommeil paradoxal). proc´edures toujours appliqu´ees aujourd’hui. en 1959. le patient affirmera ne pas dormir. Un herbivore devra passer beaucoup de temps `a consommer sa nourriture car elle est peu ´energ´etique. Elle distinguait cinq stades mais ne comprenait pas le sommeil paradoxal. `a mesure que les performances techniques des ´electrodes et de leurs ´electroniques associ´ees progressaient. mais pas toujours. Plus l’animal est petit et plus ces r´eserves seront petites et donc reconstitu´ees rapidement ce qui entraˆınera un rythme rapide. un ´electro-myogramme (EMG) du menton et un ´electro-oculogramme (EOG) et c’est `a partir de ces signaux qu’est analys´e le sommeil. la dur´ee quotidienne de sommeil paradoxal est fonction du m´etabolisme de l’animal. D’ailleurs. Ce stade se retrouve sur l’EEG par l’apparition de fuseaux. le sujet est en ´eveil les yeux ferm´es. que l’on peut v´eritablement consid´erer comme le d´ebut du sommeil. de 90 minutes environ. il existait encore trop de diff´erences entre les scorages de sommeil d’un laboratoire `a l’autre et ce n’est qu’en 1968 que furent standardis´ees les proc´edures d’enregistrement et de scorage du sommeil par Rechtschaffen et Kales [10. Une nuit de sommeil se d´ecoupe en plusieurs cycles (quatre `a cinq). On consid`ere que le sujet est pass´e en stade 3 lorsqu’au moins 20% du trac´e est occup´e par des ondes delta. r´eserves qui seront reconstitu´ees lors du sommeil lent. Il fallu attendre que Jouvet et Michel [9] enregistrent les muscles de la nuque pour que soit d´ecouvert le sommeil paradoxal. Ce stade est assez proche de l’´eveil. Puis d’autres classifications virent le jour. Par exemple celle de Dement et Kleitman ne comprenait que quatre stades. ce qui lui sugg`ere une origine m´etabolique. L’EEG enregistre des ondes tr`es rapides (8-12Hz) et de tr`es faibles amplitudes. r´eveill´e `a ce moment. 1.22 ´ CHAPITRE 1. On distingue dans chaque cycle plusieurs phases que l’on peut reconnaˆıtre essentiellement `a partir de l’analyse des trac´es ´electroenc´ephalographiques (EEG). ce sont les ondes thˆeta. L’enregistrement polysomnographique standard comprend depuis lors un ´electro-enc´ephalogramme (EEG). Puis le sujet bascule dans le stade 2. appel´ees alpha. Les . chacun respectant le mˆeme sch´ema. LE SOMMEIL ET SES METHODES D’INVESTIGATION (de 10 minutes chez la souris `a 120 minutes chez l’´el´ephant en passant par les 90 minutes de l’homme). C’est ce qui expliquerait que le sommeil d’une vache comprend quinze minutes seulement de sommeil paradoxal contre deux cents minutes pour le chat [6].1 Une nuit de sommeil C’est en 1937 que fut propos´ee par Loomis et al [8] la premi`ere classification des stades du sommeil. De plus. on consid`ere qu’il est en stade 4. Celle-ci ´etait diff´erente de celle que nous connaissons aujourd’hui. en fait.1.

Le trac´e devient en effet tr`es proche de l’´etat de veille. 50% de stade 2. On note ´egalement la pr´epond´erance du sommeil lent profond en d´ebut de nuit. qui d´ecroˆıt au fur et `a mesure pour finalement disparaˆıtre en fin de nuit. La structure cyclique du sommeil est clai- rement mise en ´evidence. La raison en en est que le sommeil paradoxal est d´ependant du cycle circadien ou cycle jour/nuit. et cette tendance s’inverse au fil de la nuit. A l’issue de cette p´eriode ou.1. on constate la mont´ee en puissance du sommeil paradoxal. parfois juste avant. ”profond”. yeux ouverts (ondes tr`es rapides et de faible amplitude). la r´epartition n’est pas homog`ene dans la nuit. Cette contradiction dans les symptˆomes a donn´e son nom `a ce stade. dans le d´ebut de la nuit. et une profondeur de sommeil accrue (la stimulation sonore n´ecessaire `a son r´eveil doit ˆetre encore plus importante que dans le sommeil lent profond). voire augmente un peu. dans le mˆeme temps. Le graphe reprenant le trac´e des stades de sommeil dans lequel est plong´e le patient au cours de la nuit s’appelle un hypnogramme. l’hypnogramme d’un adulte jeune en bonne sant´e est donn´e sur la figure A 1. A sommeil lent profond n’est pas augment´e par un sommeil prolong´e dans la matin´ee. Mais surtout on constate une baisse de la variabilit´e de celle-ci [13]. Les yeux se meuvent tr`es rapidement de gauche `a droite ou de haut en bas. s’acc´el`ere et devient irr´eguli`ere. La tension art´erielle subit ´egalement de brusques variations. On retrouve en ordonn´ee l’indication des stades de sommeil (veille. 25% de stade 3 et 4.2 Influence du sommeil sur les rythmes physiologiques Les rythmes physiologiques dont on a le plus ´etudi´e la variation avec le sommeil sont le rythme cardio-respiratoire et la pression art´erielle. Une nuit de sommeil est constitu´ee en moyenne de 5% de stade 1. car est conditionn´e par la temp´erature corporelle. ` titre d’exemple. alors que des ´electromyogrammes indiquent une absence totale de tonus musculaire. Ainsi. car les ondes y sont tr`es lentes. comme s’il ´etait profond´ement enfoui dans son sommeil. le sujet atteint un niveau de relaxation musculaire totale (les muscles de la nuque se relˆachent). Chaque cycle (six ici) est marqu´e par une proportion de sommeil orthodoxe suivi d’un ´episode paradoxal. l’activit´e du sujet change radicalement. Par contre. alors que. 1]. il survient ` l’inverse du sommeil paradoxal. Toutefois.1. jusqu’`a atteindre des valeurs de 5 `a 15% inf´erieures `a l’´etat de veille pour le sommeil lent profond [12]. 10. Ainsi. Mais au bout d’un moment. les p´eriodes de sommeil lent profond sont pr´edominantes par rapport au sommeil paradoxal.1. . le patient se r´eveille pour se rendormir presque aussitˆot [11. L’op´eration qui consiste `a r´ealiser un hypno- gramme `a partir des donn´ees issues des capteurs m´edicaux s’appelle le scorage du sommeil. sommeil paradoxal puis stades 1 `a 4) et en abscisse le temps en heure. qui devient le stade le plus important de la fin de nuit. le sommeil paradoxal. 1. ”Lent”. r´eguli`ere et lente jusqu’alors. la fr´equence cardiaque d´ecroˆıt ` a mesure que le sujet s’enfonce dans le sommeil pour atteindre sa valeur minimale durant le sommeil lent profond. Cette deni`ere diminue au fur et `a mesure de l’endormissement. LE SOMMEIL 23 stades 3 et 4 sont souvent regroup´es sous l’appellation de sommeil lent profond. `a l’exception des yeux. Cette observation visuelle se confirme sur l’EEG. elle ne varie pas plus au cours du sommeil paradoxal. De la mˆeme fa¸con. et 20% de sommeil paradoxal.1. L’activit´e cardiaque et respiratoire. le temps pass´e en pr´ef´erentiellement entre 6H et 12H00. A l’inverse. car un sujet r´eveill´e pendant cette p´eriode sera compl`etement d´esorient´e dans le temps et dans l’espace.

et des m´ethodes plus confortables ont ´et´e recherch´ees. un net changement s’op`ere lors du sommeil paradoxal. Enfin une autre voie . EOG et EMG par des variables tout autant repr´esentatives des stades du sommeil mais en nombre moins grand et surtout d’un acc`es plus ais´e (ECG par exemple).2 L’analyse du sommeil La r´ef´erence en mati`ere de scorage du sommeil est la polysomnographie ”classique”. Ainsi. Ainsi. D’autres cherchent plutˆot `a remplacer les classiques EEG. 1. En ce qui concerne la respiration. les muscles du cou et du menton se relˆachent totalement lors du passage au sommeil paradoxal. `a la diff´erence de la pression art´erielle. elle baisse durant le sommeil lent [5. A l’inverse. telle que nous la d´ecrirons au paragraphe 1. ce qui explique la chute de la tˆete d’un dormeur assis. Enfin. Lorsque c’est le cas. on constate une variation p´eriodique de l’amplitude ventilatoire. l’endormissement est plus facile lorsqu’il a lieu sur la portion descendante du cycle thermique [7]. Toutefois. En ce qui concerne les gaz du sang.2. lui. Quant `a la temp´erature corporelle. Plusieurs voies sont explor´ees pour atteindre cet objectif. le rythme cardiaque devient compl`etement d´esordonn´e et s’acc´el`ere en moyenne durant le sommeil paradoxal. de mani`ere g´en´erale les mouve- ments du corps sont de moins en moins nombreux `a mesure que l’on s’enfonce dans le sommeil. les muscles du tronc ne voient pas leur tonus ´evoluer au cours de la nuit. Seulement.1 – Exemple d’hypnogramme d’un adulte jeune en bonne sant´e (issu de [1]) Par contre.24 ´ CHAPITRE 1. et tant que le sommeil n’est pas atteint de fa¸con stable [15]. le tonus musculaire. celle-ci est peu confortable pour le patient. au cours de l’endor- missement. certains cherchent `a all´eger le syst`eme classique en ne conservant qu’une voie d’EEG. la ventilation devient irr´eguli`ere. la pression partielle de CO2 dans le sang s’´el`eve durant le sommeil lent mais celle de l’O2 reste constante [10]. le sommeil devient extrˆemement r´egulier et le d´ebit respiratoire baisse d’environ 15%. Tout comme pour le rythme cardiaque. En outre. varie selon les muscles concern´es. 6]. Ainsi.2. ce qui d’ailleurs peut se r´ev´eler dangereux pour les patients ayant ´et´e victimes d’un infarctus du myocarde. avec des variations brusques de son amplitude et de sa fr´equence. 1. avec une p´eriode de soixante `a quatre-vingt-dix secondes. leur cœur n’ayant plus la mˆeme capacit´e `a suivre ces variations [14]. LE SOMMEIL ET SES METHODES D’INVESTIGATION Fig.

la premi`ere n’´etant souvent pas exploit´ee dans ce cas. 17].2 La polysomnographie classique L’enregistrement polysomnographique classique comprend des signaux ´electroenc´ephalographiques. L’actim`etre se compose en g´en´eral d’un acc´el´erom`etre qui permet d’enregistrer ` a la fois la quantit´e et l’intensit´e des mouvements qu’il subit. Cette polysomnographie pr´esente l’inconv´enient d’ˆetre relativement lourde et non portable.2. En cons´equence. Ce type de produit ne permet g´en´eralement qu’une distinction entre activit´e et inactivit´e que l’on peut traduire en d´etection veille/sommeil. EMG et EOG n’ont pour seul but que de diff´erencier le sommeil paradoxal de l’´eveil. Celle- ci consiste en un petit boˆıtier. parce qu’il sera gˆen´e par les cˆables des ´electrodes et les ´electrodes elles-mˆemes. Ainsi. le nombre de voies EEG enregistr´ees tend `a ˆetre r´eduit au maximum. port´e le plus souvent au poignet. En effet. Non portable parce que le placement de ces ´electrodes doit ˆetre soign´e et requiert donc une intervention m´edicale. un ´electro-oculogramme obtenu par deux ´electrodes aux angles externes des yeux qui enregistrent les mouvements oculaires.1. . La nuit enregistr´ee sera donc diff´erente de la nuit type du patient. Comment. D’autres conservent l’EOG ou l’EMG en plus de l’EEG [19. Cet appareillage. L’ANALYSE DU SOMMEIL 25 vise `a ´eliminer totalement l’instrumentation du patient ce qui a conduit au d´eveloppement du lit `a charge statique. les nuits d’enregistrements se d´eroulent le plus souvent `a l’hˆopital. 1. Lourde parce qu’un minimum de sept ´electrodes doit ˆetre dispos´e sur la tˆete du patient. en effet. ce qui aura pour effet de perturber les habitudes de coucher du patient. d’abord parce qu’il n’est pas chez lui. Or. et ce.2. et ensuite. et un ´electromyogramme qui enregistre l’activit´e ´electrique des muscles du menton [1]. l’observation de certains troubles du sommeil peut se faire au travers d’instruments plus simples tels qu’un actim`etre.1 L’actim´ etrie L’actim´etrie repr´esente la m´ethode la plus simple de surveillance du sommeil. beaucoup d’auteurs ont d´evelopp´e des techniques d’analyse bas´ees uniquement sur l’EEG [16. jusqu’`a ne comporter parfois qu’une seule voie [18]. 20]. Toutefois. Aujourd’hui.2. le fait d’enregistrer une nuit plus perturb´ee que de coutume est tr`es gˆenant pour la d´etection des troubles du sommeil. C’est pourquoi il est parfois n´ecessaire de demander au patient de se pr´esenter durant deux nuits cons´ecutives. du type d’un bracelet montre. associ´e aux r`egles de scorage de Reschtschaffen et Kales est consid´er´e comme la r´ef´erence en mati`ere de scorage du sommeil. savoir si le grand nombre de micro-r´eveils observ´es sur l’hypnogramme est une mat´erialisation des troubles dont souffre le patient ou si ces r´eveils ne sont que le reflet de la gˆene occasionn´ee par le changement d’environnement et son instrumentation. C’est pourquoi on voit apparaˆıtre des versions all´eg´ees de la polysomnographie classique. 1.

3 Le scorage automatique du sommeil La recherche d’une technique de scorage automatique du sommeil existe depuis les premiers enregistrements de sommeil. 23. D’o` u l’id´ee d’introduire des techniques adaptatives comme la logique floue et plus r´ecemment les r´eseaux de neurones. une nuit de sommeil g´en`ere trois cents m`etres de listing et requiert pour son d´ecryptage de deux `a six heures de travail d’un technicien exp´eriment´e [17]. On con¸coit alors tout de suite l’int´erˆet d’une m´ethode permettant de fournir de fa¸con automatique un hypnogramme `a partir des signaux. plac´ee au-dessus de feuilles de m´etal. Cela se comprend lorsqu’on sait qu’en moyenne. Celle-ci est g´en´eralement bonne (environ 80% d’accord avec un sp´ecialiste exploitant des donn´ees polysomnographiques [21. Ainsi les signaux physiologiques (et en particulier l’EEG) varient beaucoup d’une personne `a une autre.4 Les donn´ ees cardio-respiratoires Certaines ´equipes mesurent uniquement les variables cardio-respiratoires.3. 1. 1. 24]). LE SOMMEIL ET SES METHODES D’INVESTIGATION 1. Les mouvements du corps vont alors modifier la r´epartition des charges et induire une diff´erence de potentiel entre les plaques.2. les mouvements du coeur. Un filtrage appropri´e permet de s´eparer ces trois compo- santes. et bien sˆ ur les mouvements amples du corps (lorsque le patient bouge). un classifieur attribue le morceau de nuit selon sa proximit´e avec l’´echantillon de r´ef´erence. et ce pour tous les ´echantillons de la nuit.26 ´ CHAPITRE 1.2. Le gros probl`eme du scorage du sommeil est la variation inter-individuelle mais aussi intra- individuelle.1 Exploitation des donn´ ees actim´ etriques La plupart du temps le r´esultat recherch´e n’est pas le trac´e d’un hypnogramme mais la d´etection veille/sommeil. un second traitement r´eattribue ou corrige certaines d´ecisions par des r`egles du type ”x ou moins minutes de stade S entour´ee de y ou plus minutes de stade Z sont rescor´ees Z” ou bien ´eliminera certaines transitions improbables. Souvent ces trois moyens sont utilis´es car les signaux permettent alors de d´etecter la nature des apn´ees. L’activit´e respi- ratoire est enregistr´ee au moyen d’une sonde nasale ou d’une sangle abdominale ou thoracique. L’avantage principal de cette m´ethode est qu’elle lib`ere totalement le patient d’une quelconque instrumentation. Elles utilisent g´en´eralement un ´electro-cardiogramme pour enregistrer l’activit´e cardiaque.3 Le lit ` a charge statique Le lit `a charge statique (ou SCSB pour Static Charge Sensitive Bed) se r´esume en fait `a un matelas comprenant une ´epaisseur ´electrostatique. Les mouvements qui g´en`erent le signal ainsi recueilli sont les mouvements respiratoires. . D’une mani`ere g´en´erale. 22. De plus elle permet des enregistrements `a domicile. 1. on constate que les m´ethodes de scorage automatique proc`edent en deux ´etapes. Ceci fait. D’abord. Ceux-ci pr´esentent en effet une grande robustesse vis `a vis de ces variations.

elle est scor´ee sommeil. la variance. Espace temporel et espace fr´ equentiel On distingue deux grandes familles de m´ethodes : celles qui œuvrent dans l’espace tempo- rel [17. Par la suite. c’est surtout ce signal qui est exploit´e. si elle est inf´erieure. 26. Apr`es une premi`ere classification r´ealis´ee sur des segments d’enregistrements (des ´epoques de longueur typique de trente secondes).2 Exploitation des donn´ ees ´ electro-enc´ ephalographiques La polysomnographie consiste en l’enregistrement simultan´e des signaux EEG. Ainsi. Cette valeur est obtenue en comptant sur une p´eriode de temps le nombre de fois o` u le signal d’acc´el´eration passe par z´ero. permettant une correction de l’hypnogramme [17. D’ailleurs. Si la valeur obtenue est sup´erieure `a un seuil. l’utilisation de chaˆınes de Markov cach´ees [29. LE SCORAGE AUTOMATIQUE DU SOMMEIL 27 La valeur brute fournie par l’actim`etre est une acc´el´eration (le capteur est un pi´ezo- ´electrique). Le probl`eme majeur pos´e par leur utilisation concerne la station- narit´e des signaux. La structure g´ en´ erale Comme pour l’actim´etrie. C’est pourquoi il existe g´en´eralement une analyse sur le court terme pour . [23] ont donc mis au point des r`egles du type apr`es x ou plus minutes scor´ees ´eveil. En pratique. Les signaux d’EOG et d’EMG servent en g´en´eral en dernier lieu pour d´epartager deux stades proches ou confirmer une d´ecision prise `a partir de l’EEG. L’actim`etre a donc une tendance `a scorer des zones d’´eveil comme p´eriodes de sommeil. de mˆeme qu’il peut ne pas bouger tout en ´etant ´eveill´e. 18. 20.1. La d´etermination veille/sommeil de la fenˆetre est alors r´ealis´ee en calculant une combinaison lin´eaire de ces variables. l’actim`etre r´ealise un premier scorage et ce scorage est ensuite corrig´e en appliquant les r`egles de Mullaney. l’´epoque est class´ee (”scor´ee”) en ´eveil . Toutefois. c’est l’espace temporel qui a ´et´e privil´egi´e en raison du coˆ ut calculatoire prohibitif des techniques fr´equentielles [26]. la donn´ee couramment exploit´ee est le nombre de passages par z´ero. des m´ethodes analysant le signal dans le domaine fr´equentiel sont apparues. Ainsi. C’est donc l’analyse de ces signaux que l’on a cherch´e `a automatiser en premier. De plus. Mullaney et al. De cette donn´ee sont extraites plusieurs variables comme la moyenne d’activit´e sur une fenˆetre (une minute par exemple). o` u l’expert se base sur un signal temporel. EOG et EMG. etc. 25. Historiquement. les y premi`eres minutes de sommeil sont rescor´ees ´eveil ou encore y ou moins minutes scor´ees sommeil entour´ees de x ou plus minutes d’´eveil sont rescor´ees ´eveil qui tiennent aujourd’hui lieu de r´ef´erence pour la correction des donn´ees actim´etriques. Le signal le plus discriminant ´etant l’EEG. 28]. 19]. C’est une estimation du nombre de mouvements appel´ee l’activit´e.3. ces m´ethodes d´ecoulaient logiquement d’un processus d’automa- tisation du scorage manuel. ces techniques proc`edent en deux ´etapes. 30] mod´elise assez bien la d´ecomposition du sommeil que pratique le m´edecin scoreur. le temps moyen pour lequel l’activit´e sup´erieure `a un seuil. N´eanmoins. des r`egles prenant en compte les ´etats ant´erieurs et post´erieurs sont appliqu´ees. celui-ci r´ealise en g´en´eral un pr´etraitement des donn´ees. 27] et celles qui œuvrent dans l’espace fr´equentiel [26.3. l’inconv´enient majeur des actim`etres est li´e au d´ecalage qui existe entre l’ac- tivit´e physique et l’´etat physiologique. 1. `a l’endormissement. le patient arrˆete de bouger avant d’ˆetre endormi.

ces m´ethodes sont toujours employ´ees et des techniques tr`es ´elabor´ees se basent sur cet outil. [17] : les r`egles R&K nous indiquent qu’un stade 2 est d´efini par au moins deux fuseaux d’ondes sigma. La logique floue d´efinit des r`egles qui associent `a un ´ev`enement une probabilit´e sur l’´etat qui l’a engendr´e. pour la caract´erisation des types d’ondes (alpha. Ainsi. fuseaux. La premi`ere consiste `a reproduire le mod`ele de Rechtschaffen et Kales (R&K). la possibilit´e d’ˆetre dans un stade 2 ne sera accr´edit´ee que d’une probabilit´e de 0. que l’on regroupe sous la forme d’un vecteur pr´esent´e au classifieur [19.1. . par exemple une bouff´ee d’ondes alpha. qu’il applique `a l’amplitude moyenne des signaux EEG en utilisant des comparateurs `a hyst´er´esis. Utilisation de la logique floue Les techniques travaillant dans l’espace temporel r´ealisent le plus souvent une d´etection d’´ev`enements cl´es. En agissant de mˆeme pour plusieurs param`etres. . 32]. Il existe toutefois un moyen d’obtenir de bons r´esultats en utilisant les principes de la logique floue. Aujour- d’hui. . cette probabilit´e sera de 0. Leur impl´ementation peut donc provoquer de grandes discordances entre un scorage manuel et un scorage automatique. C’est d’ailleurs pour cela que la logique floue a ´et´e tr`es tˆot utilis´ee. Si ce sont trois fuseaux qui sont d´etect´es. 13]. Bien souvent. Dans cet exemple. Ainsi. La d´etection de deux fuseaux sur une ´epoque attribuera une probabilit´e de 0. l’´eveil est d´efini par au moins trente secondes d’ondes alpha. on obtiendra pour l’´epoque une probabilit´e associ´ee `a chaque stade possible.28 ´ CHAPITRE 1. [34] qui d´efinissent un degr´e d’appartenance `a partir d’ensembles de r´ef´erence flous. Le stade ayant la plus forte probabilit´e sera finalement retenu pour classer l’´epoque. ou un complexe K [17]. Mais se pose alors le probl`eme de l’adaptabilit´e. 33. Elles cherchent en fait `a r´ealiser un travail de d´ecoupage le plus proche possible de ce que fait un expert humain. LE SOMMEIL ET SES METHODES D’INVESTIGATION la d´etection des ´ev`enements transitoires (complexe K. . 20. et `a les classer selon des propri´et´es statistiques apprises durant une phase d’apprentissage. delta.9 au fait que l’´epoque soit du stade 2. d’ondes alpha. Les ´ev`enements cl´es comme la pr´esence ou l’absence de fuseaux. Un arbre logique permet ensuite de fournir un stade de sommeil `a partir de la combinaison de ces informations binaires [19. Mais un expert humain scorera ´eveil mˆeme si. Et si aucun fuseau n’est d´etect´e. sur un enregistrement. selon les r`egles R&K. )[31]. Les seuils ne sont pas des limites fixes mais seulement des guides. ) et une autre sur le long terme. sur une ´epoque d’une minute. la probabilit´e est attribu´ee de fa¸con logicielle mais cette op´eration est parfois r´ealis´ee de fa¸con mat´erielle. Kumar [26] en 1977 utilise ce principe de fronti`ere floue. comme par exemple Berthomier et al.95. La deuxi`eme grande m´ethode consiste `a extraire un certain nombre de param`etres num´eriques du signal. le d´epassement d’un seuil en amplitude pour le signal EEG ou EMG sont rep´er´es. la dur´ee n’est que de vingt neuf secondes. La r` egle de classification On distingue deux grandes m´ethodes de classification. Prenons un exemple avec la m´ethode de Principe et al. . les donn´ees auxquelles sont appliqu´ees ce type de clas- sifieur sont les ´energies relatives de diff´erentes bandes de fr´equences.

38]. On remarque toutefois des originalit´es. les fuseaux. LE SCORAGE AUTOMATIQUE DU SOMMEIL 29 Utilisation des r´ eseaux de neurones Les techniques `a base de r´eseaux de neurones (aussi appel´ees connexionistes) sont de plus en plus utilis´es aujourd’hui pour le scorage du sommeil en raison du fait qu’ils apparaissent comme une m´ethode de scorage robuste vis `a vis des grandes variabilit´es inter et intra individuelles des signaux physiologiques qu’ils traitent. 38. Cette valeur est `a comparer avec le taux d’agr´ement . leur rˆole se cantonne a` rep´erer dans le signal ´electro-enc´ephalographique des formes d’ondes particuli`eres comme les ondes alpha. D’une mani`ere globale. 41]. lui. Il est int´eressant de noter qu’une augmentation du nombre de neurones dans la couche d’entr´ee ou dans la couche cach´ee n’entraˆıne pas forc´ement une am´elioration du r´esultat [37. 37. les signaux sont d´ecoup´es en fenˆetres et les param`etres sont calcul´es sur ces fenˆetres.3. Enfin. Les r´eseaux employ´es sont relativement simples et sont constitu´es d’une couche d’entr´ee comportant autant de neurones que de variables d’entr´ee (entre 5 et 20). dans un sens comme dans l’autre. 16]. [40] ont utilis´e un r´eseau comprenant trois fois plus de neurones d’entr´ee que de variables. 36]. 39. Ce taux est obtenu en comparant la classe attribu´ee `a chaque ´epoque de la nuit par le syst`eme automatique d’une part. [37]. 39. 40. Les r´eseaux de neurones sont utilis´es de diff´erentes fa¸cons. les param`etres les plus souvent rencontr´es concernent l’´energie des diff´erentes bandes de fr´equence composant le signal ´electro-enc´ephalographique et des param`etres statistiques exprimant la dispersion de cette ´energie au cours du temps [16. Le pourcentage d’´epoques dont la classe donn´ee est identique d´etermine le taux d’accord (ou d’agr´ement). les pointes vertex [35. il existe une configuration optimale et toute variation. Les variables de chaque ´epoque sont alors pr´esent´ees au r´eseau en mˆeme temps que celles de l’´epoque suivante et de l’´epoque pr´ec´edente. 35]. Le signal respiratoire est. d’une couche cach´ee comprenant de 5 `a 20 neurones et autant de neurones de sortie que de classes souhait´ees [16. 42]. le signal ´electromyographique fait l’objet d’un calcul d’´energie. du nombre de neurones entraˆıne une baisse des performances.1. Parfois. et par l’expert d’autre part. D’autres se concentrent sur la reconnaissance de certains stades du sommeil exclusivement. Les donn´ees fournies en entr´ee du r´eseau sont des param`etres calcul´es `a partir des signaux ´electro-enc´ephalographiques pour la plupart. g´en´eralement caract´eris´e par sa fr´equence (moyenne et variance) [39]. 26. Ainsi. Au contraire. de fr´equence moyenne et de dispersion spectrale [38]. comme le sommeil paradoxal dans le syst`eme de Gr¨ozinger et al. mais aussi ´electro-myographique (yeux et menton) et respiratoire pour certains. Les taux annonc´es sont souvent entre 80 et 90% [17. D’autres enfin r´ealisent une v´eritable classification du sommeil [38. Ils utilisent pour leur apprentissage la r´etropropagation du gradient de l’erreur. En ce qui concerne l’EEG. Robert et al. Les r´ esultats Le r´esultat d’un syst`eme automatique de classification du sommeil est g´en´eralement ´evalu´e par le taux d’accord (ou taux d’agr´ement) ´epoque par ´epoque avec un expert. 37. Ils sont du type ”compl`etement connect´es” c’est `a dire que chaque neurone d’une couche est connect´e `a tous les neurones de la couche suivante.

Les informations cardiorespiratoires peuvent aussi ˆetre recueillies `a partir d’un lit `a charge statique. moins pour un patient souffrant d’une pathologie. Il est donc ´evident que cette discr´etisation se fera au prix d’erreurs. Il est possible que parmi les ´epoques de d´esaccord. 3 et 4)/sommeil paradoxal. C’est pourquoi elles sont moins d´evelopp´ees que l’automatisation de cette derni`ere. LE SOMMEIL ET SES METHODES D’INVESTIGATION entre deux experts issus d’un mˆeme laboratoire.3 Exploitation des donn´ ees cardio-respiratoires Les techniques exploitant des donn´ees cardio-respiratoires ne cherchent pas `a se substituer a` la polysomnographie. ce qui ne signifie pas en soit le pourcentage d’´epoques scor´ees correctement par la m´ethode automatique.3. les stades 1 et 3 sont des stades de transition (entre l’´eveil et le premier ”vrai” stade de sommeil pour le premier et entre le sommeil lent l´eger et le sommeil lent profond pour le second). Les donn´ees les plus couramment exploit´ees sont le rythme cardiaque (m´ediane. Enfin. Les r´esultats sont en g´en´eral assez bons. une nuit de sommeil ´etant constitu´ee approximativement de 5% de stade 1. ce soit la r´eponse de l’automate qui soit la plus proche de la r´ealit´e physiologique et non celle de l’expert. Ces donn´ees sont ensuite trait´ees par un classificateur Bay´esien [16. Enfin. 25% de stades 3 et 4 et 20% de sommeil paradoxal. 1. Les difficult´es ´eprouv´ees par les algorithmes de scorage automatique r´esident dans la distinction entre les stades 3 et 4 [17] d’une part et les stades 1 et 3 [19. qui est en moyenne de 90% pour un patient sain. Dans la plupart des cas. La r´epartition fr´equentielle du signal cardiaque (ou du signal RR)[43. il est `a noter que la distinction entre les stades 3 et 4 est une des plus grandes sources de d´esaccord entre experts. Toutefois. 44] et du signal respiratoire[45] est tr`es ´etudi´ee. et ce d’autant plus que le regard de l’expert est biais´e : l’homme per¸coˆıt beaucoup plus facilement des variations d’amplitudes que des variations de fr´equence. aux environs de 80 `a 85% [50. On notera pour terminer deux nuances `a apporter aux donn´ees num´eriques. signal RR). le rythme respiratoire (m´ediane. 49. Le signal composite est alors parfois utilis´e tel quel [16]. le taux d’agr´ement exprime le pourcentage d’´epoques scor´ees de la mˆeme fa¸con par la m´ethode automatique et par l’expert. De plus. variance. un mod`ele de Markov cach´e [48] ou bien des r`egles plus empiriques [49]. de part sa proportion plus ou moins importante. alors que ce taux descendra `a 50% si ce sont les stades 2 qui sont mal class´es. le scorage attendu est du type veille/sommeil lent (stades 1. 42] d’autre part. 51]. qui reste la r´ef´erence m´edicale. variance) ou le nombre de mouvements. il ne faut pas perdre de vue que le scorage du sommeil est un d´ecoupage en stades discrets d’un processus qui est lui plutˆot continu. parfois filtr´e en trois bandes . 2. 47]. influence grandement le taux d’agr´ement global et il convient de ne pas se limiter `a cette seule variable pour juger de l’efficacit´e d’un syst`eme de scorage automatique.30 ´ CHAPITRE 1. La premi`ere concerne l’importance de la taille des classes. 50% de stade 2. notamment car elle refl`ete l’activit´e du syst`eme parasym- pathique [46]. Ces taux peuvent descendre `a 50% pour des patients au sommeil alt´er´e scor´es par des experts issus de laboratoires diff´erents. il est possible d’obtenir un taux d’accord de 80% quand les stades de sommeil paradoxal sont mal class´es. La nature du stade mal class´e. Ainsi.

la discrimination des ´etats de veille. Ce type de syst`eme s’appuie parti- culi`erement sur des param`etres calcul´es `a partir des valeurs m´edianes et des variances des rythmes cardiaque et respiratoire. ´ 1. 55]. Ceux-ci utilisent g´en´eralement une couche cach´ee. Enfin. sommeil lent et de sommeil orthodoxe atteint parfois un taux d’accord de 80%. la classification de l’´epoque est bas´ee sur une observation locale d’attributs. 1. . ce qui s’explique par le fondement physiologique de ces stades.4 Conclusions concernant l’´ etude men´ ee dans ce document Cette ´etude des m´ethodes de scorage du sommeil fait ressortir un certain nombre d’informations utiles pour la suite de notre travail. une seconde phase. D’abord. bien que moins d´evelopp´ees que les techniques polygraphiques. 2 et 4 pour le second. [16] indique un taux d’agr´ement de 52 `a 75% pour un scorage classique en six classes . L’utilisation de syst`emes de classification autorisant une certaine souplesse dans la prise de d´ecision (comme les m´ethodes floues ou connexionistes) sont g´en´eralement `a privil´egier. 54. Dans la premi`ere. Notamment. Enfin. Lorsque la nuit est enti`erement class´ee de cette mani`ere. La principale difficult´e rencontr´ee par les syst`emes de classification automatique du sommeil r´eside dans la d´etermination des stades de sommeil 1 et 3. est effectu´ee. CONCLUSIONS CONCERNANT L’ETUDE ´ DANS CE DOCUMENT MENEE 31 [51. dite de rescorage. comprenant une quinzaine de neurones. qui sont essentiellement d´efinis comme des transitions entre les stades 0 et 2 pour le premier. 52] afin d’en extraire le signal cardiaque.4. nous retiendrons que la classification est souvent op´er´ee en deux ´etapes. Certaines ´epoques sont alors requalifi´ees en fonction de l’´evolution globale de la nuit. nous savons que les techniques de scorage automatique du sommeil bas´ees sur l’´etude des signaux de mouvement et des param`etres cardio-respiratoires. les donn´ees cardiorespiratoires sont tr`es utilis´ees pour la d´etection automatique des apn´ees du sommeil [53. offrent des perspectives int´eressantes de r´esultats. le signal respiratoire et le signal actim´etrique. Les r´eseaux de neurones sont particuli`erement recommand´es pour leur robustesse. Les r´esultats sont beaucoup plus variables que dans le cas de la polysomnographie automatique.

.

C’est ce syst`eme qui adapte le rythme cardiaque global aux besoins du corps. que l’on peut observer sur un signal ´electrocardiographique [56. 57]. nous avons recherch´e la r´eponse au probl`eme de l’estimation des rythmes cardiaque et respiratoire du cot´e des m´ethodes classiques d’estimation spectrale. Il s’agit du mod`ele TV- TIPFM pour Time-Varying Threshold Integral Pulse Frequency Modulation. Ces derni`eres se distinguent par la d´efinition d’un mod`ele dont la sortie est conditionn´ee par les param`etres appliqu´es `a son entr´ee. corr´el´es au rythme respiratoire. Il prend en compte deux signaux biologiques r´egulant le rythme de sortie des battements. L’utilisation courante de la mod´elisation consiste `a d´eterminer les param`etres d’entr´ee du mod`ele `a partir de la connaissance du mod`ele et de l’observation de sa sortie. c’est-`a-dire qu’il ralentit ou acc´el`ere son oscillation propre selon les contraintes m´ecaniques dont il est l’objet. nous nous sommes tourn´es vers une autre famille de m´ethodes : les m´ethodes param´etriques. Le premier refl`ete la contribution du syst`eme nerveux autonome.Chapitre 2 Exploitation de la mod´ elisation physiologique du signal de variation de pression art´erielle pour l’estimation des rythmes cardiaque et respiratoire Dans un premier temps. observables . Celui-ci simule les m´ecanismes aboutissant `a la g´en´eration des battements cardiaques. Dans notre cas. Nous avons notamment utilis´e plusieurs estimateurs bas´es sur le p´eriodogramme. Une mod´elisation a particuli`erement retenu notre attention. `a l’origine des battements cardiaques. c’est le signal de variation de pression art´erielle qui repr´esente l’observation disponible. Celui-ci poss`ede en effet la propri´et´e de se comporter comme un quartz. Le mod`ele TVTIPFM que l’on se propose d’utiliser permet justement de d´eterminer ces deux signaux biologiques `a partir de la suite des battements cardiaques. Ceux-ci ne nous apportant pas une totale satisfaction (particuli`erement pour l’estimation de la fr´equence respiratoire). Le second explique les acc´el´erations et ralentissements. Celles-ci sont dues aux contraintes m´ecaniques exerc´ees par les poumons sur le nœud sinoatrial.

1 Mod´ elisation de la g´ en´ eration des battements cardiaques Le mod`ele TVTIPFM. l’al- gorithme exploitant ce mod`ele ainsi que ses performances sont d´etaill´es dans une derni`ere partie. Fig. l’´equilibre entre l’activit´e du syst`eme nerveux sympathique et celle du syst`eme nerveux parasympathique (les deux formant ensemble le syst`eme nerveux autonome) varie au cours de la nuit [58]. `a partir de la localisation des battements cardiaques. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 34 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE sur le signal de variation de pression art´erielle. nous acc`ederions d’une part `a une image du signal respiratoire et d’autre part `a une image de la contribution du syst`eme nerveux autonome. ce qui suppose l’existence d’une deuxi`eme contribution `a ces variations. De cette mani`ere. Dans un second temps.1 – Mod`ele TVTIPFM de g´en´eration des battements cardiaques Nous avons choisi de caract´eriser les contributions des signaux `a l’origine des battements . Nous d´etaillons dans ce chapitre l’exploitation de la mod´elisation TVTIPFM en vue d’es- timer la fr´equence respiratoire. ´ CHAPITRE 2. A court terme. d´evelopp´e par Seidnejad et Kitney [60]. 2. nous expliquons comment obtenir. En effet. les signaux qui en sont `a l’origine. est un mod`ele de g´en´eration de battements cardiaques. l’introduction d’agents bloquants ou la dissection de ces nerfs ne suppriment pas totalement cette variation. c’est surtout le premier qui nous int´eresse mais le second peut s’av´erer utile pour l’analyse du sommeil. Pour cela nous pr´esentons en premier lieu les fondements th´eoriques de ce mod`ele. La variation de type sinuso¨ıdal du signal d’´ecart entre battements (aussi appel´e signal HRV pour Heart Rate Variability) est appel´ee arythmie sinusale respiratoire. Il est admis que la variation r´esiduelle de rythme est due `a la d´eformation du nœud sinoatrial (r´egion du coeur `a l’origine des impulsions g´en´erant les battements cardiaques) sous l’effet du retour veineux du sang mais surtout de la respiration [61]. Or cette ´evolution est source d’information sur le stade de sommeil [46. Les battements cardiaques pr´esentent la particularit´e d’avoir une p´eriode entre battements qui varie au cours du temps. Enfin. Il est commun´ement admis que ces variations sont le reflet de la contribution du syst`eme nerveux autonome. Encore faut-il qu’elle soit lisible sur le signal estim´e. 59]. Cependant. 2.

appliqu´es au mod`ele.3) et (2. ont ´et´e ` a l’origine de la g´en´eration de ce signal de battements cardiaques. .1 Le mod` ele TVTIPFM D’apr`es la figure 2. un battement cardiaque est g´en´er´e.4) on obtient l’expression suivante qui servira de point de d´epart `a notre m´ethode de calcul : Z tk k−1 X λ(t)dt − a(tj ) = a(tk ) 0 j=1 Z tk k X =⇒ λ(t)dt = a(tj ) k = 1. 2.2.1) 0 La deuxi`eme impulsion sera. la premi`ere impulsion sera produite `a l’instant t1 lorsque l’´egalit´e suivante sera v´erifi´ee : Z t1 λ(t)dt = a(t1 ) (2. 0 0 Z tk k−1 X = λ(t)dt − a(tj ) (2.1. . caract´eris´ee par l’expression : Z t2 λ(t)dt = a(t2 ) t1 Z t2 Z t1 = λ(t)dt − λ(t)dt 0 0 Z t2 = λ(t)dt − a(t1 ) (2. `a la respiration.4) 0 j=1 En combinant les expressions (2. K (2. et la valeur d’int´egration est remise `a z´ero.3) tk−1 Z tk Z tk−1 = λ(t)dt − λ(t)dt . tandis que le signal a(t) repr´esente celle de la d´eformation du noeud sinoatrial. ´ ERATEURS 2. repr´esent´e sur la figure 2. ainsi que le mod`ele qui l’a g´en´er´e. 2.2) 0 On peut caract´eriser de la mˆeme fa¸con la k i`eme impulsion : Z tk λ(t)dt = a(tk ) (2. Le signal λ(t) simule la contribution du syst`eme nerveux autonome `a la g´en´eration des battements cardiaques. Lorsque l’int´egration de λ(t) d´epasse la valeur de seuil donn´ee par a(t).2. g´en´er´ee `a l’instant t2 . . OBTENTION DES SIGNAUX GEN ´ ` PARTIR DU SIGNAL DE A BATTEMENTS 35 cardiaques par le mod`ele TVTIPFM.2 Obtention des signaux g´ en´ erateurs ` a partir du signal de battements 2.5) 0 j=1 . laquelle est li´ee. elle. . rappelons-le. . . et la valeur de cette int´egration est compar´ee au signal a(t).1. Connaissant le signal de battements cardiaques. il nous est a priori possible de retrouver les signaux λ(t) et a(t) qui. Le signal λ(t) est int´egr´e.

L) =  (2. K (2.. 2.   . continuons notre d´eveloppement en substituant les expressions (2. d´efinissons les matrices suivantes :   φi (t1 ) φi+1 (t1 ) . . . soit :   L Z tk L k 0 X X X αi ϕi (t)dt = −βi  θ(tj ) k = 1.. . ..8) i=0 0 i=0 j=1 En notant φ(t) la fonction telle que φi (t) = ϕi (t) − ϕi (0). tK . ... L) =  (2. . . φL (t2 )  Φ(t1 . . . . . θL (tj )  .. . .8) peut ˆetre exprim´ee de la fa¸con suivante :   XL L X Xk αi φi (tk ) = −βi  θ(tj ) k = 1. sous forme matricielle :     α0 φ0 (t1 ) φ1 (t1 ) . . . φL (t1 )  φi (t2 ) φi+1 (t2 ) ... .. L} et {θi . . .. . . . .. . L} : L 0 X λ(t) = αi ϕi (t) (2... φL (t1 ) θ0 (t1 ) θ1 (t1 ) . . i = 0 . i = 0 .  β0 . . .         XK XK XK   β1    φ0 (tK ) φ1 (tK ) . . . . θ (t )   P2 i 1 P2 i+1 1 P2 L 1 j=1 θi (tj ) j=1 θi+1 (tj ) . ... . . .   . Afin de pouvoir reconstruire les signaux λ(t) et a(t). .. K (2. j=1 θL (tj )   Θ(t1 .      j=1 j=1 j=1  αL   = 0(2.. . . .10)  . nous allons consid´erer leur d´ecomposition en une somme pond´er´ee de fonctions issues des bases {ϕi . .   . . . . . .7) i=0 0 Les fonctions ϕi (t) ´etant suppos´ees d´erivables telles que ϕi (t) = dϕi (t)/dt. φL (tK ) θ (t ) θ (t ) .6) et (2. . j=1 θL (tj ) . l’expression (2. .. i. θL (t1 )  2 2 2   α1  .. φL (t2 ) θ0 (tj ) θ1 (tj ) . . . . la connaissance des param`etres ind´etermin´es αi et βi permet de reconstruire les fonctions λ(t) et a(t).5).  j=1 j=1 j=1 βL Pour plus de simplicit´e dans les notations. ´ CHAPITRE 2. . . .7) dans l’expression (2.  φi (tK ) φi+1 (tK ) .. .9) i=0 i=0 j=1 Soit encore. . . EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 36 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE o`u K repr´esente le nombre de battements observ´es.6) i=0 XL a(t) = −βi θi (t) (2. i. Pour cela.. De cette fa¸con. .12)   . . θL (tj )  . . . φL (tK ) θ0 (tj ) θ1 (tj ) .11)   .. tK . X X X      φ0 (t2 ) φ1 (t2 ) . 2.  PK PK PK j=1 i jθ (t ) θ j=1 i+1 j(t ) .

 j=1 j=1 βL Soit. tK . X X    α0 t1 + β0     φ1 (t2 ) . le mod`ele TVTIPFM fait intervenir des signaux a(t) et λ(t) poss´edant chacun une compo- 0 sante continue... tK .L Φ(t1 . ´ ERATEURS 2.L et β 0.19) nous permettra d’acc´eder aux αi et βi . . 0.. .14) L’expression (2..16) adc = −β0 θ0 (t) (2. .18)  β1  .   = − .15) les termes impliquant ϕ0 (t) et θ0 (t). d’o` u: 0 λdc = α0 ϕ0 (t) (2. L) Θ(t1 . Les valeurs de α0 et de β0 seront d´etermin´ees par le signal de battements. . . par construction.15).19) β 1. . L) Θ(t1 .L = α0 α1 . sous forme simplifi´ee : " #   α1. φL (t2 ) θ1 (tj ) ..L α0 et β0 ´etant d´etermin´es par la moyenne des intervalles entre battements. tk . Le choix se porte sur des fonctions trigonom´etriques. . . En effet. L) =0 (2. 0.     α1 φ1 (t1 ) .  T α0. tK .           XK XK   β2   α0 tK + Kβ0  φ1 (tK ) .10) devient alors : " #   α0. .  (2.   . 0. αL (2. Il nous reste maintenant `a d´efinir les fonc- 0 tions ϕi (t) et θi (t). . . il nous faut convertir ce syst`eme d’´equations homog`ene en un syst`eme non homog`ene.18) en assurant la g´en´eration de colonnes lin´eairement ind´ependantes. tK . seules les fonctions ϕ0 (t) et θ0 (t) poss`edent une composante continue. les fonctions 0 ϕ0 (t) et θ0 (t) sont choisies ´egales `a 1. 0. βL (2. .. . ..13)  T β 0. l’expression (2. il est n´ecessaire d’´emettre des hypoth`eses sur les termes de l’´equation (2. . elles pr´esentent l’int´erˆet de fournir une solution unique `a l’´equation (2. 0) + β0 Θ(t1 . .15) β 0. 1. θL (tj )  . OBTENTION DES SIGNAUX GEN ´ ` PARTIR DU SIGNAL DE A BATTEMENTS 37 Et les vecteurs α0. . ce qui implique que φ0 (t) = t. .L caract´erisant les d´ecompositions de λ(t) et a(t). Nous supposerons que dans notre mod`ele.. . . Pour cela.L   Φ(t1 . θL (t1 )  2 2   α2  . . et plus particuli`erement sur les fonctions θ0 et φ0 . φL (tK ) θ1 (tj ) . 0) (2. Cette hypoth`ese nous permet d’extraire 0 de l’´equation (2.L = β0 β1 . φL (t1 ) θ1 (t1 ) .. θL (tj )  .. . 1. .2.L Pour obtenir les αi et βi . Hormis l’int´erˆet de v´ehiculer l’id´ee de composante fr´equentielle. . L) =− α0 Φ(t1 .      α0 t2 + 2β0 j=1 j=1 αL      . tK . ..17) La composante continue de ces signaux ´etant par d´efinition une constante. .

assurant par-l`a la conser- vation de ces propri´et´es.22) Cette expression n’a g´en´eralement. 1. tK . 0. 0) + β0 Θ(t1 .2. ϕi (t) et θi (t). 1. Cette op´eration est. 0) + β0 Θ(t1 . L) ]. 0. . De plus. 0) + β0 Θ(t1 . tK . 0. 0. tK . Son ´ecriture formelle est : dL2 (Ax. simple : il suffit. tK . L) ] et de la multiplier `a −[ α0 Φ(t1 . L) Θ(t1 . dans le contexte d’application qui est le nˆotre. . Pour gagner en simplicit´e de nota- tion. en principe.L β 1. Avec ces nouvelles notations. donne le vecteur d’ob- servation −[ α0 Φ(t1 . . tK . pour dimensions respectives n × 1 et m × 1. On qualifie un tel syst`eme d’´equation d’inconsistant. 5. tK . nous consid´erons que la matrice A est suppos´ee de taille m × n avec m et n quel- conques. 0) en y.20) 2 θi (t) = sin(2π(flow + p∆f )t) θi+1 (t) = cos(2π(flow + p∆f )t) i−1 i = 1. il n’est pas possible de proc´eder de cette fa¸con car cette m´ethode ne fournit un r´esultat fiable uniquement dans le cas o` u les temps ti sont parfai- tement connus et o` u les signaux λ(t) et a(t) se d´ecomposent parfaitement en une somme 0 pond´er´ee des fonctions de base. 3. .19) devra donc ˆetre r´esolue d’une autre mani`ere : par la m´ethode des moindres carr´es. L − 1 p= (2. tK . 1. 2. 0. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 38 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE De plus. et le vecteur − α0 Φ(t1 . les fonctions choisies sont d´efinies par les relations : 0 ϕi (t) = cos(2π(flow + p∆f )t) 0 ϕi+1 (t) = sin(2π(flow + p∆f )t) i−1 i = 1. nous allons temporairement renommer le vecteur [ α1. ´ CHAPITRE 2. . 1. tK .21) 2 ∆f repr´esente la r´esolution fr´equentielle choisie et flow la plus petite des fr´equences d’ex- cursion. mul- tipli´e par la matrice de donn´ee [ Φ(t1 . nous cherchons donc `a d´eterminer le vecteur de coefficient x qui satisfasse : Ax = y (2. .19) d’inverser la matrice [ Φ(t1 . afin de conserver la possibilit´e d’utiliser les r´esultats dans le cas le plus large possible. L) ] en A. L) Θ(t1 . eux. Plus pr´ecis´ement. Plusieurs raisons expliquent cela et notamment les erreurs de mesure des instants de battements. la matrice   [ Φ(t1 . 0. .L ]T qui. leur d´erivation donne aussi une fonction trigonom´etrique. tK . tK . Il existe plusieurs d´efinitions de ”plus proche possible” et nous avons choisi d’utiliser la distance L2. nous allons plutˆot chercher le vecteur de coefficients x tel que le vecteur Ax soit le plus proche possible du vecteur y.2 Mise en œuvre pratique Le probl`eme consiste `a chercher le vecteur de coefficients [ α1.L β 1. Les vecteurs x et y auront.L ]T en x.19). L) Θ(t1 . 1.23) . 3. 0) ] pour obtenir les αi et βi . d’apr`es l’´equation (2. Cependant. il est possible de r´esoudre l’´equation (2. pas de solution. Les fonctions de base ´etant choisies. Mais dans notre cas. tK . puis de reconstruire les signaux λ(t) et a(t) `a l’aide des αi et βi d´etermin´es. tK . aucune de ces conditions n’est remplie et c’est pourquoi cette m´ethode se r´ev`ele inappropri´ee. L − 1 p= (2. . 1. 5. L’´equation (2. y) = kAx − yk2 = x∗ A∗ Ax − x∗ A∗ y − y ∗ Ax − y ∗ y) (2. En cons´equence. 0) ].

et de sa projection dans un espace suppl´ementaire `a PA : y = y + PA y − PA y = PA y + [I − PA ]y (2. Si l’on construit une matrice B de dimension m × r par concat´enation des vecteurs de la base B.24) on obtient : A = PA A (2. il nous faut. R = [B ∗ B]−1 B ∗ A (2. qui elle. une base de mˆeme dimension que le rang r de la matrice A (r = min(m.27) Comme B est de rang plein par construction.)∗ d´esigne l’op´erateur de conjugaison transposition. alors il existe une matrice R de taille r × n qui permet d’exprimer la matrice A `a partir des vecteurs de la matrice B.26) avec : PA = B[B ∗ B]−1 B ∗ (2. pr´emultiplier les deux cot´es de l’´equation par B ∗ . Th´ eor` eme de Pythagore Remarquons que nous pouvons ´ecrire y comme une somme de sa projection dans l’espace de projection de PA .28) PA2 = PA∗ PA = B([B B]−1 )∗ B ∗ B([B ∗ B]−1 )∗ B ∗ = PA ∗ (2. OBTENTION DES SIGNAUX GEN ´ ` PARTIR DU SIGNAL DE A BATTEMENTS 39 O`u (. est carr´ee. et de plus Hermitienne ([B ∗ B]∗ = [B ∗ B]) donc inversible. qui est le mˆeme que celui de A. pour obtenir la matrice de coefficients R. De ce fait.24) La matrice B n’´etant pas obligatoirement carr´ee. soit : PA∗ = (B[B ∗ B]−1 B ∗ )∗ = B([B ∗ B]−1 )∗ B ∗ = PA (2. ce qui s’´ecrit formellement [62] : A = BR (2. D´ ecomposition de la matrice de donn´ ees A Soit B.30) . ´ ERATEURS 2. Tout vecteur compris dans le sous espace engendr´e par A pourra donc s’exprimer comme une combinaison lin´eaire de A ou de B.25) En rempla¸cant R par son expression dans l’expression (2. Nous cherchons donc `a d´eterminer le vecteur x qui minimisera cette expression. n)) et qui engendre le mˆeme sous espace vectoriel que la matrice A. l’espace d’arriv´ee de la projection orthogonale est identique `a celui de B.2.29) Nous allons utiliser ces propri´et´es pour poursuivre notre d´eveloppement. tous les vecteurs colonnes de A pourront s’exprimer comme une combinaison lin´eaire des vecteurs de B. puis par l’inverse de [B ∗ B]. PA est une matrice de projection orthogonale et poss`ede la particularit´e d’ˆetre idempotente et Hermitienne.

Minimisation de l’erreur quadratique Parmi l’ensemble de solutions. qui vaut alors k[I − PA ]yk2 . Afin de r´esoudre ce probl`eme d’optimisation. Le vecteur x0 qui satisfait cette condition permet de minimiser la norme de l’erreur quadratique. L’erreur quadratique s’exprime alors de la fa¸con suivante : kAx − yk2 = kAx − (PA y + [I − PA ]y)k2 = k(Ax − PA y) + ([I − PA ]y)k2 (2. r´e´ecrivons le probl`eme `a r´esoudre : x0 = arg min x∗ x  (2. nous l’avons dit plus haut. nous allons utiliser la m´ethode des multiplicateurs de Lagrange. il est toujours possible de d´eterminer un vecteur x0 tel que Ax0 = PA y et donc d’annuler le premier terme de l’´equation (2.31) L’espace. le th´eor`eme de Pythagore peut s’appliquer au calcul de la norme de l’erreur soit : kAx − yk2 = k(Ax − PA y) + ([I − PA ]y)k2 = kAx − PA yk2 + k[I − PA ]yk2 (2. ´ CHAPITRE 2. engendr´e par PA y est. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 40 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE Les vecteurs PA y et [I − PA ]y sont en fait orthogonaux car leur produit scalaire est nul : [PA y]∗ [I − PA ]y = y ∗ PA∗ [I − PA ]y = y ∗ PA∗ [I − PA ]y = y ∗ [PA∗ − PA∗ PA ]y = 0 (2.34) s.33) Comme Ax et PA y sont contenus dans le mˆeme espace vectoriel. identique a` celui engendr´e par A.32) Or les vecteurs Ax et PA y sont contenus dans R(A) et [I − PA ]y est contenu dans R(A)⊥ . que nous noterons R(A). λ) = x∗ x + λ(Ax − PA y) (2. Pour cela.33).35) Afin de d´eterminer les points stationnaires du lagrangien. Appelons alors R(A)⊥ l’espace engendr´e par [I − PA ]y. Ces espaces ´etant orthogonaux.37) ∂λ .q Ax − PA y = 0 ´ Ecrivons ensuite le lagrangien de cette expression : l(x. il apparaˆıt raisonnable de s´electionner le vecteur x0 qui poss`ede la plus petite norme.36) ∂x ∂l = Ax − PA y (2. Le vecteur x0 qui minimise la norme de l’erreur quadratique est donc tel qu’il minimise l’expression x∗ x sous la contrainte Ax = PA y. il nous faut commencer par calculer ses gradients : ∂l = 2x∗ + λA (2.c.

de rang r. les matrices B ∗ B et R∗ R sont toutes deux carr´es de dimension r. son rang est ´egal `a celui de M ∗ .40) 2 Et l’expression (2.43) .2. qu’une condition n´ecessaire et suffisante pour qu’une matrice soit inversible est que sa dimension ´egale son rang.38) nous permet de conclure sur la solution optimale : x0 = R∗ [RR∗ ]−1 [B ∗ B]−1 B ∗ y (2. leur rang est r car quelque soit une matrice M . l’inverse de Moore-Penrose de la matrice A d´efini par : A† = R∗ [RR∗ ]−1 [B ∗ B]−1 B ∗ (2.38) 2 Rempla¸cons maintenant x0 par son expression donn´ee par l’´equation (2. inversibles. et R est une matrice r × n de rang r. il vient : λ − AA∗ = B[B ∗ B]−1 B ∗ y 2 λ =⇒ − (BRR∗ B ∗ ) = B[B ∗ B]−1 B ∗ y 2 λ ∗ =⇒ − (B B)(RR∗ B ∗ ) = (B ∗ B)[B ∗ B]−1 B ∗ y 2 λ =⇒ − (RR∗ B ∗ ) = [B ∗ B]−1 B ∗ y 2 λ =⇒ − [RR ] (RR∗ )B ∗ ∗ −1 = [RR∗ ]−1 [B ∗ B]−1 B ∗ y 2 λ =⇒ − B ∗ = [RR∗ ]−1 [B ∗ B]−1 B ∗ y 2 λ =⇒ − A∗ = R∗ [RR∗ ]−1 [B ∗ B]−1 B ∗ y (2. De plus. ´ ERATEURS 2. Pr´ecisons. car cela est important pour les manipulations qui vont suivre. ∂l = 0 ⇐⇒ 2x∗0 + λA = 0 ∂x λ ⇐⇒ x0 = − A∗ (2. a priori. nous allons effectuer un certain nombre de manipulations A qui ont pour but de parvenir `a l’expression de x0 . Or dans notre cas.38) dans la deuxi`eme ´equation annulatrice du gradient : λ Ax0 = PA y ⇐⇒ − AA∗ = PA y 2 λ ⇐⇒ − AA∗ = B[B ∗ B]−1 B ∗ y (2. Elles sont donc toutes deux inversibles.39) 2 ` partir de cette expression. B est une matrice m × r.42) Avec A† . OBTENTION DES SIGNAUX GEN ´ ` PARTIR DU SIGNAL DE A BATTEMENTS 41 Cherchons maintenant les points qui annulent ces gradients. Par contre.41) Le vecteur x0 qui minimise la norme de l’erreur quadratique kAx − PA yk2 est donc : x0 = A† y (2. En ins´erant 2. tout comme `a celui de M M ∗ et de M ∗ M .24 dans 2.39. Elles ne sont donc pas.

0 sinon (2. et que celle-ci poss`ede les mˆemes valeurs propres que la matrice A∗ A [62.49) k=1 k=1 . Ces vecteurs sont norm´es comme le montre le calcul suivant : vk ∗ A∗ Avk kuk k2 = σk σk 1 ∗ ∗ = vk A Avk σk2 1 ∗ 2 = vk σk vk σk2 = 1 (2. . qui d´ecoulent du choix d’une base B permettant de g´en´erer le mˆeme espace vectoriel que A. Pour cela. avec k = 1. alors on peut ´ecrire : A∗ Avk = σk2 vk 1≤k≤n (2.48) : Avk = σk uk 1≤k≤r (2. 63]. Comme A est de rang r.44) Concernant les valeurs propres σk2 (le carr´e signifiant qu’elles sont positives).45) Maintenant.47) Les vecteurs propres orthonorm´es de la matrice AA∗ associ´es aux valeurs propres σk2 sont donc les vecteurs uk d´efinis par la relation (2. nous pouvons pr´eciser que les n−r derni`eres valeurs propres sont nulles. On obtient : AA∗ Avk = σk2 Avk 1<k<n (2. elle est d´efinie semi-positive ce qui assure une positivit´e de ses valeurs propres. not´ees σk2 . appel´ee matrice de Gram associ´ee `a A. Elle est Hermi- tienne et donc diagonalisable. Cr´eons maintenant les vecteurs uk tels que uk = Avk /σk . on a : vi ∗ vk = δk−i . De plus. . De plus.48) par vk ∗ et en sommant les r ´egalit´es on a : r X r X ∗ Avk vk = σk uk vk ∗ (2. d´efinissons- les lignes par ordre d´ecroissant de sorte que σk2 > σk+1 2 .44) par A. Si on nomme vk ses n vecteurs propres. .48) En postmultipliant la relation (2. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 42 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE D´ ecomposition en valeurs singuli` eres Le calcul du vecteur x0 n´ecessite la manipulation de matrices B et R. int´eressons-nous `a A∗ A.o` u δk−i = 1 si k = i. . ´ CHAPITRE 2. n. Bien qu’il existe une infinit´e de bases qui conviennent. il est intuitivement int´eressant d’en utiliser une qui soit la plus appropri´ee possible au signal. de par le fait que la matrice d´ecompos´ee est sym´etrique. pr´emultiplions (2.46) On d´eduit de cette ´egalit´e que les r premiers vecteurs Avk sont les vecteurs propres de la matrice AA∗ .

Ainsi.42 : x0 = V Σ−1 U ∗ y (2. En effet. OBTENTION DES SIGNAUX GEN ´ ` PARTIR DU SIGNAL DE A BATTEMENTS 43 Comme. et en calculant d’apr`es l’expression 2.23) est facilement obtenu en effectuant une d´ecomposition en valeurs singuli`eres de A. appliquer telle quelle cette m´ethode peut conduire `a des r´esultats m´ediocres.50) k=1 k=1 Or les vk forment une base orthonormale (relation (2.2.45)).54) Le probl`eme que l’on cherche `a r´esoudre se formule alors par : yˆ = Ax (2. l’on sait que les n − r derni`eres valeurs propres de Avk sont nulles. Pour cela. yˆ = y + w (2. et donc on a V V ∗ = V ∗V = I : r X A = σk uk vk ∗ k=1 = U ΣV ∗ (2. De ce fait la matrice V de dimension m × n compos´ee des vecteurs colonne vk est orthonormale. d’apr`es la relation (2.52) O`u Σ est une matrice diagonale donc tr`es facilement inversible. Ceci constitue la d´ecomposition en valeurs singuli`eres de la matrice A. la matrice A comporte des impr´ecisions. le vecteur x0 qui minimise la norme euclidienne de l’erreur d´efinie par (2.55) . la mod´elisation Ax = y constitue une approximation de la mod´elisation r´eelle. on obtient : A† = R∗ [RR∗ ]−1 [B ∗ B]−1 B ∗ = V Σ∗ [ΣV ∗ V Σ∗ ]−1 [U ∗ U ]−1 U ∗ = V Σ−1 U ∗ (2. dˆu `a la pr´ecision limit´ee des instants ti .24) et en posant B = U et R = ΣV ∗ .44). on peut augmenter l’indice de somme de r `a n. Il est cependant possible de l’adapter de sorte `a minimiser les perturbations induites par les impr´ecisions. en se rappelant l’expression (2. De ce fait. commen¸cons par mod´eliser de fa¸con plus ad´equate le probl`eme : l’impr´ecision de la mesure se traduit par un bruit sur l’observation. On obtient alors : n X r X A vk vk ∗ = σk uk vk ∗ (2. de mˆeme que la matrice y.51) O`u Σ est la matrice diagonale constitu´ee des valeurs propres σk . Pr´ecisons que les vecteurs de U et de V sont orthonormaux c’est `a dire que U ∗ U = V ∗ V = I. En effet. Moore Penrose et valeur singuli` ere L’int´erˆet de la d´ecomposition en valeur singuli`ere devient ´evident lorsque l’on revient ` a notre probl`eme.53) R´ eduction du bruit : rehaussement de matrice En fait. ´ ERATEURS 2.

52. Nous avons vu que l’estimateur au sens des moindres carr´es du syst`eme (2. est. Pour les calculer.57) Tandis que sa matrice de covariance vaut : y − E[ˆ Ryˆyˆ = E{[ˆ y ]]∗ } y − E[ˆ y ]][ˆ = E{[y + w − y]][y + w − y]]∗ } = E[ww∗ ] = Rww (2.55) est donn´e par : ˆLS = A† yˆ x = A† Ax + A† w (2.51 et 2. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 44 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE Il n’y a typiquement pas de raisons pour que le bruit se trouve dans le sous espace vectoriel engendr´e par A. ´ CHAPITRE 2. consistent (c’est `a dire le syst`eme parfait. lui. De fa¸con classique. si l’on pouvait ne commettre aucune erreur de mesure). il nous faut poser des hypoth`eses sur la nature du bruit.58) On peut donc d´esormais calculer la moyenne de notre estimateur x ˆLS : xLS ] = E[A† yˆ] E[ˆ = A† E[ˆ y] = A† Ax (2. centr´e et non corr´el´e `a x.56) Avec A† . alors mˆeme que le syst`eme Ax = y. Biais de l’estimateur E[ˆ xLS ] En raison de l’hypoth`ese que nous venons de poser sur le bruit. De ce fait.60) k=1 . la moyenne de yˆ prend pour valeur : E[ˆ y ] = E[y + w] = E[y] + E[w] = y+0 = Ax (2. cette expression est ´equivalente `a : xLS ] = V Σ−1 U ∗ U ΣV ∗ x E[ˆ = V V ∗x Xr = (vk ∗ x)vk (2.59) D’apr`es 2. la matrice inverse de Moore-Penrose. nous le choisissons blanc. le probl`eme ci-dessus est typiquement inconsistant. Examinons maintenant la qualit´e de cet es- timateur au travers de son biais et de sa variance.

Int´eressons-nous maintenant `a la variance de cet estimateur. on a l’´egalit´e suivante : x∗ y = Tr(yx∗ ). on a Rww = σ 2 In . celui ayant la plus faible dispersion autour de la valeur moyenne sera le plus fiable et c’est cette qualit´e de dispersion des valeurs autour de la moyenne que caract´erise la variance. OBTENTION DES SIGNAUX GEN ´ ` PARTIR DU SIGNAL DE A BATTEMENTS 45 Le biais de cet estimateur peut alors ˆetre calcul´e : b = x − E[ˆxLS ] Xr = In x − (vk ∗ x)vk k=1 n X r X ∗ = (vk x)vk − (vk ∗ x)vk k=1 k=1 Xn = (vk ∗ x)vk (2. xLS ] Variance de l’estimateur E[ˆ Calculons donc la matrice de covariance de x ˆLS : RxˆLS xˆLS xLS − E[ˆ = E[ˆ xLS ]][ˆ xLS ]]∗ xLS − E[ˆ = E[A† Ax + A† w − A† Ax][A† Ax + A† w − A† Ax]∗ = E[A† ww∗ A†∗ ] = A† Rww A†∗ (2. o`u Tr(. on sait que.) repr´esente l’op´erateur trace.61) k=r+1 On apprend alors que cet estimateur est non biais´e seulement si la matrice A(m × n) est de rang n. on obtient : xLS ]k2 } = σ 2 Tr(V Σ−1 Σ−1 V ∗ ) xLS − E[ˆ E{kˆ r 2 X 1 = σ Tr(vk vk ∗) σk2 k=1 r 2 X 1 = σ (2. En rempla¸cant la covariance de w par sa valeur. ´ ERATEURS 2. pour deux vecteurs colonnes x et y de mˆeme taille.62) Int´eressons-nous maintenant `a la valeur de l’erreur quadratique moyenne de l’estimation : xLS ]k2 } = E{kA† Ax + A† w − A† Axk2 } xLS − E[ˆ E{kˆ = E{kV Σ−1 U ∗ wk2 } = E{(V Σ−1 U ∗ w)∗ (V Σ−1 U ∗ w)} (2.2.63) Or. De ce fait : xLS ]k2 } = E{Tr(V Σ−1 U ∗ w)(w∗ U Σ−1 V ∗ )} xLS − E[ˆ E{kˆ = Tr(V Σ−1 U ∗ Rww U Σ−1 V ∗ ) (2. De deux estimateurs ayant le mˆeme biais.65) σk2 k=1 .64) Le bruit ´etant blanc.

les produits vk uk ∗ ui vi ∗ sont nuls si k 6= i. Ainsi. .68) σk σk k=1 k=1 Comme les uk sont des vecteurs orthonormaux.69) σk k=p+1 k=1 La valeur moyenne de cet estimateur est alors : n p (p) X ∗ X vk uk ∗ E[ˆ xLS ] = E[x + (vk x)vk + w] σk k=p+1 k=1 n X = x+ (vk ∗ x)vk (2. .66) k=1 Sa matrice inverse de Moore-Penrose s’´ecrit alors : p †(p) X 1 A = vk uk ∗ (2. de rang p : p X A(p) = σk uk vk ∗ (2. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 46 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE Afin de limiter les perturbations li´ees `a ces faibles valeurs propres. 2.67) σk k=1 Voyons maintenant les performances de l’estimateur utilisant la matrice de rang r´eduit A(p) : (p) ˆLS = A†(p) yˆ x = A†(p) Ax + A†(p)!w p p p ! ! X 1 ∗ X ∗ X 1 ∗ = vk uk σk uk vk x + vk uk w σk σk k=1 k=1 k=1 p p ! ! v u ∗ X 1 X k k = vk uk ∗ (σ1 u1 v1∗ + σ2 u2 v2∗ + .68 est ´equivalent `a : p p ! (p) X ∗ X vk uk ∗ xˆLS = vk vk x + w σk k=1 k=1 n n p ! v u ∗ X X X k k = vk vk ∗ x + vk vk ∗ x + w σk k=1 k=p+1 k=1 n p ! v u ∗ X X k k = x+ (vk ∗ x)vk + w (2. + σr ur vr ∗ )x + w (2. et valent vk vk ∗ sinon. ´ CHAPITRE 2.70) k=p+1 De cette valeur moyenne.71) k=p+1 . De ce fait. nous d´eduisons le biais de l’estimateur : (p) b(p) = x − x ˆLS Xn = (vk ∗ x)vk (2. Consid´erons alors la matrice de rang r´eduit A(p) . on peut imaginer de ne pas les inclure dans la reconstruction de la matrice A† . supposons que les p − r derni`eres valeurs propres sont suffisamment faibles pour ˆetre consid´er´ees comme du bruit.

Toutefois.2.61 : n X n X ∗ kb (p) 2 k − kbk 2 = k 2 (vk x)vk k − k (vk ∗ x)vk k2 (2.74) σk2 k=1 On observe donc que l’erreur quadratique moyenne de l’estimateur utilisant la matrice de rang r´eduite n’inclut plus les r − p plus faibles valeurs propres dont on avait suppos´ees qu’elles ´etaient dues au bruit. le th´eor`eme de Pythagore peut leur ˆetre appliqu´e. leur norme est unitaire donc : n X n X kb(p) k2 − kbk2 = k(vk∗ x)vk k2 − k(vk∗ x)vk k2 k=p+1 k=r+1 Xn n X = kvk∗ xk2 − kvk∗ xk2 k=p+1 k=r+1 Xr = kvk∗ xk2 (2. . OBTENTION DES SIGNAUX GEN ´ ` PARTIR DU SIGNAL DE A BATTEMENTS 47 Et il nous reste `a le comparer au biais obtenu pr´ec´edemment en 2. la norme au carr´e d’une somme de ces vecteurs est ´egale `a la somme des normes au carr´e de chacun de ces vecteurs. . il est possible de diminuer l’erreur quadratique de l’estimation en supprimant les r−p plus faibles valeurs propres. .73) k=p+1 Il apparaˆıt alors que cette diff´erence est sup´erieure `a 0 d`es lors qu’un au moins des produits scalaires entre les vecteurs vk et x est non-nul. ´ ERATEURS 2. De plus. vr }. . Ainsi. cette suppression des plus faibles valeurs propres doit ˆetre raisonnable car elle se fait au prix d’une augmentation du biais. En cons´equence. Examinons maintenant l’erreur quadratique moyenne de l’estimateur :    2   r p ∗w r  2 X ∗ X u k X ∗ E{kˆ xLS − E[ˆ xLS ]k } = E x − (vk x)vk + vk − x −  (vk x)vk   σk  k=p+1 k=1 k=p+1  2  p  X uk ∗ w  = E vk  σk  k=1 ( p ) X uk ∗ w 2 = E σk k=1 p X E[(uk ∗ w)(uk ∗ w)∗ ] = σk2 k=1 p X uk ∗ Rww uk = σk2 k=1 p X 1 = σ2 (2. . En d’autres termes. cet estimateur poss`ede un biais plus important que l’estimateur `a matrice pleine xLS d`es lors que x poss`ede des composantes non nulles dans le sous espace vectoriel d´efini par les vecteurs {vp+1 .72) k=p+1 k=r+1 Comme les vecteurs vk sont orthonormaux.

. 6.20. A†(p) . et le signal a(t) `a l’aide de 2. La fa¸con de proc´eder est alors la suivante : 1.21. " On calcule # le vecteur de param`etres α1L = −V Σ−1(p) U T [ α0 Φ(t1 . 0. nous pouvons conclure que la solution au (p) probl`eme d’estimation (2. tK+2 . tK+2 . tK+2 . EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 48 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE 2. 1. 0) ]. elle-mˆeme ´etant la matrice inverse de Moore-Penrose de la matrice A.3. La matrice de donn´ees [ Φ(t1 . On construit le vecteur d’observation [ α0 Φ(t1 . Or nous avons choisi pour nombre d’´equations K = 2L+2. Nous avons donc tous les ´el´ements en main pour r´esoudre notre probl`eme de d´epart qui concerne la r´esolution de l’´equation (2.6 et 2. tK+2 . et ∆f la r´esolution fr´equentielle. en accord avec la contrainte (2.75) ∆f O`u Tl est la dur´ee de l’enregistrement trait´e. On g´en`ere le signal λ(t) `a l’aide des relations 2. 2. 1.20) et (2. avec. le principe d’incertitude d’Heinsenberg nous contraint `a l’in´egalit´e : 1 ≥ Tl (2. Puis on d´etermine sa d´ecomposition en valeur singuli`ere ([ Φ(t1 . tK+2 . En effet. tK+2 .2 Choix des param` etres du mod` ele On ne peut choisir librement les valeurs `a affecter aux diff´erents param`etres interve- nant dans l’algorithme. 0) + β0 Θ(t1 .19). Les fr´equences fh et fl sont d´efinies. 0) ] β 1. 0. les relations (2. 1.L O`u Σ†(p) repr´esente la matrice inverse de Σ dont on a mis `a z´ero les r − p plus faibles valeurs propres.6 et 2.76) ∆f O` u L est le nombre d’inconnues. T 4. L) ] est cal- cul´ee.1 Pr´ esentation de l’algorithme D’apr`es les d´erivations pr´esent´ees ci-avant. ´ CHAPITRE 2. Nous allons voir que cette in´egalit´e impose des restrictions `a nos param`etres. tK+2 . 0) + β0 Θ(t1 .3 Algorithme d’estimation des variables du mod` ele 2.77) le nombre de battements `a prendre en compte et de ce fait la dur´ee Tl de l’enregistrement. 0. 1. L) Θ(t1 .79). 5. l’approximation au rang p de la matrice A† .21) donnent : L−2 fh = fl + ∆f 2 2(fh − fl ) ⇒L = +2 (2. On d´efinit de mˆeme la r´esolution fr´equentielle.22) qui minimise le carr´e de l’erreur quadratique est xLS = A†(p) y. L) ] = U ΣV ). tK+2 . 3. On en d´eduit `a l’aide de la relation (2. L) Θ(t1 . 0. En effet. 2.3.

25Hz. cherch´e `a v´erifier la validit´e de ce mod`ele. si nous consid´erons une dur´ee d’enregistrement de Tl .77) ∆f D’autre part. en premier lieu.78) T0 En admettant ∆f << 1/T0 . Puis. Nous avons. K vaut : K = 2L + 2 4(fh − fl ) = +6 (2. nous ne conservons que les plus grandes valeurs propres. la matrice Σ† est approxim´ee au rang inf´erieur. on utilise la matrice non tronqu´ee pour calculer les signaux λ(t) ˆ ˆ Ceux-ci sont et a(t).4 R´ esultats La m´ethode propos´ee permet de reconstruire les signaux a ˆ ˆ(t) et λ(t) `a partir des trains de battements cardiaques qu’ils g´en`erent lorsqu’ils sont inject´es dans un mod`ele TVTIPFM. on obtient l’in´egalit´e suivante r´egissant le compromis existant entre l’excursion fr´equentielle et la p´eriode moyenne entre deux battements cardiaques : 1 fh − fl ≤ (2. f0 = 1/T0 vaut 1Hz et cette in´egalit´e nous autorise une excursion fr´equentielle de 0. ´ 2.79) 4T0 Typiquement. Dans ce cas. r´einject´es dans le mod`ele TVTIPFM et la somme des carr´es des ´ecarts entre les instants de battements r´eels. telles que leur somme aboutit `a 99% de la trace de la matrice Σ† . Avec ces mˆemes signaux nous avons. De ce fait : 1 ≥ KT0 ∆f 1 K ≤ T0 ∆f 4(fh − fl ) 1 +6 ≤ ∆f T0 ∆f 1 4(fh − fl ) ≤ − 6∆f (2. et si T0 correspond a` l’intervalle moyen entre deux battements cardiaques (dans notre cas T0 vaut typiquement une seconde). analys´e .80) σk σk k=1 k=1 2. et l’erreur est calcul´ee de nouveau. Le choix du rang p de la matrice r´eduite peut ˆetre effectu´e de mani`ere it´erative [60]. En pratique. En l’occurrence. Cette valeur de 99% a ´et´e d´etermin´ee exp´erimentalement comme ´etant la valeur qui minimise la moyenne et l’´ecart-type moyens de l’erreur commise sur l’estimation de la fr´equence respiratoire : p r X 1 X 1 = 0. L’algorithme est arrˆet´e lorsque la courbe d’erreur atteint un minimum. Pour des raisons de mise en œuvre mais aussi et surtout de coˆ ut de calcul. nous avons proc´ed´e diff´eremment. dans un second temps. en utilisant pour cela des signaux synth´etiques.4. et ceux estim´es est mesur´ee. alors on peut ´ecrire que K ≈ Tl /T0 . le nombre K de battements `a prendre en compte pour le calcul des signaux intervenant dans le mod`ele TVTIPFM est impos´e par cette relation.99 (2. RESULTATS 49 De ce fait.

4. On peut le voir sur la figure 2. dans un premier temps. pour finir par l’utilisation du signal de variation de pression art´erielle.82) On observe que les signaux reconstitu´es se superposent quasi parfaitement avec les signaux originaux.81) a(t) = 1 + 0. nous avons estim´e ˆ les signaux λ(t) et a ˆ(t) susceptibles de les avoir engendr´e et nous les avons compar´es aux signaux λ(t) et a(t) effectivement utilis´es.4t − π/3) (2.3t + π/4) (2. ´ CHAPITRE 2. `a une donn´ee plus directement observable et v´erifiable : le rythme respiratoire.4.82. (b) : a(t) et a ˆ(t).4 sin(2π0.1 Validation du mod` ele ` a partir de signaux synth´ etiques Pour cela.2 qui repr´esente la superposition des signaux λ(t) ˆ et a ˆ(t) reconstitu´es avec les signaux λ(t) et a(t) effectivement appliqu´es au mod`ele TVTIPFM. (a) (b) Fig. Or.1. On sait par construction que le signal a(t) est essentiellement li´e `a la respiration.2 – Signaux 2. nous avons appliqu´e au mod`ele des signaux λ(t) et a(t) synth´etiques. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 50 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE l’estimation de la fr´equence respiratoire.3 sin(2π0. lesquels ont g´en´er´e des trains de battements cardiaques. Seulement. inject´es dans le mod`ele TVTIPFM et signaux reconstruits ˆ par l’algorithme d´ecrit en 2.3 cos(2π0. Nous avons poursuivi l’analyse de cet estimateur en employant un signal ´electrocardiographique r´eel. le contenu spectral de ce signal doit pr´esenter une raie d’amplitude importante `a la fr´equence respiratoire. C’est pourquoi nous nous sommes int´eress´es.2 Estimation de la fr´ equence respiratoire ` a partir du mod` ele TV- TIPFM L’int´erˆet du mod`ele TVTIPFM r´eside dans sa capacit´e `a d´eterminer les signaux d’ac- tivation sympathique. 2. (a) : λ(t) et λ(t). 2. A ` partir de ces battements.3. lesquels sont peut-ˆetre en lien avec le sommeil. En cons´equence. les coefficients β(i) associ´es aux fonctions θ(i) repr´esentent .81 et 2. 2.2t) − 0. ce qui nous permet de conclure `a la validit´e du mod`ele. nous ne pouvons nous baser sur ces signaux pour valider la m´ethode d´evelopp´ee dans la mesure o` u ceux ci nous sont inconnus car non enregistr´es dans le cas d’un enregistrement de sommeil (et mˆeme non observables). ces derniers ´etant d´efinis par : λ(t) = 1 + 0.

3t + π/4) − 0.79). Rappelons que les valeurs estim´ees doivent th´eoriquement se superposer `a la droite d’´equation y = x. . On estime la fr´equence de a(t) dans ces conditions et on d´ecale de 0.12Hz. ´ 2.3 sin(2πfa t) (2.4 sin(2π0. La borne haute de la fenˆetre (fhigh ) prend donc la valeur 0.85) O` u fa est la fr´equence du signal a(t).3.83 et la fr´equence r´eelle du signal a(t) conditions cet estimateur s’av`ere correct puisqu’il est centr´e et de variance n´egligeable. qui passe ainsi .36Hz. 3. Nous avons donc choisi comme estimateur de la fr´equence respiratoire la fr´equence `a laquelle est associ´e le coefficient β(i) le plus fort en valeur absolue.84) a(t) = 0. habituellement observ´ees durant le sommeil.79.01Hz la fenˆetre d’observation. .01Hz. Dans ces Fig.3 cos(2π0.25Hz.24Hz afin de respecter la contrainte (2. Les valeurs donn´ees `a λ(t) et a(t) sont respectivement : λ(t) = 1 + 0. cal´ee sur les fr´equences [0. . nous observons quelle est la fr´equence fˆr estim´ee lorsque la fr´equence du signal a(t) balaie la fenˆetre d’analyse. Conform´ement `a 2. Le pas fr´equentiel utilis´e pour ce test est de 0. Pour cela. pour peu que la fr´equence du signal a(t) fasse partie de la fenˆetre d’analyse.83) 2 Cet estimateur nous ´evite de surcroˆıt de proc´eder `a une coˆ uteuse reconstruction des signaux ˆ ˆ λ(t) et a(t).3 – Comparaison de la fr´equence d´elivr´ee par l’estimateur 2.42]Hz.4. RESULTATS 51 le contenu spectral du signal a(t).4t + π/3) (2. 2. on choisit une fenˆetre de dimension 0. Estimation fr´ equentielle sur la plage de fr´ equence Afin de s’assurer que le coefficient β(i) maximal correspond effectivement `a la fr´equence de a(t) (laquelle donne la fr´equence respiratoire). 0. la dur´ee de la fenˆetre est de 0. 5. o` u i0 = argk max β(k) k ∈ {1. L − 1}(2. on d´efinit la fr´equence basse (flow ) `a 0. Puis. Le r´esultat est port´e sur la figure 2. Analyse de l’influence d’un d´ ecentrage de la fenˆ etre Dans une seconde ´etude on s’int´eresse `a ´evaluer si la capacit´e de d´etection est identique sur l’ensemble de la fenˆetre d’observation. . soit i0 − 1 fˆr = flow + ∆f .18.

25Hz. On se rend bien compte sur la figure que la valeur estim´ee de la fr´equence de a(t) est toujours celle qui est la plus proche possible de la valeur r´eelle.2Hz et 1. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 52 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE a` [0.87) et avons ´evalu´e la pr´ecision de l’estimation de la fr´equence de a(t). Le choix du pas fr´equentiel ne modifie pas la qualit´e de l’estimation autrement que par la quantification impos´ee par cette valeur. on l’a dit.4.79) est contraignante. Fig.86) et (2.01Hz et on fait ´evoluer fhigh entre 0. Les signaux sont d´efinis comme suit : λ(t) = 1 + 0.79).86) a(t) = 0. La figure 2.4 sin(2π0. 0.37]Hz. ´ CHAPITRE 2. On fixe flow `a 0. ce qui n’est pas possible en raison de la limitation donn´ee par la relation (2.3t + π/4) − 0.4t − π/3) (2. on reprend les signaux (2.25Hz) ce qui est. pour diff´erentes valeurs de ∆f . nous avons repris les signaux donn´es en (2.5 illustre cette ´etude.87). On r´ep`ete l’op´eration jusqu’`a ce que flow atteigne la valeur 0. Il apparaˆıt clairement sur celle-ci que l’estimation est correcte. 2.3 cos(2π0.4 – Visulisation de l’effet du d´ecentrage de la fenˆetre d’observation Analyse de l’influence de la valeur de ∆f Nous nous sommes ensuite int´eress´es `a ´evaluer l’impact du choix du pas fr´equentiel ∆f sur la qualit´e de l’estimation.2Hz. Sur celle-ci sont port´es en noir les fr´equences associ´es aux coefficients β(i). Pour cela.5 sin(2π0. A ` chaque . ce qui suppose de rajouter `a notre syst`eme un dispositif pr´ealable d’estimation grossi`ere de cette fr´equence.5Hz). somme toute. Pour ce faire. Nous avons alors cherch´e `a ´evaluer la d´egradation de l’estimation lorsque l’on emploie une fenˆetre de taille sup´erieure `a cette contrainte.18Hz.86) et (2. ∆f `a 0. tant que la fenˆetre d’observation comprend la fr´equence du signal a(t) (0. parmi celles formant la base de d´ecomposition. Param´ etrage de la dimension de la plage d’excursion fr´ equentielle L’in´egalit´e (2. logique.13. N´eanmoins cette ´evidence nous impose soit d’utiliser une ex- cursion fr´equentielle suffisamment grande pour couvrir l’ensemble des fr´equences respiratoires possible (environ 0. Celles-ci sont ´evidemment plus ou moins proches selon la valeur de ∆f . dans la mesure o` u la taille de la fenˆetre utilisable est inf´erieure `a la plage de fr´equence que peut parcourir le signal a(t).25t) (2.87) On observe les r´esultats sur la figure 2.1 `a 0. soit de connaˆıtre au pr´ealable la fr´equence respiratoire approximative afin de pouvoir d´efinir l’excursion fr´equentielle autour de cette raie.

. dans le mod`ele. On se retrouve en dehors de la condition th´eorique (2. fix´ee `a 0. oxym´etrie ou bien encore le signal de variation de pression art´erielle). laquelle est.79) Pourtant. et ce.18 + 0. nous laisserait penser que l’on peut augmenter la taille de la fenˆetre d’observation.25Hz.25 = 0. Cependant. l’estimation reste correcte mˆeme lorsque la contrainte (2. il s’agit ici de signaux synth´etiques. on estime la fr´equence du signal a(t). 2. Analyse de l’influence des erreurs de mesure sur les instants de battements Une diff´erence essentielle entre signaux synth´etiques et signaux r´eels est l’impr´ecision sur la mesure des instants de battements cardiaques. Avant d’employer des signaux r´eels nous avons souhait´e ´evaluer le comportement de cette m´ethode dans le cas o` u les battements comportent une erreur raisonnable sur leur localisation.43Hz.5 – Estimation d’une fr´equence respiratoire de 0. comme on le voit sur la figure 2. 2.4. et rien ne nous garantit que ce comportement sera observable sur les signaux r´eels. ce qui a priori. ´ 2. quel que soit le signal utilis´e (ECG. dans le cas d’un signal r´eel. Fig.6. RESULTATS 53 Fig. En effet.25Hz pour diff´erentes valeurs de ∆f fois.79) n’est pas satisfaite.6 – Estimation de la fr´equence respiratoire lorsqu’on emploie une excursion fr´equentielle sup´erieure `a celle d´efinie par (2.79) d`es lors que fhigh d´epasse la valeur 0. suivant la forme du battement en lien avec la technique de d´etection utilis´ee. sa localisation peut varier.

nous pouvons l’employer sur des signaux r´eels. ´ CHAPITRE 2.25Hz et son estimation a ˆ(t). La reconstruction du signal a ˆ(t) n’est. Une raison `a cela est que la d´ecomposition en valeur singuli`ere a justement pour but de limiter l’impact de ces erreurs. on d´eclare ˆetre en pr´esence d’un battement.83.4. Dans un premier temps. nous avons artificiellement introduit des erreurs dans les localisations des bat- tements en les rapprochant plus ou moins. de fa¸con al´eatoire. 2. nous avons appliqu´e au mod`ele les signaux (2. mˆeme lorsque une valeur ´elev´ee est choisie pour σ. pas exempte d’erreur comme on peut en voir un exemple sur la figure 2. dans ce cas. Tout comme nous le verrons plus loin pour la d´emodulation AMFM. les instants de battements cardiaques sont d´etermin´es sur un signal ´electrocardiographique enregistr´e par un mat´eriel m´edical `a la fr´equence d’´echantillonage de 256Hz. On observe cependant que le spectre de ce signal pr´esente quand mˆeme un maximum `a la fr´equence recherch´ee (figure 2. quitte `a ce que celles-ci se r´ev`elent insuffisantes pour certains des signaux ´electrocardiographiques. une bonne d´etection par l’estimateur 2. (a) (b) Fig.86) et (2. Cette ´etape n’´etant que transitoire en vue de l’application de la m´ethode au signal composite.7(b)). ce qui assure. La fr´equence .3 Application ` a des signaux ECG r´ eels Maintenant que la validit´e th´eorique de la m´ethode d’estimation de la fr´equence respi- ratoire est v´erifi´ee. La difficult´e fut pr´ecis´ement de d´eterminer les instants de battements cardiaques. nous avons rajout´e `a chaque localisa- tion de battement une erreur al´eatoire. (b) : Spectre associ´e au signal a ˆ(t) 2. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 54 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE Pour cela. Ce battement ne correspond donc pas strictement `a l’onde R d’un signal ECG mais les ´ecarts entre les battements sont conserv´es. un seuil ´etait d´etermin´e dynamiquement sur chaque ´epoque du signal ECG (ce seuil est donn´e par les deux tiers de l’amplitude maximale prise par le signal d´eriv´e `a l’ordre 5 du trac´e ´electrocardiographique) et chaque fois que ce seuil est d´epass´e dans le sens montant.7(a). de fr´equence 0. l’erreur est pr´esente mais la m´ethode d’estimation est insensible `a la forme qu’elle revˆet. Puis.88) Cette erreur est le produit d’un coefficient σ et d’une valeur b(n) issue d’un bruit blanc uniforme de puissance unit´e. Concr`etement. Les tests montrent que l’estimation n’est pas perturb´ee par l’introduction de cette erreur. d´efinie comme suit : e(n) = σb(n) (2.87). par contre. Concr`etement.7 – (a) : Signal a(t). nous avons pris le parti de n’utiliser que des m´ethodes simples de d´etection de battement.

´ 2. relativement bien suivies.8 – Estimation de la fr´equence respiratoire `a partir d’un signal de battements donn´e par ECG 2. avec x(n) le signal composite et N = 0. Physiquement. Fig. par construction. elles. C’est pourquoi nous nous sommes concentr´es. S’il est vrai que le mod`ele ne permet pas de suivre les valeurs hautes de la fr´equence respiratoire (voir notamment les environs de l’indice 1200). La limitation majeure de cette m´ethode est qu’elle amplifie ´egalement tout pic parasite.42Hz. sur la d´etection de battements cardiaques lorsque le signal n’est pas trop bruit´e. D´ etection des battements Pour cela. 2.8. de fa¸con `a marquer encore . Cette op´eration est ensuite r´ep´et´ee une seconde fois. RESULTATS 55 respiratoire de r´ef´erence est obtenue par le p´eriodogramme du signal d´elivr´e par une sangle thoracique de l’´epoque correspondante. dans un premier temps. produire une estimation sup´erieure `a 0. ce qui rend la tˆache difficile. Le r´esultat est donc globalement acceptable et nous encourage `a poursuivre avec l’application de la m´ethode au signal composite.2 secondes environ.4. ce qui explique le mauvais suivi des valeurs hautes de fr´equence respiratoire. nous l’avons vu.4 Application au signal de variation de pression art´ erielle L’application du mod`ele TVTIPFM au signal de variation de pression art´erielle n´ecessite de d´etecter les battements cardiaques sur ce signal. Elle est plus faible partout ailleurs. les variations comprises dans la fenˆetre d’excursion fr´equentielle sont. li´e. Notons que le mod`ele ne peut.2/F e (F e est la fr´equence d’´echantillonnage). la valeur y(n) est ´elev´ee. Ce filtrage r´ealise donc une mise en ´evidence des battements cardiaques. Or. non plus `a un battement cardiaque mais `a un bruit. On observe le r´esultat sur la figure 2. ce signal est parti- culi`erement bruit´e. nous r´ealisons l’op´eration de filtrage y(n) = x(n) − x(n − N ). lorsque l’indice n correspond au sommet d’une surpression li´ee `a un battement cardiaque. Ce filtrage s’appuie sur une propri´et´e du signal composite qui est que la premi`ere partie d’une surpression art´erielle li´ee au battement cardiaque s’´etend sur 0.4. cette fois.

9. Nous avons donc eu recours `a une validation visuelle des instants de d´etection. on observe seulement 0. est port´e sur la figure 2. Puis. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 56 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE plus la distinction entre les battements cardiaques et le reste du signal. lequel est fix´e dynamiquement (il s’agit de la variance du signal). Ces bons r´esultats. on localise ces battements en comparant les amplitudes de chacun des points `a un seuil. Chaque estimation correspond `a une ´epoque d’une dur´ee de trente secondes. L’´ecart-type de l’erreur (σ = (fr (n)−f r (n)) N −1 ) nous renseigne ensuite sur la dispersion des valeurs autour de cette moyenne. `a laquelle nous aurions pu comparer nos localisations estim´ees. mais que des sauts `a des valeurs hautes ou basses se produisent. 2.9 – Estimation de la fr´equence respiratoire `a partir du signal composite par utilisation du mod`ele TVTIPFM. Les tests men´es sur les autres signaux de cette base de test ont abouti `a des r´esultats similaires. bien que de port´ee limit´ee. On remarque que l’estimation est globalement correcte. nous ont amen´es `a utiliser cette m´ethode de d´etection de battement pour tester le mod`ele TVTIPFM sur les bases de donn´ees exp´erimentales. Celui-ci est de 20%. pour laquelle le signal de variation de pression art´erielle est ´echantillonn´e `a 128Hz. les grandes tendances de la courbe de r´ef´erence sont suivies. sur un signal de cinq minutes comprenant 296 battements. On calcule l’erreur moyenne PN fˆr (n)−fr (n) d’estimation par la relation µ = n=1 N . ´ CHAPITRE 2. Sur cette base de test. Celle-ci donne −1% ce qui signifie que q ˆ 2 l’estimateur est centr´e. ce qui n’est pas n´egligeable. Le r´esultat de la base de test. La validation de cette m´ethode de localisation des battements cardiaques `a partir du signal composite est difficile dans la mesure o` u nous ne disposons pas d’une localisation pr´ecise et exacte des battements cardiaques. Fig. Ainsi. qui comprend quatre fichiers. Premiers r´ esultats sur signaux r´ eels La technique TVTIPFM est alors employ´ee sur la base de donn´ee de Nantes. Une ´etude plus pr´ecise explique ces 0.6 secondes d’´ecart par la fausse d´etection de deux battements c’est `a dire que l’algorithme a d´etect´e sur le signal composite deux battements qui n’en ´etaient pas et donc ne se retrouvaient pas sur le signal de r´ef´erence.6 secondes d’´ecart en moyenne par rapport `a la r´ef´erence. . Ainsi. la d´etection des battements cardiaques `a partir du signal composite s’est av´er´ee efficace.

S’il est vrai que des erreurs sont relev´ees. l’approximation de la matrice de Moore-Penrose. ´ 2. `a l’exemple de la p´eriode report´ee en figure 2. Mais peut-ˆetre que le crit`ere utilis´e ne permet pas une approximation optimale de la matrice selon ce point. surtout dans la mesure o` u. Il est pos- sible que ce soit.10 – Illustration du comportement de la m´ethode de d´etection des battements car- diaques `a partir du signal composite. Normalement. dont nous pr´esentons les performances ci-apr`es. Σ† . Nous avons donc r´ealis´e un crit`ere de coupure bas´e sur un saut de 25% dans la distribution des valeurs propres.4. C’est `a dire que la distribution des valeurs propres est analys´ee et si une valeur propre est inf´erieure de plus de 25% de la valeur propre la pr´ec´edant. . car un saut important existe dans les premi`eres valeurs propres alors que l’approximation de la matrice `a ces premi`eres valeurs propres donne des r´esultats erron´es. la mauvaise localisation de ceux qui sont bien d´etect´es qui soit `a l’origine des erreurs. Une premi`ere hypoth`ese est la mauvaise d´etection des battements cardiaques (des battements seraient omis ou bien des battements suppl´ementaires seraient localis´es). Pour le v´erifier nous avons ´etudi´e d’autres crit`eres. la valeur de 25% a ´et´e d´etermin´ee exp´erimentalement parmi l’intervalle [5 − 50]% comme ´etant celle qui minimise l’erreur d’estimation moyenne de la fr´equence respiratoire. en sus de l’omission ou de l’ajout de battements cardiaques.2. nous l’avons vu au paragraphe 2. l’approximation de la matrice de d´ecomposition permet de limiter l’influence de telles erreurs. C’est donc une des sources d’erreurs possibles mais certainement pas la seule. L`a encore. RESULTATS 57 Nous avons alors cherch´e `a comprendre les raisons de ces sauts de valeurs. Nous avons alors recherch´e une autre hypoth`ese pour l’origine de ces erreurs. Pr´ecisons que le saut n’est recherch´e que dans les deux derniers tiers des valeurs propres. Nous avons donc ´etudi´e de pr`es la localisation estim´ee des battements cardiaques.10. ces erreurs sont ponctuelles et la d´etection des battements est globalement correcte. 2. alors cette valeur propre et les suivantes sont fix´ees `a z´ero. L’hypoth`ese que nous posons est que le saut observ´e est dˆ u `a la s´eparation entre les valeurs propres li´ees `a l’espace signal et celles li´ees `a l’espace bruit. Fig.4. Autre crit` ere d’arrˆ et de l’algorithme : d´ etection d’un saut dans les valeurs propres La distribution des valeurs propres laisse g´en´eralement apparaˆıtre plusieurs sauts entre des valeurs contig¨ ues. a pour but de limiter l’influence de telles erreurs.

On recommande donc. respectivement mauvaise.12 ce que donne l’emploi de cette norme. du point de vue des r´esultats. On observe en figure 2. alors cette approximation est bonne.89).11 – D´etermination de l’approximation de la matrice Σ† par observation d’un saut dans la distribution des valeurs propres. Les r´esultats sont comparables `a ce que donne le crit`ere bas´e sur la somme des valeurs propres (les ´ecart-types sont d’ailleurs identiques).85. obtenue en tronquant la d´ecomposition en valeurs singuli`ere de A `a l’ordre p. la norme de Frobenius ´etant d´efinie par la relation (2.89) σ12 + σ22 + . . Les r´esultats sont port´es sur la figure 2. respectivement 1. Si la norme est proche de 0. . . d´efinie par la relation : kA − A(p) k2F ρ(p) = kAk2F s 2 σp+1 2 + σp+2 + . Ceux-ci se r´ev`elent de qualit´e l´eg`erement inf´erieure `a l’arrˆet obtenu par sommation des valeurs propres. la figure montre bien que les sauts de fr´equence autour de la r´ef´erence sont plus nombreux que pr´ec´edemment. En effet. + σr2 Cette norme nous renseigne sur la qualit´e de l’approximation r´ealis´ee d’une matrice A par une matrice A(p) . l’un ou l’autre de ces deux crit`eres. Il est cependant `a noter que le premier d’entre eux est de mise en œuvre plus ais´ee. Cette observation est confort´ee par les r´esultats statistiques qui donnent un ´ecart-type de 27% (au lieu de 20%). Autre crit` ere d’arrˆ et de l’algorithme : Norme de Frobenius Nous avons ´egalement analys´e l’int´erˆet de la norme de Frobenius. La valeur de p est d´etermin´ee comme ´etant l’indice de la valeur propre pour laquelle la norme de Frobenius de la matrice approxim´ee devient inf´erieure `a 0. 2. . . EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 58 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE Fig. ´ CHAPITRE 2. pour une erreur moyenne nulle. + σr2 = (2.11.

Au rang de celles-ci nous pouvons citer la trop faible efficacit´e de la d´etection des battements cardiaques. moins contraint d’un point de vue calculatoire et m´emoriel. Une autre contrainte forte de cette m´ethode est la dur´ee d’observation requise. 2. l’estimation d´elivr´ee par ce mod`ele est encourageante.5 Conclusions sur l’emploi du mod` ele TVTIPFM pour la d´ etermination des signaux respiratoires Le mod`ele TVTIPFM fournit donc des premiers r´esultats int´eressants. Bien que sujette `a des erreurs. CONCLUSIONS SUR L’EMPLOI DU MODELE TVTIPFM POUR LA ´ DETERMINATION DES SIGNAUX RESPIRATOIRES 59 Fig. En sommeil. Ajoutons ´egalement que des m´ethodes permettant de pratiquer une d´ecomposition de Karhunen-Lo`eve `a faible coˆut ont ´et´e propos´ees [64].12 – D´etermination de l’approximation de la matrice Σ† par utilisation de la norme de Frobenius. . Ainsi. Nous n’avons cependant ´evalu´e `a ce stade qu’un seul param`etre. De plus. ce qui pourrait r´esoudre notre probl`eme. Il reste que cette m´ethode poss`ede un certain nombre de points faibles. Or cette dur´ee est sup´erieure `a la discr´etisation souhait´ee pour le sommeil. Parmi ceux-ci on trouve la d´ecomposition en valeur singuli`ere qu’il faut op´erer. Le nombre de mesures que l’on peut r´ealiser est alors beaucoup plus limit´e que lorsqu’une fenˆetre plus courte. de par les propri´et´es du syst`eme. la pr´ecision recherch´ee sur l’estimation fr´equentielle impose de disposer de cent battements cardiaques. ` 2. `a perfectionner. est utilis´ee. qui est de trente secondes. 2. et donc. Nous poss´edons des hypoth`eses sur les raisons probables des mauvaises estimations et celles-ci ne demandent qu’`a ˆetre explor´ees. la fr´equence respiratoire. Cette technique ne permet donc pas d’obtenir une information sur les signaux excitant le cœur suffisamment localis´ee pour pouvoir ˆetre exploit´ee ´epoque par ´epoque. de trente secondes par exemple. Nous ne les avons cependant pas encore ´evalu´ees. Cette op´eration est tr`es complexe d’un point de vue calculatoire et sa mise en œuvre dans un dispositif embarqu´e s’av`erera d´elicate. ce qui impose une dur´ee d’observation d’environ deux minutes. Il est cependant envisageable que cette m´ethode soit r´eserv´ee `a un dispositif d´ecentralis´e.5. la fr´equence cardiaque est g´en´eralement d’environ 60bpm et descend r´eguli`erement aux alentours de 50bpm. il est peu probable que deux minutes de signal ne soient pas ponctuellement perturb´ees par un bruit.

la fr´equence respiratoire varie couramment entre 0. dans la mesure o` u des r´esultats int´eressants sont d´ej`a atteints. il est possible de situer celle-ci de telle sorte qu’elle couvre la plupart des mesures `a effectuer (par exemple [0. EXPLOITATION DE LA MODELISATION PHYSIOLOGIQUE DU 60 ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE Enfin.1Hz et 0. une autre limite de cette m´ethode concerne la faible fenˆetre d’excursion dans laquelle elle est op´erationnelle. ´ CHAPITRE 2.15 − 0. Cependant.25Hz. `a r´eserver `a un dispositif autorisant un volume calculatoire ´elev´e. . il est. et des pistes pour l’am´eliorer sont envisag´ees. N´eanmoins. L’emploi du mod`ele TVTIPFM est donc prometteur.4]Hz). ce qui est sup´erieur `a la fenˆetre dont on dispose qui est de 0.5Hz. ce qui le rend a priori incompatible avec un dispositif embarqu´e. En effet. en l’´etat actuel des choses.

`a laquelle nous nous int´eresserons plus loin dans ce chapitre. modul´ee en amplitude et en fr´equence par un signal respiratoire. dont la p´eriode est d’environ quatre secondes. Chaque maximum local du signal de variation de pression art´erielle correspond `a un battement car- diaque. Omettons. auquel s’ajoute une composante additive (surlign´ee en rouge). En effet. dans cette partie. En fait. On y voit tr`es nettement un signal de type p´eriodique. pour l’instant. `a exploiter de fa¸con innovante une propri´et´e que poss`ede le signal de variation de pression art´erielle : il est possible de le mod´eliser comme une porteuse li´ee au rythme cardiaque. Ce signal est modul´e par l’activit´e respiratoire. la composante additive. Une autre modulation s’exerce sur ce signal.1 Le signal de variation de pression art´ erielle est modul´ e AMFM Nous avons cherch´e.1 repr´esente une section du signal de variation de pression art´erielle. La figure 3. ce qui provoque une modulation de l’amplitude du signal d’onde de pression art´erielle. La modulation de l’excitation de cette zone module la fr´equence de g´en´eration des battements cardiaques [56. Dans ce cha- pitre. C’est l’arythmie . qui est la r´egion `a l’origine des battements cardiaques. 57]. le volume des poumons module l’excitation de la zone sino-artriale du coeur. nous exposons une technique d’estimation des rythmes cardiaque et respiratoire qui repose sur une mod´elisation du signal de variation de pression art´erielle lui-mˆeme. le retour veineux du sang est plus ou moins frein´e selon le volume des poumons [65].Chapitre 3 Utilisation de la d´ emodulation AMFM et de la d´ ecomposition en vecteurs propres pour l’estimation des rythmes cardiaque et respiratoire Dans un premier temps nous avons recherch´e la fr´equence respiratoire en utilisant une mod´elisation du syst`eme g´en´erant le signal de variation de pression art´erielle. 3.

62 ´ CHAPITRE 3. il est possible de le mod´eliser par la relation (3.1 – Exemple de signal de variation de pression art´erielle (Fe =128Hz) En cons´equence. sous r´eserve de filtrage pr´eliminaire du signal (notamment pour ´eliminer la composante additive respiratoire). Nous avons choisi de r´ealiser cette op´eration `a l’aide de l’op´erateur d’´energie de Teager-Kaiser. 3. Pour ˆetre plus exact. est donn´ee par [66] : 2 d2 x(t)    dx(t) ψ[x(t)] = − x(t) (3. plus le noeud sino-artrial est compress´e et plus les battements sont rapides. sous certaines conditions.1) qui repr´esente une porteuse sinuso¨ıdale modul´ee en amplitude et en fr´equence :  Z t  a(t) cos[φ(t)] = a(t) cos ωc t + ωm q(τ )dτ + θ (3.2 D´emodulation AMFM du signal de variation de pression art´ erielle par l’op´ erateur de Teager La d´emodulation d’un signal modul´e `a la fois en amplitude et en fr´equence n’est pas forc´ement une tˆache ais´ee. le volume des poumons. Cette derni`ere peut ˆetre interpr´et´ee comme la somme de la fr´equence cardiaque (constante `a court terme) et du signal modulant . lequel d´epend directement des actes d’inspiration et d’expiration. L’estimation de ces donn´ees permet donc. module ´egalement en fr´equence le signal de variation de pression art´erielle. appliqu´ee `a un processus continu x(t). d’acc´eder `a des informations cardiorespiratoires. q(t) ∈ [−1.2) dt dt2 2 = [x(t)] ˙ − x(t)¨ x(t) (3. 1]. en th´eorie. Ainsi.3) Cet op´erateur peut. Fig. Plus les poumons sont gonfl´es. Sa d´efinition. il permet d’extraire du signal modul´e le modulant d’amplitude et la fr´equence instantan´ee du signal.1) 0 Dans cette relation. 3. La modulation d’amplitude (a(t)) est li´ee au retour veineux tandis que la modulation de fr´equence (q(t)) est li´ee `a la compression du coeur par les poumons. r´ealiser une d´emodulation d’amplitude et/ou de fr´equence. UTILISATION DE LA DEMODULATION AMFM sinusale respiratoire.

Cet op´erateur est en fait proche de l’op´erateur utilis´e par Pan et Tompkins dans leur m´ethode de d´etection des complexes QRS sur un ´electrocardiogramme [67].10) ≈ave ˙ 2 [a(t)φ(t)] (3.2. Comme φ¨ = ωm q(t). Nous allons les d´etailler ci-apr`es. On la notera |Ex (t)|ave .5a2 φsin(2φ) + cos2 (φ)ψ[a] (3. Int´eressons-nous maintenant `a D(t).7) : p arms = (a2 (t)) (3.7) π 0 µq repr´esente le moment spectral d’ordre q tandis que arms donne l’´ecart-type de a(t).9) Alors. 3.5 ωm ωf µq  (ωc − ωm )2 est remplie (soit Dave >> |Ex |ave ).5 a2rms ωm ωf µq (3. il est n´ecessaire que certaines contraintes th´eoriques portant sur les signaux utilis´es soient satisfaites.6) Z ∞ ave 1 µq = ω q |X(ω)| dω (3. ˙ |Ex (t)|ave peut ˆetre born´ee sup´erieurement par : |Ex |ave ≤ 2(ωa arms )2 + 0. Une ´etude de cette quantit´e donne : ˙ 2 D(t) = [a(t)φ(t)] (3.6) et (3. si la condition 2ωa2 + 0.4) | {z } | {z } D(t) E(t) Avec les d´efinitions suivantes dφ(t) φ˙ = dt d2 φ(t) φ¨ = dt2 On pourra se reporter `a [66] pour les d´etails. a(t) (respectivement q(t)) et arms et µq ´etant d´efinis par (3.2.1) donne (les d´ependances au temps ont ´et´e omises pour plus de lisibilit´e) : ψ[a cos(φ)] = (aφ) ¨ ˙ 2 + 0. le signal respiratoire.1 Extraction du produit des modulants L’application de l’op´erateur de Teager `a un signal modul´e en amplitude et en fr´equence tel que donn´e par la relation (3. L’op´erateur de Teager fait appel `a des approximations.5) o` u ωa (respectivement (ωf ) correspond `a la fr´equence maximale du spectre du signal AM (respectivement FM). on peut ´ecrire : ψ[a(t) cos(φ(t))] ≈ave D(t) (3. avec ave pour average (moyenne). image du signal respiratoire. Le modulant d’amplitude repr´esente. quant ` a lui. DEMODULATION AMFM DU SIGNAL DE VARIATION DE PRESSION ´ ARTERIELLE ´ PAR L’OPERATEUR DE TEAGER 63 de fr´equence. ´ 3. La moyenne temporelle des erreurs d’ap- proximation de ψ[a cos(φ)] par D(t) est donn´ee par la moyenne de la valeur absolue de l’erreur d’estimation.11) .8) =⇒ Dave ≥ (ωc − ωm )2 a2rms (3. Pour que celles-ci soient valides.

on peut la r´e´ecrire sous la forme suivante : ˙ = a2 ωi4 + Ex˙ ψ[x] (3.19) O(ωf2 ωi2 )  O(ωi4 ) (3.18) O(ωm ωf ωi2 )  O(ωi4 ) (3. Il n’est donc pas possible.22) . ωa ] (respectivement [−ωf . et le signal modulant d’amplitude d’autre part.13) 0 Cependant.2 sur ce signal x(t) ˙ donne : ψ[x(t)] ˙ = ψ[y1 − y2 ] = ψ[y2 ] + y˙1 2 − y1 y¨1 − 2y˙1 y˙2 + y1 y¨2 +y¨1 y2 (3. ce r´esultat n’est jamais qu’un produit de deux facteurs. dont aucun n’est connu par ailleurs.17) Une ´etude de ces termes (dont le d´etail est donn´e dans [66]) nous apprend que Ex˙ peut ˆetre approxim´e par un terme nul si les contraintes suivantes sont satisfaites O(ωa ωi3 )  O(ωi4 ) (3.1).21) et (3.22) peuvent alors ˆetre ´etablies : ψ[x(t)] ' a2 (t)ωi2 (t) (3. `a ce stade. UTILISATION DE LA DEMODULATION AMFM ˙ = ωi (t) = ωc + ωm q(t). ωf ]).21) 2 ψ[x(t)] ˙ ' a (t)ωi4 (t) (3.5a2 φ˙ 2 φ¨ sin(2φ) + sin2 (φ)(a2 ψ[φ] ˙ + φ˙ 2 ψ[a]) (3.12) Et finalement.15) O`u la d´ependance au temps a ´et´e omise dans la notation pour plus de clart´e.16) Avec Ex˙ ´egal `a : Ex˙ = y˙1 2 − y1 y¨1 − 2y˙1 y˙2 + y1 y¨2 + y¨1 y2 − 0. ψ[x(t)] ˙ peut ˆetre approxim´e par la quantit´e a2 (t)ωi4 (t) et les relations (3. La d´eriv´ee du signal x(t) est donn´ee par x(t) ˙ ˙ cos[φ(t)] − a(t)ωi (t) sin[φ(t)] = a(t) (3.14) | {z } | {z } y1 y2 L’application de l’op´erateur de Teager d´efini par 3.15).18) `a (3. `a la condition que les contraintes (3. l’op´erateur de Teager nous donne l’estimation du produit du signal modulant d’amplitude par la fr´equence instantan´ee : s   Z t  ψ a(t) cos ωc t + ωm q(τ )dτ + θ ≈ave |a(t)|ωi (t) (3.20) Ainsi.2 S´ eparation des modulants Soit x(t) le signal modul´e AMFM donn´e dans l’´equation (3. En d´eveloppant les termes de l’expression (3. on peut ´ecrire : Comme φ(t) ψ[a(t) cos(φ(t))] ≈ave (a(t)ωi (t))2 (3. 3.2. C’est sur ce point que porte le paragraphe suivant.64 ´ CHAPITRE 3. Le spectre du modu- lant d’amplitude (respectivement de fr´equence) est contenu dans [−ωa .20) soient satisfaites. de s´eparer ces deux termes en vue de d´eterminer la fr´equence instantan´ee d’une part.

Dans le cas du sommeil. APPLICATION AU SIGNAL DE VARIATIONS DE PRESSION ARTERIELLE 65 Ce qui nous permet de s´eparer.20) sont satisfaites avec ces valeurs extr´emales.22) : s ψ[x(t)] ˙ ωi (t) ' (3. la fr´equence instantan´ee du modulant d’amplitude en utilisant les relations (3. (3.24).19) et (3. En effet. Cependant. toutes les relations trouvent leurs ´equivalents dans le cas discret (voir [66]. x(t) et son signal d´eriv´e x(t) ˙ sont remplac´es par : x(t) 7−→ x(n) (3. ces valeurs se r´epartissent g´en´eralement entre 50bpm et 90bpm.2.21) et (3.18). Plusieurs algorithmes s’appuient sur ces r´esultats pour traiter le cas des signaux discr´etis´es et nous avons choisi d’utiliser l’algorithme DESA-1a [68] (pour Discrete Energy Separation Algorithm. La valeur minimale de ωc est donc 2π(fc )min = 5.27) 3. comme dans le cas des communications num´eriques par exemple.1 D´ etermination du domaine de validit´ e ”th´ eorique” L’op´erateur de Teager permet donc de r´ealiser la d´emodulation dont nous avons besoin.3 Application au signal de variations de pression art´ erielle 3.26) O` u Te est la p´eriode d’´echantillonnage. alors elles le sont dans tous les cas. et la valeur minimale de ωc . cette plage couvre aussi bien les valeurs de repos (faibles) que les valeurs d’effort intense (fortes).24 rad. ψ[x(t)] devient ψ[x(n)] : ψ[x(n)] = x2 (n − 1) − x(n)x(n − 2) /Te2  (3.24) ψ[x(t)] ˙ 3.18). Cependant. nous devons estimer les quantit´es µf . ´ 3.23) ψ[x(t)] ψ[x(t)] |a(t)| ' p (3. . fixes.23) et (3. Dans cette configuration. Une premi`ere difficult´e dans cette entreprise concerne le fait que ces quantit´es varient avec le temps et ne sont pas. Dans cet algorithme. Cette difficult´e est contourn´ee en estimant les valeurs maximales de µf . Afin de nous assurer que c’est bien le cas pour les signaux obtenus `a partir du capteur embarqu´e sur le bracelet.3 Algorithme discret Notons que l’ensemble des consid´erations th´eoriques port´ees ci-dessus traitent du cas continu. si les contraintes (3. Le 1a signifie qu’il utilise une d´eriv´ee asym´etrique calcul´e sur un intervalle de un ´echantillon). Concernant ωc . ωm et ωf . elles-mˆemes bas´ees sur les relations (3. `a la condition que les contraintes (3.20) soient satisfaites.3.25) x(t) ˙ 7−→ (x(n) − x(n − 1)) /Te (3. ωm .3.s−1 . Ce choix s’explique par un souci de facilit´e de compr´ehension. (3. ωf et ωc . on sait que la fr´equence respiratoire moyenne d’un adulte jeune ´evolue entre 50 et 150bpm (battement par minutes). [68]) et les r´esultats indiqu´es restent valables. `a partir de calculs bas´es sur l’op´erateur de Teager.19) et (3.

Un exemple du p´eriodogramme calcul´e `a partir du signal recueilli par une sangle respiratoire est donn´e `a la figure 3. la valeur maximale de ωf doit ˆetre estim´ee sur un signal dont la valeur cardiaque est la plus ´elev´ee.66 ´ CHAPITRE 3.s−1 . Ce signal met en ´evidence la modulation de fr´equence des battements cardiaques. D’abord. L’´evaluation de cette quantit´e est.5 rad. L’expression de ωi nous permet de d´eduire le syst`eme suivant :  (ωi )min = ωc − ωm ωi (t) = ωc + ωm q(t) =⇒ (3. La seconde limitation est pos´ee par le caract`ere non born´e du spectre de ce signal. . En pratique. Mais les forces s’exer¸cant sur le capteur ne sont pas n´ecessairement les mˆemes que celles s’exer¸cant sur le cœur ou sur vaisseaux sanguins. une question d´elicate. on aboutit `a l’estimation (ωf )max = 12. on ne dispose pas du signal respiratoire modulant la pression art´erielle.2rad. Puis. Le r´esultat donne ωm = 0. leur diff´erence est calcul´ee et fm = ωm /2π est estim´ee par la moiti´e de cette diff´erence. Enfin. En effet.28) (ωi )max = ωc + ωm Ce syst`eme permet d’acc´eder `a la valeur wm `a partir des valeurs des fr´equences angulaires instantan´ees du signal cardiaque.2 – P´eriodogramme d’une section de signal respiratoire Le param`etre ωm est d´etermin´e en utilisant une observation du signal RR (signal repr´esentant l’´evolution des intervalles de temps s´eparant deux ondes R successives sur un ´electrocardiogramme en fonction du temps). Fig. plus le rythme cardiaque est ´elev´e et plus le rythme respiratoire l’est aussi (en r´ealit´e c’est le rythme respiratoire qui impose sa valeur au rythme cardiaque). la troisi`eme limitation concerne le choix du signal repr´esentatif sur lequel effectuer cette mesure. en th´eorie simple `a r´ealiser. trois limitations interviennent. on ne sait pas si la profondeur de modulation varie avec le rythme cardiaque. Il suffit d’observer la densit´e spectrale du signal respiratoire modulant et de mesurer la fr´equence la plus ´elev´ee. La mesure de (ωf )max peut donc ˆetre effectu´ee sur les signaux `a notre disposition. 3.s−1 . UTILISATION DE LA DEMODULATION AMFM (ωf )max correspond `a la fr´equence maximale du spectre du signal respiratoire modulant la pression art´erielle. On dispose.2. On pose cependant l’hypoth`ese que le contenu fr´equentiel de ces deux informations est le mˆeme dans la mesure o` u dans les deux cas c’est le mˆeme ph´enom`ene qui en est `a l’origine. d’un signal refl´etant la compression d’un capteur par le remplissage des pou- mons. les valeurs minimales et maximales du signal RR sont d´etermin´ees et converties en fr´equences instantan´ees. Nous avons alors choisi d’attri- buer `a (ωf )max la valeur de fr´equence au-del`a de laquelle une d´ecroissance significative de la puissance. dans le cas d’une sangle abdominale ou thoracique. C’est pourquoi nous avons r´ep´et´e cette op´eration sur un ensemble repr´esentatif de signaux et nous avons moyenn´e les diff´erentes estimations de ωm . en l’occurrence 10dB. est observ´ee. Cependant le choix du signal sur lequel effectuer cette mesure est. En cons´equence. En effet. dans le cadre de la fourchette ´enonc´ee plus haut. Pour cela. l`a aussi. En proc´edant de la sorte sur l’ensemble de la base de donn´ees `a notre disposition. on construit le signal RR `a partir du signal ECG. Ensuite.

´ 3. modul´es en amplitude et en fr´equence.3Hz et n’est mˆeme que rarement inf´erieure `a 0.18) et (3.2 rad. Calculons alors les plages de fr´equences cardiaque et respiratoire pour lesquelles les contraintes (3.s (3. Nous appellerons ces plages de fr´equence le domaine de validit´e. Ils nous indiquent uniquement que celle-ci comportera une erreur.30) −1 ωf = 12. les caract´eristiques temporelles de celle-ci le sont tout autant.08Hz pour que l’erreur de d´emodulation soit suffisamment faible pour ˆetre n´eglig´ee. eu ´egard `a la mani`ere dont sera trait´e le signal issu de la d´emodulation.8 Hz En supposant qu’un rapport de grandeur de 10 satisfait la condition tr`es inf´erieur ` a.3. nous avons : ωm = 0.s (3.34) O(ωf2 ωi2 ) ≈ 3906 (3. il n’en va pas de mˆeme pour les contraintes (3.5 rad.33) O(ωm ωf ωi2 ) ≈ 62.5 (3.36) Si la contrainte (3. des premiers tests nous ont montr´e qu’il ´etait possible d’obtenir de bons r´esultats avec cette m´ethode de d´emodulation.2 Pourquoi on peut aller au-del` a du domaine d´ efini par les contraintes En d´epit du non respect des contraintes indiqu´ees plus haut.29) N n=0 Finalement. Dans ce but on calcule les ordres de grandeurs O(ωa ωi ).19) est satisfaite. elle.20) sont satisfaites.1Hz. Nous pouvons donc v´erifier si les param`etres de notre signal AMFM satisfont les relations (3.18) `a (3.35) O(ωi4 ) ≈ 625 (3.29) : (N −1)/2 1 X µ0 = |X(n)| (3.31) −1 (ωi )min = ωc − ωm ≈ 5 rad. Cette valeur ne nous satisfait pas dans la mesure o` u la fr´equence respiratoire typique en sommeil varie entre 0. nous avons men´e des tests sur des signaux synth´etiques. Cependant. 3.8 Hz =⇒ (3.37) ωf2  25 ff  0.18) `a (3. obtenue en calculant le moment d’ordre z´ero du signal x(n) `a partir de sa repr´esentation spectrale X(n) (calcul´ee sur N points) selon la relation (3.s−1 (3.20).37) que le spectre du signal respiratoire ne doit pas s’´etaler au-del` a de 0. on d´eduit du syst`eme (3. en jouant sur les diff´erents param`etres . ces r´esultats ne nous indiquent pas que cette m´ethode ne peut pas ˆetre utilis´ee pour r´ealiser la d´emodulation. en utilisant les relations O(AB) = O(A)O(B) et O(A + B) = max[O(A). O(B)] : O(ωa ωi3 ) ≈ 1562 (3.32) De plus.2 et 0.3. Or. ωa = ωf car les modulants de fr´equence et d’amplitude sont tous deux issus de la mˆeme origine (respiratoire). On obtient le domaine de validit´e en r´esolvant le syst`eme suivant :   ωa ωi  25 fa  0. APPLICATION AU SIGNAL DE VARIATIONS DE PRESSION ARTERIELLE 67 L’estimation de µ0 est. O(ωm ωf ). Afin de comprendre les raisons de ce ph´enom`ene. La d´emodulation AMFM op´er´ee par cette m´ethode sera donc entach´ee d’erreur.O(ωf2 ) et O(ωi2 ).20). si la valeur quantitative de l’erreur est un param`etre important.

Mais surtout.3 repr´esente un signal modul´e AMFM selon l’expression suivante :  Z t  s(t) = (1 + 0. et que la fr´equence fondamentale de la composante alternative est bien fa = ff = 0. il est possible d’extraire du signal d´emodul´e des . La fr´equence instantan´ee donn´ee par la d´emodulation utilisant l’op´erateur de Teager est donn´ee sur la figure 3. comme l’indique le p´eriodogramme donn´e `a la figure 3. repr´esentant la respiration. Nous avons d’abord constat´e que l’influence li´ee `a ωm est limit´ee au regard de celle des fr´equences de porteuse et de modulant.4(a).3.68 ´ CHAPITRE 3.25Hz. (b) : P´eriodogramme de ce signal de fr´equence instantan´ee. Fig. (a) (b) Fig. bien que la d´emodulation ne se fasse pas sans erreur.1 cos(2πfa t)) cos 2πfp t + 0. Dans cet exemple. et cela en accord avec le non-respect des contraintes th´eoriques. nous avons pu observer la mat´erialisation de l’erreur commise par la d´emodulation AMFM.3 – Vingt secondes du signal modul´e AMFM g´en´er´e `a partir de l’´equation (3.38). Cependant. on remarque aussi que la moyenne de ce signal est bien fp .4 – (a) : Signal de fr´equence instantan´ee obtenu par d´emodulation AMFM du signal de la figure 3. Aussi.25Hz et fp = 0. La courbe donn´ee sur la figure 3.5Hz. C’est une mat´erialisation de l’erreur de d´emodulation et donc du fait que les param`etres caract´erisant le signal utilis´e n’appartiennent pas au domaine de validit´e. Un exemple est donn´e sur la figure 3. on peut voir sur cette figure que la composante alternative n’est pas purement sinuso¨ıdale comme elle aurait dˆ u l’ˆetre.3. le signal de fr´equence instantan´ee devrait ˆetre la somme d’une valeur continue.1 cos(2πff τ )dτ + θ 0 O`u fa = ff = 0. Or. la fr´equence porteuse `a fp = 0. 3. 3.4(b). UTILISATION DE LA DEMODULATION AMFM intervenant dans les modulations.5Hz ≡ 30bpm et d’une oscillation sinuso¨ıdale de fr´equence fa = ff .

Fig. il est possible d’utiliser cette m´ethode de d´emodulation au-del`a du cadre pr´evu par les contraintes (3. Ce dernier signal est moyenn´e sur trente secondes afin d’en extraire la fr´equence cardiaque. ´ 3. il est filtr´e afin d’att´enuer les contributions n’appartenant pas `a la respi- ration. Formellement. Cette chaˆıne de traitement est report´ee sur la figure 3. en utilisant comme estimateurs la moyenne du signal de fr´equence instantan´ee.18) `a (3.20).3. APPLICATION AU SIGNAL DE VARIATIONS DE PRESSION ARTERIELLE 69 informations pertinentes. et la recherche de la fr´equence la plus ´energ´etique dans le p´eriodogramme de ce dernier. en sortie de ce bloc. Tout d´epend d’une part des param`etres que l’on cherche `a extraire du signal d´emodul´e et d’autre part de la fa¸con dont ceux-ci sont estim´es. Ces observations expliquent les r´esultats des tests pr´eliminaires : la forme que prend l’erreur de d´emodulation rend celle-ci potentiellement non gˆenante. et le signal de fr´equence instantan´ee (fi (n)) d’autre part. La raie la plus .38) N n=mN +1 Le signal de fr´equence instantan´ee est aussi trait´e de sorte `a acc´eder `a la fr´equence respi- ratoire. Pour cela.3. 3.5 – Chaˆıne de traitement du signal composite par d´emodulation FM. 3. le signal d’amplitude instantan´ee (ai (n)) d’une part. Puis le p´eriodogramme de ce signal filtr´e est calcul´e sur NF F T points. On obtient. En l’occurrence. l’estimateur de la fr´equence cardiaque appliqu´e `a l’´epoque m s’´ecrit : mN +N 1 X fˆc (m) = fi (n) (3. en consid´erant que le calcul est effectu´e sur une ´epoque de dur´ee N points. Le signal de variation de pression art´erielle est d’abord d´emodul´e par l’op´erateur de Teager.5.3 Domaine de validit´ e ”exp´ erimental” de la m´ ethode AMFM Nous avons alors cherch´e `a connaˆıtre le domaine de validit´e de la m´ethode c’est-`a-dire les configurations de fr´equences de porteuse et de modulant qui sont compatibles avec une esti- mation correcte des param`etres qui nous int´eressent dans le cadre de la chaˆıne de traitement utilis´ee. pourvu que l’on s’int´eresse `a des param`etres qui ne sont pas entach´es d’erreur `a savoir en l’occurrence la moyenne et la fr´equence fondamentale du signal de fr´equence instantan´ee.

70 ´ CHAPITRE 3. UTILISATION DE LA DEMODULATION AMFM ´energ´etique est recherch´ee et affect´ee ` a la fr´equence respiratoire selon l’expression : .

mN +N .

2 1 .

X −j2π nk .

. fˆrf req (m) = argk=0...NF F T −1 max .1..

fi (n) exp (3.39) .

N .

N Te .

.

.

on proc`ede de la mˆeme fa¸con `a partir du signal d’amplitude instantan´ee cette fois pour estimer le rythme respiratoire. n=mN +1 Enfin. On obtient un second estimateur de cette fr´equence : .

mN +N .

2 1 .

X −j2π nk .

. fˆramp (m) = argk=0....1.NF F T −1 max .

40) . ai (n) exp (3.

N .

N Te .

.

.

4/3fp ]). mˆeme en dehors des zones pr´evues par la th´eorie. Pour cela. ces filtres ´etaient remplac´es par des filtres fixes c’est-`a-dire dont le gabarit est fig´e (il s’agissait du gabarit [0. Sur cette plage. ce qui montre que. produisent une erreur inf´erieure `a 2%. ainsi que nous le montre la figure 3. L’analyse par filtre fixe laisse apparaˆıtre.1.01%. Toutefois. nous les avons appliqu´es au mod`ele. 1. on constate sur cette figure que la plage des fr´equences li´ees au sommeil. n=mN +1 Afin d’´evaluer le comportement de la m´ethode. L’utilisation des filtres glissants nous apprend que la m´ethode fonctionne bien dans le domaine Dsommeil . soit le domaine d´efini par Dsommeil = {(fc . Dans une deuxi`eme ´etape. 0. Puis.1. et celle de la porteuse de 0. Estimation de la fr´equence respiratoire par le p´ eriodogramme du signal de fr´ equence instantan´ ee Nous nous sommes ensuite int´eress´es `a l’estimation de la fr´equence respiratoire donn´ee par l’estimateur 3.8.6. les filtres utilis´es pour limiter la bande spectrale observ´ee ´etaient `a fr´equence glissante c’est `a dire que leur gabarit ´etait li´e `a la fr´equence porteuse (plus pr´ecis´ement le gabarit ´etait [2/3fp . nous avons synth´etis´e des signaux modul´es `a la fois en amplitude et en fr´equence. nous avons fait varier la fr´equence du signal modulant de 0. L’analyse `a filtre fixe vient bien sˆ ur limiter le domaine de fonctionnement. Les r´esultats sont report´es sur la figure 3. Estimation de la fr´ equence cardiaque par la moyenne du signal de fr´ equence instantan´ ee Nous avons test´e en premier lieu l’estimateur de la fr´equence cardiaque (3. Cette deuxi`eme ´etape permet de d´elimiter le domaine de validit´e de la m´ethode appliqu´ee `a notre contexte de signaux et de fr´equences recherch´ees puisque c’est le filtre que nous utiliserons pour traiter le signal de variation de pression art´erielle.1Hz `a 2Hz.39.38). la m´ethode peut fonctionner. la fr´equence respiratoire ´etant toujours inf´erieure `a la fr´equence cardiaque.5] × [0. 1]Hz).5]}. Cette ´etape permet d’´evaluer la capacit´e de la m´ethode `a estimer une fr´equence (de porteuse ou de modulant) dans le cas g´en´eral d’un signal modul´e en amplitude et en fr´equence. comme . Lors de la premi`ere ´etape. fr ) ∈ [0.5Hz ce qui est un cas de figure que nous ne pourrons rencontrer. en deux ´etapes. des erreurs significatives (c’est-` a-dire sup´erieures `a 1%) n’apparaissent que pour une porteuse de fr´equence inf´erieure `a 1Hz avec un modulant de fr´equence sup´erieure `a 1. Il en ressort que sur l’ensemble de cette zone.7Hz `a 3Hz et en appliquant des filtres glissants.7. les erreurs d’estimation sont inf´erieures `a 0.

40 fonctionne bien d`es lors que la fr´equence du modulant est inf´erieure `a 0.4Hz pour une fr´equence fondamentale de 0.7(b).6Hz.1 et 1.5Hz et d’un modulant de fr´equence 0.3.7 fois la fr´equence de la porteuse. (b) : utilisation de filtres fixes. Les tests avec filtres fixes confirment ce r´esultat. 3.2Hz par exemple). ce qui couvre les plages de fr´equences rencontr´ees habituellement en sommeil. Estimation de la fr´ equence respiratoire par le p´ eriodogramme du signal d’ampli- tude instantan´ ee Enfin.7 – Estimation de la fr´equence du signal de modulation de fr´equence. L’erreur dans la zone de maillage horizontal n’exc`ede pas 1%. on peut le voir sur la figure 3. .3Hz en raison de l’interaction des syst`eme cardiaque et respiratoire. Le mauvais fonctionnement de la m´ethode dans cette r´egion n’est donc pas gˆenant. (b) : utilisation de filtres fixes.6 – Estimation de la fr´equence porteuse du signal modul´e. (a) : utilisation de filtres glissants.1 `a 0. (a) : utilisation de filtres glissants. ainsi qu’on peut le voir sur la figure 3.5Hz (90bpm) s’accompagnerait d’une fr´equence respiratoire sup´erieure `a 0.4Hz et la fr´equence modulant entre 0.7 et 1.2Hz. Pr´ecisons quand mˆeme que l’erreur observ´ee dans cette r´egion s’explique par une raie fr´equentielle associ´ee `a la premi`ere harmonique du signal modulant qui se r´ev`ele plus ´elev´ee que celle associ´ee `a la fr´equence fondamentale (0.8(a). (a) (b) Fig. une fr´equence cardiaque de 1. APPLICATION AU SIGNAL DE VARIATIONS DE PRESSION ARTERIELLE 71 (a) (b) Fig. une zone d´enu´ee d’erreur lorsque la fr´equence porteuse est comprise entre 0. l’estimateur dont la d´efinition est donn´ee par la relation 3. 3. en apportant toutefois une nuance dans le cas d’une fr´equence porteuse d’environ 1. ´ 3. Cependant. L’erreur dans la zone de maillage horizontal n’exc`ede pas 1%.

(a) : utilisation de filtres glissants. la valeur d’estimation donn´ee `a l’instant t correspond `a une valeur estim´ee sur la p´eriode t : t + 30s. Plus sp´ecifiquement. par l’utilisation de signaux synth´etiques. que le domaine de vali- dit´e effectif des estimateurs propos´es couvre la plage des fr´equences cardiaque et respiratoire que nous sommes amen´es `a rechercher. En effet on remarque le suivi fid`ele des variations du rythme cardiaque. (b) : utilisation de filtres fixes. c’est-`a-dire moins de 90bpm pour la fr´equence cardiaque.1).6Hz pour la fr´equence respiratoire. avec une tendance g´en´erale `a la surestimation. Il est possible qu’`a l’inverse. Pr´ecisons que ces r´esultats traduisent bien la perception visuelle donn´ee par la courbe. `a la m´ethode utilis´ee pour l’estimation du rythme cardiaque de r´ef´erence.1 Estimation du rythme cardiaque par utilisation du signal de fr´ equence instantan´ ee La figure 3. . Ces diff´erents tests nous permettent de mieux appr´ehender le comportement de cette tech- nique d’estimation des param`etres physiologiques. le syst`eme de r´ef´erence utilise les trente derni`eres secondes pass´ees t : t − 30s pour estimer la valeur donn´ee dans la p´eriode t : t + 30s. et moins de 0. celles-ci fonctionnent au- del`a des limites fix´ees par les contraintes th´eoriques. Une autre partie de ce d´ecalage est li´ee `a une synchronisation imparfaite des enregistrements (cf. En s’attardant sur le zoom donn´e en (b). Celui-ci peut ˆetre dˆu. paragraphe 5. Les r´esultats statistiques donnent une surestimation de la fr´equence cardiaque de 3%. nous avons montr´e qu’en raison de la nature mˆeme des m´ethodes d’estimation utilis´ees. 3. en partie. nous pouvons maintenant ´etudier leur comportement lorsqu’ils sont employ´es sur des signaux r´eels. 3. on s’aper¸coit qu’il existe un d´ecalage temporel entre les deux signaux.72 ´ CHAPITRE 3.2.4 ´ Evaluation sur des signaux r´ eels Apr`es nous ˆetre assur´es. L’erreur dans la zone de maillage horizontal n’exc`ede pas 1%. et plus particuli`erement dans la plage des fr´equences cardiaques et respiratoires rencontr´ees en sommeil.8 – Estimation de la fr´equence du signal de modulation d’amplitude. lorsque celui-ci est appliqu´e aux signaux de variation de pression art´erielle issus de la base de Nantes. Notamment. UTILISATION DE LA DEMODULATION AMFM (a) (b) Fig. avec un ´ecart-type de 7%.9(a) illustre le fonctionnement de l’estimateur de la fr´equence cardiaque d´efini au 3. 3.4.38.

En fait. ce qui rend aberrant le calcul de sa racine carr´ee.(a) : vue d’ensemble. ce qui nous permet d’envisager un calibrage de la m´ethode afin d’annihiler celui-ci. C’est ce que nous avons fait. On remarque aussi que le biais est globalement constant. (b) : d´etail de la premi`ere courbe pour visualiser le d´ecalage temporel. pour cette estimation corrig´ee.2 Estimation du rythme respiratoire par analyse du signal de fr´ equence instantan´ ee Nous pr´esentons dans ce qui suit les r´esultats issus d’une seule nuit pour des raisons de lisibilit´e des courbes. et. choisies al´eatoirement). EVALUATION ´ SUR DES SIGNAUX REELS 73 (a) (b) Fig. sur un premier groupe de nuit (la moiti´e d’entre elles. Il faut cependant savoir que les conclusions tir´ees de cet exemple sont repr´esentatives de celles tir´ees sur l’ensemble de la base de donn´ees. Estimation directe On observe sur la figure 3. Puis. `a un biais nul. 3. ´ 3.4.42) N n Les r´esultats sont concordants et on aboutit. On constate d’embl´ee le mauvais fonctionnement de la m´ethode. utilisant l’estimateur fˆcN B suivant : fˆcN B (m) = fˆc (m) − b0 (3.4.9 – R´esultats de l’estimation cardiaque op´er´ee sur 9 signaux. nous avons syst´ematiquement retranch´e ce biais aux estimations portant sur le groupe de test (l’autre moiti´e). nous avons estim´e le biais b0 de l’estimateur. 3. on ne repr´esente pas les zones non calcul´ees du signal (environ 15% des ´epoques). Nous avons donc d´ecid´e de ne pas prendre en compte ces points dans le calcul de la moyenne du signal de fr´equence instantan´ee. Nous avons constat´e qu’il arrive que l’op´erateur ψ[x(n)] ou ψ[x(n)] ˙ prenne localement une valeur n´egative. l’´ecart-type n’ayant bien sˆ ur pas vari´e. Pour les mˆemes raisons de lisibilit´e des graphiques. la valeur de fr´equence instantan´ee obtenue.41) 1 Xˆ  b0 = fc (n) − fc (n) (3. Ainsi.39.10 les r´esultats de l’estimateur de la fr´equence respiratoire donn´e en 3. par suite. la raie de fr´equence maximale du signal de fr´equence instantan´ee estim´e ne correspond .

11(b). En outre.1. 3. Celles-ci correspondent `a la fr´equence Fc /3.4Hz. Pour limiter ce ph´enom`ene.11(a). Nous avons donc ´etudi´e. on sait que les syst`emes cardiaque et respiratoire interagissent. 1]Hz comme pr´evu initialement.10 – Estimation de la fr´equence respiratoire par analyse du signal de fr´equence ins- tantan´ee filtr´e selon le gabarit [0. Fc /4]. On obtient la figure 3. le facteur multiplicatif qui lie la fr´equence respiratoire et la fr´equence cardiaque. nous avons d´ecid´e de resserrer la focale d’observation autour des fr´equences respiratoires. une fois la fr´equence cardiaque (Fc ) d´etermin´ee `a l’aide de l’estimateur 3. nous avons resserr´e le filtre avec un gabarit [Fc /5.38. il existe encore des fr´equences trop ´energ´etiques par rapport a` celle de la respiration.74 ´ CHAPITRE 3. et ce avec un ´ecart-type de 1. comme on le constate.10 ont ´et´e obtenus avec un filtre de respira- tion de [0.2.5]Hz et non [0. alors on pourra d´efinir une bande de fr´equence suffisamment ´etroite `a l’int´erieur de laquelle la raie d’amplitude maximale correspondra `a la fr´equence respiratoire. Nous d´ecidons donc. On constate tr`es clairement un saut entre des fr´equence proches de la r´ef´erence et des fr´equences d’environ 0. Cependant. les fr´equences respiratoires atteignent r´eguli`erement les valeurs extrˆemes de ce gabarit. sur un ensemble repr´esentatif de signaux. de filtrer les fr´equences inf´erieures `a Fc /5 et sup´erieures `a Fc /3.2. Si tel est le cas. En effet. 0. Le r´esultat est port´e sur la figure 3. On constate que si les fr´equences es- tim´ees sont globalement dans les environs de la fr´equence recherch´ee (l’erreur moyenne est . Le spectre est beaucoup plus riche et d’autres composantes fr´equentielles peuvent localement se r´ev´eler plus importantes que la fr´equence respiratoire. Or. Une augmentation de la fr´equence respiratoire provoque une augmentation de la fr´equence cardiaque. 0. Asservissement du filtre de respiration En fait.5]Hz pas forc´ement `a la fr´equence respiratoire. UTILISATION DE LA DEMODULATION AMFM Fig. au vu des premiers r´esultats de ce gabarit initial. on ne peut resserrer le gabarit que si l’on poss`ede des connaissances sur la localisation de la fr´equence respiratoire. qui est une fr´equences harmonique de Fc . le balayage est encore trop large c’est `a dire que dans le gabarit conserv´e. les r´esultats pr´esent´es sur la figure 3. Nous avons d´etermin´e que la fr´equence respiratoire est en moyenne le quart de la fr´equence cardiaque. En effet. Une solution serait de resserrer encore le gabarit du filtre mais ce n’est pas possible.

40. les m´ethodes utilis´ees pour estimer la fr´equence respiratoire ne se sont pas r´ev´el´ees convaincantes. ce qui s’explique par le fait que la contribution cardiaque est trop importante en regard de la contribution respiratoire pour pouvoir estimer convenablement cette derni`ere par une analyse spectrale. En fait.4 Conclusions concernant cette m´ ethode d’estimation des param` etres cardio-respiratoires Ainsi donc. deux soustractions et une division) au regard des ressources mat´erielles qui seront disponibles au sein du bracelet. malgr´e les am´eliorations apport´ees. si cette m´ethode d’estimation des param`etres cardio-respiratoires donne de bons r´esultats sur des signaux synth´etiques. On retiendra que l’estimation du rythme cardiaque obtenue en exploitant l’estimation du signal de fr´equence instantan´ee se r´ev`ele tout `a fait pertinente. selon l’estimateur donn´e par la relation 3. et les ´echantillons compris entre les indices 600 et 800). la fin.3 Estimation du rythme respiratoire par analyse du signal d’amplitude instantan´ ee Nous nous sommes ensuite int´eress´es `a l’estimation de la fr´equence respiratoire obtenue `a l’aide du signal d’amplitude instantan´ee. Fc /3]. de 5% pour un ´ecart-type de 10%). son utilisation sur des signaux r´eels a r´ev´el´e cer- taines faiblesses. Fc /4]. EVALUATION ´ SUR DES SIGNAUX REELS 75 (a) (b) Fig. si ce n’est une qualit´e l´eg`erement moindre.4. (b) : utilisation d’un filtre passe-bande de gabarit [Fc /5.4. L’erreur d’esti- mation est suffisamment faible au regard de la pr´ecision souhait´ee et la complexit´e de mise en oeuvre est raisonnable (quatre multiplications. Par contre. 3. ´ 3.11 – Estimation de la fr´equence respiratoire par analyse du signal de fr´equence ins- tantan´ee filtr´e en fr´equences asservies par la fr´equence cardiaque (Fc ).(a) : utilisation d’un filtre passe-bande de gabarit [Fc /5. Il s’av`ere que nous sommes arriv´e aux mˆemes conclusions concernant l’estimation obtenue par cette m´ethode que celles donn´ees ci-dessus `a propos de l’analyse du signal de fr´equence ins- tantan´ee. 3. notamment en raison d’une plus grande sensibilit´e aux bruit et artefacts pr´esents dans le signal de variation de pression art´erielle. une ´etude comparative nous apprendra que la fr´equence donn´ee par cet estimateur est pr´ecis´ement la fr´equence Fc /4. 3. . notre estimateur ne suit pas suffisamment les variations temporelles du signal (voir notamment le d´ebut.4.

1) est que la composante respiratoire y est en g´en´eral tr`es faible par rapport `a la composante cardiaque. 3. dont l’amplitude et la phase sont adapt´ees automatiquement de sorte que le signal r´esultant s’approche au mieux de la composante cardiaque. UTILISATION DE LA DEMODULATION AMFM 3. comme on peut le voir sur la figure 3.13 – Exemple de signal r´esiduel obtenu apr`es filtrage adaptatif du signal de variation de pression art´erielle. 3.12 – Estimation de la fr´equence respiratoire obtenue par analyse d’un signal r´esiduel issu de l’annulation par un filtre adaptatif de la composante cardiaque dans le signal de variation de pression art´erielle.13 qui en pr´esente un exemple.5 D´ etermination de la fr´ equence respiratoire ` a partir du si- gnal de variation de pression art´ erielle filtr´ e Les m´ethodes d’analyse du signal d’amplitude ou de fr´equence instantan´ee ne donnant pas de r´esultats suffisamment bons pour ce qui est de l’estimation de la fr´equence respiratoire.76 ´ CHAPITRE 3. On supprime ensuite cette composante du signal de variation de pression art´erielle. . Puis il g´en`ere une sinuso¨ıde `a cette mˆeme fr´equence. C’est pourquoi nous devons imp´erativement supprimer cette derni`ere afin d’estimer efficacement la composante respiratoire. Fig. dont le principe est repris sur la figure 3. Nous choisissons de supprimer la composante cardiaque du signal de variation de pression art´erielle par un filtrage adaptatif. L’inconv´enient majeur de ce signal (et qui n’est pas visible sur la figure 3. Celui-ci. nous avons recherch´e cette information directement dans la composante respiratoire additive du signal de variation de pression art´erielle. Le signal r´esiduel est alors majoritairement compos´e de la contribution respiratoire.12 utilise le signal de variation de pression art´erielle pour d´eterminer la fr´equence cardiaque. Il s’agit dor´enavant d’estimer convenablement la fr´equence de la contribution respiratoire du signal r´esiduel. Fig.

la fr´equence associ´ee donnant la fr´equence respiratoire.1 Estimation non param´ etrique de la fr´ equence respiratoire : utilisation d’un p´ eriodogramme En premier lieu nous avons choisi d’estimer la fr´equence respiratoire en r´ealisant le p´eriodogramme du signal r´esiduel (calcul´e sur NF F T points).5. ´ 3. Dans ce cas. et en recherchant la raie spec- trale la plus ´energ´etique de celui-ci. DETERMINATION ´ DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´ FILTRE 77 3.5. l’estimateur s’appliquant `a la fenˆetre m s’´ecrit : .

.

2 1 .

mN X +N .

nk .

. fˆrF F T (m) = argk=0....NF F T −1 max .1.

x(n) exp−j2π N .

(3.43) .

N Te .

n=mN +1

O`u N repr´esente le nombre de points contenus dans une ´epoque (N = 30s × 256Hz). On
observe sur la figure 3.14(a) les r´esultats de cette estimation. On constate que le fonction-
nement g´en´eral de la m´ethode n’est pas tr`es bon. Les statistiques confirment cette premi`ere
impression puisque l’erreur est en moyenne de 25% avec un ´ecart type de 42%. Le zoom donn´e
en 3.14(b) nous explique en grande partie ce r´esultat : la majorit´e des erreurs viennent de
”sauts” `a la fr´equence Fc /2, Fc repr´esentant la fr´equence cardiaque. Ces sauts s’expliquent
par une plus grande difficult´e ´eprouv´ee `a certains moments par le filtre adaptatif `a ´eliminer
suffisamment le contribution cardiaque du signal. Cette contribution reste pr´esente dans le si-
gnal r´esiduel de telle sorte qu’elle est parfois plus ´energ´etique que la contribution respiratoire.
Cette source d’erreur est renforc´ee par la variance non n´egligeable de l’estimateur spectral
qu’est le p´eriodogramme. Une estimation de cette variance est donn´ee par [69]. Consid´erant la
densit´e spectrale de puissance Sxx (ω) d’un signal x(n) et son estimation par le p´eriodogramme
calcul´e sur N points IN (ω), on a :
(  2 )
2 sin[ωN ]
var[IN (ω)] = Sxx (ω) 1 + (3.44)
N sin ω

Cette relation nous apprend que la variance de l’estimation de la puissance de la raie spec-
trale de fr´equence angulaire ω est de l’ordre de grandeur du carr´e de la puissance r´eelle de
la raie spectrale estim´ee. C’est une valeur cons´equente, et qui peut favoriser localement la
surestimation de la raie spectrale cardiaque, ou la sous-estimation de la raie respiratoire, ou
les deux. Une solution serait de limiter davantage l’observation spectrale de sorte `a ne plus
ˆetre perturb´e par la contribution cardiaque `a la fr´equence Fc /2 mais, pour les mˆemes raisons
que celles expos´ees au paragraphe 3.4.2, on ne peut le faire. Il nous faut donc recourir `a une
autre technique d’estimation de fr´equence, et si possible `a faible coˆ
ut.

3.5.2 Estimation param´ etrique de la fr´
equence respiratoire : mod´
elisation
du signal r´
esiduel par une sinuso¨ıde bruit´
ee

La contrainte d’une m´ethode `a faible coˆ ut nous a guid´e vers la recherche d’une m´ethode
param´etrique. Dans ce type de m´ethode, on mod´elise le signal par un certain nombre de pa-
ram`etres et de lois. La premi`ere mod´elisation propos´ee pour le signal r´esiduel est la suivante :

x(n) = A cos(2πfr n + φ) + b(n) (3.45)

Dans ce cas, le signal r´esiduel x(n) est approxim´e par une sinuso¨ıde de fr´equence fr , ad-
ditionn´ee `a un bruit blanc b(n). La premi`ere technique que nous avons cherch´e `a mettre en
œuvre pour d´eterminer la fr´equence de cette sinuso¨ıde bruit´ee est la m´ethode de la covariance
modifi´ee.

78 ´
CHAPITRE 3. UTILISATION DE LA DEMODULATION AMFM

(a) (b)

Fig. 3.14 – R´esultat de l’estimation de la fr´equence respiratoire obtenue par p´eriodogramme
du signal r´esiduel. Application aux signaux de la base de Nantes. (a) : Vue d’ensemble. (b) :
D´etail.


ethode de la covariance : estimateur biais´
e

Elle s’appuie sur la relation de r´ecurrence qui lie un signal sinuso¨ıdal mesur´e aux instants n
et n+1. Ainsi pour le signal s(n), de fr´equence angulaire ω0 , et tel que s(n) = A cos(ω0 n+φ),
on a :

s(n) = 2 cos(ω0 )s(n − 1) − s(n − 2) (3.46)

La m´ethode de la covariance modifi´ee consiste `a maintenir cette relation dans le cas d’une
sinuso¨ıde bruit´ee. Pour un signal x(n), n = 1, . . . , N o`
u N est le nombre de points de signal
contenus dans une ´epoque, et compos´e d’une sinuso¨ıde s(n) et d’un bruit blanc b(n) de
moyenne nulle et de variance σ 2 , on pose :

ˆ(n) = 2 cos(λ)x(n − 1) − x(n − 2) , pour n = 3, . . . , N
x (3.47)

On recherche ensuite la valeur de λ qui minimise la puissance de l’erreur commise par cette
approximation. On d´efinit l’erreur par :

e(n) = x(n) − 2 cos(λ)x(n − 1) + x(n − 2) (3.48)

On peut montrer que cette valeur λ est un estimateur de la fr´equence ω0 recherch´ee [70]. Son
expression est donn´ee par la relation suivante :
(N )
X
ˆ 0M C = arg min
ω e2 (n) (3.49)
λ
n=3
PN !
n=3 x(n − 1)(x(n) + x(n − 2))
= cos−1 (3.50)
2 N 2
P
n=3 x (n − 1)

Le biais de cet estimateur est analys´e dans [71]. Il est donn´e par la relation suivante :
 
 x(0) · x(1) + x(N − 2) · x(n) (N − 2) cos ω0  2
ˆ 0 ] − cos λ = 
E[cos ω P 2 − PN −2 2 
· σ (3.51)
N −2 2 (x(i))
i=1 (x(i))
i=1

´
3.5. DETERMINATION ´
DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU
´
SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´
FILTRE 79

Lorsque le nombre d’observation croˆıt, le premier terme de la parenth`ese tend vers z´ero
(le num´erateur
P −2 est constant et le d´enominateur croˆıt). Quant au second terme, il tend vers
α cos ω0 / Ni=1 (x(i))2
, avec α, une constante. En se rappelant que σ 2 repr´esente la variance
du bruit additionn´e au signal x(n), il ressort que cet estimateur tend vers la valeur limite :

N →∞ − cos ω0
E[cos ωˆ0 ] − cos λ =⇒ (3.52)
RSB

o`
u RSB repr´esente le rapport signal `a bruit. En pr´esence de bruit, le biais n’est donc
nul que lorsque cos ω0 est nul, ce qui n’est vrai que pour deux valeurs particuli`eres de ω0
` cette exception pr`es, cet estimateur de fr´equence pr´esente un biais
(lorsque ω0 ∈ [0; 2π]). A
et c’est pourquoi nous avons choisi de ne pas l’utiliser tel quel.

Lorsqu’on analyse l’erreur quadratique moyenne de l’approximation, E e2 (n) , on trouve :
 

h i
E e2 (n) = E (x(n) − 2 cos(λ)x(n − 1) + x(n − 2))2
 
(3.53)
= 4A2 cos2 (ω0 (n − 1) + φ) (cos(ω0 ) − cos(λ))2 + 2(2 + cos(2λ))σq2 (3.54)

Les deux termes de cette expression d´ependent de λ ce qui fait que le minimum de l’expression
n’est g´en´eralement pas atteint en λ = ω0 , valeur pour laquelle le premier terme atteint sa
valeur minimale nulle. Une solution pour que ce soit le cas serait de rendre le second terme
ind´ependant du param`etre λ. Or, lorsqu’on s’attarde sur les calculs menant `a ce terme, on
s’aper¸coˆıt que celui-ci provient du facteur multiplicatif (−2 cos(λ)) appliqu´e `a l’´echantillon
x(n − 1) de la r´ecurrence (3.47). Il est donc possible de rendre ce second terme ind´ependant
en r´ealisant une normalisation. C’est la m´ethode propos´ee dans [70] et que nous exposons
ci-apr`es.


ethode de la covariance : estimateur non biais´
e

En fait, la r´ecurrence (3.48) peut ˆetre vue comme une op´eration de filtrage lin´eaire r´ealis´ee
sur le signal r´esiduel par un filtre v, dont la sortie ξ(n) donne l’erreur d’approximation de la
pr´ediction. Ce filtre est repr´esent´e sur la figure 3.15. Formellement, l’expression de l’op´eration

Fig. 3.15 – Filtre v donnant l’erreur d’approximation (3.48).

de filtrage s’´ecrit :

ξ(n) = xT v (3.55)
= e(n) (3.56)

O`
u x(n) et v prennent les d´efinitions suivantes :

x(n) = [ x(n) x(n − 1) x(n − 2) ]T (3.57)
T
v = [ 1 −2 cos(λ) 1 ] . (3.58)

.. 1  x(N ) x(N − 1) x(N − 2)   x(3) − 2 cos(λ)x(2) + x(1)  x(4) − 2 cos(λ)x(3) + x(2)  =  (3.60) est :  q  BN + BN 2 + 8A2 N ˆ SC = cos−1  λ (3. on d´efinit la matrice X :   x(3) x(2) x(1)  x(4) x(3) x(2)  X= . ξ(n)]T (3.   . . .. ..66) 0  4AN Avec : N X AN = (x(n) + x(n − 2))x(n − 1) (3.63)   .62)   .65) La valeur de λ qui minimise la fonction de coˆ ut (3.68) n=3 .80 ´ CHAPITRE 3.67) n=3 N X BN = x2 (N ) − x2 (N − 1) − x2 (2) + x2 (1) + 2 x(n)x(n − 2) (3. .  x(N ) − 2 cos(λ)x(N − 1) + x(N − 2) = [ξ(3)ξ(4) .60) n=3 Cette expression peut s’´ecrire matriciellement.  . . on modifie le filtre de sorte que sa norme soit unitaire : 1 v= p [ 1 −2 cos(λ) 1 ]T (3.. .  x(N ) x(N − 1) x(N − 2) Le produit Xv s’´ecrit alors :   x(3) x(2) x(1)    x(4) x(3) x(2)  1 Xv =  .  −2 cos(λ)  (3.64) Et la fonction de coˆ ut se d´eduit de ce produit : N X JN (v) = ξ 2 (n) n=3 = kXvk2 (3.59) 2(2 + cos(2λ)) La fonction de coˆ ut devient : N X JN (v) = ξ 2 (n) (3.61)   . (3.  ..  .. UTILISATION DE LA DEMODULATION AMFM Afin d’annihiler l’influence des d´eveloppements en λ induits par le second coefficient sur l’erreur d’approximation. . Pour cela.

Ces observations sont en accord avec les . `a laquelle nous avons ajout´e un bruit blanc gaussien avec un rapport signal a bruit (RSB) de 40dB.65). Comme v0 est de norme unitaire. Sur cette figure sont ´egalement trac´ees les moyennes et m´edianes des estimations. nous avons g´en´er´e une sinuso¨ıde de fr´equence 50Hz. 3. telles que pour λ ˆ SC (n). ´ 3. DETERMINATION ´ DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´ FILTRE 81 D’apr`es la relation (3. est calcul´e sur trente secondes.16. en chaque point du signal. . v0 est aussi le vecteur propre associ´e `a la plus petite valeur propre de la matrice de corr´elation associ´ee `a X. le vecteur v0 minimise aussi kXvk. En l’occurrence. ´echantillonn´e `a 256Hz. En l’occurrence. Le signal. la fr´equence de la sinuso¨ıde est donn´ee par les racines du polynˆome dont les coefficients sont les ´el´ements du vecteur propre v0 . .16 – Estimation d’un signal sinuso¨ıdal de fr´equence 50Hz. le vecteur v0 qui minimise JN (v) minimise aussi kXvk2 .69) O` u σmin est la plus petite valeur singuli`ere de la matrice X. l’estimation d´elivr´ee `a l’instant n (n = 1. N ) : n ˆ SC 1 X ˆ SC λ moyenne (n) = λ (n) (3. Or. est report´e sur la figure 3.5. F e = 256Hz) d’observations utilis´ees pour le calcul de la fr´equence.66). Validation de l’estimateur sur des signaux synth´ etiques Dans un premier temps nous avons ´etudi´e le comportement de cet estimateur lorsqu’il est utilis´e sur un signal synth´etique. v0 est donc le vecteur propre associ´e `a cette plus petite valeur singuli`ere. Le ` r´esultat de l’estimation d´elivr´ee par l’estimateur donn´e en (3.70) n k=1     arg ˆ SC (k) ≥ λ λ ˆ SC (n) = n/2   median ˆ SC λ et  median (n) tel que  (3. en raison des propri´et´es des d´ecompositions en valeurs propres et en valeur singuli`ere. Or. On remarque ´egalement le caract`ere asymptotiquement non biais´e de cet estimateur. . L’article [70] s’attache `a d´emontrer que cet estimateur est non biais´e. de par la construction de v0 . en utilisant les propri´et´es de l’estimateur de Pisarenko [72]. en raison du caract`ere monotone croissant de la fonction racine carr´ee sur R+ . additionn´e d’un bruit blanc (RSB = 40dB. ces z´eros sont ejλ0 et e−jλ0 et donc λ0 est un estimateur de la fr´equence ω0 . l’in´egalit´e suivante est valide : kXv0 k ≥ σmin kv0 k (3. . Or.71) ˆ SC (k) ≤ λ ˆ SC   arg λ  (n) = n/2 median On constate sur ce signal que la variance de l’estimation diminue en fonction du nombre Fig.

Pour cela nous avons cr´e´e. cette erreur. en pratique. dans le cadre de nos signaux.18(a).5]Hz). Nous avons cherch´e `a ´evaluer.17(b) illustre l’int´erˆet du sous-´echantillonnage `a 1Hz. (a) (b) Fig. (b) : Fe = 1Hz. ce qui est insuffisant.On y constate que la variance est tr`es forte aux environs des fr´equences que l’on recherche. plus on int`egre d’´echantillons dans le calcul de la fr´equence et moins la variance de l’estimation sera ´elev´ee. 256]Hz.25/256 ≈ 10−4 . On obtient la courbe de r´esultat port´ee en figure 3.5Hz. et l’´ecart type 36%.5Hz) soit. nous d´ecidons d’utiliser une fr´equence d’´echantillonnage de 1Hz.1. dont on estime la fr´equence par l’estimateur (3. D’abord. il est montr´e dans [70] que celle-ci atteint un minimum pour une fr´equence normalis´ee de 0. Comme la fr´equence maximale de ce signal est de 0. au terme de trente secondes d’observation.82 ´ CHAPITRE 3. La figure 3. En outre.17(a). nous recherchons une fr´equence avoisinant les 0. Nous recherchons alors les am´eliorations possibles pour cette technique d’estimation. pour diminuer la variance. et qu’elle augmente significativement pour des fr´equences normalis´ees proches de 0 et 1. pour des fr´equences couvrant la bande [0. 0. 0.66). UTILISATION DE LA DEMODULATION AMFM r´esultats th´eoriques pr´esent´es ci-avant. Validation sur les donn´ ees exp´ erimentales Nous avons alors appliqu´e ce mod`ele incluant un sous-´echantillonnage aux signaux issus de la base de donn´ee de Nantes. La moyenne de l’erreur est de 14%. d’utiliser plusieurs estimations et de les combiner. Or.1 et 0. Notre choix s’est port´e sur la m´ediane dans la mesure o` u cet estimateur est moins sujet aux valeurs aberrantes que la moyenne. Seulement. En effet. 3.5. Les r´esultats de l’erreur d’estimation sont donn´es sur la figure 3. nous utilisons les estimations obtenues sur la seconde moiti´e de la fenˆetre . Concernant la variance. selon le principe th´eorique. nous traitons des signaux qui ne sont pas stationnaires et l’estimation au terme de la fenˆetre d’analyse peut ˆetre perturb´ee par un bruit local.25Hz (en fait comprise entre 0. il est pr´ef´erable. nous choisissons de r´ealiser une m´ediane des valeurs obtenues.17 – Erreur d’estimation d’une sinuso¨ıde bruit´ee par un bruit blanc gaussien (RSB = 20dB). cent signaux ´echantillonn´es `a 256Hz. On y remarque que la variance est tr`es faible dans la bande de fr´equence qui nous int´eresse ([0. (a) : Fe = 256Hz. en fr´equence normalis´ee. En cons´equence. et qu’il va nous falloir employer une fr´equence d’´echantillonnage diff´erente des 256Hz du signal original.

tandis que l’´ecart type diminue jusqu’`a la valeur de 28%. en consid´erant que N repr´esente le combre d’´echantillons que contient une ´epoque. les valeurs successives suivent une ´evolution telle que la m´ediane de leurs valeurs est forc´ement biais´ee. L’erreur moyenne s’accroˆıt pour atteindre 20%. les r´esultats sont inf´erieurs `a ceux que nous venons d’´evoquer puisque le biais atteint 24%. k = N/2. 10000] sont sans rapport avec les valeurs de r´ef´erence de cette zone. Au-del`a de la description statistique. k = N/2. la premi`ere servant `a la convergence des calculs. A l’inverse. En fait. mˆeme si le biais y est important. Ce ph´enom`ene est d’ailleurs visible sur la figure 3.18 – Estimation de la fr´equence respiratoire par application de l’estimateur de So et Chan sur le signal r´esiduel sous-´echantillonn´e `a 1Hz (Base de Nantes). (a) : estimation standard. les estimations donn´ees dans la r´egion [8000. l’estimateur devient :     arg ˆr (k) ≥ fˆmedian = N/4 f . . Ainsi. . (b) : conservation des param`etres entre les ´epoques et utilisation de la m´ediane. 3. . L’accroissement du biais s’explique par la convergence non instantan´ee du syst`eme : de fait. 4000] est globalement bien suivie. Limitations du premier mod` ele propos´ e pour le signal r´ esiduel Les r´esultats d´elivr´es par cette m´ethode d’estimation sont donc insatisfaisants.5. conform´ement `a ses fondements th´eoriques. DETERMINATION ´ DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´ FILTRE 83 d’analyse. la r´egion [3000.16.72)   arg fˆr (k) ≤ fˆmedian = N/4  . . N   r ˆ frmedian tel que et  (3. la courbe nous apprend que les performances du syst`eme sont tr`es variables dans le temps. Formellement. . N  r Ensuite. cet estimateur ne fonctionne correctement .18(b). . Nous avons compar´e ces r´esultats `a l’estimation obtenue lorsque la fr´equence d’´echantillonnage est de 128Hz (fr´equence originale) et 8Hz. (a) (b) Fig. ´ 3. La d´ecroissance brutale aux environs de l’indice 5000 est ´egalement bien observ´ee. Conform´ement `a nos attentes. La diminution de l’´ecart type ´etait bien l’´evolution recherch´ee. nous d´ecidons de conserver les valeurs An et Bn obtenues en fin de fenˆetre pour param`etres initiaux de la fenˆetre suivante. la convergence est obtenue plus rapidement et les estimations obtenues en seconde moiti´e de fenˆetre en seront d’autant meilleure. Ainsi. Au final on obtient les r´esultats port´es sur la figure 3.

84 ´ CHAPITRE 3.45). Le paragraphe suivant propose d’utiliser un estimateur param´etrique bas´e. il est n´ecessaire de disposer de N ≥ 2p + 1 ´echantillons du signal pour les estimer. ni `a kfp .73) k=1 Estimation directe des z´ eros d’un filtre FIR Une solution pour d´eterminer les fr´equences des diff´erentes composantes du signal x(n) est de calculer le vecteur propre de longueur N = 2p + 1 associ´e `a la plus petite valeur . Nous avons pu v´erifier que lorsque deux sinuso¨ıdes sont en pr´esence dans le signal. UTILISATION DE LA DEMODULATION AMFM que dans le cas o` u un signal sinuso¨ıdal pur est plong´e dans un bruit blanc. mˆeme lorsque plus deux sinuso¨ıdes sont pr´esentes dans le signal ´etudi´e. Nous avons observ´e les r´esultats de l’estimation pour diff´erentes valeurs de k (et pour diff´erentes fr´equences fp ). Fig. alors la fr´equence estim´ee ne correspond `a aucune des deux fr´equences.19. (3. suppose un seul processus sinuso¨ıdal alors que notre signal en contient probablement plusieurs. Celle-ci. 3. Cet estimateur est donc insuffisant car il est bas´e sur une mod´elisation trop simpliste du signal. Pour cela.3 Estimation param´ etrique de la fr´ equence respiratoire : mod´ elisation du signal r´ esiduel par une somme de sinuso¨ıdes bruit´ ees Le signal r´esiduel x(n) est cette fois mod´elis´e comme une somme de p sinuso¨ıdes. ne serait-ce que parce que la suppression de la composante cardiaque n’est jamais parfaite. Ce r´esultat est coh´erent avec la condition de Pisarenko qui pr´ecise que lorsque p sinuso¨ıdes sont contenues dans un signal. Nous n’avons par contre pas encore eu le temps d’explorer cette voie. nous avons construit un signal y(n) = A0 cos(2πfp n + φ) + A1 cos(2πkfp n + φ) + b(n) o` u b(n) est un bruit blanc centr´e. 3. l’estimation r´ealis´ee ne correspond ni `a fp . cette fois. Ceux-ci sont donn´es sur la figure 3. aux- quelles s’ajoute un bruit blanc : p ! X x(n) = Ak cos(2πfk n + φk ) + b(n) (3.19 – R´esultat de l’estimateur lorsque le signal ´etudi´e comporte deux sinuso¨ıdes On remarquera toutefois que la d´ependance de la valeur estim´ee au facteur k est lin´eaire. A chaque fois (hormis bien sˆur lorsque le facteur k vaut 0 ou 1 ce qui revient `a un mod`ele comprenant une seule sinuso¨ıde). sur une mod´elisation multicomposante du signal. ce qui sugg`ere la possibilit´e d’utiliser cet estimateur.5.

pourquoi ne pas utiliser un algorithme travaillant directement dans l’espace des z´eros.20 – D´etermination adaptative des z´eros correspondant `a s(n) = cos(0. (a) : Valeurs instantan´ees des z´eros. plutˆot que dans celui des coefficients ? Dans cet esprit. . En effet. Comme nous le verrons plus loin. Si l’´etude de cette m´ethode sur des signaux synth´etiques (dont un exemple est donn´e sur la figure 3. on cherche `a adapter les i z´eros (1 ≤ i ≤ N ) de la mani`ere d´ecrite par l’´equation (3.20) nous a montr´e qu’effectivement. elle permet d’estimer les z´eros recherch´es. de rapport signal `a bruit 0dB.77) (a) (b) Fig. il n’est pas possible de d´eterminer. Ainsi. Mais. lequel converge vers la fr´equence souhait´ee (celle de l’activit´e respiratoire dans notre cas).75πn) + (n) o` u (n) est un bruit blanc gaussien centr´e. DETERMINATION ´ DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´ FILTRE 85 propre de sa matrice d’autocorr´elation et de d´eterminer les z´eros de celui-ci.75) ∂am (n) m=0 ∂zi (n) Avec les quantit´es ∂am (n) et ∆am (n) d´efinies comme suit (voir [73] pour les d´etails) : ∂zi (n) zi (n)p−m =− (3. 3. ´ 3. Nous nous sommes alors orient´es vers une autre propri´et´e de la d´ecomposition en vecteur propre. puisque ce sont les z´eros du filtre qui nous int´eressent r´eellement.5. son application au signal de variations de pression art´erielle s’av`ere d´elicate. parmi les z´eros de la mod´elisation.74) L’adaptation LMS des coefficients du filtre nous donne la valeur de ∆zi (n) : p X ∂zi (n) ∆zi (n) = ∆am (n) (3. (b) : Trajectoire des z´eros dans le plan complexe. il est possible de calculer `a faible coˆ ut ce vecteur propre en utilisant des techniques bas´ees sur des filtres adaptatifs.25πn) + cos(0. nous avons s´electionn´e la m´ethode propos´ee par Orfanidis [73].74) : zi (n + 1) = zi (n) + ∆zi (n) (3.76) ∂am (n) a0 (n)Πj6=i (zi (n) − zj (n) ∆am (n) = −µ[e(n)y(n − m)∗ − e(n)∗ e(n)am (n) (3.

Alors : N X EQM = VTti E[XX t ]VTi i = M + 1. . VTtN ]t (Z t est le transpos´e de Z). N (3. En utilisant les multiplicateurs de Lagrange il vient que ces vecteurs doivent satisfaire le syst`eme suivant : E[XX t ]VTi = λi VTi i = M + 1. 0 sinon. . N (3. . UTILISATION DE LA DEMODULATION AMFM Estimation de la fr´ equence du vecteur propre maximum En l’occurrence.78)     2 = E y1 . on a VTti VTj = 1 si i = j. Le vecteur propre maximum est la meilleure approximation du signal .82) i=M +1 On recherche les vecteurs VTi tels que cette erreur soit minimale. . 0 . . . .81) i=M +1 Soient les vecteurs lignes de la matrice T d´efinis par VTti tels que T = [VTt1 . . .82). . 0 sinon.80) N X = E[yi2 ] (3. yN (3. . Celle-ci s’exprime par :  2  EQM ˆ = E Y − Y (3. et les λi leurs valeurs propres associ´ees. . .84) i=M +1 Si la matrice de transformation est donn´ee par la d´ecomposition de Karhunen-Lo`eP ve alors X peut s’exprimer comme une combinaison lin´eaire de ces vecteurs propres. .79)   2 = E 0 .E[XX t ]. Alors un tel vecteur minimise l’EQM d’approximation du vecteur Y par sa version tronqu´ee Yˆ . . on d´etermine L’EQM de l’approximation au rang M du vecteur Y : N X EQM = λi (3. Dans ce cas.83) Ce qui n’est le cas que si les VTi sont les vecteurs propres de la matrice d’autocorr´elation associ´ee `a X. de dimension N en un vecteur Y = T X qui compresse au mieux l’information dans ses M (M ≤ N ) premiers ´el´ements. nous avons exploit´e les propri´et´e du vecteur propre associ´e `a la plus grande valeur propre (Nous nous r´ef´ererons dor´enavant `a ce vecteur en tant que vecteur propre maximum). Par construction. .. .86 ´ CHAPITRE 3. sous la contrainte de norme unitaire de ceux-ci. cherchons une transformation unitaire qui transforme le vecteur signal X. .. il contient l’information majeure contenue dans le signal. yM . yM . Ainsi donc la transforma- tion recherch´ee est la transformation de Karhunen-Lo`eve. .Pour le v´erifier. Choisissons comme d´efinition de ”au mieux” le crit`ere d’Erreur Quadratique Moyenne (EQM). yN − y1 . . . 0 (3. D´eterminons `a pr´esent l’erreur e(n) introduite par l’approximation de X par la version tronqu´ee de sa transform´ee . X = N i=1 ci VTi . En utilisant ce r´esultat dans l’expression (3. t Les ci poss`edent la propri´et´e suivante : E[ci cj ] = λi si i = j. .

. la d´ecomposition de Karhunen-Lo`eve est telle que la sommation partielle de X.86) i=1 i=1 XN = ci VTi (3. h1 (n). Dans ce syst`eme. C’est pour cette raison que l’on peut dire que ce vecteur propre contient l’information majeure du signal.87) i=M +1 L’erreur quadratique moyenne r´esultante est : N X 2 Eke(n)k = E[ci VTti VTi ci ] (3. dans le cas o` u la matrice R.88) i=M +1 N X = λi (3. nous avons vu que par construction. Le signal de sortie est d´etermin´e par la relation y(n) = H T (n)U (n). . de norme unitaire (c’est `a dire que H T H = 1). puisque kHk = 1 ∀n (3.Examinons le syst`eme de la figure 3.90) HT H Le terme de droite dans l’expression (3. . . .. l’approximation de X par son vecteur propre associ´e `a la plus grande valeur propre (troncature de Y `a M = 1) est la meilleure approximation possible de X. u(n − 1). Ce quotient poss`ede la propri´et´e suivante. DETERMINATION ´ DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´ FILTRE 87 Yˆ : e(n) = X(n) − Yˆ (n) (3. Fig.85) N X M X = ci VTi − ci VTi (3. un signal U (n) = [u(n). A ` l’extrˆeme.21. nomm´ee X ˆ est la plus proche possible (au sens de l’erreur quadratique moyenne) de X. u(n − L + 1)]T est introduit dans un filtre d’ordre L nomm´e H(n) = [h0 (n). Examinons maintenant la variance du signal de sortie du filtre : E[y 2 (n)] = E H T U (n)U T (n)H   = H T E U (n)U T (n) H   = H T RH H T RH = .5. .. . Le probl`eme consiste alors `a estimer efficacement ce vecteur.89) i=M +1 Or. 3.21 – Estimation du vecteur propre maximum Estimation du vecteur propre maximum . de valeurs propres λmax . . En cons´equence. les valeurs λi sont telles que N P i=M +1 λi est minimale. . . sachant qu’une d´ecomposition de Karhunen-Lo`eve est d’un coˆ ut m´emoriel et calculatoire prohibitif.90) est appel´ee Quotient de Rayleigh. hL−1 (n)].λmin . ´ 3..

en chaque instant. ∀H 6= 0 (3.95) On d´eduit alors des ´equations (3.22(b). Mesure de la fr´ equence du vecteur propre .96) G(n) H(n + 1) = (contrainte) (3. Sa justification th´eorique est simple dans le cas d’un signal sinuso¨ıdal s(n) = A cos(φ(n)).93) Et en utilisant les multiplieurs de Lagrange on peut d´emontrer les relations suivantes : T λmax = Hmax R Hmax (3. la fr´equence f du signal s(n) est donn´ee par la d´eriv´ee de la phase φ(n). de la matrice d’autocorr´elation R(n). alors on a :   E[y 2 (n)] = λmax (3. Nous avons choisi d’utiliser la technique du passage par z´ero. A ce stade. Nous nous orientons donc sur une technique adaptative d’optimisation.98) 2π dn .94) et (3. si le vecteur H = Hmax est tel qu’il maximise la quantit´e E y 2 (n) . Celle-ci permet d’ajuster les coefficients du filtre de sorte `a garantir la maximisation de E[y 2 (n)]. Celle-ci consiste `a mesurer l’´ecart temporel s´eparant deux passages par z´ero du signal.88 ´ CHAPITRE 3. appliqu´ee au signal r´esiduel de la figure 3. En effet.94) R Hmax = λmax Hmax (3. le signal ´etudi´e (le vecteur propre) est normalement suffisamment peu bruit´e pour pouvoir employer une technique simple d’estimation fr´equentielle.La fr´equence de ce vecteur propre reste `a d´eterminer. UTILISATION DE LA DEMODULATION AMFM est sym´etrique (ce qui est le cas d’une matrice d’autocorr´elation) : H T RH λmax ≥ ≥ λmin . tout en garantissant le respect la contrainte de norme unitaire. d’apr`es les r´esultats du paragraphe 3. Hmax est   le vecteur propre associ´e `a λmax c’est ` a dire le vecteur propre maximum.92) T = Hmax (n)RHmax (3.13) fournit l’estimation donn´ee en figure 3. celui qui approxime au mieux. et plus pr´ecis´ement utilisant la m´ethode du gradient stochastique.91) HT H Ainsi. dans ce cas.95) que lorsque E y 2 (n) est maximal. Cette technique. Leur d´etermination directe est bien sˆ ur impossible car elle n´ecessiterait le calcul.Il nous faut `a pr´esent d´eterminer les coefficients du filtre H. Mise en oeuvre adaptative . tel que : 1 dφ f= (3.3.22(a) (pr´esent´e aussi en figure 3. H(n) est adapt´e de la fa¸con suivante : ∂y 2 (n) G(n) = H(n) + µ ∂H(n) = H(n) + µ y(n) [U (n) − y(n)H(n)] (3. la convergence est obtenue et H(n) est une estimation de la composante majeure de U (n).5. Dans cet algorithme. le signal.97) kG(n)k Pourvu que µ et l’ordre du filtre soient correctement choisis. pour chaque nouveau nouvel ´echantillon u(n).

Notons que plus la fr´equence d’´echantillonnage sera ´elev´ee. plus la diff´erence entre 1/kTe et 1/(k + 1)Te sera faible et donc plus l’estimation de la fr´equence sera pr´ecise. 3.100). .22 – (a) Signal issu du filtre r´ejecteur de la composante cardiaque. le passage par z´ero consiste `a compter le nombre de points qui s´eparent deux passages par z´ero du signal. On peut notamment utiliser comme d´eriv´ee discr`ete la forward finite difference dont l’ex- pression math´ematique est dφ/dn = (φ(n + 1) − φ(n))/Te .99) 2πTe On peut montrer que la technique du passage par z´ero se ram`ene `a une moyenne d’esti- mations ponctuelles de la d´eriv´ee de la phase du signal.101) : 1 fˆk (n) = [φ(n + 1) − φ(n) + φ(n + 2) − φ(n + 1) + .102) se ram`ene `a l’expression (3.101) 2kπTe +φ(n + k) − φ(n + k − 1)] 1 = [φ(n + k) − φ(n)] (3. Enfin. l’expression de la fr´equence de la fr´equence f (n). Cette fr´equence est alors employ´ee pour g´en´erer un signal sinuso¨ıdal utilis´e par un filtre adaptatif afin de supprimer la compo- sante cardiaque du signal de variation de pression art´erielle. soit l’´equivalent d’une demi-p´eriode. (3. de la sinuso¨ıde devient : 1 fˆ(n) = [φ(n + 1) − φ(n)] (3.5. on a φ(n + k) − φ(n) = π et donc l’expression (3.100) 2kTe La moyenne de k estimations de la fr´equence instantan´ee peut alors s’exprimer par la relation (3. En effet.23. Dans ce cas. Si on appelle k ce nombre. filtr´e. alors la fr´equence est donn´ee par : 1 fˆ(n) = (3. . ´ 3. (b) Estimation du vecteur propre maximum de ce signal. le signal r´esiduel est . Dans celui-ci. est utilis´e pour d´eterminer la fr´equence car- diaque en utilisant une d´emodulation AMFM. DETERMINATION ´ DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´ FILTRE 89 (a) (b) Fig. R´ esultats exp´ erimentaux Le syst`eme finalement obtenu est donn´e sur la figure 3.102) 2kπTe Comme une demi-p´eriode s´epare les points n + k et n. le signal de variation de pression art´erielle.

ainsi que celle dont la valeur de la fr´equence cardiaque de r´ef´erence d´epasse 150bpm. dans le but de faciliter l’implantation de l’algorithme sur une cible embarqu´ee. des mauvaises positions du bracelet ou encore `a une valeur incoh´erente de la fr´equence de r´ef´erence. En effet. .23 afin de limiter les volumes de calcul et de taille m´emoire employ´ee. En effet.90 ´ CHAPITRE 3.03Hz. Comme pr´ec´edemment. En dernier lieu on estime la fr´equence de ce vecteur propre par une technique de passage par z´ero. Fr´equence d’´ echantillonnage . les ´epoques pr´esentant plus d’une seconde de signal satur´e sont supprim´ees. D´ ecomposition en vecteurs propres . d’un capteur de respiration thoracique ou d’un capteur de respiration abdominale. La fr´equence d’´echantillonnage originale des signaux ´etant de 128Hz pour la base de Nantes et de 256Hz pour la base de Paris. nous les avons d’embl´ee sous-´echantillonn´es `a 32Hz au niveau de l’´etape 3 de la figure 3. UTILISATION DE LA DEMODULATION AMFM d´ebruit´e par une somme partielle (en fait limit´ee `a l’ordre un) de ses vecteurs propres. En pratique. Ces artefacts sont dus `a des boug´es. Cette fr´equence d’´echantillonnage n’est pas choisie au hasard. et ce. ce qui arrive parfois lors d’un boug´e. elle offre `a la technique du passage par z´ero une r´esolution de (1/32)s = 0. 3. Nous n’avons pas r´ealis´e de mesure de fr´equence cardiaque de r´ef´erence sur cette base de test. qui est la r´esolution minimale souhait´ee sur la fr´equence respiratoire. Dans le cas de la base de test de Paris. Dans le cas de la base de test de Nantes. pour cause d’artefacts sur le signal. la fr´equence respiratoire de r´ef´erence est donn´ee par la raie la plus ´energ´etique du p´eriodogramme du signal issu selon les cas d’une sonde thermique pos´ee au niveau du nez.23 – Chaˆıne de traitement d’estimation de la fr´equence respiratoire par analyse de la composante additive du signal de variation de pression art´erielle On travaille par ´epoque de trente secondes. Fig.Les param`etres du filtre utilis´e pour r´ealiser l’estimation du vecteur propre maximum sont command´es par la fr´equence estim´ee. il faut savoir que nous n’avons pu r´ealiser d’estimation sur environ 10% des ´epoques. les valeurs de r´ef´erence des fr´equences cardiaque et respiratoire sont donn´ees directement par l’appareillage m´edical.

L’erreur moyenne commise sur l’estimation de la fr´equence cardiaque est de 7%. ´etant donn´e que nous r´ealisons un sous-´echantillonnage par quatre (voir ci-dessus). l’erreur moyenne est de 3%. Estimation de la fr´ equence respiratoire . nous en prenons la valeur m´ediane et c’est cette valeur qui donnera l’estimation de la fr´equence respiratoire. (a) (b) Fig. Les r´esultats pr´esent´es ci-apr`es correspondent `a la situation o` u une estimation est produite `a chaque adaptation du filtre.24(a) et plus encore sur le d´etail donn´e en 3.1. Il est `a noter que les param`etres du filtre obtenus `a la derni`ere it´eration d’une ´epoque sont conserv´es pour servir de base `a la premi`ere it´eration de l’´epoque suivante. Comme mentionn´e au paragraphe 3. Concernant la fr´equence respiratoire. En toute logique. On constate sur la figure 3. bien sˆ ur. par ´epoque. C’est pourquoi on ne peut se contenter d’estimer la fr´equence principale du vecteur propre obtenu `a l’issue de l’´epoque. ´ 3. En l’occurrence. plus ou moins bonne. la p´eriode de rafraichissement de l’estima- tion peut ˆetre consid´erablement r´eduite en fonction des contraintres li´ees `a l’implantation embarqu´ee.5 × 1/0.24 – R´esultats de la chaˆıne de traitement de la figure 3.24(b) que l’estimation suit fid`element la valeur de la fr´equence de r´ef´erence. Cela permet de ne pas perdre l’adaptation r´ealis´ee lors d’une ´epoque lorsqu’on passe `a la suivante. avec un ´ecart type de 4%. (a) : Vue d’ensemble. (b) : D´etail . DETERMINATION ´ DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´ FILTRE 91 il nous faut pouvoir observer deux passages par z´ero soit au moins une demi-p´eriode de la fr´equence la plus basse `a estimer ce qui repr´esente environ 0. le principe consiste `a comptabiliser les points de passage par z´ero du vecteur H(n). o` u celle-ci est contigu¨e `a la premi`ere. Bien ´evidemment.2. l’adaptation du filtre ´evolue en fonction des caract´eristiques du signal et est donc. dans le cas. celle-ci est de 32Hz. Puis.05 = 10 secondes. bien ´evidemment.5. Ainsi.5.4. 3. nous avons choisi de r´ealiser. ainsi que nous l’avions vu au paragraphe 3. apr`es une phase de convergence initiale. plusieurs estimations de fr´equence.23 dans l’estimation de la fr´equence respiratoire. suivant les instants d’observation. R´ esultats (base de Nantes) Les r´esultats de cette chaˆıne de traitement sont donn´es sur la figure 3. Base de donn´ees de Nantes. et l’´ecart type de 16%. En pratique. L’ordre du filtre d´epend alors de la fr´equence d’´echantillonnage. la taille du filtre doit ˆetre au moins sup´erieure `a 320 points.24.

Le syst`eme ne peut donc suivre ces valeurs. Base de donn´ees de Paris. Celui-ci fournit la courbe donn´ee en figure 3. ˆetre identiques aux valeurs de r´ef´erence et donc les points bleus devraient ˆetre confondus dans la droite y = x repr´esent´ee en vert. comprenant les estimations dont la r´ef´erence est comprise entre 0. on retrouve un bon fonctionnement du syst`eme.25 – R´esultats de la chaˆıne de traitement de la figure 3. une ellipse de ”bon fonctionnement”. localis´ee entre les abscisses 800 et 900.25]Hz. Plus l’ellipse les regroupant est large et moins bonne est cette m´ethode. on distingue plusieurs zones. Dans celle-ci. confirm´e par de bons r´esultats statistiques (la moyenne des erreurs portant sur l’estimation de la fr´equence respiratoire est de 3% et l’´ecart-type de 20%). un groupe de points centr´e autour de [0.25.25(a) entre les valeurs d’abscisse 5000 et 6000 et dont nous avons d´ej`a parl´e ci-dessus.5Hz dans cette zone. 0. Les valeurs estim´ees devraient.25(a).5Hz la fr´equence du signal r´esiduel. Ce nuage correspond aux points que l’on retrouve sur la figure 3. On retrouve les mˆemes conclusions `a savoir que le suivi des variations apparaˆıt fid`ele. – Au-del`a de ces points. Cette repr´esentation est donn´ee en figure 3.2 et 0. comme le montre le d´etail donn´e en figure 3. id´ealement. et l’ordonn´ee du point par la valeur estim´ee.5. La dispersion des estimations autour de cette droite nous informe sur la performance de la m´ethode. 3.26(a). (b) : D´etail Repr´ esentation en nuage de points Afin de caract´eriser au mieux le fonctionnement de cette m´ethode nous avons d´ecid´e d’utiliser une repr´esentation en nuage de points. Or la fr´equence de r´ef´erence d´epasse les 0. UTILISATION DE LA DEMODULATION AMFM Confirmation du fonctionnement sur la base de Paris On teste ensuite ce syst`eme sur la base de Paris. Dans notre cas. – ensuite. Celle-ci s’explique par le fait que le filtre de respiration limite `a 0.4Hz. Celui-ci r´esulte de la mauvaise estimation des points d’abscisse 800 `a 900 de la figure 3.2Hz. (a) (b) Fig. – D’abord un ensemble de points ´eparpill´es verticalement au niveau de l’abscisse 0. (a) : Vue d’ensemble. on repr´esente chaque point d’estimation dans un espace `a deux dimensions. Enfin. L’abscisse est donn´ee par la valeur de la fr´equence respiratoire de r´ef´erence de cette ´epoque. – Puis. Notons enfin que l’´ecart-type s’explique surtout par quelques valeurs aberrantes. quelques . On note cependant une zone d’erreur.25(b).92 ´ CHAPITRE 3.23 dans l’estimation de la fr´equence respiratoire.

2344Hz). Ce calcul n’est possible que parce que les valeurs de l’estimation de r´ef´erence sont discr`etes. A l’inverse. avec ce type de bruit.0078Hz. les valeurs de r´ef´erence de Nantes ´etant. elle ne permet pas d’analyser finement le comportement moyen de l’estimation. la moyenne. Soit une fr´equence de r´ef´erence fr0 (par exemple fr0 = 30 × 32768/256 = 0. Or. Alors on calcule la m´ediane M (f 0 ) de ces points :     arg ˆ f 0 ≥ M (f 0 ) = L0 /2   r f M (f 0 ) tel que et    arg fˆ0 ≤ M (f 0 ) = L0 /2   r f On obtient alors les points port´es en rouge sur la figure 3. En cons´equence. En l’occurrence.26 – (a) Repr´esentation en nuage de points des estimations de la fr´equence respiratoire. alors que les pr´ec´edentes et les suivantes sont correctes. Nous n’avons donc r´ealis´e ce calcul qu’avec la base de Paris. Cela est en g´en´eral dˆu `a un artefact sur le signal de variation de pression art´erielle. (b) Repr´esentation en densit´e de ces points. la valeur m´ediane n’est pas sensible `a ce bruit et c’est . il suffit d’une erreur de ce type pour que la valeur moyenne soit alt´er´ee. C’est pourquoi nous avons r´ealis´e un calcul des m´edianes verticales E(f ˆ ).27.01Hz. la r´esolution est d’environ 0. ´ 3. L’emploi de la m´ediane se justifie par le fait que les erreurs sont de type al´eatoire c’est-`a-dire que spontan´ement. ne permet pas de mod´eliser efficacement le comportement g´en´eral de la m´ethode. 3. continues. Soient les L0f points qui poss`edent pour r´ef´erence cette valeur fr0 . Consid´erons alors les diff´erentes estimations de cette fr´equence respiratoire et not´es fˆr0 . travaillant a` 256Hz. elles. Les valeurs de r´ef´erence de la base de donn´ees de Paris sont obtenues par Transform´ee de Fourier Rapide (FFT) r´ealis´ee de sorte `a ce que le nombre de points soit une puissance de deux et tel que la r´esolution soit inf´erieure `a 0. R´ egression lin´ eaire Si la repr´esentation en nuage de points permet de bien visualiser la dispersion g´en´erale des valeurs. DETERMINATION ´ DE LA FREQUENCE RESPIRATOIRE A ` PARTIR DU ´ SIGNAL DE VARIATION DE PRESSION ARTERIELLE ´ FILTRE 93 (a) (b) Fig. une estimation peut ˆetre tr`es mauvaise.5. points se dispersent au dessus de l’ellipse.

Ainsi.4Hz.27 – R´egression lin´eaire des m´edianes verticales ˆ )≈ On s’aper¸coit. ce qui reste acceptable. UTILISATION DE LA DEMODULATION AMFM pourquoi nous l’avons pr´ef´er´ee `a la moyenne. Exploitation de l’analyse : correction du biais On peut envisager de calibrer la m´ethode d’estimation en utilisant les informations issues de la r´egression lin´eaire des m´edianes. 3. Cet estimateur donne. `a une erreur moyenne de 3% et un ´ecart-type de 7%. on la sous-estime.03.9 × f + 0. ce qui donne la figure 3. Pour cela. le biais syst´ematique est quasiment nul. N´eanmoins nous avons r´eussi `a obtenir un estimateur correct de la fr´equence respiratoire en utilisant la mesure de la fr´equence du vecteur propre maximal issu de la d´ecomposition du signal r´esiduel. ce qui s’explique bien par la contribution plus faible de la respiration au signal de variation de pression art´erielle. On r´ealise alors une r´egression lin´eaire au sens des moindres carr´es de ces points. La moyenne du signal de fr´equence instantan´ee s’est av´er´ee un bon estimateur de la fr´equence cardiaque puisqu’il conduit. il suffit d’appliquer la fonction inverse de celle qui lie les donn´ees de r´ef´erence aux donn´ees observ´ees. on surestime la fr´equence respiratoire et pour les valeurs sup´erieures. il existe un biais d´ependant de la fr´equence `a estimer. 3. La mesure de la fr´equence respiratoire s’est av´er´ee plus difficile. d’apr`es cette r´egression.6 Conclusions sur l’utilisation de la d´ emodulation AMFM pour l’estimation des rythmes cardiaque et respiratoire Nous avons explor´e dans ce chapitre diff´erentes techniques d’estimation du rythme cardiaque et respiratoire bas´ees sur la mod´elisation du signal de variation de pression art´erielle comme une signal modul´e `a la fois en amplitude et en fr´equence. une erreur de 3% et un . Nous n’avons cependant pas r´ealis´e cette op´eration qui devrait th´eoriquement conduire `a une diminution du biais. Par contre. Notons que le biais maximal de cette r´egression est de 8%. sur notre base de test.94 ´ CHAPITRE 3. sur notre base de test.27. Fig. Pour les fr´equences inf´erieures `a 0. que l’estimation est donn´ee par la relation E(f 0.

Enfin. rec- quiert une demi-seconde de signal ce qui repr´esente un nombre relativement important d’´echantillons. En outre. Le cas ´ech´eant. expos´e au paragraphe 4. et qui v´erifie que l’estimation donn´ee `a l’´epoque n ne s’´ecarte pas de fa¸con invraisemblable des estimations r´ealis´ees aux ´epoques n − 1 et n + 1. ces deux techniques offrent des perspectives de complexit´e calculatoire et m´emorielle compatibles avec une implantation sur une cible embarqu´ee. Pr´ecisons notam- ment que la quasi-totalit´e des calculs sont r´ealis´es en continu. Il serait ´egalement int´eressant de r´ealiser un dispositif de v´erification de la coh´erence des donn´ees voire de correction de celles-ci. l’estimation de la fr´equence du vecteur propre. CONCLUSIONS SUR L’UTILISATION DE LA DEMODULATION AMFM POUR L’ESTIMATION DES RYTHMES CARDIAQUE ET RESPIRATOIRE 95 ´ecart-type de 20%. C’est donc naturellement ces techniques que nous avons utilis´ees par la suite. Si elle ne pouvait s’appliquer au signal r´esiduel.2 pour estimer sa fr´equence. Nous pourrions utiliser une m´ethode plus ´economique.6.5. Or. il est probable que le vecteur propre soit suffisamment peu bruit´e pour que cette fois nous puissions l’employer. ce qui permet une r´epartition optimale de la charge. . Cette op´eration est relativement coˆ uteuse. notamment pour le calcul des param`etres cardiaque et respiratoire employ´es pour r´ealiser la classification. On peut imaginer un dispositif du mˆeme type que celui utilis´e pour le rescorage de la classification. comme celle expos´ee au paragraphe 3.3 impose le calcul de la norme du vecteur `a chaque adaptation.6. Regalia [64] propose une m´ethode de d´ecomposition de Karhunen-Lo`eve n’imposant pas cette division. cette valeur est corrig´ee. Celle-ci est remplac´ee par l’emploi de rotations et de d´elais appliqu´es au signal original. telle qu’elle est pratiqu´ee.5. ´ 3. la contrainte de norme unitaire expos´ee au paragraphe 3. suivi d’une division de chacun des param`etres par cette norme. Notamment. Diff´erents axes d’am´elioration restent `a ´etudier.

.

d´ecrit pr´ec´edemment au paragraphe 1. le u celle-ci est fortement pr´esum´ee.Chapitre 4 Classification Nous pr´esentons dans ce chapitre la mise en place ainsi que les r´esultats de la classification automatique en stade de sommeil des signaux d´elivr´es par le bracelet. du centre du sommeil de l’hˆopital La¨ennec `a Nantes. enregistr´es sur des patients volontaires. nous exposerons la technique sur laquelle nous travaillons actuellement. dirig´e par Mme B. Un apn´eique est. et des signaux que nous qualifions de r´ef´erence. Premi`erement. Il ne s’agit donc uniquement que de patients souffrant d’une pathologie. Nous verrons ensuite comment les r´esultats issus de ces traitements peuvent ˆetre am´elior´es par un rescorage. Les patients insomniaques ou apn´eiques ne le respectent pas. pour le premier. et. Mais cette pr´ef´erence ne peut ˆetre toujours satisfaite dans la mesure o` u ce type de patient repr´esente 50 ` a 80% des personnes examin´ees par les centres de sommeil. A m´edecin pose pr´ef´erentiellement le bracelet sur des personnes qu’il suppose non sujettes aux apn´ees du sommeil. Enfin. ´ La participation `a notre ´etude est propos´ee par le m´edecin responsable aux patients devant subir un enregistrement polysomnographique. susceptible de se r´eveiller tr`es r´eguli`erement. Il s’agit. Le fait que les enregistrements soient r´ealis´ees sur des personnes non saines est un probl`eme majeur pour la mise au point d’un syst`eme de reconnaissance des stades de sommeil. du moins.1 La collaboration avec les centres de sommeil Notre base de donn´ees est constitu´ee des signaux issus du bracelet. 4.1 Contexte de l’exp´ erimentation 4. Ce sont les performances de la seconde qui nous ont amen´e `a son utilisation. Les personnes saines respectent un certain enchaˆınement de stades. enregistr´es simultan´ement par les mat´eriels m´edicaux en place dans les centres de sommeil avec lesquels nous collaborons. du centre du sommeil de l’hˆotel-Dieu de Paris. Apr`es avoir bri`evement pr´esent´e les donn´ees qui sont utilis´ees. NOGUES. la clas- sification gaussienne et les r´eseaux de neurones. le d´eroulement de la nuit sera tr`es sp´ecifique au patient. dirig´e par Mr D. ou. lorsque survient une apn´ee du sommeil. Nous avons s´electionn´e la premi`ere m´ethode pour sa simplicit´e de mise en œuvre. par exemple.1.1. nous ´etudions deux techniques de classification. qui utilise un arbre de d´ecision. Ceux-ci sont au nombre de deux. o` ` Nantes.1. pour le second. LEGER. Celle-ci se traduit par une interruption (de dur´ee sup´erieure `a dix secondes) du flux d’air dans les poumons soit par interruption de l’effort respiratoire (c’est l’apn´ee .

en sus du non-respect du cycle de sommeil. et sur 16 bits `a 256Hz `a Paris. 4. Nous invitons le lecteur `a se reporter au chapitre 5 pour une explication plus d´etaill´ee du fonctionnement des bracelets et des protocoles d’enregistrement des signaux. ces param`etres sont combin´es par des Fonctions Lin´eraires Discriminantes (FLD) en vue de r´eduire la dimension du vecteur `a classer. et d´efini lors de la phase d’apprentissage. Le prototype utilis´e `a Nantes est un bracelet autonome permettant d’enregistrer les signaux issus des capteurs plac´es au sein du bracelet sur une m´emoire SmartMedia amovible. des troubles des variables cardio-respiratoires. Les patients apn´eiques pr´esentent donc. Lors de l’apn´ee. Fig.98 CHAPITRE 4. qui rendent les signaux observ´es potentiel- lement moins caract´eristiques des stades de sommeil que ceux observ´es chez des patients sains. soit par blocage au niveau des voies a´eriennes sup´erieures (on parle alors d’apn´ee obstructive). Par ailleurs. Les signaux num´eris´es sont d´ecoup´es en ´epoques d’une dur´ee de trente secondes. Ces deux bracelets utilisent la mˆeme base multicapteur. on observe g´en´eralement un trouble du rythme cardiaque [1]. le cas ´ech´eant.2 Description g´ en´ erale de la chaˆıne de traitement D´etaillons `a pr´esent la mani`ere dont sont trait´ees les donn´ees.1 – Chaˆıne de classification . nous utilisons un bracelet qui se connecte directement sur l’appareillage m´edical local. Le vecteur de param`etre est ensuite class´e c’est-`a-dire attribu´e au stade (ou groupe de stade) de sommeil dont il est le plus proche au sens d’un crit`ere mesurant le coˆ ut le s´eparant d’un vecteur moyen. le bracelet de Nantes est plus sujet `a l’apparition de saturations du signal de variation de pression art´erielle en cas de boug´e. La figure 4. la num´erisation se fait sur 8 bits `a 128Hz pour le bracelet de Nantes. Puis.1 reprend l’ensemble de la chaˆıne de traitement mise en place. de par le montage utilis´e. Toutefois. Lorsque l’´epoque est int`egre (pas de saturations par exemple). caract´eristique de chaque classe.1. CLASSIFICATION centrale). A Paris. la portion de signal correspondante est utilis´ee pour calculer des param`etres discriminants. 4.

Les patients faisant l’objet d’un enregistrement sont. les premiers r´esultats observ´es ne nous ont pas encourag´es `a poursuivre dans cette voie. Sur les quarante-deux nuits enregistr´ees `a Paris jusqu’au 18 f´evrier 2005. quelle que soit la m´ethode utilis´ee. l’apprentissage est op´er´e sur 70% de la base d’apprentissage. les 30% restants ´etant notamment utilis´es pour mesurer le degr´e d’apprentissage. Au final. pr´esentent des caract´eristiques communes aux deux stades entre lesquels ils ´evoluent. . . de mˆeme que ceux dont les hypnogrammes sont trop fractionn´es. 4. . quatre comportent des erreurs d’enregistrement (gravure d´efaillante. choisis al´eatoirement. ´eventuellement recombin´ees en ´epoques de trente secondes. dans le but de diminuer l’influence d’une erreur locale. Nous travaillons actuellement `a l’int´egration des nuits de Nantes.3 Bases de donn´ ees retenues Pour l’instant. Restent donc trente-huit fichiers.1. Dans les diff´erents tests r´ealis´es. ´ 4. la seconde cinq. Nous supposons en effet que les signaux. lors des p´eriodes de transition. dont on suppose les valeurs caract´eristiques des classes qui les ont engendr´es. Les ´epoques correspondantes risquent donc de ne pas ˆetre repr´esentatives d’un stade en particulier et nous pr´ef´erons les ´ecarter dans un premier temps. Cependant. moins sujets aux saturations du signal de variation de pression art´erielle. la base de donn´ees utilis´ee pour l’exploration de la classification auto- matique des nuits contient uniquement des signaux provenant d’enregistrements r´ealis´es `a Paris. La premi`ere compte seize nuits. SELECTION ` DES PARAMETRES ´ PAR LA CLASSIFICATION UTILISES 99 Nous avons choisi de consid´erer des ´epoques d’une dur´ee de trente secondes car il s’agit de la dur´ee utilis´ee par les logiciels m´edicaux des centres de sommeil avec lesquels nous collaborons. Nous avons en premier lieu recherch´e ces attributs.2. un des fichiers est manquant . sans distinction d’ˆage ni de pathologie suppos´ee. L’autre d´efinissant une dur´ee d’´epoques de vingt secondes. les signaux sont s´epar´es al´eatoirement en deux bases de caract´eristiques proches : la base d’apprentissage et la base de test.2 S´ election des param` etres utilis´ es par la classification La classification. Il s’agit en fait d’une des deux normes existant dans le domaine de l’´etude du sommeil. Nous avons ´egalement explor´e l’int´erˆet de l’emploi d’´epoques plus courtes. ). Nous avons fait le choix d’´ecarter de la s´election les fichiers pr´esentant trop d’apn´ees (pour lesquels l’´evolution cardiorespiratoire est alt´er´ee). La base de test n’est utilis´ee que pour les diff´erents tests et ne sert `a aucune ´etape de l’apprentissage. La r´epartition des ´epoques constituant les bases d’apprentissage et de test est donn´ee ci-dessous : Base d’apprentissage Base de test stade 0 : 15% 12% stade 1 : 4% 3% stade 2 : 39% 34% stade 3 : 8% 6% stade 4 : 16% 20% stade 5 : 19% 25% 4. se base sur l’´etude d’attributs. dans les faits.

la premi`ere ´etape consiste `a d´eterminer un ensemble de param`etres physiologiquement pertinents. En premier lieu. L’´energie totale de chacune de ces bandes est calcul´ee (param`etres 14 `a 17) et sert `a d´eterminer la r´epartition relative de l’´energie du signal de variation de pression art´erielle entre ces diff´erentes bandes (param`etres 18 `a 23). .5) . ainsi que ses valeurs extr´emales. Les intervalles successifs entre deux battements cardiaques intervenant respectivement aux instants tk et tk+1 . `a partir de ses J valeurs pr´ec´edentes : J−1 X s(n) = aj s(n − j) .2) j=0 Les aj sont les coefficients caract´eristiques du mod`ele.100 CHAPITRE 4. CLASSIFICATION 4. . caract´erisant chacun des propri´et´es sp´ecifiques du signal de variation de pression art´erielle. . L’estimation de la fr´equence respiratoire d´elivr´ee par l’estimateur d´ecrit en 3. . Ce mˆeme signal peut aussi ˆetre caract´eris´e par les coefficients de sa mod´elisation au- tor´egressive. Enfin. sa variance (param`etre 2). . La premi`ere est centr´ee autour de la fr´equence respiratoire et la seconde autour de la fr´equence cardiaque. . N (4. Ils sont donn´es par la r´ecurence : j−1 " # 1 X j−1 cj = γ(j) − ai γ(j − i) j = 1. nous r´ealisons une d´etection des instants de battements cardiaques par la technique pr´esent´ee au paragraphe 2. les coefficients de corr´elation partielle. P (4. E(0) = γ(0) (4. Nous en avons retenu cinquante-cinq (donn´es en annexe A). Nous supposons qu’elle est essentiellement constitu´ee de bruit.2. ou PARCOR (pour PARtial CORrelation).1) tk+1 − tk L’ensemble des estimations instantan´ees du rythme cardiaque forme un signal (´echantillonn´e non r´eguli`erement) que nous caract´erisons par sa moyenne (param`etre 1). . Par la suite. La troisi`eme est d´efinie pour correspondre aux contributions haute fr´equence des signaux phyisologiques. mais des coefficients d´eriv´es de ceux-ci. . Pour des raisons de conv´enience math´ematique (en vue de leur utilisation sur un processeur embarqu´e). n = 1.4. not´es cj . donnent une estimation de la fr´equence cardiaque instantan´ee : 1 fˆc (k : k + 1) = (4. de sorte `a isoler quatre bandes spectrales. la derni`ere bande comprend le reste des fr´equences. le signal est pr´esent´e `a un banc de filtres.4) N n=0 et E(j) = (1 − c2j )Ej−1 . nous n’utilisons pas directement les coefficients aj .4.1 Param` etres initiaux Dans cette entreprise. ´etablissant une estimation sˆ(n) de sa valeur actuelle s(n).23 fait ´egalement partie des param`etres retenus (param`etres 12 et 13). sa valeur m´ediane(1 / param`etre 3).3) Ej−1 i=1 N −1 1 X avec γ(m) = s(n)s(n − m) (4.

Il s’agit donc d’une pr´ediction `a court terme. le mod`ele est cette fois en mesure d’int´egrer la p´eriodicit´e cardiaque. 1/X}n Nous avons caract´eris´e de la mˆeme fa¸con l’´evolution `a moyen terme de ces param`etres en calculant ∆X(n. n − 1) ≡ (4. . 4. X%(n. X%(n.6) {X. nous avons cherch´e `a ´evaluer la variation de la valeur de ces param`etres entre une ´epoque et la suivante. 1/X}n−1 ∆X%(n.12. La contribution respiratoire est estim´ee selon le syst`eme d´ecrit en figure 3.7) {X. n − 1) ≡ (4. Dans un second temps. Cette valeur est obtenue par la somme des variances intraclasse de ce param`etre sur la somme totale des variances de celui-ci [74]. La valeur de P est fix´ee `a 20. n − 1) d´efinis comme suit : ∆X(n. . caract´erisent la modulation respiratoire du signal de variation de pression art´erielle. .2) d’ordre j. Appelons X cet ensemble compos´e des variables principales (X = {x1 .2. SELECTION ` DES PARAMETRES ´ PAR LA CLASSIFICATION UTILISES 101 O` u les coefficients aji correspondent au pr´edicteur (4. 1/X}n X%(n. 1/X}n − {X. n − 1) et ∆X%(n. Le lambda de Wilks fournit une valeur comprise entre 0 et 1 et qui est d’autant plus petite que la variable est pertinente pour qualifier les signaux observ´es. les derniers param`etres (50 `a 55).2. n − 3). nous avons calcul´e le param`etre 1/xi . Ainsi. Il est donc int´eressant de d´eterminer les param`etres caract´erisant le syst`eme mod´elisant cette p´eriodicit´e. 1/X}n−1 {X. Ces coefficients forment les param`etres 24 `a 36. nous avons conserv´e la valeur de P mais nous avons sous-´echantillonn´e le signal. n − 1). . n − 1) ≡ {X. nous nous sommes int´eress´es `a l’´evolution temporelle `a court terme de ces param`etres. n − 3) et ∆X%(n. `a la fr´equence de 16Hz. Enfin. ´ 4. 1/X}n − {X. . cela implique que l’estimation de l’´echantillon courant se fait `a partir des 8ms pr´ec´edentes. ce qui signifie que le calcul des coefficients PARCOR ´etablira le lien entre chaque point du signal et les vingt points le pr´ec´edant. le lambda de Wilks. 1/X}n−1 (4. pouvant conduire `a une meilleure d´etection de l’information. qui sont diff´erentes de celles des variables principales. li´ee aux battements cardiaques. Nous avons ainsi calcul´e les ensembles de param`etres ∆X(n.2 S´ election des param` etres pertinents Pour s´electionner les param`etres les plus pertinents. Portant sur les mˆemes caract´eristiques que les variables principales. Le signal ´etant ´echantillonn´e `a 256Hz (ou 128Hz pour ceux issus du laboratoire de Nantes). notamment en terme de biais et de variance. les variables inverses poss`edent des propri´et´es statistiques.8) {X. Cependant. x55 }). nous avons choisi de leur appliquer un test statistique. Nous avons ´egalement retenu les variables inverses de ces 55 param`etres c’est-`a-dire que pour chacun des param`etres xi appartenant `a l’ensemble X. Pour cela. n − 3). notre signal pr´esente ´egalement une p´eriodicit´e forte `a la fr´equence moyenne de 1Hz. Ce dernier groupe permet d’observer les variations sur une dur´ee de l’ordre de la minute et demie. Plus pr´ecis´ement. Ce second ensemble est appel´e 1/X. Les coefficients PARCOR associ´es `a cette mod´elisation long-terme correspondent aux param`etres 37 `a 49.

On note ´egalement que l’estimation du signal respiratoire. On retrouve essentiellement les mˆeme param`etres lorsqu’on s’int´eresse au groupe des param`etres inverses. CLASSIFICATION Afin de s´eparer les erreurs d’estimation des param`etres (qui peuvent ˆetre corrig´ees par ailleurs) de la mesure de leur pertinence. et nous avons calcul´e le lambda de wilks de chacun des param`etres. nous avons moyenn´e les r´esultats obtenus par chacun des param`etres sur les diff´erentes nuits afin de faire ressortir les plus pertinents d’entre eux `a l’´echelle d’une nuit. Ceci s’explique par le fait que les variables 1/xi n’ont pas les mˆemes propri´et´es statistiques en terme notamment de biais et de variance que les variables xi . nous n’avons retenu que les ´epoques : – Int`egres. nous avons pris s´epar´ement chacune des nuits de la base d’apprentissage. Cependant. Parmi les param`etres s’av´erant pertinents on retrouve le rapport entre fr´equence respira- toire et fr´equence cardiaque (param`etre 13).98. Il est possible. 107. c’est `a dire qui ne suivent pas ou ne pr´ec`edent pas une zone de boug´e . Les coefficients PARCOR s’av`erent int´eressants ´egalement. obtenue par filtrage du signal de variation de pression art´erielle est pertinente (param`etres 52.9. ` l’issue de cette ´etape. Pour le v´erifier. de r´ealiser un enregistrement de sommeil par les techniques m´edicales habituelles. Or. Cas du suivi de patient L’une des applications envisag´ees concerne le suivi du sommeil du patient sur plusieurs nuits. – Typiques. 105 et 110). Il faut savoir que cette valeur de seuil est plutˆot haute. Pour cela. dans ce cas. de mˆeme que l’inverse de l’amplitude du signal respiratoire dans le signal de variation de pression art´erielle. c’est `a dire que l’´epoque suivante et l’´epoque pr´ec´edente appartiennent au mˆeme stade que l’´epoque courante. certains param`etres sp´ecifiques au patient peuvent s’av´erer int´eressants alors qu’ils ne le sont pas `a l’´echelle d’une population. On retrouve ensuite (et surtout) les param`etres exprimant la d´ecomposition ´energ´etique du signal de variation de pression art´erielle sur diff´erentes bandes spectrales (param`etres 13 `a 21). nous avons choisi de r´ealiser ce test statistique sur un ensemble le plus caract´eristique possible de chacun des stades. Ces param`etres sont indiqu´es en gras dans la liste donn´ee en annexe B. sans ˆetre sp´ecifiques au patient. Au final les ´epoques satisfaisant ces deux conditions ne repr´esentent que 20% des ´epoques de l’ensemble de la base.102 CHAPITRE 4. dans ce cadre. de par les informations disponibles dans la litt´erature au sujet de la d´etection des stades de sommeil `a partir de donn´ees cardiorespiratoires. et d’utiliser les informations collect´ees durant cette nuit pour permettre au bracelet de r´ealiser une classification automatique efficace des nuits suivantes. Il est plus courant de consid´erer comme non pertinents des param`etres dont le lambda de Wilks est sup´erieur `a 0. nous conservons les param`etres dont le lambda de Wilks atteint A une valeur inf´erieure `a 0. Formel- . nous savions que. On notera toutefois que l’inverse de la fr´equence respiratoire apparaˆıt (alors que la fr´equence respiratoire n’est pas pertinente). surtout ceux li´es `a la mod´elisation `a 256Hz du signal (param`etres 24 `a 36). Puis. aucun d’entre eux ne serait tr`es pertinent `a lui seul et c’est pourquoi nous pensons que le pouvoir de d´ecision ne peut se faire qu’avec le concours d’un maximum d’informations ´el´ementaires.

Quant aux param`etres pertinents. vraisemblablement. . qui s’av`erent les plus pertinents pour ce probl`eme. le fait que la fr´equence respiratoire soit pertinente `a l’´echelle des individus pris s´epar´ement mais pas `a l’´echelle de la population suppose que l’activit´e respiratoire est effectivement corr´el´ee au sommeil. pourtant tr`es importante `a l’´echelle de la population.k ] le vecteur indiquant la valeur. w2 . . . de sorte que la mesure de cette variation ne soit pas pertinente.3 ´ Elimination des param` etres redondants Il est toujours pr´ef´erable de r´eduire le nombre de param`etres utilis´es pour la classi- fication. afin de pouvoir comparer ces donn´ees au cas pr´ec´edent. SELECTION ` DES PARAMETRES ´ PAR LA CLASSIFICATION UTILISES 103 lement. DC(1) et S(3). mais le param`etre permettant de le qualifier reste `a d´eterminer. qui pourraient s’av´erer int´eressants pour l’analyse du sommeil. . ω440 ]. La premi`ere chose que l’on remarque est que les param`etres utilis´es s’av`erent en moyenne beaucoup plus pertinents que lors de l’utilisation de la base globale. d’apr`es le crit`ere appliqu´e. trente-cinq param`etres ´etaient qualifi´es de pertinents. et non ` a 256Hz comme auparavant.9) K k=1 Ce vecteur est donn´ee dans l’annexe C. w2. En dehors de nous indiquer les param`etres `a utiliser dans le cas d’un suivi de patient. 4. Par exemple. Ensuite. La fr´equence cardiaque est pertinente ´egalement par le biais des param`etres inverses (param`etres 56 `a 62). Il reste qu’il existe un lien entre la fr´equence respiratoire et le sommeil chez tous les individus de la population. les groupes S(1). D(1). non d´etermin´es pour l’instant. On peut supposer que l’impr´ecision li´ee `a l’estimation des param`etres est sup´erieure `a la variation de ceux-ci entre une ´epoque et ses suivantes. ne l’est plus `a l’´echelle d’une nuit.k .82. Il est possible que les formes d’ondes de pression art´erielle des individus constituant la base pr´esentent des dissemblances telles que celles-ci ne permettent pas l’apprentissage de la corr´elation `a long terme `a l’´echelle de la population. la fr´equence respiratoire ressort tr`es clairement puisque les deux param`etres les plus importants sont cette variable et son inverse (param`etres 3 et 58). la fr´equence respiratoire en elle-mˆeme est d´ependante du patient sur lequel elle est mesur´ee et c’est pourquoi elle n’est pas utilisable pour caract´eriser la population. .2. . . K). cette analyse nous apprend que. 106). DC(3) ne s’av`erent pas plus pertinents que dans le cas de la population totale. On retrouve aussi l’es- timation du signal respiratoire dans le signal de variation de pression art´erielle (param`etres 50.2. . . . on note une diff´erence fondamentale : cette fois. Par contre. dont chacun des ´el´ements wi est calcul´e selon : K 1 X wi = wi.k (4. il existe certains param`etres. dont. alors on ´etudie le vecteur W = [w1 . calcul´ee sur la nuit k (k = 1. Nous avons port´e en gras les trente-cinq param`etres les plus pertinents. ´ 4. des lambda de wilks des quatre-cent-quarante param`etres d´ecrits plus hauts. Cependant. alors que ce param`etre est pertinent lorsqu’on s’int´eresse au signal issu d’un patient. w440.k . si l’on nomme W k = [w1. On note ´egalement que la d´ecomposition fr´equentielle. ce sont les coefficients PARCOR li´es `a la mod´elisation `a 16Hz. . . D’abord parce que plus le vecteur `a classer est de dimension r´eduite et plus le . puisque les valeurs atteignent notamment 0. D(3). 51 et 105.

CLASSIFICATION coˆ ut calculatoire de la classification sera faible. Il n’y a donc pas lieu de disposer ici d’un ensemble d’apprentissage. parce qu’avec un mˆeme nombre d’observations.3 Description g´ en´ erale de la classification Une fois les param`etres d´etermin´es. la mod´elisation des classes de r´ef´erence sera d’autant moins erron´ee que le nombre de param`etres `a estimer sera faible. Nous discuterons d’ailleurs plus loin de ce point. qui consiste `a regrouper des ´el´ements ayant un comportement similaire (au sens d’un crit`ere `a d´efinir) dans des classes inconnues au pr´ealable. parmi lesquelles s’effectuera notre choix.104 CHAPITRE 4. 4. Pour cela nous avons pratiqu´e un test de corr´elation. Il existe. puis `a classer les ´el´ements en fonction de leur position dans l’espace ainsi structur´e (c’est la phase de classement). Les techniques de classification peuvent se regrouper en deux grandes familles : – La classification non supervis´ee.5. C’est pour cette raison que nous avons cherch´e `a ´eliminer. Notre objectif nous place donc dans le cadre de la classification supervis´ee et c’est pourquoi nous ne d´evelopperons que ce type de classification. signal´es par une ´etoile dans la liste donn´ee en annexe B. parmi la s´election retenue. Nous pr´esentons dans ce paragraphe un aper¸cu des m´ethodes classiquement utilis´ees. Ensuite. Nous avons ´elimin´e de la liste des param`etres pertinents les param`etres corr´el´es. celui dont le lambda de Wilks est le plus faible. qui consiste `a classer des ´el´ements d’un ensemble `a partir de la connaissance a priori d’un ensemble d’apprentissage (l’ensemble d’apprentissage ´etant d´efini comme un ensemble d’observations dont on connaˆıt pour chacune la classe `a laquelle elle appartient). tels que d´efinis par les r`egles de Rechtshaffen et Kales. – La classification supervis´ee. Nous disposons au final de 25 param`etres pertinents non corr´el´es. il nous faut choisir une m´ethode de classification. le probl`eme `a r´esoudre consiste `a r´ealiser une classification automatique dont les classes de sortie souhait´ees sont identifi´ees puisqu’il s’agit des stades (ou des groupes de stades) de sommeil. La . Nous avons fait le choix de ne pas ˆetre trop s´ev`eres dans la s´election et de conserver un nombre relativement ´elev´e de param`etres au regard des m´ethodes de s´election dans la mesure o` u certains param`etres pris en couple peuvent s’av´erer plus informatifs que pris s´epar´ement [75]. La r`egle de classification consiste d’abord `a d´ecouper l’espace de repr´esentation des ´el´ements `a classer et `a attribuer `a chacune des zones de ce d´ecoupage une des classes d´efinies a priori (c’est la phase d’apprentissage). Pour cela. Nous avons consid´er´e comme corr´el´es les param`etres dont le coefficient de corr´elation (dans la base de test ou d’apprentissage) atteint ou d´epasse la valeur 0. nous avons retenu. les param`etres redondants. La r`egle de classification consiste alors `a d´ecouper l’espace en plusieurs sous-espaces selon le crit`ere de similarit´e reliant les ´el´ements. Dans notre cas. plusieurs familles d’algorithmes. lorsque deux param`etres sont corr´el´es. pour r´ealiser une classification supervis´ee.

on va supposer que deux classes sont s´epar´ees par une certaine surface. d´efinie par une ´equation dont les param`etres doivent ˆetre estim´es. DESCRIPTION GEN ´ DE LA CLASSIFICATION 105 figure 4.3.3.2 pr´esente bri`evement les plus classiques d’entre elles.3.1 Les r´ eseaux de neurones Cette technique fait partie de celles que nous avons utilis´ees et nous la d´evelopperons donc ult´erieurement (paragraphe 4. Fig. C’est `a l’aide de cette forme g´eom´etrique simple qu’est r´ealis´e l’apprentissage d’un concept.2 Les surfaces s´ eparatrices lin´ eaires Une surface s´eparatrice lin´eaire est un hyperplan. que nous d´ecrivons ci-apr`es.5). 4. 4. Il est en g´en´eral impossible . Dans le cas d’un vecteur de dimension trois par exemple.2 – Repr´esentation des techniques de classification 4. ´ ERALE 4.

106 CHAPITRE 4. CLASSIFICATION

de trouver un hyperplan qui s´epare parfaitement les points d’apprentissage et on se contente
donc de chercher un hyperplan discriminant qui en est une approximation, au sens d’un
certain crit`ere `a fixer. Le probl`eme de l’apprentissage de surfaces lin´eaires se r´esume donc
`a la recherche des param`etres de l’´equation de la surface s´eparant le mieux possible les
points d’apprentissage des deux classes dans l’espace Rd , pourvues de la meilleure facult´e de
g´en´eralisation possible.

Le probl`eme devient complexe dans le cas o` u le nombre de classes est sup´erieur `a deux
car alors, de par la nature de la surface (lin´eaire), il apparaˆıt des zones d’ambigu¨ıt´e. Une
premi`ere m´ethode est d’apprendre, pour chaque classe, un hyperplan qui la discrimine de
toutes les autres. Cela conduit `a de nombreuses zones de classification ambigu¨es : au-del`a de
2
trois classes, pour n hyperplans construits, l’espace Rd est partag´e en n +n+2
2 zones convexes.

La figure 4.3 repr´esente le cas de trois classes (C1, C2, C3) o`
u se croisent trois hyperplans.
Il apparaˆıt donc sept zones convexes. Les zones blanches sont les zones repr´esentatives des
classes alors que les zones color´ees sont les zones ambigu¨es entre les classes. Le triangle central
est une zone ambigu¨e entre les trois classes.

Fig. 4.3 – S´eparation lin´eaire `a trois classes

Une solution rem´ediant `a ce probl`eme consiste `a rechercher une surface discriminante
entre chaque couple de classes. Il ne subsiste alors qu’une seule zone d’ambigu¨ıt´e. Mais cette
technique n´ecessite le calcul de C(C−1)
2 jeux de param`etres au lieu de C, dans le cas de C
classes.

Au-del`a de la gestion des ambigu¨ıt´es, le principal frein `a l’utilisation d’une telle technique
dans notre probl`eme est que rien ne laisse supposer que les surfaces discriminant nos classes
soient lin´eaires. Or, calculer des surfaces discriminantes non lin´eaires oblige `a augmenter le
nombre de param`etres `a apprendre, et en augmentant trop le degr´e de la surface, le risque
d’aboutir `a un apprentissage par cœur devient cons´equent. Pour ces raisons, la recherche
de surfaces discriminantes se limite en pratique `a celle d’hyperplans. Notons enfin que les
r´eseaux de neurones `a couches cach´ees calculent implicitement des hyperplans par morceaux
[75] et nous avons donc privil´egi´e cette derni`ere m´ethode, plus simple `a mettre en oeuvre.

´ ERALE
4.3. DESCRIPTION GEN ´ DE LA CLASSIFICATION 107

4.3.3 Les m´
ethodes bay´
esiennes

L’apprentissage bay´
esien

Il est possible d’associer `a chaque classe ci ∈ C = {c0 , c1 , . . . , CL−1 } une densit´e de
probabilit´e p(x|ci ), r´egissant la g´en´eration d’un vecteur x de dimension d (x repr´esente le
vecteur regroupant les param`etres physiologiques et d le nombre de ces param`etres) lorsqu’on
est en pr´esence de cette classe ci . Lors de la phase de classification, nous calculons le vecteur xk
correspondant `a l’´epoque k et on cherche `a l’attribuer `a une classe ci . La r`egle de d´ecision du
maximum a posteriori (MAP) ou r`egle bay´esienne consiste `a classer ce vecteur de param`etre
dans la classe qui est la plus probable au vu de ce vecteur xk . Pour cela, il est n´ecessaire de
proc´eder au calcul, pour chaque classe ci , de la probabilit´e d’ˆetre en pr´esence d’un ´echantillon
issu de cette classe sachant que l’on observe xk , puis de d´eterminer la classe qui maximise
cette probabilit´e. On peut formuler ceci en terme de probabilit´es par la relation suivante [75] :
c∗ = argci max P (ci |x) (4.10)

Afin de d´eterminer cette probabilit´e, il est n´ecessaire de faire intervenir la r`egle de Bayes.
Celle-ci nous apprend que P (ci |x) = p(x|cp(x) i )P (ci )
, o`
u p(x) repr´esente la densit´e de probabilit´e
d’observation du vecteur x, P (ci ) repr´esente la probabilit´e d’apparition a priori de la classe
ci et p(x|ci) la densit´e de probabilit´e de la classe ci au point x. Cette propri´et´e nous permet
de r´e´ecrire la r`egle de classification de la fa¸con suivante :
 
∗ p(x|ci )P (ci )
c = argci max (4.11)
p(x)
Le terme p(x) ne d´ependant pas de la classe, il intervient identiquement pour chacune
d’elle et il n’est donc pas n´ecessaire de proc´eder `a son calcul. La r`egle se simplifie par :
c∗ = argci max p(x|ci )P (ci ) (4.12)

P (ci ) repr´esente la probabilit´e a priori d’apparition de la classe ci . Pour estimer les
valeurs P (ci ), on peut, en l’absence d’information particuli`ere, supposer l’´equiprobabilit´e
des L classes et utiliser l’estimation P (ci ) = 1/L ∀i. Il est ´egalement possible de supposer
l’ensemble d’apprentissage repr´esentatif et d’estimer ces probabilit´es par les fr´equences
d’apparition de chacune des classes ci dans cet ensemble. L’estimation donne P (ci ) = mi /M ,
o`u mi repr´esente le nombre de points de l’ensemble d’apprentissage affect´es `a la classe
ci et M le nombre total d’´el´ements de cet ensemble. Dans notre cas, il convient, pour
le test des algorithmes, d’estimer sur l’ensemble d’apprentissage les probabilit´es a priori
puisque la population cible est particuli`ere et donc ne r´epond pas aux statistiques g´en´erales
(cf.paragraphe 4.1.1).

Enfin, p(x|ci ) repr´esente la densit´e de probabilit´e d’´emission du vecteur x, sachant qu’il
s’agit d’un ´el´ement issu de la classe ci . Celle-ci peut se d´eterminer en utilisant l’ensemble d’ap-
prentissage. On distingue pour cela les m´ethodes param´etriques, pour lesquelles on suppose
que les p(x|ci ) poss`edent une certaine forme analytique, des m´ethodes non param´etriques, o` u
aucune hypoth`ese n’est ´emise sur la nature de la distribution des param`etres.

Les m´
ethodes bay´
esiennes param´
etriques

L’une des repr´esentations les plus communes consiste `a supposer les distributions gaus-
siennes. Ainsi, le probl`eme se ram`ene `a estimer le vecteur moyen et la matrice de covariance

108 CHAPITRE 4. CLASSIFICATION

de chaque distribution. La probabilit´e d’appartenance d’un point x `a une classe se calcule
alors directement `a partir des coordonn´ees de x. Nous reviendrons sur les d´etails de cette
technique au paragraphe 4.4.

Les m´
ethodes bay´
esiennes non param´
etriques

L’estimation non param´etrique d’une densit´e de probabilit´e est une estimation locale,
c’est-`a-dire que l’on estime les densit´es conditionnelles en observant les ´el´ements de l’ensemble
d’apprentissage qui sont autour de ce point. Il s’agit donc d’estimer la densit´e de probabilit´e
p(x|ci ) en un point x quelconque de l’espace de repr´esentation des ´el´ements `a classer, `a
partir de la seule connaissance des mi ´el´ements de la classe ci contenus dans l’ensemble
d’apprentissage A. Pour r´ealiser cette estimation, on commence par d´elimiter une r´egion
P (de volume V ) autour du point x consid´er´e. Puis on d´enombre le nombre ki d’´el´ements
de l’ensemble A contenus dans ce volume V . Enfin, on estime la densit´e p(x|ci ) grˆace `a
l’estimateur :
ki /mi
pb(x|ci ) = (4.13)
V
O`u ki est le nombre de points de A contenus dans le volume V entourant x, et mi repr´esente
le nombre de points de A issus de tirages ind´ependants selon la densit´e p(x|ci ) pr´esents dans V .

Il existe deux grandes m´ethodes utilisant ce principe d’estimation non param´etrique :
– la m´ethode de Parzen, pour laquelle le volume Vi est fix´e et on compte le nombre ki
d’´el´ements de A contenus dans ce volume ;
– la m´ethode des k-plus proches voisins, pour laquelle le nombre ki est fix´e et on
d´etermine le volume Vi qui contient exactement ce nombre d’´el´ements de A.

Ces m´ethodes imposent une connaissance des densit´es de probabilit´e qui soient ponctuelles
dans le sens o`u, pour chaque point de l’espace de repr´esentation des ´el´ements `a classer nous
sommes oblig´es de connaˆıtre la valeur de cette densit´e. Le syst`eme doit alors avoir en m´emoire,
au moment de la phase de classification, l’ensemble d’apprentissage. Or, ce coˆ ut m´emoire est
prohibitif au regard du syst`eme que nous souhaitons mettre au point, qui est embarqu´e. C’est
pourquoi nous n’avons pas employ´e ce type de technique.

Les m´
ethodes semi-param´
etriques : le mod`
ele de Markov cach´
e

Il existe aussi des m´ethodes dites semi-param´etriques, appel´ees ainsi du fait qu’elles
n’imposent pas a priori de forme analytique pour les distributions de probabilit´es. Cependant
elles supposent que ces distributions suivent des lois. Les mod`eles de Markov se situent dans
cette branche de la d´ecision bay´esienne.

Un mod`ele de Markov est un automate `a M ´etats caract´eris´e par une probabilit´e
a(m, m0 ) de passer d’un ´etat m `a un ´etat m0 . Un exemple `a deux ´etats est donn´e sur la figure
4.4. Intuitivement la nuit se mod´elise assez bien par un mod`ele de Markov, chaque ´etat
repr´esentant un stade (ou un groupe de stades) de sommeil. Un mod`ele de Markov cach´e
reprend ce mod`ele, en ajoutant le fait qu’un symbole est ´emis avec une certaine probabilit´e
dans chacun des stades, la distribution de ces probabilit´es ´etant variable d’un stade `a un
autre. Le mod`ele est dit cach´e dans la mesure o` u on n’acc`ede pas directement `a la suite des

4.4. CLASSIFICATION GAUSSIENNE 109

Fig. 4.4 – Le mod`ele de Markov observable `a deux ´etats et ses probabilit´es de transition

Eveil Stade 1 Stade 2 Stade 3 Stade 4 SP
Eveil 99.5349 0.2714 0.1156 0.0426 0.0376 0.1776
Stade 1 0.2584 98.9440 0.0400 0.0019 0.0000 0.1562
Stade 2 0.1785 0.4218 99.7683 0.1432 0.0102 0.0021
Stade 3 0.0012 0.0000 0.0681 99.7330 0.0956 0.0000
Stade 4 0.0012 0.0000 0.0000 0.0793 99.8531 0.0021
SP 0.0258 0.3628 0.0081 0.0000 0.0034 99.6599

Tab. 4.1 – Probabilit´es de transition entre les stades (en %)

´etats mais seulement `a la suite des symboles. C’est le cas de notre application : les ´etats
sont les stades de sommeil, les symboles sont les vecteurs de param`etres, et on cherche les
premiers `a partir de la connaissance des seconds.

Il existe des algorithmes permettant de d´eterminer les param`etres de ce mod`ele puis
de retrouver la succession des ´etats (des stades) `a partir de la succession des symboles.
Cependant, dans notre cas, les probabilit´es de transitions sont telles qu’`a partir du moment
o`
u le processus est entr´e dans un ´etat, il lui est quasiment impossible d’en sortir et donc
de transiter (voir le tableau 4.1 qui donne les probabilit´es de transition calcul´ees sur nos
donn´ees). Or, de par la nature des signaux utilis´es, on imagine assez bien que l’estimation
des param`etres sera affect´ee par des erreurs (biais et variance des estimateurs, bruits...). En
raison des probabilit´es de transition, cette erreur est susceptible d’avoir des cons´equences ` a
long terme. C’est pourquoi, nous avons opt´e pour des techniques de classification ´epoque par
´epoque c’est-`a-dire n’incluant pas les ´epoques pr´ec´edentes et suivantes pour la d´etermination
de l’´epoque courante. Par contre, une m´ethode de rescorage utilisant les mod`eles de Markov
cach´es sera pr´esent´e au paragraphe 4.6.2.

4.4 Classification gaussienne

Apr`es avoir d´ecrit les diff´erentes techniques existantes, et ´elimin´e celles qui ne sont pas
applicables `a notre probl`eme, nous pouvons nous concentrer sur les m´ethodes susceptibles de
r´epondre `a notre probl`eme, en particulier la classification gaussienne.

110 CHAPITRE 4. CLASSIFICATION

4.4.1 Principe th´
eorique

Comme nous l’avons dit, une des m´ethodes pour estimer convenablement les densit´es de
probabilit´e des param`etres est de leur imposer pour mod`ele des fonctions param´etr´ees. Cha-
cune des densit´es s’exprime en fonction d’un certain nombre de param`etres, que l’on notera
sous la forme vectorielle. Il s’agit donc d’estimer le vecteur de param`etres, puis d’appliquer
la r`egle de d´ecision bay´esienne (4.12) en rempla¸cant les probabilit´es par leur estim´ees. Nous
avons d´ej`a appris `a estimer P (ci ) par Pˆ (ci ) = mi /M , reste `a estimer p(x|ci ).

L’estimation des param`
etres d’une distribution gaussienne

Dans le cas monogaussien, on suppose que la distribution de probabilit´e de chaque classe
est une loi normale, enti`erement d´efinie par l’ensemble des param`etres θ = (µ, Q)T compos´e
de son vecteur moyenne et de sa matrice de covariance.
Rappelons que la moyenne µ d’une densit´e de probabilit´e dans Rd est un vecteur de
dimension d et sa covariance une matrice Q de dimension d × d d´efinis par :

µ = E[x] et Q = E[(x − µ)(x − µ)T ] (4.14)

Une distribution de probabilit´e gaussienne a pour caract´eristique de pouvoir enti`erement
ˆetre d´efinie par son vecteur moyenne et sa matrice de covariance. En supposant donc la classe
ci gaussienne, sa densit´e de probabilit´e s’´ecrit, dans un espace multidimensionnel :

|Q|−1/2
 
1 T −1
p(x|ci ) = exp − (x − µi ) Qi (x − µi ) (4.15)
2π d/2 2
Compte tenu des mi points d’apprentissage {x1 , . . . , xj , . . . , xmi } relatifs `a la classe ci , il est
d´emontr´e que les estimateurs optimaux de sa moyenne µi et de sa matrice de covariance Qi
au sens du maximum de vraisemblance se calculent simplement par :
mi
1 X
µ
ˆi = xj (4.16)
mi
j=1
mi
ˆi = 1 X
Q (xj − µ ˆi )T
ˆi )(xj − µ (4.17)
mi
j=1
(4.18)

Mise en application

La r`egle de d´ecision bay´esienne consiste donc `a attribuer `a l’´epoque test´ee la classe
ayant la probabilit´e P (ci |x) la plus ´elev´ee, avec i ∈ [1; L]. On utilise pour cela la relation 4.12.

On calcule la probabilit´e donn´ee par cette relation pour i variant de 1 au nombre
de classes. Puis nous attribuons au vecteur (`a l’´epoque) la classe ayant la probabilit´e
maximale. Nous avons donc utilis´e les νi comme s’il s’agissaient de la valeur de probabilit´e
a posteriori. Or, par construction, ces valeurs ne sont pas des probabilit´es. Par contre elles
sont proportionnelles aux probabilit´es d´esir´ees et respectent le mˆeme ordre. C’est pourquoi
nous pouvons utiliser ces valeurs pour d´eterminer la classe maximisant la probabilit´e que
x soit un de ses ´el´ements. Par contre il ne faut pas perdre de vue que ce ne sont pas des

Le test du Chi2 Ce test n’est applicable qu’`a des lois discr`etes mais nous pouvons discr´etiser nos distri- butions en les d´ecoupant en intervalles. Donc si un vecteur est gaussien alors ses coordonn´ees sont des variables al´eatoires gaussiennes. ce qui ne change rien au r´esultat final dans la mesure o` u la fonction log est croissante et que nous traitons de donn´ees strictement positives. – Le test de Lilliefors. En raison des valeurs num´eriques utilis´ees dans la base de donn´ees. alors le vecteur ne l’est pas non plus. alors le param`etre test´e n’est pas gaussien. On teste les hypoth`eses : H0 : f est une loi normale de moyenne et de variance quelconque . La relation 4. Une fois cette r´epartition effectu´ee. D’apr`es [76]. – Le test du chi2 est applicable `a notre probl`eme et nous l’avons donc employ´e.15 pose des probl`emes de calcul. Puis on calcule la distance entre la loi observ´ee et la loi th´eorique de la distribution (estim´ee `a partir des donn´ees). que nous avons ´egalement utilis´e. et donc qu’on ne connaˆıt donc pas leur dynamique. Les premiers essais que nous avons men´es avec cette technique de classification condui- saient `a attribuer le mˆeme stade de sommeil (la mˆeme classe) `a toutes les ´epoques. Une solution pour s’en affranchir consiste ` a calculer non plus p(ci |x) mais log(p(ci |x)). . On la compare `a une valeur tabul´ee.19) 2 2 4. S’ils ne sont pas gaussiens. Son principe est de v´erifier si la distribution f inconnue d’une population n’est pas trop ´eloign´ee de la famille des lois gaussiennes.4. Nous avons envisag´e plusieurs tests permettant d’effectuer cette op´eration. on sait que X est un vecteur gaussien ` a p dimensions si toute combinaison lin´eaire de ses composantes suit une loi de Laplace-Gauss ` a une dimension. mais ce test n´ecessite de connaˆıtre par avance les param`etres de la distribution.4. Pour d´eterminer si un vecteur est gaussien. on calcule la probabilit´e que l’observation ait ´et´e g´en´er´ee par la loi gaussienne th´eorique estim´ee. en toute rigueur. Le test de Lilliefors Ce test permet de tester l’ad´equation `a une loi normale dont les param`etres sont estim´es sur les donn´ees `a tester. Si la distance est sup´erieure `a cette valeur. li´es `a la quantification des variables. Nous nous sommes donc interrog´es sur la vraisemblance de l’hypoth`ese gaussienne dans notre application.4. ˆetre appliqu´ee qu’`a des probl`emes satisfaisant cette mod´elisation. la relation 4. – Le test de Kolmogorov-Smirnov. Cette variable al´eatoire suit une loi du chi2. Elle ne peut donc. ce qui n’est pas notre cas. CLASSIFICATION GAUSSIENNE 111 probabilit´es.2 Analyse du caract` ere gaussien des param` etres La classification gaussienne repose sur une mod´elisation gaussienne des distributions de param`etres. il suffit donc de v´erifier le caract`ere gaussien de chaque param`etre du vecteur.15 devient : d 1 log(p(ci |x)) = log P (ci ) − 1/2 log(|Qi |) + log(2π) − (x − µi )T Q−1 i (x − µi ) (4. On citera notamment : – Le test de Shapiro et Wilks mais ce test ne convient que pour des bases contenant au plus cinquante points.

Puis. bien au contraire.3 Premiers r´ esultats de la classification par mod´ elisation gaussienne Pour la pr´esentation des r´esultats nous distinguerons l’´ecriture ”stade 0”. avec une dispersion globalement monotone d´ecroissante et sym´etrique autour de la moyenne. le mod`ele de classification est test´e sur les ´epoques restantes.5 – Distribution des valeurs du param`etre 1 (p´eriode cardiaque moyenne de l’´epoque. Classification gaussienne appliqu´ ee aux six stades du sommeil Dans un premier temps nous r´ealisons l’apprentissage sur 70% des ´epoques constituant la base d’apprentissage. mais un certain nombre d’entre eux pr´esentent des similitudes avec une distribution gaussienne. Pr´ecisons que le syst`eme.112 CHAPITRE 4. de mˆeme fonction de r´epartition inconnue F (x). Fig. `a l’exemple du param`etre 1. On d´efinit la variable z. sans pour autant ˆetre gaussiens. Ces deux tests ont conduits `a une r´eponse n´egative quant au caract`ere gaussien des param`etres.5. qui repr´esente la classe intitul´ee stade 0. Ainsi. et on calcule la distance entre la fonction de r´epartition de Z avec celle de la loi th´eorique. qui repr´esente l’ensemble des ´epoques de stade 0 de sommeil (d’´eveil donc). r´ealise une classification en six classes (stade 0 `a stade 5 ). CLASSIFICATION H1 : f n’est pas une loi normale de moyenne et de variance quelconque. nous avons quand mˆeme d´ecid´e d’´evaluer la performance d’une classification gaussienne. On effectue une mesure de rappel c’est-`a-dire que l’on d´enombre. Ce n’est pas le cas de tous. On rejette l’hypoth`ese H0 au profit de l’hypoth`ese H1 si la distance est sup´erieure `a une valeur tabul´ee. Ainsi. Le test est effectu´e avec un risque de premi`ere esp`ece de 5% (probabilit´e de rejeter l’hypoth`ese H0 alors qu’elle est vraie). dans un premier temps. 4. 4. pour chacun des stades. L’´echantillon test´e doit ˆetre un ´echantillon de variables al´eatoires continues et ind´ependantes. mais surtout pour la simplicit´e de mise en œuvre de cette m´ethode. le nombre d’´epoques class´ees identiquement `a la r´ef´erence. de l’´ecriture ”stade 0 ”. qui repr´esentent donc 30% de cette base. Pour cette raison. cens´ees correspondre respectivement aux six stades de sommeil. Cette mesure permet d’´evaluer la performance pure du syst`eme. le chiffre indiqu´e ci-dessous correspondant au stade 0 repr´esente la proportion d’´epoques de stade 0 (d’´eveil) effectivement class´ees par le mod`ele en tant que stade 0. dont la distribution est donn´ee sur la figure 4. mais est `a consid´erer en ne perdant pas . ils sont centr´es.4.

On obtient les r´esultats suivants : stade 0 : 59% stade 1 : 6% stade 2 : 35% stade 3 : 4% stade 4 : 14% stade 5 : 3% Globalement.4. En cons´equence. En ce qui concerne le stade 0. nous groupons les stades 1 et 2 pour cr´eer une classe sommeil lent l´eger que l’on notera classe 1. Le stade 2 l’est insuffisamment. et les stades 3 et 4 pour cr´eer une classe sommeil lent profond. Si on s’int´eresse `a la matrice de confusion. ce qui est en accord avec sa d´efinition physiologique. La raison en est que physiologiquement. La mˆeme raison explique la majorit´e de l’erreur correspondant aux stades 2 et 5. le mod`ele a une tendance `a classer en stades 0 et 2 l’ensemble des ´epoques. ces deux ´etats s’interp´en´etrant. on obtient une mesure de classification moyenne de 46%. En conclusion.4. on peut dire que le mod`ele ne poss`ede pas de bonne capacit´e de g´en´eralisation. que l’on notera classe 2. l’erreur vient essentiellement de ce que certaines ´epoques sont class´ees en stade 4. ce dernier correspondant v´eritablement au premier stade de sommeil. Dans un second temps. bien qu’il s’agisse de donn´ees proches des donn´ees d’apprentissage puisqu’issues des mˆemes patients. Il en va de mˆeme pour le stade 3. 40% des ´epoques de stade 4 et 26% de celles du stade 5 sont class´es en stade 0. Cependant. Regroupement des stades de sommeil physiologiquement proches Dans un second temps. les principaux stades (0. CLASSIFICATION GAUSSIENNE 113 de vue la proportion de chacun des stades dans la base test´ee. majoritairement class´e en stade 4. tandis que sont class´es en stade 2 25% des premi`eres et 42% des secondes. One ne peut donc pas dire que la classification soit tr`es bonne. La mesure de classification moyenne telle que d´efinie pr´ec´edemment donne 22%. L’ana- lyse de la matrice de confusion montre que ces autres stades sont aussi class´es en 0 et 2. On obtient les r´esultats port´es ci-dessous : stade 0 : 63% stade 1 : 12% stade 2 : 29% stade 3 : 27% stade 4 : 82% stade 5 : 48% Il ressort que le stade 4 est bien class´e. Rappelons que c’est un stade de transition entre l’´eveil et le stade 2. et les stades 0 et 5 le sont moyennement. il est possible que la discrimination soit difficile `a r´ealiser d’un point de vue physiologique. On peut esp´erer obtenir une localisation globale de ces deux ´etats meilleure que la localisation de chacun de ces stades . en utilisant pour pond´eration la proportion de chaque stade dans la base consid´er´ee. qui d´etaille la classification de chaque stade. 16% des stades 5 sont class´es en stade 0. on se rend compte que le stade 1 est majoritairement class´e en stades 0 et 2. les autres stades ne sont jamais d´etect´es. ces ´etats sont proches. Enfin. Il en va de mˆeme pour les stades 1 et 3 mais cela est moins grave dans la mesure o` u ces deux stades cumul´es repr´esentent environ 10% de la nuit. Hormis les stades 0 et 2. 4 et 5) sont majoritairement bien class´es. Ainsi. la capacit´e de g´en´eralisation du mod`ele est test´ee en r´ealisant la classification des ´epoques de la base de test. Si l’on r´ealise une moyenne pond´er´ee des r´esultats par stades.

Or. Mais le manque de facult´e de g´en´eralisation que l’on observe peut ˆetre dˆ u `a un manque de donn´ees. pour un nombre de donn´ees d’apprentissage ´etabli. le nombre de param`etres utilis´es influence la qualit´e de la classifica- tion. en raison des donn´ees constituant la base d’apprentissage. avec C. On se retrouve donc face `a un compromis difficile `a r´esoudre. les stades voisins d’une transition entre un stade S et un stade S 0 peuvent pr´esenter `a la fois des caract´eristiques du stade S et des caract´eristiques du stade S 0 . il aurait donc fallu exclure de la base d’apprentissage toutes les ´epoques contigu¨es `a une transition. En effet. le nombre de classes et d. Le reste est essentiel- lement class´e en classe 1. C’est peu. les concepts appris sont peut-ˆetre insuffisamment repr´esentatifs des classes. C’est . il n’existe a priori aucune raison pour qu’il n’en soit pas de mˆeme avec les param`etres que nous utilisons. On obtient pour les 30% d’´epoques de la base d’apprentissage n’ayant pas particip´e `a l’apprentissage une mesure de rappel moyenne de 46%. Il nous faudrait donc r´eduire le nombre de param`etres pour satisfaire cette contrainte. Il faut savoir en effet que la classification par Maximum A Posteriori appliqu´e `a un mod`ele Gaussien n´ecessite l’estimation de C(d2 + 3d)/2 variables. Cela repr´esente. trop peu. d´etaill´e selon les r´esultats suivants : Classe 0 : 84% Classe 1 : 20% Classe 2 : 64% Classe 3 : 50% Concernant la base de test on obtient une mesure moyenne de 23%. nous avons pu le constater. En effet. ne se distinguent pas particuli`erement comme c’est parfois le cas dans certains probl`emes de classification. pour maximiser le nombre de donn´ees. La solution la plus ´evidente `a ce probl`eme est d’´etoffer la base d’apprentissage de sorte qu’elle contienne suffisamment de donn´ees pour ˆetre au-del`a de cette taille critique.114 CHAPITRE 4. 3000 variables. ce que nous n’avons pu nous permettre par manque de donn´ees. mˆeme dans le cas de la polysomnographie classique. Or. L’estimation des param`etres du mod`ele gaussien. Une seconde explication possible correspond au fait que. quel que soit leur stade de r´ef´erence. nous avons utilis´e les ´epoques voisines d’une transition entre deux stades. Id´ealement. d’autant que les classes. CLASSIFICATION pris s´epar´ement. Mais d’un autre cot´e. en particulier des matrices de covariance. en consid´erant 6 classes et une trentaine de param`etres. La majorit´e des ´epoques sont class´ees en classe 0. Ceci explique les r´esultats par classes donn´es ci-dessous : Classe 0 : 66% Classe 1 : 30% Classe 2 : 8% Classe 3 : 9% Conclusions sur ces premiers r´ esultats Ces r´esultats s’av`erent donc d´ecevants. on sait que les param`etres sont relativement peu informatifs et qu’il est donc n´ecessaire d’en disposer d’un grand nombre pour maximiser l’information apport´ee au classifieur. ce qui est de l’ordre de grandeur du nombre d’observations disponibles pour l’apprentissage. la dimension de l’espace d’observation [75]. risque donc de se faire avec une erreur non n´egligeable.

Parmi celles-ci.4. C’est par exemple le cas du rythme cardiaque et respiratoire. CLASSIFICATION GAUSSIENNE 115 ce que nous r´ealisons actuellement en incluant les donn´ees de la base de Nantes. de sorte `a concentrer tout leur apport informatif dans un nombre restreint de param`etres. . Les nouvelles variables sont des combinaisons lin´eaires de l’ensemble des variables explicatives initiales. int`egre les classes ´etablies puisqu’elle combine les param`etres de sortie de mani`ere `a dissocier le plus possible les classes. ce qui revient `a supposer les param`etres d´ecorr´el´es. mˆeme si elle pourrait ˆetre mieux apprise. une autre solution consiste `a limiter le nombre de variables `a ´evaluer. Mais en le faisant alors que ce n’est pas une hypoth`ese av´er´ee. Le but de l’analyse discriminante est de mettre en ´evidence une d´ependance entre les p variables quantitatives et la variable qualitative. elle. l’ACP ne peut convenir dans la mesure o` u elle d´etermine des centres de gravit´e. Mais cette op´eration est complexe et nous avons dˆ u chercher d’autres solutions pour r´epondre rapidement au probl`eme. Description de l’AFD En analyse discriminante. tout en les compactant au maximum. La r´eduction de dimension du vecteur `a classer est importante puisque la dimension de sortie de celui-ci est au maximum ´egale au nombre de classes (les stades de sommeil ou les groupes de stade de sommeil dans notre cas) diminu´e de un soit 5 ou 3 selon la classification souhait´ee. Nous avons utilis´e l’Analyse Factorielle Discri- minante (ou AFD) qui. de fa¸con ind´ependante des classes. cette d´ependance ´etant mesur´ee sur l’ensemble des individus. Il existe enfin une derni`ere solution qui combine l’avantage d’une r´eduction du nombre de param`etres sans l’inconv´enient de perte d’information. Or on sait que beaucoup des param`etres utilis´es sont physiologiquement ou math´ematiquement li´es entre eux. En l’occurrence.4 Combinaison des param` etres par fonctions lin´ eaires discriminantes Il existe diff´erentes m´ethodes de combinaison. On peut par exemple imposer des matrices de covariance diagonales. Cette solution consiste `a combiner les param`etres entre eux par une op´eration math´ematique. 4. on introduit un biais pr´ejudiciable `a la qualit´e des r´esultats. ne serait pas suffisamment repr´esentative des donn´ees et ne permettrait pas d’esp´erer une am´elioration des r´esultats.4. Au final la mod´elisation sous-jacente. Nous avons pr´ef´er´e utiliser des m´ethodes lin´eaires dans un premier temps.4. Elles peuvent ˆetre lin´eaires comme l’Ana- lyse en Composantes Principales (ou ACP) ou non lin´eaires comme l’Analyse en Compo- santes Ind´ependantes. Cette derni`ere d´efinie un crit`ere de regroupement qui d´ecrit les k classes auxquelles appartiennent les individus pr´esents. La mise en œuvre de l’AFD Elle construit `a partir des variables explicatives initiales un nombre r´eduit de nouvelles variables qui discriminent le mieux possible les k classes. les donn´ees `a ´etudier constituent un ensemble de n individus o` u chaque individu est repr´esent´e `a l’aide de p variables quantitatives (ou explicatives) et d’une variable qualitative (en l’occurrence le stade de sommeil pour nous).

. . C’est `a dire en terme de probabilit´e. s22 .21) exprime la variance totale (s2 ) comme la somme de la variance interclasse (premier terme. plus les variances intra- classes sont faibles (par rapport `a la variance totale) et plus forte est la discrimination .21) n n l=1 l=1 ⇐⇒ V = W +B (4. not´e B). plus les variances intra- classes sont ´elev´ees. . plus il est proche de 0 . . qui est le rapport de la variance interclasse `a la variance totale. . d’effectifs n1 . que la variance intraclasse (entre les individus d’une mˆeme classe) soit faible et que la variance interclasse (entre les classes) soit forte. . On note m et s2 la moyenne et la variance de la variable x dans la totalit´e de la population et m1 . La recherche de ce sous-espace doit ˆetre telle que les barycentres des classes soient ´eloign´es les uns des autres et que les individus d’une mˆeme classe soient proches. nL . mL et s21 .116 CHAPITRE 4. + nL . . On a alors les relations ci-dessous : L 1X m = nl ml (4. En consid´erant qu’il y ait un nombre plus important de variables explicatives que de classes.20) n l=1 L L 1 X 1X s2 = nl (ml − m)2 + nl s2l (4. . . Le nombre total d’observations est ´egal `a n : n = n1 + n2 + . n2 . not´e W : variance des moyennes pond´er´ees) et de la moyenne des variances intraclasses (second terme. le nombre maximum de composantes discriminantes est ´egal au nombre de classes diminu´e de une unit´e. Les coefficients associ´es `a la combinaison lin´eaire ayant le second plus fort pouvoir discriminant et non corr´el´ee au premier axe engendrent le second axe (la seconde composante discriminante) du sous-espace. c2 . et moins la discrimination est faible.22) La relation (4. . . Calcul des composantes discriminantes Soit x une variable al´eatoire (un param`etre) observ´ee sur n ´echantillons r´epartis en L classes c1 . . Inver- sement. cL (six ou quatre dans notre cas). ce qui signifie qu’au sein d’un groupe donn´e. et ainsi de suite jusqu’au dernier axe discriminant. . . . s2L dans chaque groupe. cela signifie que les moyennes sont relativement proches les unes des autres. Ce rapport est toujours compris entre 0 et 1 : plus il est proche de 1 . et les variances intraclasses sont faibles. . plus la variance interclasse est ´elev´ee. . la variance interclasse est ´elev´ee relativement `a la variance totale. . les unit´es statistiques sont proches de la moyenne de ce groupe. m2 . CLASSIFICATION Pour chacune des combinaisons lin´eaires. Les coefficients associ´es `a la combinaison lin´eaire ayant le pouvoir discriminant le plus fort engendrent le premier axe (la premi`ere composante discriminante) du sous-espace. et que les observations d’un mˆeme groupe sont fortement dispers´ees. les coefficients obtenus constituent un axe factoriel du sous-espace dans lequel seront projet´es les individus. plus la variance interclasse est faible. . si les groupes sont m´elang´es. On mesure cette discrimination par le rapport de corr´elation. Lorsque les groupes sont tr`es diff´erents les uns des autres.

La valeur propre mesure le pouvoir discriminant de la variable discriminante calcul´ee. up ´etant des nombres r´eels quelconques. . Toutefois. Par contre cette fois l’ensemble des cinq param`etres (ou trois) pr´esente des histogrammes simi- laires `a la figure 4. Ils s’av`ere que. en g´en´eral. . Dans la pratique on fixe Y 0 BY . la variance intraclasse. Si le nombre de fonctions discriminantes est ´egal au nombre de groupes diminu´e de 1. que les deux ou trois premi`eres d’entre elles. .6. `a 1. R´ esultats des Fonctions Lin´ eaires Discriminantes Dans un premier temps nous v´erifions que les param`etres sont gaussiens. L’analyse factorielle discriminante consiste `a chercher ces coefficients de fa¸con `a ce que le rapport de corr´elation de Y soit le plus ´elev´e possible. on peut donc consid´erer l’ensemble des variables Y de la forme : Y = u1 x1 + u2 x2 + . Les valeurs moyennes de cette variable Y calcul´ees dans chaque groupe sont les plus dispers´ees possible au sens de la variance interclasse et inversement. La discrimination est maximale. xp que l’on suppose centr´ees. ce qui n’´etait pas le cas des param`etres pris tels quels. nous avons choisi d’utiliser toujours l’ensemble des fonctions dans la mesure o` u le nombre de param`etres ainsi obtenus reste suffisamment r´eduit. `a l’image de la distribution du param`etre issu de l’emploi de la deuxi`eme fonction lin´eaire. ils ne le sont pas mais pr´esentent des similitudes avec les ca- ract´eristiques d’une loi gaussienne. . . Nous avons pu v´erifier que la conservation totale des fonctions lin´eaires discriminantes ne d´egrade pas les r´esultats d’une conservation partielle de celles-ci. Lorsque l’on dispose de plusieurs variables x1 . les vecteurs propres corres- pondants repr´esentent les nouvelles variables discriminantes et sont appel´es les fonctions discriminantes. on ne consid`ere. de fa¸con que la seconde composante discriminante soit non corr´el´ee `a la pr´ec´edente et ainsi de suite.4. dont le pouvoir de discrimination des classes est donn´e par leur valeur propre. dans notre application. dont l’histogramme est repr´esent´e sur la figure 4. .6. les valeurs de Y prises par les unit´es statistiques de chaque groupe sont concentr´ees autour de la moyenne de ce groupe (variance intraclasse). comme pr´ec´edemment. . . + up xp les coefficients u1 . Il s’agit donc d’un probl`eme d’optimisation : la variable la plus discriminante sera solution du probl`eme : maximiser la variance interclasse sous la contrainte que la variance intraclasse soit ´egale ` a l’unit´e.4. On d´etermine ainsi la premi`ere composante discriminante. et on maximise la variance interclasse. . La variance de la nouvelle distribution de param`etres est Y 0 V Y = Y 0 W Y + Y 0 BY . La solution est le vecteur propre associ´e `a la plus grande valeur propre de V −1 B [76]. x2 . dont le rapport de corr´elation est appel´e pouvoir discriminant. CLASSIFICATION GAUSSIENNE 117 Cette propri´et´e est vraie quelle que soit la variable quantitative x consid´er´ee. On cherche ensuite une autre suite de coefficients maximisant le rapport de corr´elation. . . En prenant les valeurs propres par ordre d´ecroissant. u2 .

La mesure moyenne est donc meilleure que lorsqu’il n’est pas fait appel aux FLD. les tests montrent qu’il n’en est rien. De plus. 4. d´etaill´ee selon le tableau ci-dessous. C’est encore plus flagrant avec les donn´ees de la base de test puisque cette donn´ee atteint la valeur de 80%. l’analyse de la matrice de confusion r´ev`ele que quel que soit le stade. ne s’av`erent donc pas tr`es efficaces. dans cette configuration. En fait. Le d´etail des r´esultats est donn´e ci-apr`es : stade 0 : 20% stade 1 : 6% stade 2 : 67% stade 3 : 4% stade 4 : 56% stade 5 : 34% L’application de la classification gaussienne `a la base de test donne une mesure moyenne de 28%.6 – Distribution du param`etre issu de l’emploi de la deuxi`eme fonction lin´eaire Nous nous attendons ici `a obtenir des r´esultats meilleurs que dans le cas gaussien o`u les param`etres ne sont pas combin´es dans la mesure o` u l’estimation des matrice de covariance est am´elior´ee par un nombre de donn´ees d’apprentissage tr`es sup´erieur au nombre de variables `a estimer. ce qui explique ce score moyen. 70% de celui-ci est class´e en stade 2 (le plus important en volume). d´etaill´e comme suit : Classe 0 : 18% Classe 1 : 67% Classe 2 : 57% Classe 3 : 26% Les mauvais r´esultats observ´es pour la d´etection des classes 0 et 3 proviennent de ce que plus de 50% des ´epoques de ces stades sont class´es en classe 1 . Le d´etail des mesures de rappel par stade est donn´e ci-dessous : Classe 0 : 26% Classe 1 : 70% Classe 2 : 12% Classe 3 : 1% . stade 0 : 22% stade 1 : 2% stade 2 : 71% stade 3 : 0% stade 4 : 6% stade 5 : 1% L’application de l’analyse factorielle discriminante aux stades group´es (classes) donne un taux d’accord moyen de 48% pour les nuits ayant particip´e `a l’apprentissage. l’AFD cr´ee des conditions favorables de s´eparation des classes. Cependant. Les FLD. ce qui est susceptible d’am´eliorer les r´esultats. la mesure de rappel moyenne appliqu´ee aux 30% de la base d’apprentissage s’´etablissant `a 45%. CLASSIFICATION Fig.118 CHAPITRE 4.

Les donn´ees test´ees ne participent donc pas `a l’apprentissage mais sont issues de la mˆeme nuit de sommeil. Nous s´electionnons les param`etres les plus pertinents dans le cas d’une nuit de sommeil.23) k n4 k O` u nk4 repr´esente le nombre d’´el´ements de stades 4 compris dans les 30% test´es de la nuit k.2. on aboutit `a un nombre maximum de param`etres de 10. De cette fa¸con. nous avons ´evalu´e les performances de ce classifieur sur un seul patient `a la fois. Sachant que nous disposons de 70% des ´epoques utilisables d’une nuit. les stades sont bien class´es dans deux tiers des cas. o` u l’on cherche `a suivre l’´evolution de la personne sur plusieurs jours. Il est probable que les param`etres `a notre disposition ne contiennent pas suffisamment d’information pour nous permettre de r´ealiser une classification automatique des signaux d’individus relativement diff´erents. nous disposons d’environ 600 ´epoques pour l’apprentissage. le nombre de param`etres ne semble pas expliquer `a lui seul les mauvais r´esultats de la classification gaussienne. Par contre. est proche d’un score obtenu avec .5) repr´esentant le taux moyen d’´el´ements de stade 4 class´es en Stade 5 est donn´e par : 1 X T(4. 38. le syst`eme aboutit aux r´esultats pr´esent´es en annexes D. 48 et 51. Ces r´esultats nous int´eressent dans l’optique d’un suivi de patient. Parmi les param`etres adapt´es `a la classification d’une nuit (et ´etudi´es au paragraphe 4.4. Par exemple. Ainsi.2) nous retenons les param`etres 3. 47.4.5) (4. le taux T(4. En se concentrant sur les mesures de rappel on obtient les r´esultats suivants : stade 0 : 49% stade 1 : 39% stade 2 : 66% stade 3 : 38% stade 4 : 77% stade 5 : 66% On remarque que les r´esultats sont cette fois tr`es int´eressants. Il est `a noter que les tendances ´etaient similaires pour les diff´erentes nuits utilis´ees pour cette moyenne (pas de discordance forte entre les nuits). et tk(4. En prenant un facteur deux. 78. qu’une nuit comprend environ 1000 ´epoques (8 heures). ce qui.5) indique le ratio des nk4 ´el´ements de stade 4 de la nuit k class´es en Stade 5. chacune ´etant test´ee s´epar´ement. Dans ce cadre. compte tenu des patients scor´es.5 et D. Le classifieur r´ealise un apprentissage sur 70% des ´epoques de la nuit correspondante et nous testons ses performances sur les 30% restants. Les valeurs de la matrice de confusion sont calcul´ees par une moyenne pond´er´ee par le nombre d’´epoques de chaque stade que contiennent les diff´erentes nuits.4. ´etant donn´e que nous disposons d’un nombre moins important de donn´ees que pr´ec´edemment. 73.5) = P k nk4 tk(4. Pour tester cette hypoth`ese. CLASSIFICATION GAUSSIENNE 119 4. Nous avons vu que le nombre de variable `a estimer est C(d2 + 3d)/2 et qu’il faut poss´eder un plus grand nombre de donn´ees que de variables `a estimer.6. 56. la matrice de confusion r´esultante repr´esente le comportement global du syst`eme sur un panel repr´esentatif de nuits. hormis le stade d’´eveil (et les stades 1 et 3 mais cela est moins important).5 Suivi de patient D’apr`es les r´esultats ci-dessus. il est envisageable que la personne passe une nuit en laboratoire de sommeil et que ces r´esultats soient utilis´es pour l’adaptation du syst`eme automatique au patient. Ces r´esultats sont issus d’une moyenne r´ealis´ee sur plusieurs nuits. 58. nous r´eduisons le nombre de param`etres utilis´es. et que 15% des ´epoques sont bruit´ees. Finalement.

on notera un l´eger caract`ere attracteur du stade 2 puisqu’il est `a l’origine du m´ediocre score du stade 0 et attire 20% des ´epoques de sommeil paradoxal. C’est ´egalement le cas lorsqu’on n’utilise pas les FLD (classification en stade 0 ). `a l’exception des ´epoques de stade 1. alors que la r´epartition devient coh´erente dans le cas o`u on ne les emploie pas.4. Ces r´esultats sont d´ecevants. les FLD provoquent une classification majoritaire des ´el´ements en stade 2. Ainsi. Rappelons que l’augmentation de la dimension de l’espace de classification ne peut. ou encore selon que les param`etres sont combin´es par des fonctions lin´eaires discriminantes ou non. Cette propri´et´e trouve sa limite en pratique pour les raisons ´evoqu´ees plus haut et c’est pourquoi nous devons. qu’augmenter la capacit´e du syst`eme `a discriminer correctement les classes. Ainsi le stade de sommeil lent l´eger attire les ´epoques de sommeil paradoxal. Les mˆemes tendances s’observent lorsqu’on regroupe les stades physiologiquement proches. Toutefois. . Enfin.6 Conclusions sur la classification gaussienne Les r´esultats obtenus par la classification par maximum de vraisemblance et mod´elisation gaussienne donne des r´esultats similaires d’un point de vue statistique selon que l’on travaille avec six stades de sommeil ou quatre classes. Les statistiques sont l´eg`erement moins bonnes dans la mesure o`u les erreurs li´ees aux stades 1 et 3 sont inclues dans les regroupements.120 CHAPITRE 4. La classification se basera donc sur les vingt-cinq param`etres g´en´eraux que nous avons vu plus haut. ce qui est physiologiquement explicable. avoir recours aux fonctions lin´eaires discriminantes. Ainsi. Le stade 1 est majoritairement confondu avec les stades 0 et 2. essentiellement confondu avec les stades 2 et 4. quel que soit le stade class´e. les tests sur les nuits ne participant pas `a l’appren- tissage montrent dans tous les cas une tendance `a attribuer les ´epoques `a un seul stade. l’utilisation des FLD provoque une classification de la majorit´e des ´epoques en stade 2. combin´es par les FLD. Bien sˆ ur. Classe 0 : 52% Classe 1 : 66% Classe 2 : 76% Classe 3 : 57% Au vu de ces bons r´esultats. l’utilisation des FLD s’av`ere moins performante que sa non-utilisation. On obtient les mesures de rappel suivantes : stade 0 : 69% stade 1 : 17% stade 2 : 67% stade 3 : 41% stade 4 : 76% stade 5 : 74% Les r´esultats s’av`erent donc am´elior´es par cette technique. quel que soit le stade de r´ef´erence de cette ´epoque. de mˆeme que le stade 3. les stades 1 sont class´es en stade 0 et les stades 3 en stade 4 mais cela reste physiologiquement coh´erent. mais qui repr´esentent tr`es peu de donn´ees (d’ailleurs l’´etude des matrices de confusion nous indique que les ´el´ements de stade 1 sont essentiellement class´es en stade 0 et stade 2 ). 4. lorsqu’on s’int´eresse `a la classification des ´epoques issues des nuits ayant particip´e `a l’apprentissage (mais n’ayant pas elles-mˆemes particip´e `a l’apprentissage). S’agissant de la classification en six stades. en th´eorie. CLASSIFICATION un appareillage m´edical. dans ce cas. nous avons consid´er´e que les donn´ees ´etaient suffisamment coh´erentes pour pouvoir chercher `a am´eliorer la d´etection en augmentant le nombre de pa- ram`etres utilis´es.

Il n’existe pas non plus de distinction claire dans les r´esultats qui conduirait `a pr´ef´erer une classification en quatre classes plutˆot qu’en six. que les stades soient multicentriques c’est-`a-dire que pour un mˆeme param`etre et un mˆeme stade. une hypoth`ese peut ´egalement ˆetre avanc´ee. On voit tr`es nettement sur cette figure que les donn´ees concernant le stade 0 se r´epartissent autour de deux noyaux. 4. A cela s’ajoute la rigidit´e de la classification gaussienne. On trouve l`a une hypoth`ese s´erieuse pour expliquer que l’utilisation des FLD n’am´eliore pas les r´esultats. Ce r´esultat valide aussi l’emploi d’une technique de classification gaussienne. Fig. pour des ´epoques prises dans la base d’apprentissage la fr´equence respiratoire en fonction de la fr´equence cardiaque pour deux stades de sommeil. non suffi- samment pertinents dans le cas de la population repr´esent´ee dans les bases. les donn´ees s’agr`egent en deux groupes. et le fait que la . En fait. Ces contraintes s’av`ereraient probablement moins gˆenantes si la composition des bases d’apprentissage et de test ´etait plus homog`ene.4. Epoques issues de la base d’apprentissage L’aspect multicentrique que nous observons sur certaines donn´ees. Il reste cependant `a confirmer ce r´esultat sur des donn´ees isssues de plusieurs nuits d’un mˆeme patient. les scores obtenus sont proches des r´ef´erences m´edicales. Une premi`ere source d’erreur est li´ee au choix des param`etres.7 dans laquelle on observe. mˆeme si les donn´ees en pr´esence ne sont pas rigoureusement de nature gaussienne.4. moins mall´eable pour ´etablir des fronti`eres de d´ecision que les r´eseaux de neurones par exemple. le stade 0 et le stade 5. Cette technique a pour but de regrouper les donn´ees autour d’un centre. `a l’inverse du stade 5 qui n’en comporte qu’un. Concernant les mauvais r´esultats observ´es lors de l’utilisation des FLD. Les mauvais scores obtenus dans le cas g´en´eral s’expliquent certainement par plusieurs sources d’erreurs.7 – Valeur de la fr´equence respiratoire en fonction de la valeur de la fr´equence car- ´ diaque. et mˆeme probable d’apr`es certains r´esultats pr´eliminaires. il est possible. nous n’obtenons des r´esultats vraiment satisfaisants que dans le cas du suivi de patient. Or. Lorsqu’il est possible d’adapter le syst`eme au sujet. CLASSIFICATION GAUSSIENNE 121 Les mˆemes conclusions s’´etablissent lorsqu’on travaille avec quatre classes de sortie. Un exemple est donn´e sur la figure 4. On peut raisonnablement supposer que les r´esultats seraient meilleurs si les donn´ees ´etaient toutes issues de patients sains.

5 Classification connexioniste Les r´eseaux de neurones font partie des techniques de classification tr`es employ´ees aujour- d’hui. Les r´eseaux de neurones ont une certaine capacit´e d’apprentissage.122 CHAPITRE 4. Dans cette mod´elisation. ils sont tr`es ´economiques en terme de complexit´e calculatoire. afin d’ˆetre capables de g´en´eraliser par la suite les r`egles apprises lors de la phase d’apprentissage. 4.1 Description g´ en´ erale d’un r´ eseau de neurones Qu’est-ce qu’un r´ eseau de neurones Ce que l’on d´esigne habituellement par r´eseau de neurones est en fait un r´eseau de neu- rones artificiels bas´e sur un mod`ele simplifi´e de r´eseaux de neurones biologiques. Les r´eseaux de neurones ou r´eseaux connexionnistes sont fond´es sur une analogie avec la transmission de l’information dans les syst`emes c´er´ebraux. qui transportent des donn´ees num´eriques.5. trop peu r´ealiste dans beaucoup de cas. relativement simples `a mettre en œuvre et ont fait leurs preuves dans de nombreux domaines. Il faut alors ´etablir les moyennes et covariances de chaque gaussienne du mod`ele. ce qui implique l’emploi d’algorithmes diff´erents de ceux que nous avons vus ici. 4.8 – Mod´elisation d’un neurone . du type Expectation-Maximisation (EM). Elle semble adapt´ee `a notre probl`eme et nous recommandons son ´evaluation. Pour ces raisons nous avons choisi d’essayer de r´esoudre notre probl`eme de classification par ce moyen. Cette m´ethode offre l’avantage du d´eterminisme de la solution bay´esienne sans pr´esenter l’inconv´enient de l’hypoth`ese gaus- sienne simple. on ne repr´esente plus la distribution des param`etres par une distribution gaussienne dont on cherche `a d´eterminer moyenne et covariance mais par une somme de distributions gaussiennes. du moins pour ce qui est de l’´etape de classification (l’apprentissage l’est moins mais nous ne sommes pas contraints sur cette ´etape). 4. Un r´eseau de neurones est constitu´e d’un grand ensemble d’unit´es (ou neurones). Ils s’av`erent tr`es efficaces dans la gestion de fronti`eres de d´ecision com- plexes. qu’ils ac- qui`erent `a partir d’exemples. Mod´ elisation d’un neurone Fig. ayant chacune une petite m´emoire locale. CLASSIFICATION mod´elisation gaussienne ne donne pas de bons r´esultats nous a conduit `a ´etudier une mod´elisation plus pertinente. Mais surtout. bas´ee sur les mixtures de gaussiennes. Ils sont fiables. Ces unit´es sont reli´ees par des canaux de communication : les connexions. ainsi que les facteurs de m´elange.

mais `a aucune autre. Certains r´eseaux ont une connectivit´e compl`ete (chaque neurone est reli´e `a tous les autres) . A` chaque connexion entre deux unit´es i et j. Un neurone de ce type est ajout´e sur la couche d’entr´ee d’un r´eseau ainsi qu’`a chaque couche cach´ee (nous verrons plus loin la d´efinition d’une couche cach´ee). CLASSIFICATION CONNEXIONISTE 123 La d´efinition usuelle du neurone. On remarquera que les biais ne sont pas repr´esent´es. Un r´eseau est caract´eris´e par son architecture.9 sont souvent utilis´ees. de plusieurs sous-couches (ou couches cach´ees) et d’une couche de sortie.5. L’´equation de fonctionnement de chaque neurone j est : nj X σj = w0j + wij · ei (4. d’autres.25) Il existe plusieurs sortes de fonctions d’activation. comme celui que l’on a utilis´e. 4.8 est un processeur tr`es simple qui calcule une somme pond´er´ee et qui applique `a cette somme une fonction de transfert non lin´eaire.24) i=1 w0j est le biais. Un r´eseau multicouche est compos´e d’une couche d’entr´ee.4.9 – Fonction d’activation de type sigmo¨ıde Mod´ elisation d’un r´ eseau de neurones Les neurones ne sont jamais utilis´es seuls mais en r´eseau. Fig. . Un neurone est caract´eris´e par une fonction d’activation (ou fonction de transfert) f qui permet de calculer pour chaque neurone une valeur de sortie Oj (ou yj ) en fonction de son ´etat d’activation σj : Oj = f (σj) (4. Il est toujours actif `a 1 et sa connexion vers les neurones j de la couche sup´erieure est not´ee w0j . correspondant `a la figure 4. Ces r´eseaux portent le nom de perceptron multicouche. ont une architecture en couches superpos´ees.10. c’est-`a-dire la structure selon laquelle les neurones qui le composent sont reli´es les uns aux autres. Les fonctions de type sigmo¨ıde comme 1 par exemple f (x) = 1+exp(−x) qui est trac´ee sur la figure 4. Dans ce cas les unit´es d’une couche sont reli´ees `a toutes celles de la couche sup´erieure. Une sch´ema de perceptron multicouche est donn´ee sur la figure 4. Il s’agit d’un neurone dans lequel n’arrive aucune connexion. on associe un poids correspondant `a la force de la connexion et not´e wij .

Finalement. Dans le cas d’un perceptron multicouches. Dans le cas d’un espace d’entr´ee `a deux dimensions par . L’apprentissage d’un r´eseau de neurone se fait par pr´esentation successive d’exemples et de contre-exemples. l’unit´e de la couche de sortie ayant la valeur la plus forte indique la sortie qui correspond le plus vraisembablement. La couche d’entr´ee ne fait pas subir de transformation `a ses unit´es. En r´esum´e. Nous renvoyons le lecteur `a l’annexe E pour plus de d´etails sur l’apprentissage d’un r´eseau de neurones. qui d´ecrit comment calculer l’´etat d’activation d’une unit´e j en fonction de ses unit´es d’entr´ee.5. Celle-ci est ensuite utilis´ee pour d´eterminer les corrections `a apporter aux diff´erents poids du r´eseau. `a la classe du vecteur d’entr´ee. On pr´esente une donn´ee `a classer au r´eseau.10 – Architecture d’un r´eseau de type perceptron multicouche Le fonctionnement d’un r´eseau connexionniste. CLASSIFICATION Fig.25)) pour chacune de ses unit´es.124 CHAPITRE 4. en recevant une composante d’un vecteur de donn´ees x sur chacune de ses unit´es. C’est le principe d’optimisation par minimisation du gradient. pour des poids de connexions donn´es. on mesure l’´ecart entre la sortie d´elivr´ee et la sortie souhait´ee. La premi`ere couche cach´ee effectue le calcul (´equations (4.2 Mise en oeuvre d’un r´ eseau de neurones Configuration du r´ eseau de neurones Un param`etre important dans la performance d’un r´eseau de neurones est sa confi- guration. 4.25) du paragraphe pr´ec´edent.24) et (4. se r´esume `a d´efinir une r`egle de propagation. la couche d’entr´ee est activ´ee par l’arriv´ee d’une donn´ee. selon les r`egles apprises par le r´eseau. Si celui-ci la classe mal. puis c’est au tour de la seconde. le nombre de couches ´etablit des caract´eristiques propres au r´eseau : – le perceptron `a une couche (pas de couche cach´ee) ne fonctionne que pour des formes s´eparables par un hyperplan. 4.24) et (4. de sorte que la classifi- cation de la mˆeme donn´ee conduirait `a une erreur plus faible. Cette r`egle est donn´ee par les formules (4. etc.

et la seconde 6. Bien sˆ ur. nous avons choisi de normaliser toutes les valeurs d’entr´ee. selon leur valeur.paragraphe 1. pour chaque . Pour cela. Il est alors n´ecessaire de fixer un crit`ere d’arrˆet `a la pr´esentation des observations d’apprentissage. C’est pourquoi on proc`ede g´en´eralement `a un d´ecoupage de la base d’apprentissage en deux parties : une base d’apprentissage v´eritable et une base de test. On utilise pour cela les 30% de la base d’apprentissage ne participant pas `a l’apprentissage du r´eseau (cf paragraphe 4. Cette m´ethode permet d’arrˆeter l’apprentissage avant que n’apparaisse le surapprentissage. Mais si l’on s’arrˆete trop tard. La couche d’entr´ee comprend autant de neurones que le vecteur d’´epoque contient de param`etres (soit une trentaine lorsque les fonctions discriminantes ne sont pas utilis´ees. Lorsque l’erreur de classification de cette base ne s’am´eliore plus et tend `a d´ecroˆıtre. et la couche de sortie comprend 6 neurones (respectivement 4). si l’on s’arrˆete trop tˆot. on n’exploite pas de fa¸con optimale l’information contenue dans la base d’apprentissage. elles n’auront pas la mˆeme influence dans l’apprentissage des poids du r´eseau au vu de l’expression de la r`egle d’adaptation (E. en nous appuyant sur la litt´erature (cf. Puis.1. +1]. cinq lorsqu’elles les sont). – Le perceptron `a trois couches (deux couches cach´ees) est capable de g´en´erer des r´egions de d´ecision arbitraires. un pour chaque stade (respectivement groupe) de sommeil. Traitement des donn´ ees d’entr´ ee Les entr´ees du r´eseau peuvent ˆetre de type tr`es diff´erent. Ainsi.3). on arrˆete l’apprentissage.3. – Le perceptron `a deux couches (une couche cach´ee) est capable d’apprendre des formes de type convexe. la fronti`ere de d´ecision est une droite.4). de sorte `a ce qu’elle soient comprises dans l’intervalle [−1. Nous avons retenu un r´eseau `a deux couches cach´ees car nous ne connaissons pas `a l’avance la disposition des r´egions de d´ecision mais nous pouvons supposer qu’elles sont suffisamment complexes pour ne pas respecter les contraintes impos´ees par les deux premiers types de r´eseaux. Or. afin de s’assurer que l’on est bien entr´e dans le processus d’apprentissage et que les variations observ´ees ne r´esultent pas des caract´eristiques initiales du r´eseau. nous avons d´efini que la premi`ere couche cach´ee comprendrait 16 neurones. les donn´ees de la base d’apprentissage sont parfaitement apprises mais le r´eseau n’a plus de facult´e de g´en´eralisation. Et les ´etapes d’apprentissage sur la base d’apprentissage et les mesures de performances sur la base de test son altern´ees jusqu’`a atteindre des r´esultats acceptables sur la base de test.4. on prend le risque r´ealiser un surapprentissage ou apprentissage par cœur. CLASSIFICATION CONNEXIONISTE 125 exemple. Lors de l’apprentissage.5. lesquelles peuvent ˆetre non-convexes et disjointes [77]. Dans ce cas. Nous n’avons toutefois commenc´e la mesure de performance du r´eseau qu’`a partir du soixanti`eme passage de la base d’apprentissage.2) mais aussi sur des essais pr´eliminaires qui nous ont permis de mieux appr´ehender le comportement des r´eseaux. on pr´esente r´eguli`erement cette base de ”test” au r´eseau. Crit` ere d’arrˆ et L’apprentissage d’un r´eseau de neurones peut se voir comme un probl`eme d’optimisa- tion. C’est ainsi que nous avons d´efini l’arrˆet de l’apprentissage.

Si. . Ainsi. . uniform´ement distribu´es dans un intervalle ´etroit de valeurs [78]. Nous avons donc choisi d’initialiser les poids par des valeurs al´eatoires prises dans l’intervalle [−1. Une fonction d’ac- tivation f (x) est de sym´etrie impaire si f (−x) = −f (x). . Initialisation des poids du r´ eseau La premi`ere ´etape lors d’un apprentissage par r´etropropagation est d’initialiser les pa- ram`etres libres du r´eseau `a savoir les poids des connexions. ou de fonctions tangente hyperbolique d’autre part. En effet. Les valeurs de normalisation µi et αi sont d´etermin´es durant la phase d’initialisation `a partir de l’observation des donn´ees d’apprentissage. Ce rangement al´eatoire des donn´ees am´eliore consid´erablement la vitesse de conver- gence des poids vers leurs valeurs stables [78]. Ces deux bases sont donn´ees sur la figure 4. Pr´ esentation des donn´ ees d’apprentissage Il est important de pr´esenter successivement au r´eseau de neurones des exemples et des contre-exemples de chaque classe. On y constate effectivement que l’apprentissage utilisant des fonctions tangente hyperbolique est plus rapide puisque le r´egime asymptotique est atteint en un nombre plus restreint d’it´erations. alors les fronti`eres de d´ecision de cette classe seront ´etendues et empi`eteront sur les classes suivantes jusqu’`a occuper tout l’espace de d´ecision. Un exemple connu de fonction d’activation asym´etrique et non lin´eaire est la tangente hyperbolique. qui correspond `a la plage des valeurs d’entr´ees. Nous avons valid´e ce fait sur une base de donn´ee comprenant cinq cents points d’apprentissage et trois mille points de tests. chaque classification venant modifier l´eg`erement les poids du r´eseau et donc les fronti`eres de d´ecision. Nous avons donc pr´esent´e les donn´ees au r´eseau de mani`ere al´eatoire. Quand on ne poss`ede pas d’in- formations au pr´ealable pour initialiser le r´eseau. en g´en´eral.11. . En pr´esentant des exemples et contre-exemples.126 CHAPITRE 4. y2 . tous les ´el´ements d’une classe sont pr´esent´es successivement `a l’entr´ee du r´eseau. CLASSIFICATION ´el´ement xi du vecteur `a classer on applique la transformation yi = xiα−µ i i de sorte que la distribution des valeurs de chaque xi soit comprise dans l’intervalle [−1. Les . Fonction de sortie Concernant le choix de la fonction d’activation des neurones situ´es sur la couche de sortie. C’est ensuite le vecteur Y = [y1 . 1]. Pour cela nous avons trac´e la courbe de l’erreur quadratique lors de l’apprentissage de la mˆeme base. apprendre plus rapidement (en terme de nombre d’it´erations de la boucle d’apprentissage) quand celle-ci est impaire plutˆot qu’asym´etrique [78]. il est commun´ement admis qu’un perceptron entraˆın´e avec l’algorithme de r´etropropagation peut.12. l’apprentissage se fait par essais successifs. la mani`ere usuelle est d’initialiser les poids avec des nombres choisis de fa¸con al´eatoire. lorsque le r´eseau est muni de fonctions sigmo¨ıdes d’une part. yN ] qui est appliqu´e `a l’entr´ee du r´eseau de neurone. on ´evite une telle d´enaturation des fronti`eres de d´ecision. nous avons op´er´e un rangement al´eatoire de celle-ci. Les r´esultats sont port´es sur la figure 4. +1]. c’est-`a-dire que la fonction est sym´etrique par rapport `a l’origine. durant la phase d’apprentissage. avant chaque nouvel apprentissage de la base d’apprentissage.

4. (b) Fonction tangente hyperbolique. (b) Base de test. la fronti`ere de d´ecision qui le distingue de la classe voisine `a laquelle il a ´et´e. 4. courbes repr´esent´ees ici ont ´et´e confirm´ees avec d’autres initialisations du r´eseau. Pour cette raison.4. CLASSIFICATION CONNEXIONISTE 127 (a) (b) Fig. (a) Base d’ap- prentissage.11 – Donn´ees utilis´ees pour la mise au point du r´eseau de neurones. ´ Egalisation du nombre de donn´ ees de chaque classe Un r´eseau de neurones apprend par pr´esentation successive d’exemples et de contre- exemples. par erreur. nous avons choisi de construire la base d’´el´ements servant `a l’apprentissage du . Nous avons d’ailleurs constat´e exp´erimentalement que les classes pr´esentant peu d’´el´ements ´etaient moins bien apprises que lorsque le nombre d’´el´ements par classe est similaire. Ainsi. la fronti`ere de d´ecision sera plus souvent adapt´ee `a la se- conde et la premi`ere sera donc moins bien d´efinie. Apprentis- sage de cinq cents fois la base d’apprentissage. (a) (b) Fig. Il est par cons´equent indispensable. pour un bon apprentissage de celui-ci. Nous avons opt´e pour l’emploi de cette fonction par la suite.12 – Comparaison des apprentissage selon la fonction d’activation utilis´ee.5. est d´eplac´ee vers celle-ci de sorte `a int´egrer cet ´el´ement. lorsqu’un ´el´ement est mal class´e. Lorsqu’une classe poss`ede peu d’´el´ements (d’exemples) par rapport `a une autre (les contre-exemples). attribu´e. que le nombre d’exemples de chaque classe soit similaire. (a) Fonction sigmo¨ıde.

2. La matrice de confusion globale est donn´ee en annexe F. CLASSIFICATION r´eseau en recopiant les ´el´ements des classes les moins repr´esent´ees de sorte `a ce que chaque classe poss`ede le mˆeme nombre d’´el´ements.3 R´ esultats de la classification connexioniste Classification en six stades de sommeil Nous nous int´eressons dans un premier temps au r´esultat de la classification op´er´ee sur les 30% de la base d’apprentissage utilis´es pour d´eterminer l’arrˆet de la proc´edure d’appren- tissage. L’apprentissage semble donc coh´erent et nous pouvons passer `a l’´evaluation du syst`eme proprement dit en ´etudiant les r´esultats de la classification op´er´ee sur les ´el´ements de la base de test et donn´es en annexe F.4 Utilisation des fonctions lin´ eaires discriminantes L’application des fonctions lin´eaires discriminantes semble am´eliorer l´eg`erement les r´esultats mais ceux-ci restent insuffisants. alors qu’il s’agit du stade le plus volumineux de la base. Ce fait est essentiellement dˆ u au score ´elev´e de la classe 1. Contrai- . Pour cette raison. Les mesures de rappel. En fait ce stade est essentiellement r´eparti entre les stades 0 et 2. L’analyse de la matrice de confusion r´ev`ele qu’environ 50% des ´epoques.5. Stade 0 : 33% Stade 1 : 17% Stade 2 : 0% Stade 3 : 18% Stade 4 : 9% Stade 5 : 21% L`a encore. Nous commen¸cons par ´etudier la classification en six classes. portant le taux d’accord moyen `a 29%. ce qui explique le score de cette classe. ce qui traduit bien la mauvaise performance de cette classification. 4.128 CHAPITRE 4. Le reste des ´epoques est r´eparti sur les autres groupes sans grande pertinence. sont reprises ci-dessous : Stade 0 : 54% Stade 1 : 44% Stade 2 : 0% Stade 3 : 14% Stade 4 : 67% Stade 5 : 44% Nous pouvons remarquer que le stade 2 n’est jamais reconnu. les autres stades sont majoritairement bien class´es. En ´etudiant attentivement la matrice de confusion on s’aper¸coit que la majorit´e des ´epoques sont class´ees en stade 0. Classe 0 : 8% Classe 1 : 50% Classe 2 : 12% Classe 3 : 24% 4. est class´e en classe 1. quel que soit le stade r´eel de l’´epoque. Le taux d’accord moyen est port´e `a 19%. Le stade 0 est ´egalement mal class´e puisque ses ´epoques sont r´eparties entre le stade 1 et le stade 2. aucun ´el´ement n’est attribu´e au stade 2. Classification en groupes de stades Le regroupement des stades am´eliore significativement les r´esultats statistiques (cf. quel que soit le stade dont elles sont issues.4). sans utilisation des fonctions lin´eaires discriminantes.annexe F. la d´etection des autres principaux stades (4 et 5) est mauvaise (9% pour le premier et 21% pour le second).5. Le taux d’accord moyen est de 13%. pour chacune des six classes de sortie. Hormis ce fait.

avec seulement 35% des ´el´ements dans le cas du groupe 3. Les r´esultats sont l`a-aussi tr`es mauvais. Nous n’avons cependant pas pu r´ealiser ce test dans la mesure o`u il nous aurait fallu disposer de plus de donn´ees. mais insuffi- samment. Nous avons ´egalement ´evalu´e une classification en six classes. le stade 0 est visible. Le taux d’accord moyen s’´etablit `a 28%.5. Cette configuration obtient cependant le meilleur taux d’accord moyen. nous avons r´eit´er´e le test avec un r´eseau E/8/7/6. Ces r´esultats tendent `a confirmer les r´esultats pr´eliminaires ayant abouti `a la d´efinition de cette configuration de r´eseau. la majorit´e des ´el´ements ´etant class´es en Stade 1. Les stades correspondants aux groupes 0 et 1 sont class´es en groupe 3. Classe 0 : 20% Classe 1 : 19% Classe 2 : 52% Classe 3 : 35% 4. Pour cela. nous avons souhait´e v´erifier que ce probl`eme ne venait pas du fait que la derni`ere sous-couche du r´eseau comprend moins de neurones que la couche de sortie. des ´el´ements sont class´es en stade 2. Stade 0 : 36% Stade 1 : 9% Stade 2 : 16% Stade 3 : 26% Stade 4 : 23% Stade 5 : 11 L’int´erˆet des AFD n’est pas plus ´evident lorsqu’on travaille avec quatre classes de sortie puisque seuls les groupes 2 et 3 se voient majoritairement bien class´es. nous ne pouvons nous permettre d’augmenter le nombre de connexions. Pour ˆetre complets. Nous avons donc test´e un r´eseau comprenant respectivement 6 et 5 neurones sur les premi`ere et seconde couche cach´ee. L’apprentissage s’av`ere relativement bon puisque toutes les classes sont majoritairement bien class´ees. il aurait fallu ´evaluer l’impact de l’in- troduction dans le r´eseau de quelques neurones suppl´ementaires. nous avons cherch´e ` a v´erifier qu’elle ´etait ad´equate. 16% des ´el´ements de stade 2 sont bien class´es en stade 2 mais dans le mˆeme temps 17% des ´epoques de stade 2 sont class´ees en stade 0 et 25% en stade 4. Ainsi.4. Cette fois. les donn´ees issues de la base de test sont essentiellement r´eparties entre les groupes 0 et 1. avec le mˆeme r´eseau. aucun stade ne voit ses ´el´ements majoritairement bien class´es. Les mesures de rappels de l’´etude men´ee sur la base de test sont donn´ees ci-dessous : Classe 0 : 52% Classe 1 : 52% Classe 2 : 12% Classe 3 : 1% Il ressort que les r´esultats ne sont pas profond´ement modifi´es par rapport au r´eseau pr´ec´edemment utilis´e. Pour les raisons ´evoqu´ees pr´ec´edemment.5 Changement de configuration du r´ eseau Bien que la configuration du r´eseau employ´e ait ´et´e d´efinie suite `a des essais pr´eliminaire repr´esentatifs.5. ` a part le stade 0 (et de justesse le stade 3 ). Bien que la litt´erature ne mentionne pas cette contrainte. mais ni la matrice d’apprentissage ni celle de test ne laisse supposer un quelconque apprentissage des concepts. celui-ci ´etant de 32%. En revanche. Les r´esultats complets de ce r´eseau sont donn´es en annexe G. CLASSIFICATION CONNEXIONISTE 129 rement au cas o`u elles ne sont pas utilis´ees. Pour le reste. . selon les recommandations indiqu´ees notamment dans [78].

On peut ´emettre l’hypoth`ese que. et 82% des ´epoques de sommeil sont class´ees en sommeil.5. Ainsi. bien que travaillant sur une seule nuit `a chaque fois. Lorsque l’apprentissage est stopp´e.6 Suivi de patient Tout comme avec le mod`ele gaussien.5. Les mesures de rappel laissent apparaˆıtre de tr`es bons r´esultats. On ´evalue alors le syst`eme sur la base de test. dont 40% des ´el´ements sont r´epartis de fa¸con presque homog`ene sur les autres stades. nous s´electionnons al´eatoirement 70% des ´epoques. Notons qu’il est tr`es peu probable que le regroupement des classes. ce qui est physiologiquement coh´erent. dans la mesure ou il faudrait pour cela qu’elles poss`edent toutes le mˆeme vecteur moyen. et nous nous en servons pour pratiquer l’apprentissage du r´eseau. sont en fait insuffisants. Dans ce cas. Nous r´ep´etons cette op´eration pour chacune des nuits contenues dans les bases de test et d’apprentissage et nous r´ealisons une moyenne pond´er´ee des matrices de confusion. On extrait de cette matrice. Reste le stade 2. Cependant. le fait que pr`es d’une ´epoque d’´eveil sur deux . conduise `a une nouvelle classe gaussienne. la pond´eration ´etant r´ealis´ee par le nombre d’´epoque de chaque stade que contiennent les diff´erentes nuits. Le stade 1 laissent apparaˆıtre des r´esultats inf´erieurs. comme nous l’avons fait pr´ec´edemment. Hormis le stade 2. CLASSIFICATION 4. C’est pour cette raison que nous ne r´ealisons ce test qu’avec les r´eseaux de neurones et non avec la technique de classification pr´ec´edente. 4. les ´epoques de stade 3 sont class´ees en stade 2 ou en stade 4. Puis. `a premi`ere vue int´eressants. nous testons les 30% restants. Ainsi. 57% des ´epoques d’´eveil sont bien class´ees. ses ´el´ements sont ´etendus sur une vaste surface et les fronti`eres de d´ecision sont plus d´elicates `a ´etablir que pour les autres stades. 74% des ´epoques d’´eveil sont bien d´etect´ees comme telles.9. l´eg`erement sup´erieurs au cas gaussien. les ´epoques issues de ce stade sont essentiellement confondues avec le stade 2. 75% des ´epoques sont bien class´ees.23. nous avons utilis´e le jeu de param`etre global (et non pas sp´ecifique au suivi de patient) car les r´eseaux de neurones r´ealisent eux-mˆemes une combinaison des param`etres et nous les avons estim´es suffisamment puissants pour faire ressortir les param`etres pertinents.130 CHAPITRE 4. Concernant le sommeil. nous avons ´evalu´e le r´eseau de neurones dans le cadre du suivi de patient.7 D´ etection actim´ etrique Nous avons souhait´e ´egalement ´evaluer la capacit´e du syst`eme `a r´ealiser une discrimi- nation veille / sommeil. 4 et 5 sont bien class´es dans 70% des cas. Le calcul de la moyenne est donn´e par l’expression 4. l´eg`erement moins performant. C’est ´egalement pour cette raison que nous ne testerons pas l’utilisation des fonctions lin´eaires discriminantes. Pour cela. donn´ee en annexe F. les grand stades (0. avec une l´eg`ere pr´edominance du sommeil paradoxal. De mˆeme. Ces scores. mˆeme quasi-gaussiennes. nous avons regroup´e en une seule classe tous les stades de sommeil. le stade 2 repr´esentant beaucoup d’´epoques au sein de la base de donn´ee. ce qui laisse entrevoir que le concept est appris. les mesures de rappel par stade donn´ees ci-apr`es : Stade 0 : 70% Stade 1 : 33% Stade 2 : 59% Stade 3 : 47% Stade 4 : 72% Stade 5 : 74% Notons pour ˆetre complets que. le compl´ement ´etant bien sˆ ur class´e en sommeil.

mˆeme si le scorage global atteint en moyenne 72% en raison de la plus forte repr´esentation des stades de sommeil par rapport `a l’´eveil (respectivement 648 et 4219 ´epoques). donn´es en annexe H. Cette fois. 3 et 4) / Sommeil paradoxal. D’autres r´eseaux utilisent ce rebouclage ([78] et plus sp´ecifiquement concernant l’analyse du sommeil [40]) c’est `a dire que les sorties de certaines couches servent de donn´ees d’entr´ees `a des couches ant´erieures. Notons que les r´esultats les plus homog`enes sont obtenus lorsque les stades de sommeil sont regroup´es en quatre classes. il n’y a pas de rebouclage entre les diff´erentes couches. les connexions entre une couche et la suivante peuvent ˆetre partielles au lieu d’ˆetre totales dans notre cas. Comme nous traitons un probl`eme a` deux classes. Dans cette derni`ere il reste peu de donn´ees non attir´ees par ce stade (environ 30%). Notons que nous n’avons utilis´e jusqu’ici que le perceptron multicouche. Ainsi. Par exemple. Le surapprentissage. Une hypoth`ese pour expliquer ce mauvais fonctionnement est que l’apprentissage serait insuffisant. 2. Dans ce cas on obtient une classification moyenne de 32%. Dans ce type de r´eseau. plus probable. Il serait int´eressant d’´evaluer si les performances s’am´eliore avec une s´election plus rigoureuse des donn´ees utilis´ees pour l’apprentissage. est que les donn´ees soient trop dispers´ees pour que le r´eseau parvienne `a ´etablir des fronti`eres de d´ecision pertinentes. qui sont r´eparties de fa¸con relativement homog`ene entre les autres stades. hormis quelques erreurs (certaines notables comme l’absence de d´etection de stade 2 dans le cas six stades/AFD) les ´el´ements sont majoritairement bien class´es. comme c’est le cas avec la classification gaussienne. mais seulement `a ceux-ci. de par le crit`ere d’arrˆet utilis´e. Bien d’autres configuration de r´eseaux existent. c’est le syst`eme dans son ensemble qui ne r´epond pas au probl`eme. CLASSIFICATION CONNEXIONISTE 131 soit mal class´ee implique que la d´etection de l’´eveil est mauvaise. Nous n’avons pas explor´e ce type de r´eseau. sont sans appel : le syst`eme n’est pas pertinent. et que les param`etres sont combin´es par les fonctions lin´eaires discriminantes.5. . ce probl`eme rassemble au sein d’un mˆeme stade des ´epoques provenant `a la fois de sommeil paradoxal (qui pr´esente certaines similitudes avec l’´eveil) et de sommeil orthodoxe. Les r´esultats. tous les neurones d’une couche sont connect´es `a l’ensemble des neurones de la couche suivante. ce stade ´etant `a distinguer de l’´eveil.4.8 Conclusions sur le scorage par r´ eseau de neurone Le r´eseau de neurone ne s’av`ere donc pas en mesure de r´ealiser une classification efficace de la nuit. Nous avons envisag´e que cette ambiguit´e puisse ˆetre une source d’erreur au sein du r´eseau et c’est pourquoi nous avons test´e un d´ecoupage en trois classes : Veille / Sommeil orthodoxe (stades 1. Cependant. On notera toutefois que ce stade attracteur est moins h´eg´emonique que lors de la classification gaussienne. En fait il classe la majorit´e des ´epoques dans la classe de sommeil orthodoxe. il reste en moyenne 60% des donn´ees.5. De mˆeme. est normalement ´evit´e. 4. Une derni`ere hypoth`ese. On observe souvent que la majorit´e des ´el´ements de tous les stades sont affect´es ` a une ou deux classes. Mais l’´etude des matrices de confusion obtenues en classant les 30% de la base d’apprentissage n’ayant pas particip´e `a l’apprentissage nous apprend que celui-ci est globalement bon.

nous observons le taux d’accord global des nuits constituant la base de test. 4. Rappelons que. L’emploi d’un tel r´eseau permettrait donc de tenir compte de ces r`egles physiologiques. Aucune information temporelle n’est utilis´ee. Chacune des nuits est scor´ee P puis rescor´ee par les r`egles qui s’appliquent successivement.6 Rescorage Les techniques de classification d´ecrites pr´ec´edemment r´ealisent en fait une op´eration lo- cale c’est `a dire qu’elles classent un vecteur ind´ependamment du vecteur class´e pr´ec´edemment.13 illustre ce principe de rescorage. nous avons utilis´e un mod`ele plus puissant puisqu’il s’agit d’une mod´elisation par mod`ele de markov cach´e de la nuit. La premi`ere m´ethode que nous avons employ´ee utilise des r`egles. Ces r`egles n’utilisent que les ´epoques voisines de la zone ´etudi´ee pour r´ealiser un rescorage et il s’agit donc d’un rescorage local. Le premier rescorage fait inter- . Ces r´eseaux sont donc en mesure d’utiliser une d´ecision ant´erieure pour formuler la d´ecision courante. Cela se justifierait pleinement dans notre application puisqu’on sait que les transitions entre les diff´erents stades de sommeil ob´eissent `a des lois statistiques et donc que certaines transitions sont tr`es probables et d’autres impossibles. r´ef´erence de l’´epoque n de la nuit k s’´ecrit Sref cla le taux d’accord de la nuit k est donn´e par : k (n) = S k (n)) arg(Sref cla τk = k (n)) (4. Il peut alors ˆetre int´eressant d’utiliser ces informations globales c’est- `a-dire prenant en compte une partie voire l’ensemble des ´epoques class´ees pour corriger les erreurs de classification.1 Le rescorage par r` egles Pour ´evaluer l’impact des r`egles que nous d´efinissons. en consid´erant que le stade de k (n) et le stade issu de la classification S k (n). celle-ci est pertinente. En effet.6. on sait que la succession des stades au cours de la nuit ob´eissent `a des r`egles physiologiques.13 – Principe du rescorage par utilisation d’informations globales : une ´epoque de stade 4 entour´ee d’´epoques de stade 2 est rescor´ee en stade 2. d´efinies par les connais- sances de r´ef´erence sur le d´eroulement des stades de sommeil. 4. 4.132 CHAPITRE 4. Pourtant. Un autre moyen d’en tenir compte est d’appliquer un algorithme qui retraite l’hypnogramme propos´e par la classification. CLASSIFICATION Ces structures particuli`eres de r´eseaux sont qualifi´es de structures r´ecurrente. Fig. Il est par exemple peu probable qu’une ´epoque de stade 4 soit noy´ee dans une succession d’´epoques de stade 2. Dans un deuxi`eme temps. La figure 4.26) arg(Sref Le taux d’accord global (ou cumul´e) est donn´e par T = k tk . C’est l’objet du chapitre suivant.

c’est-`a-dire reconnues comme des zones de boug´es par les syst`emes de contrˆole d’int´egrit´e du signal. sans rescorage. Pour ne pas risquer de sortir de ce cadre. La premi`ere r`egle mise en place supprime les stades isol´es c’est-`a-dire que les ´epoques d’un stade donn´e (par exemple une ´epoque de stade 4 ) entour´ees par un autre stade (par exemple par une ´epoque de stade 2 `a gauche.6. 63%. Il nous faut donc disposer d’une mesure de confiance pour les deux techniques de classification utilis´ees ` a savoir la classification gaussienne et la classification connexioniste. On notera Pmax la probabilit´e d’appartenance du vecteur vi `a la classe Cmax qui maximise cette probabilit´e . Si on consid`ere le cas d’une classification par surface s´eparatrice.4. nous limitons les zones de transitions `a deux stades en erreur maximum. R` egle 2 Les zones en erreur sont rescor´ees par les stades des ´epoques imm´ediatement voi- sines. Le taux d’accord global. L’emploi de cette r`egle porte `a 64% le taux d’accord cumul´e. Nous souhaitons pouvoir tenir compte de certaines ´epoques dans lesquelles on poss`ede une grande confiance dans la classe attribu´ee pour ´eventuellement corriger d’autres ´epoques. la succession 2 2 4 2 2 devient 2 2 2 2 2. cumul´e sur l’ensemble des nuits de la base de test atteint. Utilisation de la confiance Nous avons ´egalement souhait´e pouvoir utiliser une information ´evaluant la pertinence de la classification r´ealis´ee. Ce vecteur est attribu´e `a la classe dont la probabilit´e d’appartenance est la plus forte. en contradiction avec les premi`eres. Nous avons observ´e qu’il apparaˆıt des zones d’erreur. Application ` a la classification gaussienne Dans le premier cas. R1+R2. on imagine assez bien que plus le vecteur `a classer se rapproche de la fronti`ere de s´eparation et plus il est probable que l’on commette une erreur de classification. dans ce cas. Sch´ematiquement. et b´en´eficiant d’une confiance moindre. C’est cette notion de confiance dans la classification que nous avons cherch´e `a exploiter. Plusieurs mesures de confiance peuvent alors ˆetre envisag´ees selon les hypoth`eses retenues. Une valeur de stade n´egative est attribu´ee `a ces zones par l’algorithme de classification. Une indication sur la confiance que l’on peut avoir en la classification r´ealis´ee peut ˆetre. R` egle 1 Une ´epoque entour´ee d’´epoques d’un stade diff´erent est rescor´ee en ce stade. Nous d´ecidons alors de rescorer le o` u les ´epoques en erreur par les stades pr´esents `a gauche et ` a droite de cette zone (`a gauche s’il n’y a qu’une ´epoque. la mesure de la distance qui le s´epare de la fronti`ere la plus proche. De telles ´epoques sont rescor´ees par le stade entourant (le stade 2 dans ce cas). lors d’une transition entre deux stades de sommeil. `a gauche pour la premi`ere et `a droite pour la deuxi`eme s’il y en a deux. on dispose des probabilit´es d’appartenance du vecteur `a chacune des classes. Le taux d’accord est alors port´e `a 79%. et une autre ´epoque de stade 2 `a droite). RESCORAGE 133 venir une r`egle R1. Une s´equence typiquement observ´ee dans ce cas est 3 3 3 -2 -2 4 4 4. le second.

nous devrions observer une distribution de ces valeurs globalement plus ´elev´ee dans le premier cas que dans le second.134 CHAPITRE 4. Nous avons donc compar´e les histogrammes des valeurs obtenues dans ces deux cas.q. sans regroupement des param`etres par les fonctions lin´eaires discriminantes. . 4. En ce qui concerne le premier estimateur (probabilit´e d’appartenance). cette distinction n’est pas tr`es marqu´ee. Pour ce qui est du deuxi`eme estimateur. nous n’avons pas observ´e de r´esultat probant. {Cmax = argmax (i)P (Ci |x)}. l’estimateur doit normaliser cet ´ecart. l’apprentissage du mod`ele s’est faite sur 70% des ´el´ements de la base d’apprentissage. Si la mesure de confiance du vecteur i. nous avons cherch´e `a comparer la valeur de confiance obtenue par ces estimateurs sur les ´epoques bien class´ees. Plus l’´ecart entre la probabilit´e maximale et sa suivante est fort et plus la classe se discrimine en regard des autres. A droite le cas des ´epoques mal class´ees. L’´ecart entre les deux probabilit´es peut alors traduire une confiance dans la mesure.14 qu’il existe plus de valeurs comprises entre 20 et 50 dans les estimations de confiance men´ees sur les ´epoque bien class´ees. Si la mesure de confiance est pertinente. correspondant ` a l’´epoque i est not´ee c(vi ) alors on a c(vi ) = Pmax .14 – Histogramme des distributions des valeurs de confiance de la classification gaus- sienne : `a gauche. on observe sur la figure 4. le cas des ´epoques bien class´ees. CLASSIFICATION (Pmax = P (Cmax |x) t. Comme pr´ec´edemment. que lorsque celles-ci sont men´ees sur les ´epoques mal class´ees. Nous avons cependant d´ecid´e d’utiliser cet estimateur de la confiance de classification pour ´etablir des r`egles de rescorage. et les mesures de confiance observ´ees sont issues de la base de test. Pour pouvoir effectuer des comparaisons. Toutefois. Plus cette probabilit´e est forte et plus la confiance peut ˆetre grande. Pour ´evaluer la pertinence des estimateurs pr´esent´es. `a celle obtenue en utilisant les ´epoques mal class´ees. La mesure de confiance est alors directement donn´ee par la probabilit´e d’appartenance. Si on d´esigne par Psuite la plus grande des probabilit´es apr`es Pmax . Nous avons utilis´e pour cela une classification gaussienne en six classes. on obtient c(vi ) = (Pmax − Psuite )/(Pmax ). Fig.

si les voisins de . L’´ecart `a 1 de cette valeur peut traduire une mesure de confiance. 4. il existe de nombreuses zones en erreur. Nous l’avons vu. `a d´efaut de fournir des 1 et des 0. Cet estimateur tend vers +∞ lorsque la confiance est forte et vers −∞ lorsque celle-ci est faible. valeur d´elivr´ee sur la sortie active. pr´esentes `a gauche et `a droite de la zone en erreur.6. Les zones inaptes `a la classification sont attribu´ees aux stades des ´epoques voisines. Lorsque le r´eseau de neurone classe un stade. de contrˆole automatique de gain. On d´efinit la sortie active comme ´etant celle dont la valeur d’activation est la plus forte. R`egle 3 Les zones non class´ees sont rescor´ees par les stades voisins. Ainsi. si ceux-ci b´en´eficient d’une bonne confiance. Nous avons d´ecid´e d’utiliser la mesure de confiance pour pouvoir couvrir des zones plus ´etendues.4. A droite le cas des ´epoques mal class´ees. RESCORAGE 135 Application ` a la classification connexioniste Comme nous l’avons vu pr´ec´edemment. le r´eseau de neurone n’active pas ses sorties `a 1 ou 0 mais `a des valeurs comprises entre ces deux derni`eres. Une autre mesure de confiance d´ecoule de ce fait : la mesure de l’´ecart existant entre la valeur de la sortie active (x). Fig. il doit donc fournir un 1 sur la sortie correspondante. et la valeur d’activation imm´ediatement inf´erieure (x0 ) telle que c(x) = x − x0 . La mˆeme conclusion est obtenue lorsque la classification employ´ee traite quatre classes de sortie au lieu de six (regroupement des stades). un premier rescorage des zones en erreur est r´ealis´e lorsque la dur´ee de celles-ci n’exc`ede pas deux ´epoques. Nous avons conclu qu’aucun de ces deux estimateurs de confiance n’est pertinent (cf. ou que l’on combine les param`etres par des fonctions lin´eaires discriminantes. En pratique nous utilisons plutˆot l’estimateur qui `a x. Plus la valeur fournie est proche de 1 et plus la mesure est consid´er´ee comme fiable. associe la valeur c(x) = log(x/(1 − x)) afin d’augmenter la dynamique de sortie de cet estimateur. le r´eseau doit normalement fournir une sortie la plus ´elev´ee possible et les autres sorties les plus faibles possibles. le r´eseau de neurone est entraˆın´e pour ´emettre un 1 sur la sortie valide et un 0 sur les autres sorties. le cas des ´epoques bien class´ees. Cet estimateur est conceptuellement proche du deuxi`eme estimateur pr´esent´e pour la classification gaussienne.15).15 – Histogramme des distributions des valeurs de confiance de la classification par r´eseau de neurones : `a gauche. Ainsi. notamment parce que nous ne disposons pas.figure 4. Nous avons ´evalu´e la pertinence de ces deux estimateurs de la mˆeme mani`ere que le cas des estimateur associ´es au mod`ele gaussien. sur les prototypes employ´es. En r´ealit´e. De fait.

Seule est donn´ee la suite des observations. sont dignes de confiance. Principe Les HMM sont une g´en´eralisation des mod`eles de Markov observables.136 CHAPITRE 4. Ceci s’explique probablement par la faible discrimination op´er´ee par la mesure de confiance disponible entre les zones de classification correctes et les zones ne l’´etant pas. Le mod`ele est dit cach´e dans la mesure o` u la suite des ´etats par lequel il est pass´e n’est pas accessible. l’application du rescorage `a la classification en quatre classes (´eveil / sommeil lent l´eger / sommeil lent profond / sommeil paradoxal) permet de passer d’un taux d’accord global de 64% `a 119%.6. En dernier lieu.. E 4 4 devient 3 3 3 . et passe `a 120% (111% en gaussien) apr`es application de l’ensemble des r`egles. Ainsi.. le taux d’accord cumul´e initial est dans ce cas de 59% (63% en gaussien). CLASSIFICATION gauche et de droite d’une zone en erreur. . Nous avons utilis´e les observations de la distribution des valeurs de confiance de la base de test pour fixer les seuils indiquant une confiance suffisante ou pas. de tenir compte du s´equencement des stades sur l’ensemble de la nuit pour ´emettre chacune de ses d´ecisions.. alors on remplace les stades des ´epoques constituant la zone en erreur par la classe des stades voisins. 4 4 4. quelle que soit sa longueur. Ainsi 3 3 E . Nous n’avons d´etaill´e ici que les chiffres correspondant au cas gaussien mais les mˆemes r´esultats sont obtenus par la classification par r´eseau connexioniste. Le taux d’accord global cumul´e est port´e `a 111% ce qui repr´esente en moyenne une augmentation des taux d’accords de 10% pour chaque nuit. Ce symbole est observable et c’est pourquoi la suite des symboles ´emis est appel´ee suite observable.2 Mod´ elisation Markovienne de la nuit Le rescorage par mod`ele de Markov cach´e (ou HMM) nous a sembl´e int´eressant `a d´evelopper dans la mesure o` u celui-ci pr´esente l’avantage. Le symbole ´emis est conditionn´e par une probabilit´e d’´emission. il ´emet un symbole pouvant prendre N valeurs diff´erentes. lorsque les r`egles pr´ec´edentes de rescorage ont ´et´e appliqu´ees. 4. D`es que l’automate passe dans un ´etat. Le passage d’un ´etat `a un autre est ´egalement conditionn´e par une probabilit´e de transition. qui est propre `a chaque ´etat. Il en est ressorti que le taux d’accord global n’est pas am´elior´e par cette r`egle. R`egle 4 Les ´epoques non encore scor´ees ou rescor´ees sont rescor´ees par les stades voisins. L’impact de cette r`egle n’a pu ˆetre ´etudi´e que dans le cas gaussien car nous ne poss´edons pas d’estimateur de confiance pour le cas connexioniste. nous rescorons les zones en erreur restantes par les stades voisins de celle-ci. Ces r`egles s’av`erent donc int´eressantes du point de vue de la performance de classification. Conclusions sur le rescorage par r` egle Toutes ces r`egles permettent d’augmenter les taux d’accord bruts des nuits de la base de test de 10% en moyenne. par rapport au rescorage par r`egle. Par exemple. Ce sont des automates `a M ´etats c’est `a dire que le syst`eme ´evolue entre ces M ´etats (passe d’un ´etat `a un autre). la succession d’´epoque 2 2 E E E E 4 4 devient 2 2 2 2 4 4 4 4. De la mˆeme fa¸con..

la classification peut avoir fourni un des six stades de sommeil.16 illustre partiellement cette mod´elisation. La structure est la mˆeme pour les autres ´etats du HMM. La figure 4. En r´ealit´e. notamment parce que sa repr´esentation physiologique est proche d’un autre stade (les stades 3 et 4 sont physiologiquement proches). On y retrouve les six stades de vigilance. 4.4. sachant que p(0. Il nous faut alors retrouver le chemin le plus probable parmi tous ceux ayant pu engendrer la s´equence observ´ee. de d´eterminer la suite d’´etats du HMM qui maximise la probabilit´e d’observer cette s´equence. ou l’´etat d’erreur (zone non utilisable pour la classification). Dans un souci de lisibilit´e de la figure. On utilise pour cela l’algorithme de Viterbi. 1) indique la probabilit´e que le mod`ele passe de l’´eveil au premier stade de sommeil. parmi toutes celles qui ont engendr´e la s´equence de symboles. A ` ce stade.16 – Repr´esentation du HMM utilis´e pour le rescorage Le probl`eme que nous avons `a r´esoudre consiste.6. Dans chacun de ces ´etats. le nombre de ces chemins croˆıt tr`es vite ce qui rend le calcul r´eel impossible. et sept symboles observables (les six stades de vigilance donn´es par la classification et un symbole attribu´e aux ´epoques dont l’int´egrit´e des signaux n’a pas permis la classification). Les ´etats repr´esentent les stades de sommeil. Fig. les transitions entre chacun des ´etats ob´eissent `a des probabilit´es not´ees p(i. Cette mod´elisation permet d’admettre que certains stades (par exemple des stades 3) ne soient pas class´es comme tels par la proc´edure initiale de classification (et soient ainsi class´es en stade 4 ). En . Celui-ci calcule `a chaque nouvelle observation la probabilit´e de chacun des chemins conduisant `a la s´equence partielle observ´ee. La probabilit´e d’´emission de chacun des symboles est propre `a chaque ´etat. seule est disponible la suite des stades de sommeil propos´ee par la classification. et un exemple est donn´e pour le stade 0. C’est pourquoi l’algorithme de Viterbi consid`ere que le chemin global le plus probable passe par les chemins partiels les plus probables. nous d´efinissons les symboles ´emis comme ´etant la succession des stades de sommeil propos´ee par la classification. On consid`ere que la succession d’´etat la plus proche de la r´ealit´e est la s´equence la plus probable d’un point de vue math´ematique. RESCORAGE 137 Dans notre application. j). Le HMM que l’on se propose d’utiliser poss`ede donc six ´etats cach´es (les cinq stades de sommeil et l’´eveil). De mˆeme. `a partir d’une s´equence d’observation et d’un HMM donn´e. seules les transitions et le tableau correspondant `a l’´etat 0 ont ´et´e repr´esent´ees. on suppose que le stade de sommeil dans lequel est r´eellement la personne nous est inaccessible.

Statistiquement.3 Comparaison des deux m´ ethodes de rescorage Le mod`ele de Markov cach´e est appris en utilisant les r´esultats de la classification men´ee sur la base d’apprentissage. est l’´eveil. on d´etermine la matrice A en comptabilisant chacune des transitions entre stades pour toutes les ´epoques de la base d’apprentissage. le patient est ´eveill´e au d´emarrage de l’enregistrement. celle d´efinissant les probabilit´es d’´emission de chaque symbole (appel´ee matrice B). La compilation de ces r´esultats fournit la matrice B. `a savoir la matrice d´efinissant les probabilit´es de transition entre ´etats (appel´ee matrice A). si. pour tous les enregistre- ments. 4. la probabilit´e d’´emettre un stade qui peut ˆetre identique `a l’´etat. Nous avons ensuite ´evalu´e l’apport du rescorage par HMM sur le taux d’accord global mesur´e sur chacune des nuits de la base de test. celle de d´emarrer dans tous les autres stades est nulle. On utilise la base d’apprentissage pour la d´eterminer. ces premiers r´esultats font ´etat d’un avantage pour les hypnogrammes . on sait que le stade initial de vigilance. pour chaque stade.138 CHAPITRE 4. pour chacun des stades. Enfin. un pour mener `a chacun des six ´etats du mod`ele. que le syst`eme d´emarre dans celui-ci. Par cons´equent il est inutile de poursuivre le d´eveloppement de ces deux chemins. ainsi que le vecteur d´efinissant la probabilit´e.6. En effet de par la proc´edure utilis´ee. ce qui diminue consid´erablement les calculs. CLASSIFICATION d’autres termes. deux chemins m`enent `a un mˆeme ´etat interm´ediaire et que l’un des deux est le chemin qui s’av`erera le plus probable `a la fin de la s´equence. il nous faut `a pr´esent d´eterminer les param`etres qui le d´efinissent. Les valeurs indiqu´ees correspondent aux taux d’accords exprim´es sur les ´epoques correctes c’est `a dire que l’on ne prend pas en compte les ´epoques en erreur (non class´ees) pour ´etablir ce taux. Concernant ce dernier. La probabilit´e de d´emarrer dans le stade 0 est donc de 1. et on observe les r´esultats du rescorage utilisant cette technique sur toutes les nuits de la base de test. Puis. La matrice B recense. la comparaison entre le stade tel que class´e et le stade de r´ef´erence donne la probabilit´e que la classification indique tel ou tel stade lorsqu’il est dans tel ou tel stade. alors ce sera forc´ement celui des deux dont la probabilit´e `a cette ´etape est la plus forte. Utilisation Le mod`ele de Markov ´etant donn´e. Lorsque toutes les observations ont ´et´e pr´esent´ees on retient le chemin qui pr´esente la plus forte probabilit´e. Il ressort que le taux d’accord global par nuit est augment´e de 16% en moyenne. ou diff´erent. R´ esultat Nous avons donc proc´ed´e de la sorte pour aboutir `a la mod´elisation Markovienne de la nuit. Celle-ci est class´ee par la m´ethode retenue (gaussien ou connexioniste). On ne garde donc en permanence la m´emoire que de six chemins.

4.6. Complexit´ e de mise en oeuvre Le rescorage Markovien est plus complexe `a mettre en oeuvre que le rescorage par r`egle. Ainsi. Analyse qualitative Cependant. a` fait conformes aux pr´ec´edents. et l’int´erˆet statistique du rescorage par les HMM apparaˆıt clairement. L’algorithme de Viterbi n´ecessite ensuite . on obtient les r´esultats suivants : Ainsi donc ces r´esultats sont tout Nuit T1 T2 T3 T4 T5 Moyenne Taux d’accord en sortie de la classification (%) 9 25 6 14 9 13 Taux d’accord apr`es le rescorage par r`egles (%) 13 31 20 32 15 22 Taux d’accord apr`es le rescorage par HMM (%) 26 34 27 27 30 29 Tab. si ce type de rescorage s’av`ere statistiquement plus int´eressant que le rescorage par r`egles. L’am´elioration des taux d’accord varie de 2 `a 13%.2 – Taux d’accord des ´epoques int`egres des nuits constituant la base de test. il apparaˆıt que la plupart des sauts de stades sont ´elimin´es par le mod`ele pour ne conserver que de longue plage d’un mˆeme stade. il faut savoir que le microcontrˆoleur embarqu´e dans le bracelet r´ealisant les enregistrements SmartM´edia poss`ede une capacit´e de m´emoire RAM de 1kOctet.17. Pour avoir un ordre de grandeur. Un exemple est donn´e sur la figure 4. Si on s’int´eresse maintenant aux taux d’accords globaux c’est `a dire qui int`egrent les ´epoques non class´ees. lorsqu’on observe les hypnogrammes produits par le re- scorage utilisant les mod`eles de Markov cach´es. lequel est le plus souvent le stade 2 ou l’´eveil.3 – Taux d’accord globaux des nuits constituant la base de test. En effet. 4. Cela ne se retrouve pas sur la moyenne car une nuit (T4) voit son taux d’accord consid´erablement r´eduit par le rescorage HMM. 4. en dehors de la phase d’apprentissage. dans quatre nuits sur cinq. permet de limiter les ´epoques `a stocker. de par sa nature plus locale. RESCORAGE 139 Nuit T1 T2 T3 T4 T5 Moyenne Taux d’accord en sortie de la classification (%) 15 30 12 40 16 23 Taux d’accord apr`es le rescorage par r`egles (%) 13 31 12 43 16 23 Taux d’accord apr`es le rescorage par HMM (%) 27 32 17 27 29 26 Tab. avant et apr`es rescorage par r`egles ou mod`ele de Markov cach´es. il ne permet pas mieux que celui-ci (et peut-ˆetre moins) de retranscrire l’´evolution des stades du sommeil au cours de la nuit. ´etablis en utilisant les mod`eles de Markov cach´es. Les meilleurs r´esultats pour chaque nuit sont mis en gras. les r´esultats sont am´elior´es alors que ce n’est le cas que dans deux cas sur cinq par le rescorage par r`egle. Les meilleurs r´esultats pour chaque nuit sont mis en gras. il faut pratiquer un algorithme de Viterbi sur les donn´ees ce qui n´ecessite `a la fois la m´emorisation de l’ensemble des stades de sommeil attribu´es `a chaque ´epoque au cours de la nuits (soit environ 1000 donn´ees codables sur un octet) alors que le rescorage par r`egle. Ainsi. avant et apr`es rescorage par r`egles ou mod`ele de Markov cach´es.

Il ne pourra r´ealiser un apprentissage pertinent qu’`a la condition o` u. 4. d’une part. un mod`ele de Markov cach´e est avant tout une mod´elisation du d´eroulement de la nuit.140 CHAPITRE 4. quant `a lui. Le rescorage par HMM s’av`ere. Or. les nuits de test sont coh´erentes avec celles de la base d’apprentissage. 4.6. nous avons constat´e que plus le scorage initial des nuits est bon et plus le rescorage est performant. Ainsi. dans nos tests. Ceux-ci sont . doit ˆetre effectu´e en temps l´eg`erement diff´er´e pour profiter pleinement de son faible coˆ ut m´emoire. CLASSIFICATION Fig. plus int´eressant statistique- ment. Globalement. d`es que les voisins observ´es sont disponibles. d’origine pathologique. l’algorithme de Viterbi n’a pas `a ˆetre appliqu´e en temps r´eel sur les donn´ees et ce coˆut calculatoire est donc compatible avec une utilisation embarqu´ee dans la mesure o` u l’algorithme peut ˆetre appliqu´e `a un moment o` u l’on peut lui attribuer toute la ressource calculatoire. le rescorage est effectu´e et la m´emoire lib´er´ee. les enregistrements dont nous disposons pr´esentent justement un trouble dans la succession des stades de sommeil. Cette r`egle est d’ailleurs valable pour la classification en g´en´eral. Il devient dans ce cas tr`es int´eressant par rapport `a l’algorithme de Viterbi.4 Conclusions sur le rescorage Le rescorage est donc clairement int´eressant puisqu’il permet d’accroˆıtre en moyenne de 10% les r´esultats. Le rescorage par r`egle. N´eanmoins. T × S 2 calculs (T ´etant le nombre d’observations dans la s´equence soit environ 1000 et S ´etant le nombre d’´etats du mod`ele soit 6 dans notre cas) alors que le rescorage par r`egle a un coˆ ut nul de ce point de vue (en fait il n´ecessite des tests et des r´eaffectations m´emoires). r´esultat discutable si l’on s’en r´ef`ere `a l’analyse qualitative des hypnogrammes rescor´es. Cependant.17 – Comparaison qualitative sur une nuit des rescorage par r`egle et rescorage mar- kovien. les nuits de la base d’apprentissage sont coh´erentes entre elles et o`u. d’autre part.

Pour cela. Nous avons d’ailleurs r´ealis´e cette op´eration au paragraphe 4. Un 0 indique que l’´el´ement n’appartient pas `a la classe test´ee par ce d´etecteur tandis qu’un 1 indique que c’est le cas. Ces zones d’erreur repr´esentent donc une double source de d´egradation des r´esultats. Pour les raisons ´evoqu´ees au paragraphe 4.7. UTILISATION D’UN ARBRE DE DECISION 141 souvent tr`es fractionn´es et pr´esentent des dissemblances fortes entre les personnes. La base d’enregistrements n’est donc pas adapt´ee `a la validation d’un rescorage utilisant les chaˆınes de Markov cach´ees car celle-ci ne peut que conduire `a des r´esultats m´ediocres. mˆeme rescor´ee. Pour cela. Ceux-ci sont entraˆın´es `a distinguer une classe de l’ensemble form´e par la r´eunion des autres classes. Dans le mˆeme temps. nous avons souhait´e explorer une autre mani`ere de r´esoudre le probl`eme. 4. Si deux d´ etecteurs sont positifs alors on attribue la classe d’un d´etecteur `a l’´epoque consid´er´ee . Nous regroupons les stades 1 et 2 d’une part pour former la classe correspondant au sommeil lent l´eger. rendant le rescorage moins performant. le nombre d’´epoques class´ees peut atteindre des valeurs aussi faibles que 50% des ´epoques totales. Nous ne pourrons ´evaluer le v´eritable profit apport´e par cette m´ethode de rescorage qu’en l’utilisant sur des enregistrements ne pr´esentant pas de trouble dans la succession des stades de sommeil. nous avons choisi de diviser le probl`eme de classification en sous-probl`emes binaires et de combiner les r´esultats issus de ces d´ecisions pour d´ecider de la classe de l’´el´ement. Nous retiendrons donc que l’int´erˆet du rescorage est d´emontr´e. D’autant qu’un autre facteur est de nature `a limiter la capacit´e du mod`ele `a corriger des erreurs : il s’agit des zones non utilisables par la classification car satur´ees. nous avons fait appel `a des d´etecteurs utilisant des r´eseaux de neurones.6. Dans notre application. Le syst`eme comprend donc quatre d´etecteurs d´elivrant chacun une information sur l’appartenance suppos´ee au stade auquel il appartient. ´ 4. et avec le prototype actuel. bien que toutes les condi- tions ne soient pas r´eunies pour qu’il puisse v´eritablement am´eliorer sur les hypnogrammes des bases dont nous disposons `a ce jour. On adjoint en sortie du d´etecteur un syst`eme de rescorage.7. en distinguant l’´eveil du sommeil.7 Utilisation d’un arbre de d´ ecision Au vu des r´esultats non convaincants de la classification. nous utilisons un rescorage par r`egle dans le cadre de cette exp´erimentation. Plus celles-ci sont nombreuses et surtout longues et plus la mod´elisation markovienne de la nuit sera entach´ee d’erreur et impr´ecise. plus ces zones sont nombreuses et plus le r´esultat final repose sur le rescorage. Chaque d´etecteur fournit donc en sortie une valeur 0 ou 1. Il reste `a combiner les d´ecisions ´el´ementaires. Si trois ou quatre d´ etecteurs sont positifs alors on n’attribue pas de classe `a l’´epoque . nous utilisons l’algorithme suivant : Si aucun d´ etecteur n’est positif alors on n’attribue pas de classe `a l’´epoque consid´er´ee . Si un seul d´ etecteur est positif alors on attribue la classe du d´etecteur `a l’´epoque consid´er´ee . et les stades 3 et 4 d’autre part pour former la classe correspondant au sommeil lent profond. En l’occurrence.5.

Pour pallier au faible volume de donn´ees nous avons eu recours `a une technique de combinaison des param`etres mais celle-ci ne s’est pas av´er´ee pertinente. Alors. selon nous. Il reste `a d´eterminer le param`etre. pour chaque combinaison de d´etecteur positifs rencontr´ee on mesure le stade de r´ef´erence le plus probable et c’est ce stade qui sera attribu´e lorsque ce couple de d´etecteur sera positif. Concernant le cas o` u deux d´etecteurs sont positifs. Il ressort que nous n’avons pu r´ealiser une m´ethode efficace de classification g´en´erale en stades de sommeil. mais que ces mˆemes param`etres ne le soient plus lorsqu’on traite de fa¸con globale la population indique que ces param`etres ne sont normalis´es par rapport aux patients. CLASSIFICATION consid´er´ee. lorsque ce travail est laiss´e au rescorage global par r`egle (paragraphe I. 4. tout comme pour les deux m´ethodes de classification vues pr´ec´edemment. le syst`eme produit des r´esultats proches des techniques m´edicales automa- tique lorsque l’apprentissage se d´eroule sur une seule nuit. Leur valeur n’est pas significative mais la r´ealit´e physique qu’ils d´ecrivent reste pertinente par rapport au sommeil. la chaˆıne de traitement est pertinente. lorsque le comblement des zones non attribu´es s’effectue par le stade le plus pr´esent localement (paragraphe I. Trois possibilit´es existent pour compl´eter les zones non attribu´ees. En l’occurrence.3). D’abord. Quel que soit le param´etrage utilis´e. le stade est choisi `a l’aide une matrice de d´ecision. le fait que certains param`etres se r´ev`elent pertinents chez plusieurs patients pris s´epar´ement. Nous portons en annexe I les r´esultats de la d´etection op´er´ee par cette m´ethode. Dans ce dernier cas. La seconde consiste `a utiliser des r`egles. Enfin. ´elabor´ee notamment `a partir d’enregistrements issus de patients sains. cette m´ethode de d´etection ne r´epond pas efficace- ment au probl`eme dans la mesure o` u la majorit´e des ´epoques. La premi`ere consiste `a utiliser un mod`ele de Markov cach´e. ´etablie `a partir de la base d’apprentissage. Nous pouvons tirer plusieurs informations de ce r´esultat.142 CHAPITRE 4. Ensuite. la base d’apprentissage est class´ee par les d´etecteurs et les ´epoques pour lesquelles deux d´etecteurs se sont av´er´es positifs sont isol´ees. Il est. il est proc´ed´e `a une estimation du stade le plus probable pour chaque intervalle de temps de 100 ´epoques (environ une heure) `a partir des nuits contenues dans la matrice d’apprentissage. Pour finir.2) ou au rescorage global utilisant un mod`ele de Markov cach´e (paragraphe I. Toutefois. de mˆeme type que celles que nous avons expos´ees pour le rescorage. est toujours class´ee dans le premier ou le second groupe. raisonnable de penser que les r´esultats seraient significativement am´elior´es s’il ´etait fait usage d’une base plus coh´erente. ni mˆeme en groupes de stades de sommeil. Nous avons pourtant utilis´e une technique Bayesienne et une technique connexioniste. ind´ependant du .1).8 Conclusion sur l’´ etape de classification Nous avons pr´esent´e dans cette partie l’ensemble des techniques que nous avons mises en oeuvre pour r´ealiser la classification automatique en stade de sommeil. il est aussi possible de compl´eter les ´epoques non attribu´ees par le stade le plus probable localement. un rescorage global de la classification ´etablie est op´er´e.

munie d’une ´etape de rescorage utilisant les mod`eles de Markov cach´es car ces techniques se sont av´er´ees les plus prometteuses. Les chaˆıne de Markov cach´ees s’av`erent prometteuses mais leur performance est conditionn´ee par la coh´erence des nuits utilis´ees pour l’apprentissage et le test. Quant au rescorage par mod`ele de Markov. tandis que la m´ethode gaussienne fait appel `a 12000 op´erations. par la prise en compte de donn´ees globales. rien n’interdit de r´ealiser cet algorithme `a un moment o` u les ressources mat´erielles peuvent lui ˆetre en grande partie d´edi´ees. Au final. lequel est tr`es coˆuteux. Enfin. s’int´eressant `a des donn´ees plus localis´ees n´ecessite nettement moins de m´emoire. nous avons ´evalu´e deux techniques de rescorage. ´ 4. . En l’occurrence. Quant `a la taille m´emoire requise pour cet algorithme (pour la partie donn´ees bien entendu). le mod`ele de Markov n´ecessite le calcul du chemin le plus probable par un algorithme de Viterbi. Les r´eseaux de neurones portent ce score l´eg`erement au dessus puisqu’il atteint 28%. mais pas dans notre cas de patients pathologiques. elle est dans les deux cas d’environ cinq cents mots. Nous recommandons l’emploi d’une classification connexioniste. CONCLUSION SUR L’ETAPE DE CLASSIFICATION 143 patient. permettent d’am´eliorer significativement les r´esultats de la classification. constitu´ee d’enregistrements issus de patients sains. Les hypnogrammes issus des classifications de ces nuits sont donn´es en annexe J. il pose le probl`eme du stockage des r´esultats de classification (un stade par ´epoque soit environ mille mots). Le rescorage par r`egle.8. nous recommandons l’´evaluation de ce syst`eme sur une base de taille cons´equente. qui traduit ce ph´enom`ene. si la dimension du vecteur de param`etres est 30. A titre indicatif. nous obtenons un taux d’accord de 25% en moyenne pour les nuits issues de la base de test (et n’ayant donc pas du tout particip´e `a l’apprentissage) class´e par un syst`eme gaussien et utilisant un rescorage par r`egle. Toutes deux. hypoth`ese satisfaite si l’on s’int´eresse au scorage de patients sains. afin de pouvoir tirer v´eritablement des conclusions d´efinitives. En outre. Pr´ecisons enfin que le r´eseau de neurone est nettement moins consommateur de calculs (pour l’´etape de classification s’entend) que la classification gaussienne. une estimation tr`es pr´eliminaire du cout calculatoire requis pour cet algorithme donne environ 70000 multiplications-accumulations. Au vu notamment des r´esultats positifs du suivi de patient. la classification connexioniste en six classes n´ecessite environ 2000 op´erations (multiplication ou addition). Toutefois.

.

Fig. Il nous a donc fallu compl´eter le d´eveloppement mat´eriel et logiciel. ainsi que r´ealiser l’int´egration m´ecanique des cartes dans un boˆıtier satisfaisant nos contraintes.Chapitre 5 D´eveloppements mat´ eriels et logiciels li´ es au cadre CIFRE 5. int`egre l’ensemble des capteurs ainsi que la chaˆıne de traitement ana- logique. On distingue sur la . la carte ´electronique inf´erieure. Une vue g´en´erale du bra- celet est pr´esent´ee `a la figure 5. La seconde. int`egre le microcontrˆoleur de gestion ainsi que le connecteur de la carte m´emoire. L’ensemble des circuits de conditionnement des signaux est situ´e sur l’autre face de cette carte. On distingue sur la carte ´electronique inf´erieure le capteur de pression statique (en blanc) ainsi que le connecteur de liaison avec la carte sup´erieure (en beige). dont l’´electronique avait ´et´e pr´ec´edemment d´evelopp´ee au sein de la soci´et´e. La carte SmartMedia a pour dimension 37x45mm. le code de gestion de celle-ci n’avait pas ´et´e finalis´e. Une illustration des cartes est donn´ee en figure 5.1 – Le bracelet utilis´e pour l’enregistrement des signaux de Nantes ´ Electroniquement. Le bracelet autonome dont il est question ici permet la num´erisation des signaux sur une carte SmartMedia. couramment utilis´ee comme m´emoire dans les appareils photos num´eriques. la carte ´electronique sup´erieure.1. Cependant. et l’ensemble n’avait pas r´eellement ´et´e utilis´e. ce bracelet est compos´e de deux cartes.2.1 Le bracelet SmartMedia Le bracelet utilis´e `a Nantes est un bracelet autonome d’enregistrement. 5. La premi`ere.

L’int´erˆet de proc´eder de la sorte ´etait de pouvoir acc´eder aux donn´ees contenues dans la SmartMedia depuis l’explorateur de Windows. 2µA en mode faible consommation).2 – Vue des deux cartes composant le bracelet utilis´e pour l’enregistrement des signaux de Nantes 5. une page contient 512 octets).1. Le microcontrˆ oleur Le microcontrˆoleur utilis´e est un Xe88LC02. et ce. Nous avons alors du proc´eder autrement. Sp´ ecifications techniques Concr`etement. aussi simplement que n’importe quel autre fichier. les donn´ees sont ´ecrites par trame de quatre octets selon l’ordre serrage/pouls/temp´erature/mouvement. Apr`es une premi`ere page de synchronisation (sur la SmartMedia. en utilisant un lecteur de carte du commerce. Hormis celui-ci. 5. Une page d’octets de valeur 0xF F signale la fin de l’enregistrement.146 ´ CHAPITRE 5. . fabriqu´e par la soci´et´e Xemics. il a ´et´e choisi pour sa consommation tr`es r´eduite (environ 300µA `a 1 MIPS. ce bracelet ´etait con¸cu pour enregistrer les donn´ees au format FAT (File Allocation Table). En dehors des p´eriph´eriques qu’il int`egre. peu de composants sont visibles sur cette face de la carte sup´erieure. Ainsi. le m´edecin pourrait lui-mˆeme recopier les donn´ees contenues dans les cartes SmartMedia et les ins´erer dans le CDROM contenant les donn´ees de r´ef´erence. Fig. Cependant. Il semblerait que les sp´ecifications de ce format dont nous disposions ne d´evoilaient pas compl`etement le fonctionnement de ce mode de gestion de fichier. nous avons choisi d’´ecrire les donn´ees `a la vol´ee. il s’est av´er´e que nous n’avons pu ´ecrire les donn´ees au format FAT. La page de synchronisation permet de supprimer les donn´ees de bruit pr´esentes sur la ligne de transmission s´erie. DEVELOPPEMENTS ´ AU CADRE CIFRE LIES carte ´electronique sup´erieure le connecteur de la carte SmartMedia. Ce format est celui classiquement utilis´e par les versions de Windows ant´erieures `a NT pour la gestion des fichiers de l’ordinateur.1 R´ ealisation ´ electronique du bracelet Initialement.

Cela oblige le personnel `a recharger le syst`eme r´eguli`erement mais c’est une tache qui ne demande pas un travail consid´erable. et plusieurs signaux permettent de configurer les op´erations `a effectuer. compte tenu de la hauteur de l’ensemble carte ´electronique inf´erieure / carte ´electronique sup´erieure qui est de 16.h. le bracelet n’est plus en mode enregistrement. filtres et amplificateurs). Elle comprend une m´emoire de type flash ainsi qu’un contrˆoleur qui r´egule les acc`es `a celle-ci.6mm. la hauteur de ce type de batterie est cons´equente. ce qui nuirait `a la qualit´e des signaux. celle du pack Li-ion de la figure 5. Durant cette seconde. porte la hauteur globale de l’ensemble `a 22mm. Ceux-ci. dont la technologie se base sur des m´elanges Nickel-Metal hybride (NiMh) ou Lithium-Ion (Li-Ion) offrent des capacit´es int´eressantes. La m´emoire flash assure la conservation des donn´ees mˆeme lorsque la m´emoire est priv´ee de son alimentation. Ceux-ci sont maintenus actifs pour ´eviter les ph´enom`enes de startup (notamment celui du capteur de pression statique. La majeure partie du courant consomm´e provient de l’alimentation des circuits analogiques de conditionnement des signaux (capteurs.5. Le syst`eme consomme alors 75µA soit. Lors des douze heures suivantes (journ´ee). D’apr`es les documents techniques.5·10−3 ) = 86572 mA. 3240mA. Nous avons alors d´ecid´e de nous orienter vers une autre piste : le connecteur utilis´e . Toutefois. Nous avons jug´e que cela ´etait d’une part trop encombrant et d’autre part qu’un tel assemblage poss´edait un centre de gravit´e trop ´elev´e de nature `a amplifier les mouvements du boitier.1. Plus particuli`erement. de l’ordre de la centaine `a plusieurs centaines de milli-amp`eres heures. LE BRACELET SMARTMEDIA 147 La SmartMedia La SmartMedia est l’organe de stockage de donn´ees. Choix de la source ´ energ´ etique La consommation du montage en r´egime standard d’´ecriture repr´esente un param`etre critique du bracelet. Cette derni`ere offre la possibilit´e de pouvoir laisser le bracelet en permanence sur site. Quelques exemples sont donn´es sur la figure 5.3.s. on observe une premi`ere consommation stable de l’ordre de 2mA. sur les douze heures. Deux types d’alimentation sont envisageables : soit une pile. Les enregistrements ayant une dur´ee moyenne de 12 heures.5·10−3 +10×0.4mm. On observe ensuite un pic de courant d’une dur´ee d’environ 0. On y acc`ede par un bus de donn´ees 8 bits. le bracelet consomme donc environ 90A. Celle-ci est cyclique. elle est de 20mA mais les v´erifications exp´erimentales la placent plutˆot aux environs de 10mA. En une journ´ee type de fonctionnement. soit une batterie rechar- geable. Nous nous sommes donc orient´es vers ce type d’alimentation. suite `a un mouvement du poignet. de p´eriode une seconde. Ainsi. de l’ordre de la seconde).3(b) est de 5. nous nous sommes int´eress´es aux accumulateurs utilis´es par les t´el´ephones portables ou encore les appareils photo. de mˆeme qu’informer le microcontrˆoleur sur l’´etat de la carte.5ms cor- respondant `a l’´ecriture dans la SmartMedia.s. Le microcontrˆoleur est en mode faible consommation et les p´eriph´eriques sont ´eteints pour la plupart. la consommation durant les douze heures d’enregistrement est de 12×3600×(2×999. ce qui. sans compter le support de batterie ni l’´el´ement sup´erieur du boˆıtier.s soit 25mA.

Le courant de pointe autoris´e est de 10mA.3 – Exemples de batteries Ni-Mh (a) et Lithium-ion (b) pour la liaison des cartes ´electroniques (en beige sur la figure 5. Le Mangan`ese-Lithium. Nous nous sommes ensuite int´eress´es aux caract´eristiques ´electriques approfondies. A titre indicatif. catalogue Farnell. De plus.4V en seulement 10 heures environ. ce qui ne sera vraisemblablement pas le cas. les enregistrements peuvent durer classiquement jusque 14 heures. Ce circuit peut ˆetre remplac´e sans modification du montage par le gain programmable (aussi appel´e PGA) disponible dans la chaˆıne d’acquisition du microcontrˆoleur Xemics. Parmi les technologies disponibles. Nous avons orient´e notre choix vers la CR2032 de marque Varta. Le prix unitaire. ce qui est sup´erieur `a notre besoin. de quatre euros. Cet accumulateur ne r´epond donc pas `a nos exigences. nous avons choisi le Mangan`ese-lithium (ML) en format 2032 (20mm de diam`etre et 3. bien que du mˆeme format m´ecanique.2) poss`ede une hauteur de 3. ce qui r´epond l`a-aussi (mais de fa¸con plus juste cette fois). la tension de pile atteint la valeur de 2. est raisonnable (Commande de une unit´e de marque Maxell. notre cas durant la nuit). ce qui d´epasse la capacit´e de cet accumulateur. les autres technologies n’offrent pas de tension suffisante. r´ef´erence 3031998). offre 3V . Il faut savoir que. le Ni-Mh en format 2032 est caract´eris´e par une tension maximale de 1. Nous avons donc conserv´e le format bouton 2032 mais en pile cette fois : la CR2032. nous apprend qu’avec une intensit´e de d´echarge de 2mA (ce qui est.5 mm. du mˆeme type que les piles de calculatrices. Or. Cet accumulateur pr´esente donc en premier lieu toutes les caract´eristiques requises. En effet. On sait que la tension appliqu´ee aux cartes ´electroniques doit ˆetre sup´erieure `a 2. avec une capacit´e de 65mAh pour une masse de 3g.148 ´ CHAPITRE 5. D’autant plus que les courbes donn´ees sont th´eoriques en ce sens qu’elles supposent un parfait respect des cycles de charge et de d´echarge. le convertisseur ne fonctionne plus. l’´etude des courbes de d´echarge de la pile dont une partie est repr´esent´ee en figure 5. Or. nous n’avons pu v´erifier la . 5. Seules les piles (et non plus les accumulateurs) permettent d’assurer une tension de d´echarge constante dans une dur´ee compatible avec l’utilisation que nous souhaitons en faire.2mm de hauteur). le document de r´ef´erence constructeur (la datasheet) du microcontrˆoleur pr´ecise qu’en dessous de cette tension.4V pour un fonctionnement correct. Enfin. En effet. les caract´eristiques des piles CR2032 varient sensiblement selon les marques. qui poss`ede un courant continu de d´echarge maximum de 3mA. lui. un amplificateur diff´erentiel utilis´e pour le conditionnement du signal de serrage du bracelet. en premi`ere approximation. la carte ´electronique inf´erieure ne comprend sur sa face sup´erieure qu’un seul composant. DEVELOPPEMENTS ´ AU CADRE CIFRE LIES (a) (b) Fig.4. Nous avons donc d´ecid´e de mettre `a profit cet espace pour y loger la source d’´energie. `a notre besoin.2V . La nature de l’espace `a utiliser nous a orient´e vers un format de type bouton.

1. le fait d’utiliser une pile impose de pr´evoir son remplacement. Le microcontrˆoleur se renseigne alors sur la nature de la carte ins´er´ee (car l’algorithme d’adressage d´epend de la capacit´e de la carte) et r´ealise l’initialisa- tion de celle-ci.4 – Courbe de d´echarge de l’accumulateur ML2032 Maxell. Pour cela. tant que l’on n’atteint pas la capacit´e maximale de la carte ou bien sˆ ur que la carte n’est pas retir´ee. et ce. ainsi que celle durant l’acheminement du bracelet entre Lannion en Nantes. ce qui r´eduit la consommation totale (analo- gique + num´erique) `a 75µA. Lorsque c’est le . 5. au lieu de 30 heures dans le cas de l’accumulateur. LE BRACELET SMARTMEDIA 149 Fig. le m´edecin le renvoie `a Lannion. l’autonomie d’un bracelet est d’environ deux semaines. il sera n´ecessaire pour y acc´eder de d´esolidariser la carte sup´erieure du boˆıtier. en positionnant une valeur haute sur un port de sortie du microcontrˆoleur. En cons´equence. ce qui a pour effet de rendre passant le transistor `a effet de champ qui commande son alimentation. lorsque six enregistrements sont effectu´es sur un bracelet.2 Le programme de gestion La contrainte la plus forte qui existe sur l’algorithme de gestion du syst`eme est l’auto- nomie. le programme boucle sur le mode ´ecriture. Par contre. Compte tenu de la marge de s´ecurit´e. Compte tenu de ces donn´ees. Puis. de la consommation en mode sommeil entre les mercredi et les lundi. pour diff´erentes intensit´es continues de d´echarge. Enfin. la capacit´e de cette pile est d’environ 200mAh. Dans ce cas. nous avons d´ecid´e de qualifier les bracelets pour six nuits. Ainsi.5. ce qui est une dur´ee suffisante pour que cette proc´edure soit viable. on atteint la tension de 2.5V au bout de 860 heures.1. 5. le syst`eme est par d´efaut en mode low power. Ainsi. Le centre r´ealise des enregistrements les lundi. pour une imp´edance de charge de 15kΩ. pour deux raisons. mardi et mercredi. Il en est de mˆeme pour le circuit de la SmartMedia. tension de d´echarge pour une intensit´e de 2mA comme ci-dessus mais nous l’avons fait pour d’autres amp´erages. Le code doit limiter au maximum la consommation ´energ´etique globale. l’ensemble des syst`emes analogiques est activ´e. Ensuite parce que toute intervention sur l’´electronique impose une revalida- tion du syst`eme qui n´ecessite des moyens techniques dont ne dispose pas le personnel soignant. ce qui offre une autonomie moyenne de 8 nuits. o` u nous le reconditionnons. Comme celle-ci sera log´ee entre les deux cartes ´electroniques. l’op´eration de changement de la pile devra ˆetre r´ealis´ee par la soci´et´e et non par l’´equipe m´edicale. D’abord parce qu’elle demande pour sa r´ealisation un temps sup´erieur `a celui qui nous est accord´e. Il ne repasse en mode normal que lorsque la carte SmartMedia est ins´er´ee.

5 – Sch´ema de connexion utilis´e pour la d´etection de l’insertion de la carte SmartMedia Le sch´ema de connexion utilis´e pour la d´etection de l’insertion de la carte SmartMedia est report´e sur la figure 5. Le respect de la fr´equence d’´echantillonnage est assur´e par l’utilisation d’une interruption cyclique cadenc´ee `a 128Hz. Par construction. `a . SW 1 est reli´e `a Vdd et SW 2 `a la pin 0 du port d’entr´ee A du microcontrˆoleur. Puis. L’insertion de la carte provoque m´ecaniquement un contact entre les deux pattes SW 1 et SW 2 du connecteur SmartMedia. le microcontrˆoleur repasse en mode faible consommation. Lorsque l’insertion de la carte est d´etect´ee. Ce port peut ˆetre configur´e pour d´eclencher une interruption de nature `a r´eveiller le microcontrˆoleur lorsqu’un changement d’´etat intervient sur ses pattes. une des premi`eres op´erations r´ealis´ees consiste `a reprogrammer cette interruption pour d´etecter cette fois la sortie de la carte (passage d’un niveau haut `a un niveau bas sur P A0). C’est pourquoi cette interruption est autoris´ee juste avant le lancement de la conversion. Pour cela. l’´etage de gain programmable est configur´e afin d’appliquer l’amplification n´ecessaire.150 ´ CHAPITRE 5. les registres de la chaˆıne d’acquisition sont configur´es de sorte `a num´eriser la voie `a laquelle on s’int´eresse. Chaque voie est num´eris´ee successivement. mais l’alimentation des circuits analogiques est maintenue pour ´eviter les temps de startup des chaˆınes de capteurs (temps n´ecessaire au syst`eme. la num´erisation est lanc´ee et le microcontrˆoleur passe en mode d’attente.5. DEVELOPPEMENTS ´ AU CADRE CIFRE LIES cas. l’insertion de la carte est d´etect´ee par un passage d’un niveau bas `a un niveau haut de P A0. De mˆeme. D´ etection de l’insertion de la carte SmartMedia Fig. 5. Lorsque l’interruption de fin de conversion survient. Le bloc de conversion analogique-num´erique g´en`ere une interruption lorsque la num´erisation est r´ealis´ee. La consommation de celui-ci s’en trouve diminu´ee. Le microcontrˆoleur est bascul´e en mode faible consommation entre deux s´eries de conversion. elle est d´evalid´ee et le programme passe `a la num´erisation de la voie suivante. Cycle d’´ ecriture sur la SmartMedia Les donn´ees sont stock´ees dans un tableau de 512 octets. Dans notre cas.

de forme proche. Chute de tension Sur le signal de variation de pression art´erielle. Afin de ne pas . de mˆeme que les circuits analogiques d´elivrant les tensions de r´ef´erence n´ecessaires au convertisseur. Il faut savoir que le startup du capteur de pression statique est de l’ordre de la seconde. reli´ee `a SW 2 se voit directement polaris´ee ` a Vdd . en plus des maximum locaux li´es au rythme cardiaque. Lorsque la carte n’est pas pr´esente. A ` la place. En fait. de par la nature non-lin´eaire de l’´etage de gain analogique. En cons´equence. provoquant. en sens inverse. LE BRACELET SMARTMEDIA 151 partir du moment o` u il est aliment´e. bien que th´eoriquement ´egale `a Vdd est en g´en´eral tr`es l´eg`erement inf´erieure. lorsque la carte est ins´er´ee. celui-ci est diminu´e au niveau de l’´etage program- mable. Afin d’´eliminer ce probl`eme. mais directement par le switch du connecteur SmartMedia dont nous avons parl´e. Cette correction nous a oblig´e. Enfin. lorsque celui-ci est trop faible. pour qu’il atteigne un r´egime de fonctionnement stable permettant de l’utiliser convenablement). Saturations du signal La plupart des nuits de Nantes pr´esentent des saturations sur le signal de variation de pression art´erielle. celui du circuit d´elivrant le signal composite est compris entre trente secondes et une minute. mais aussi en raison de la n´ecessit´e de s’adapter `a la variation de ser- rage observ´ee entre deux porteurs. Lorsque le gain d´epasse une valeur pr´ed´etermin´ee. la tension d’alimentation diminuait. nous observions. Nous pallions ce probl`eme en rajoutant une capacit´e sur l’alimentation du circuit. la commande d´elivr´ee par le Xemics. `a r´ealiser une adaptation du boˆıtier afin d’y int´egrer le fil reliant la grille du transistor `a SW 2. la grille du transistor.5. pour une mˆeme stimulation du capteur. Ainsi. mˆeme si la gestion de celle-ci est pass´ee d’´electronique `a m´ecanique. que nous avons en partie r´esolus. 5. utilisant l’´etage de gain programmable pr´esent sur le microcontrˆoleur. d´epassait le maximum d´elivrable par la pile . nous avons choisi de ne plus commander le transistor par le microcontrˆoleur.1. de sorte que le transistor ne devient pas passant. nous avons d´evelopp´e un algorithme de gain automatique. Cependant. Il en va de mˆeme. le circuit de la SmartMedia n’est aliment´e que lorsque l’insertion d’une carte est d´etect´ee. nous n’avons pu recourir `a une simple diminution du gain analogique. d’autres pics de tension. une instruction bascule le microcontrˆoleur en mode faible consommation.1.5. L’interruption li´ee `a la pin 0 du port A est configur´ee pour d´etecter un changement de niveau bas vers niveau haut. une variation sur la valeur disponible en entr´ee du conver- tisseur. Gestion de l’alimentation Comme nous pouvons le voir sur le sch´ema 5. `a chaque ´ecriture sur la SmartMedia. en plus des modifications par coupures de pistes ou straps ` a pratiquer sur les cartes. Et. le courant de pointe.3 Probl` emes rencontr´ es et solutions apport´ ees Nous avons rencontr´e un certain nombre de probl`emes avec cette ´electronique. et espac´es d’une seconde soit `a peu pr`es la mˆeme p´eriode que ceux espa¸cant les battements cardiaques. tr`es l´eg`erement sup´erieur aux pr´evisions. l’alimentation du connecteur est stopp´ee. Mode faible consommation L’alimentation du capteur de pression est coup´ee. Nous avons donc gard´e les avantages d’une alimentation contrˆolable.

nous avons rajout´e un amplificateur diff´erentiel pour traiter les signaux d´elivr´es par le capteur de pression statique. Nous avions trouv´e un composant pouvant le remplacer mais celui-ci. Or. Ce composant ´etait donc soud´e ` a l’envers sur la carte. non utilis´e jusqu’`a pr´esent. nous pouvons appliquer le gain inverse sur le signal avant sa classification. `a l’usage. la patte SW 2 du connecteur SmartMedia est directement connect´ee `a la grille du transistor `a effet de champs de commande d’alimentation. De plus. Les performances de ce composant ´etaient en effet insuffisantes et nous avions choisi de le remplacer par le gain programmable (PGA) du microcontrˆoleur. Mais cette solution s’est av´er´e d´efaillante `a l’utilisation. Ainsi.1. que nous avons configur´e de sorte `a ne plus avoir `a modifier le PGA pour l’enregistrement des diff´erents canaux. les donn´ees concernant le serrage ´etaient exploi- tables mais bruit´ees. le cˆablage de ce transistor est revu. C’est pour cette raison que nous avons choisi de r´eint´egrer un amplificateur diff´erentiel. le PGA ne disposait pas d’un temps suffi- sant pour atteindre un r´egime stable. ce qui nous obligeait `a r´ealiser un traitement suppl´ementaire sur celles-ci. tant bien sˆur que celle-ci reste suffisante. nous avons fait le choix d’enregistrer simultan´ement la valeur du gain ap- pliqu´ee dans le fichier m´emoris´e sur la carte SmartMedia. Nous avons profit´e de la r´ealisation de cette version pour effectuer la correction.152 ´ CHAPITRE 5. Ainsi. bien que du mˆeme format (SOT-23) n’´etait pas compatible patte-`a-patte (ou pin-compatible) : drain. De fait. le transistor tel que pr´evu dans la liste des composants des cartes ´electroniques de la version prototype n’´etait plus disponible au moment de l’exp´erimentation. nous avons choisi un mod`ele qui permet de disposer d’une tension de sortie proche de la tension d’entr´ee (qualifi´e de low-dropout). Nous avons valid´e cette solution sur site.4 R´ ealisation d’une nouvelle version de la carte ´ electronique sup´ erieure Une fois identifi´es. un r´egulateur de tension plac´e entre la pile et l’ensemble du circuit ´electronique. Nous avions supprim´e celui plac´e initialement sur la carte ´electronique inf´erieure afin de pouvoir y loger la pile. Celui-ci permet de surcroˆıt d’assurer une tension constante tout au long du fonctionnement. et apr`es avoir envisag´e les corrections que nous pouvions y apporter. grille et source se trouvaient invers´ees par rapport au composant initialement pr´evu. quel que soit la tension de pile. En effet. les d´efauts de la premi`ere version de la carte ´electronique sup´erieure. `a l’emplacement du signal issu du capteur de temp´erature. . DEVELOPPEMENTS ´ AU CADRE CIFRE LIES r´epercuter cette variabilit´e cr´e´ee au niveau de l’amplitude du signal dans la chaˆıne de traitement. En effet. nous avons d´efini une nouvelle version de cette carte int´egrant les modifications n´ecessaires. En raison des faibles tension de travail. Enfin. comme nous enregistrons les quatre voies `a la suite. mais post´erieurement `a l’acquisition des signaux de nuit. Afin de pallier au probl`eme des appels de courant lors de l’´ecriture dans la SmartMedia. la configuration du PGA ´etait alors `a modifier `a chaque enregistrement du signal de serrage car celle-ci ´etait rendue diff´erente de celle utilis´ee pour l’enregistrement des autres voies. 5.

d’autre part. la pi`ece en trois dimensions . La surface occup´ee ayant ´et´e jug´ee trop importante pour un port confortable du bracelet. la pr´ecision demand´ee n’´etait pas r´ealisable par les soci´et´es contact´ees. dans la mesure ou la pile est plac´ee entre les deux cartes. En r´ep´etant l’op´eration autant de fois que n´ecessaire. La carte ´electronique inf´erieure traverse des trous d´ebouchants qui donnent sur un pas de vis pr´esent sur la carte ´electronique sup´erieure. puis proc`ede de mˆeme pour le plan situ´e au dessus de cette premi`ere couche. Le support de pile est constitu´e de deux languettes m´etalliques usin´ees par nos propres moyens.6. la r´ealisation du boˆıtier n’avait pas ´et´e men´ee jusque son terme. lequel est tr`es cher (couramment plusieurs dizaines de milliers d’euros). La hauteur totale est fix´ee par le connecteur SmartMedia. ferm´e par une plaque fix´ee par clips.5. Ce premier boˆıtier pr´evoyait une pile situ´ee au-dessus du connecteur SmartMedia et venait reposer sur des ergots que comportait la carte ´electronique sup´erieure. nous avons d´ecid´e de supprimer les ergots en question. Une visualisation de l’assemblage recherch´e est donn´e par la figure 5. qu’un laser vient polym´eriser selon les plans de la pi`ece `a r´ealiser. d’une part. Premi` ere r´ ealisation Le capot initialement r´ealis´e respecte ces contraintes.1. sa conception n’int´egrait pas les contraintes li´ees `a l’utilisation que nous souhaitons en faire.6 – Le boˆıtier r´ealis´e initialement Comme il s’agit d’une tr`es petite s´erie (on envisage de r´ealiser moins de dix unit´es du boˆıtier). la hauteur ´etant non d´efinie car aucune pile ni support de pile n’avait ´et´e ´etudi´e. Il est constitu´e d’un r´eceptacle en forme de U. Celui-ci est l´eger et ´electriquement isolant mais nous ne souhaitions pas employer ce mat´eriau car il est d´esagr´eable `a porter (froid). En effet. ce proc´ed´e demande la r´ealisation d’un moule. ramenant la surface maximale de l’ensemble ´electronique `a 50mm par 44 mm. L’usinage d’un bloc de plastique n’´etait pas possible non plus. Cette technique r´ealise un quadrillage en d´eposant un fil de r´esine. il n’a jamais ´et´e produit et. nomm´e entretoise.5 R´ ealisation du boˆıtier Tout comme l’´electronique. un proc´ed´e par injection n’est pas envisageable. L’encombrement du syst`eme ´etait de 50mm par 52mm. Un boˆıtier avait ´et´e dessin´e mais. Le sch´ema de ce premier boˆıtier est donn´e `a la figure 5. Fig. L’entretoise est donc maintenue en sandwich entre les deux cartes. Les r´eponses obtenues substituait au plastique l’aluminium anodis´e. la carte inf´erieure venant se fixer sur celui-ci.9(b). En effet. L’assemblage pr´evu entoure la carte ´electronique sup´erieure ainsi que la pile.1. Nous nous sommes alors dirig´e vers des techniques de prototypage rapide. 5. LE BRACELET SMARTMEDIA 153 5.

entre autres. nous nous sommes adress´es `a un ly¸c´ee professionnel et nous ne pouvions exiger de cet ´etablissement des pi`eces de qualit´e professionnelle. Il est donc souhaitable de diminuer cet ´ecart. 3. Au bout de quelques montages et d´emontages. Mais. De fait. Mais au bout de quelques d´emontages. Le plaque sup´erieure du capot se d´esolidarise trop facilement du reste du boˆıtier. DEVELOPPEMENTS ´ AU CADRE CIFRE LIES est r´ealis´ee. Le bracelet est d´esagr´eable `a porter car les arrˆetes en contact avec le poignet sont trop vives. et le capot n’est plus aussi fermement maintenu. pour des raisons de coˆ ut. La forme g´en´erale du boˆıtier est trop carr´ee. Mais le manque de pr´ecision dans la r´ealisation fait que celle-ci est insuffisante. Deuxi` eme r´ ealisation Partant des constatations ci-dessus. La qualit´e de fabrication d´epend de la machine. La fixation de celui-ci est donc `a revoir. ne pr´esente pas ce d´efaut dans la mesure o` u elle n’est pratiquement jamais d´eviss´ee. Comme ces trous ne sont pas pr´evus. on perce aussi les plans de masse et d’alimentation. qui est de 0. il existe un ´ecart entre la partie sup´erieure du connecteur SmartMedia et le capot du boˆıtier tel que le technicien a ins´er´e plusieurs fois la carte au dessus du connecteur. La fixation de la carte inf´erieure.154 ´ CHAPITRE 5. celui-ci s’abˆıme et ne remplit plus son rˆole. Ces param`etres n’´etaient pas maˆıtris´es lors des premi`eres r´ealisations. Ainsi. le pas de vis s’alt`ere et le vissage ne se fait plus. . 5. obtenue en cassant les arrˆetes vives. celui-ci se prend dans les draps. De plus. nous revoyons la forme g´en´erale du bracelet en par- tant sur une forme de boˆıtier plus arrondie. Tr`es souvent. ce qui nous oblig´e `a tenir compte des faiblesses de la qualit´e de fabrication. elle. Les cartes ´electroniques sont d´esormais viss´ees dans la masse du plastique. 4. Cependant. Pour cela. de nouveaux d´efauts apparaissent sur ce boˆıtier. bien qu’identique. de la qualit´e des mati`eres premi`eres mais aussi de l’orientation choisie pour la r´ealisation de la pi`ece. cette zone casse. de nouveaux trous sont perc´es dans la carte ´electronique sup´erieure. Nous avions pr´evu une ´epaisseur de la face inf´erieure suffisante d’un point de vue rigidit´e. l’´epaisseur des montants de l’entretoise s’av`erent trop faibles au niveau des gorges du clip de fixation du capot. programmer le mi- crocontrˆoleur ou changer la pile. les d´efauts 2.8 mm. On obtient le boˆıtier donn´e en figure 5. et le simple frottement avec les draps suffit `a l’enlever au cours de la nuit. la fixation de la carte sup´erieure est `a revoir. l’est r´eguli`erement pour. La nouvelle forme redistribue la hauteur entre les deux parties (capot / entretoise) de sorte que le ra- tion atteint 40/60 au lieu de 10/90. 2.7. En effet. Celle-ci est viss´ee dans la masse du plastique. le pas de vis est tr`es peu profond puisqu’il est de taille inf´erieure `a l’´epaisseur de la carte. Enfin. On modifie ´egalement le syst`eme de solidarisation de l’ensemble. 4 et 5 sont corrig´es. La fixation de la carte ´electronique inf´erieure dans la carte ´electronique sup´erieure est inappropri´ee. La carte sup´erieure. De surcroˆıt. Ce premier capot r´ealis´e pr´esente un certain nombre de d´efauts de fabrication : 1. ce qui impose d’utiliser des vis en nylon pour ne pas provoquer de court-circuit.

Lorsqu’on recherche un port confortable. 5.1. ces coupures produisent une r´einitialisation de l’en- semble ´electronique. de sorte que le contact entre les deux cartes ´etait intempestivement coup´e.8 – Version 3 du boˆıtier : modifications op´er´es sur l’entretoise (a) et le capot (b). On obtient les pi`eces de la figure 5. Par ailleurs. Comme la tension n´egative de la pile est achemin´ee `a la carte sup´erieure via ce connecteur. le plan de support de la carte ´electronique sup´erieure ´etait parfois inclin´e par rapport `a la carte ´electronique inf´erieure. 5.1. Rappelons que l’objectif est que le patient ne prenne pas de position particuli`ere du fait du port du bracelet.3 nous obligeaient `a r´ealiser une gorge pour le passage du fil de connexion entre la patte SW2 du connecteur SmartMedia. en produi- sant plusieurs exemplaires de ce mod`ele. les modifications ´electroniques dont nous avons parl´e au paragraphe 5. . que l’on int`egre dans un ´elargissement des trous d´ebouchants pour des raisons de confort. Ce bracelet a ´et´e le premier que nous avons pu utiliser r´eguli`erement.8 (a) (b) Fig. LE BRACELET SMARTMEDIA 155 Fig. nous avons pu constater que. c’est aussi afin d’obtenir une certaine qualit´e de signaux. Les ´epaisseurs du capot et de l’entretoise sont ´egalement modifi´ees pour conf´erer plus de solidit´e au clip fixant ces deux pi`eces. et la grille du transistor `a effet de champs commandant son alimentation.7 – Le boˆıtier r´ealis´e apr`es correction des d´efauts du boˆıtier Troisi` eme r´ ealisation On modifie alors en trous d´ebouchants les orifices de fixation de la carte ´electronique sup´erieure.5. Or. en raison du manque de pr´ecision de la r´ealisation. le connecteur de liaison uti- lis´e est particuli`erement sensible `a cette inclinaison. Le maintien des vis est assur´e par des ´ecrous en nylon. ce n’est pas uniquement pour l’int´erˆet du patient. et donc une perte des donn´ees enregistr´ees. Toutefois.

microcontrˆoleur de Texas Instru- ment. r´egul´ee par un circuit d´edi´e sur la carte. plu- sieurs enregistrements avaient d´ej`a ´et´e r´ealis´es avec celui-ci. augmentant d’autant le nombre d’enregistrements inexploitables. sachant que les versions 3 ont continu´e `a ˆetre utilis´ees.9 – Version 4 du boˆıtier : modifications de l’entretoise (a) et assemblage final (b). Il est en effet indispensable d’ˆetre certain que les cartes . pour sa simplicit´e de mise en oeuvre. Nous avons choisi de baser celui-ci sur le MSP430F122. Ils sont ajust´es en sortie de r´ealisation du boˆıtier et permettent donc de compenser les d´efauts de r´ealisation de celui-ci. De plus.6 R´ ealisation du boˆıtier de lecture de la SmartMedia D`es lors que nous abandonnions l’´ecriture dans la SmartMedia selon le format FAT et que nous utilisions un format priv´e.156 ´ CHAPITRE 5. il nous fallait d´evelopper un boˆıtier de relecture sp´ecifique.1. Le syst`eme est ´equip´e d’un connecteur SmartMedia identique `a celui qui est mont´e sur les bra- celets. Le sch´ema de principe du boˆıtier de relecture est donn´e sur la figure 5. 5. afin de le rendre plus rigide et donc de limiter encore plus un d´eclipsage intempestif.10 Fonctionnalit´ es logicielles Ce boˆıtier permet de relire les cartes SmartMedia et de transf´erer leur contenu sur un PC mais aussi de les formater. DEVELOPPEMENTS ´ AU CADRE CIFRE LIES Mod` ele final Nous avons donc r´ealis´e un dernier mod`ele de boˆıtier. Le d´efaut le plus gˆenant aura ´et´e les resets intempestifs dans la mesure ou nous ne recevions les donn´ees que plusieurs jours apr`es leur enregistrement ce qui fait que lorsque nous nous rendions compte du d´efaut d’un boˆıtier. nous en avons profit´e pour rajouter de la mati`ere uniform´ement sur le capot. Ce mod`ele int`egre une saign´ee pour le passage du fil de gestion de l’alimentation. 5. selon lequel ont ´et´e r´ealis´es les derniers boˆıtier. Cette derni`ere version donne satisfaction. L’assemblage final est donn´e sur la figure 5. L’ensemble est int´egr´e dans un boˆıtier plastique de dimension 120 × 80 × 25mm. L’alimenta- tion est assur´ee par un circuit ext´erieur. ajout´e au fait que nous disposions des outils de d´eveloppement n´ecessaires (chaˆıne de compilation et outil jtag de programmation). Enfin.9(b) (a) (b) Fig. Les donn´ees sont transmises au PC via une liaison s´erie configur´ee `a 115200 bauds. des plots de maintien de la carte sup´erieurs sont rajout´es.

le programme utilis´e est tr`es proche de celui implant´e sur le bracelet. La proc´edure d’´ecriture sur une carte SmartMedia impose l’effacement du cluster (bloc de 32 pages) suivant. Interaction avec le PC Nous avons choisi de conserver les donn´ees extraites sous la forme d’un fichier format´e selon la norme admise par nos programmes de traitement. Si cette commande est unue lecture. de s´eparer les quatre canaux enregistr´es. entre autres. elle.5. afin de confirmer la r´eception de la commande. appel´e par le programme Matlab. Puis. configure la SmartMedia en lecture. En raison de la nature mˆeme des signaux enregistr´es. lui.1. et s’initialise avec les param`etres de celle-ci (taille de carte d´efinissant le mode d’adressage. C’est pourquoi nous utilisons ce crit`ere pour d´etecter la fin d’un enregistrement. Il utilise pour cela la page de synchro. les donn´ees sont lues et transmises au PC au fur et mesure par le lien s´erie o` u elles sont stock´ees en attente de leur pr´etraitement. LE BRACELET SMARTMEDIA 157 Fig. Le boˆıtier. 5. il transmet au micro- contrˆoleur un ordre de fin de lecture. nous avons choisi d’attribuer au PC plutˆot qu’au MSP la d´etection de fin d’enregistrement afin de nous conserver la possibilit´e de changer de crit`ere de fin. notamment pour pouvoir d´etecter un d´efaut du bracelet par l’absence de donn´ee. Toutefois. alors le PC se place en attente de r´eception des donn´ees. Celui-ci est renvoy´e apr`es lecture par le microcontrˆoleur. etc). lequel repasse en mode d’attente d’un caract`ere de commande. g´er´ee par un ex´ecutable que nous avons ´ecrit en C. Le fichier extrait est donc directement exploitable par ceux-ci. c’est un programme Matlab qui est utilis´e pour la gestion de la proc´edure. le PC ´emet un caract`ere de commande sur la liaison s´erie. auquel cas un d´emontage du boˆıtier et une reprogrammation du microcontrˆoleur est n´ecessaire. Sur le plan logiciel. qui permet de supprimer du fichier les ´eventuels octets li´es `a un artefact de d´ebut de transmission s´erie. Lorsqu’une carte est ins´er´ee et que le programme de lecture est lanc´e. premi`ere page enregistr´ee par le bracelet sur la carte. La liaison s´erie est.10 – Sch´ema de principe du boˆıtier de relecture des cartes SmartMedia utilis´ees sur site ne contiennent aucune donn´ee. il est impossible qu’une page de 0xF F corresponde `a l’enregistrement de donn´ees. Pour cette raison. Ce pr´etraitement a pour but. De par la conception modulaire de celui-ci. . qui se traduit par une affectation de tous les octets `a la valeur 0xF F . nous avons pu le r´eutiliser en grande partie. Il est en effet plus facile de modifier un programme qui s’ex´ecute sur un PC qu’un programme s’ex´ecutant sur une cible embarqu´ee. ne modifiant que les fonctions de bas niveau g´en´erant les diff´erents signaux de contrˆole. Lorsque le PC observe une page de donn´ee de valeur 0xF F .

et nous avons choisi de la corriger en ins´erant des valeurs dans le signal le plus court. Toutefois. Chaque valeur est associ´ee `a une ´epoque de cinq secondes. Les donn´ees sont r´ecup´er´ees en deux fichiers. ce programme exclue dans le mˆeme temps les donn´ees correspondant `a un certain nombre de voies qui nous sont inutiles (notamment les EEG et EOG). ´egalement binaire. mˆeme sur un poste de travail puissant. d’un prototype. mˆeme si les signaux sont physiquement num´eris´es `a une fr´equence plus ´elev´ee. occupe un volume de l’ordre de trois cents m´egaoctets). Il est au format binaire. et la correction des erreurs observ´ees. nous avons fait tirer plusieurs de ces circuits par un industriel. 5. Ce temps est le fait de la liaison s´erie utilis´ee puisque. et chaque octet correspond `a un stade de sommeil. Leur traitement est par cons´equent tr`es lourd. Dans un second temps. 5. 115200 bauds repr´esentant 11520 octets par seconde (la liaison est configur´ee avec un bit de start et un bit de stop). un t´emoin lumineux dont nous modifions l’´etat indique l’op´eration r´ealis´ee par le boˆıtier. Nous nous appuyons pour cela sur des rep`eres chronologiques pr´esents dans les deux fichiers. Cette solution pr´esente l’avantage de ne pas introduire de rupture dans le signal. ce fichier est mis en correspondance avec les donn´ees issues du bracelet SmartMedia. il est fr´equent que l’hypnogramme extrait ne couvre pas la totalit´e du fichier de donn´ees. Il est r´ealis´e de la mˆeme fa¸con. Enfin. le caract`ere de commande transmis ´etant diff´erent. Une d´erive temporelle existe entre les deux donn´ees. ce . ce qui correspond `a un temps de transmission d’une trentaine de minutes (20 · 106 M o/11. Nous avons donc dˆ u r´ealiser un programme permettant de faire co¨ıncider les donn´ees issues du fichier des signaux avec l’hypnogramme. Afin de limiter la taille m´emoire utilis´ee. En ins´erant une valeur dans le signal le plus court. L’autre fichier. Un soin tout particulier a donc ´et´e apport´e au logiciel de traitement de ces donn´ees. De par la proc´edure d’export des donn´ees. une fois pr´etrait´e.5 · 103 M o.1 Pr´ etraitement des donn´ ees enregistr´ ees ` a Nantes Nous nous sommes adress´es `a la soci´et´e Medatech afin de connaˆıtre les proc´edure d’export de fichier.2 Gestion des donn´ ees Les donn´ees num´eris´ees repr´esentent un volume de donn´ees tr`es consid´erable (un fichier de nuit de Paris. une seule valeur par seconde est inscrite dans celui-ci. et ce sont ces circuits que nous utilisons aujourd’hui. Apr`es la r´ealisation ”`a la main”. Le premier correspond `a l’hypnogramme.s−1 ). une nuit de douze heures repr´esente une vingtaine de Megaoctets (12 × 3600 × 128 × 4). puisqu’il n’y a cette fois pas de transmission de donn´ees. DEVELOPPEMENTS ´ AU CADRE CIFRE LIES La lecture d’une nuit n´ecessite une trentaine de minutes. correspond aux signaux num´eris´es. le seul risque est de cr´eer une pente inf´erieure `a la valeur maximale.2.158 ´ CHAPITRE 5. Le formatage d’une carte SmartMedia est bien plus rapide. en augmentant artificiellement la diff´erence maximale d’amplitude existant entre deux points.

puis la deuxi`eme seconde de la deuxi`eme voie et ainsi de suite. la plage de valeur admissible par celle-ci (plage physique et num´erique) la fr´equence d’´echantillonnage et les filtrages appliqu´es le cas ´ech´eant. afin de ne pas d´egrader les signaux. Notons toutefois que des sondes peuvent ne pas ˆetre cˆabl´ees ce qui se traduit par un bruit enregistr´e au niveau de la voie. Dans celui-ci. R´e-´echantilloner les donn´ees afin qu’elles soient coh´erentes aurait signifi´e utiliser la plus forte fr´equence d’´echantillonnage soit 128Hz. on obtient. 5. nous avons pr´ef´er´e stocker les donn´ees sous forme h´et´erog`ene. EOG et EMG dont nous ne nous servons pas. C’est r´eguli`erement le cas pour l’ECG. La nuit est ensuite d´ecoup´ee et enregistr´ee en fichiers de trente minutes au format texte. contenu dans un fichier au format texte. Ox et Ax sont des voies d’´electro-enc´ephalogramme. les associations de fichiers. etc. Avec le responsable technique de l’Hˆotel-Dieu. nous avons d´efini un montage corres- pondant `a l’enregistrement des voies du bracelet en sus des voies utilis´ees par l’´equipe m´edicale. une nuit comprend en . Beaucoup de logiciels permettant la num´erisation d’EEG. Le format EDF (pour Eureopean Data Format) fait office de norme dans les ´echanges de fichiers de signaux m´edicaux. Dans la premi`ere sont regroup´es des renseignements sur la version de la norme EDF employ´ee dans le fichier. puis accole les donn´ees. des informations sur le patient et les heures de d´ebut et de fin d’enregistrement. ce qui est beaucoup plus lourd que le binaire). lequel contient ´egalement les ´ev`enements respiratoires. dans l’ordre.2. lui. lorsque toutes les premi`eres secondes de chaque voie ont ´et´e enregistr´ees. Ensuite vient la partie donn´ees. on trouve la premi`ere seconde de signal issu de la premi`ere sonde. etc. Les EOGx sont les ´electro-oculogrammes. Puis. les EMGx sont les ´electromyogrammes. Le programme de traitement int`egre cette h´et´erog´en´eit´e et r´ealise les calages des ´epoques (pour ˆetre sˆur que les signaux du bracelet et de la r´ef´erence correspondent localement au mˆeme moment). On ´elimine au passage les voies EEG. Le volume m´emoire employ´e ´etant trop cons´equent. Ce format comprend un pr´eambule que l’on peut scinder en deux parties. notamment ceux d´elivr´es par le bracelet.2 Pr´ etraitement des donn´ ees enregistr´ ees ` a Paris Les fichiers sont convertis au format EDF depuis le logiciel d’analyse Deltamed. C’est le cas du logiciel utilis´e ` a l’Hˆotel-dieu. Les voies Cx. ´ 5. L’hypnogramme est. l’unit´e de mesure. Le programme de pr´etraitement synchronise ces deux fichiers en r´e-´echantillonnant l’hypnogramme `a 256Hz au lieu de 1/30Hz (un stade par ´epoque).2. Dans le seconde on trouve des renseignements sur les voies enregistr´ees. THO. Dans notre cas. les signaux issus du bracelet ´etant conserv´es `a 128Hz. AIR. les signaux issus du mat´eriel m´edical ´etant tous pass´es `a 1Hz. Au final. Cela permet d’´eviter de manipuler de trop gros fichiers (nous traitons des donn´ees texte. GESTION DES DONNEES 159 qui n’engendre pas d’information erron´ee dans le spectre de celui-ci. Enfin. on trouve la deuxi`eme seconde de la premi`ere voie. Le montage d´efinit la configuration des voies utilis´ees et c’est un param`etre que doivent renseigner les techniciens d’enregistrement. On y retrouve le nom de la voie. les voies : EOG1 / EOG2 / EMG1 / EMG2 / C3 / C4 / O2 / A1 / A2 / AIR / THO / ABD / ECG / SAT / ACT1 / ACT2 / ACT3 / ANNOTATION. ABD sont les respirations respectivement nasales. thoracique et abdominales. puis la premi`ere seconde de la deuxi`eme sonde. d’ECG ou d’autres signaux sont ´equip´es d’un convertisseur EDF. les voies correspondant au bracelet sont les ACTx. le type de sonde.

pas d’erreur.). Cette succession de vecteur est sauvegard´ee dans un fichier au format EPO. Lorsqu’une nuit doit ˆetre trait´ee. Activit´ e : Valeur quantifiant l’activit´e observ´ee sur le signal d’activit´e lors de cette ´epoque. Ces param`etres sont ensuite encapsul´es dans un vecteur. et les diff´erents param´etrages de celle-ci. 5.160 ´ CHAPITRE 5.3 Traitement des nuits D´ efinition d’un nouveau format de fichier Le logiciel de traitement de donn´ees devait nous permettre de tester diverses m´ethodes de classification. R´ eserv´ e : Champ r´eserv´e pour des fonctionnalit´es futures du logiciel. Ce vecteur peut aussi ˆetre int´egr´e `a la base de donn´ees de stades de sommeil. R´ eserv´ e : Champ r´eserv´e pour des fonctionnalit´es futures du logiciel. il le calcule selon la proc´edure que nous venons de d´ecrire. qui repr´esente alors l’´epoque consid´er´ee. il l’utilise. il est inutile de recalculer les valeurs des param`etres pour chaque vecteur ´epoque lorsqu’on teste une nouvelle m´ethode de classification. EVT (pour ´ ev´enement) : Code renseignant sur la pr´esence d’un ´ev`enement respiratoire (apn´ee) et. sinon. Si c’est le cas. Diff´erents param`etres (N en tout) sont calcul´es sur le signal composite et le signal d’activit´e. n◦ plage : Num´ero de l’´epoque dans la nuit. Les fichiers pr´etrait´es contenant les signaux num´eris´es sont d´ecoup´es en ´epoques de trente secondes.. La figure 5. Cette donn´ee permet notam- ment de savoir si l’´epoque que l’on est en train de traiter est contig¨ ue `a la derni`ere ´epoque trait´ee. le logiciel de gestion s’assure qu’il existe un fichier EPO. . Param. DEVELOPPEMENTS ´ AU CADRE CIFRE LIES g´en´eral une quinzaine de fichiers. Type erreur : Type d’erreur relev´e pour cette ´epoque (-1. le cas ´ech´eant. 1 : saturation locale du signal de variation de pression art´erielle..11 indique les traitements op´er´es sur une nouvelle nuit. Pour cela nous avons cr´e´e le format EPO.2. . L’ensemble des fonctions traitent les donn´ees selon ce format afin de pouvoir r´ealiser facilement des modifications sur tous les ´el´ements de la chaˆıne de traitement. 3 : valeur de rythme cardiaque de r´ef´erence aberrante etc. Param. Les lignes de ce vecteur sont d´etaill´ees ci-dessous : Stade : Indique le stade de sommeil scor´e pour cette ´epoque par l’´equipe m´edicale. . C’est pourquoi nous avons choisi de ne pas classer directement les fichiers texte mais une version dans laquelle toutes les donn´ees utiles sont regroup´ees. et des donn´ees issues des informations m´edicales. Ce vecteur est alors accol´e au vecteur repr´esentant l’´epoque pr´ec´edente. Or . N : Les N param`etres calcul´es `a partir du signal de variation de pression art´erielle. notamment si l’on veut s’en servir pour r´ealiser un apprentissage. le type de celui- ci. et l’ensemble des ´epoque repr´esente la nuit trait´ee. Dans ce format. lequel comprend `a la fois les param`etres calcul´es sur les signaux issus du bracelet. chaque ´epoque est caract´eris´e par un vecteur colonne. 1 .

C’est pourquoi ces coefficients sont calcul´es `a chaque fois qu’un apprentissage est d´eclench´e. par l’int´egration d’une nouvelle nuit par exemple. Chaˆıne de traitement La figure 5. Ind´ependance vis ` a vis de la normalisation De la mˆeme fa¸con. ce qui est tout `a fait raisonnable.11 – Proc´edure d’int´egration d’une nuit dans la base de donn´ees La taille d’un fichier EPO est de l’ordre de 3Mo. . modifie les coefficients de normalisation. Toute modification de celle-ci. le calcul de l’hypnogramme d’une nuit par m´ethode gaussienne prend moins de cinq secondes au lieu de plusieurs dizaines de minutes auparavant. 5. Ainsi. Cette fa¸con de proc´eder permet de r´eduire consid´erablement les temps de traitement puisqu’on ne travaille plus directement sur les donn´ees brutes. la base de donn´ees stock´ee n’est pas normalis´ee. GESTION DES DONNEES 161 Fig. Ainsi.2. En effet. Et les vecteurs stock´es ne sont donc pas normalis´es parce qu’au moment de l’int´egration d’une nuit on ne connaˆıt pas les coefficients de normalisation qui devront lui ˆetre appliqu´es. Cette fa¸con de proc´eder permet une ´evolutivit´e plus grande. Nous avons pris soin de s´eparer les programmes math´ematiques de la gestion graphique. ´ 5. la normalisation est d´etermin´ee en fonction des vec- teurs pr´esents dans la base d’apprentissage.12 d´ecrit la fa¸con dont sont interconnect´ees les diff´erentes fonctions. tout comme des bases de donn´ees. il est possible de modifier l’interface graphique sans que les programmes de gestion de donn´ees n’en soient affect´es.

sans pour autant avoir besoin de retraiter les fichiers texte. 5. le mod`ele de Markov cach´e utilis´e pour le rescorage . Les coefficients de ces fonctions sont conserv´es `a part.162 ´ CHAPITRE 5. sur les donn´ees de la base. pour des raisons de compatibilit´e. R´ eduction de matrice Enfin. une nouvelle normalisation est calcul´ee puis pratiqu´ee. les fonctions lin´eaires discriminantes sont calcul´ees et sont imm´ediatement utilis´ees pour combiner les param`etres. Dans ce cas. nous avons fait le choix de stocker dans le fichier EPO les vecteurs comprenant les valeurs calcul´ees pour l’ensemble des param`etres soit 440 en tout. Mˆeme si la normalisation est pratiqu´ee pour l’utilisation des r´eseaux connexionistes. si cette option est choisie. et elles sont appliqu´ees. De par la structure des programmes utilis´es.12 – Sch´ema de l’architecture du programme supervisant l’exploitation des donn´ees Ind´ ependance vis ` a vis des fonctions lin´ eaires discriminantes La mˆeme raison ex- plique que les donn´ees group´ees par fonctions lin´eaires discriminantes ne soient pas stock´ees telles quelles.1]. DEVELOPPEMENTS ´ AU CADRE CIFRE LIES Fig. afin de garantir que les donn´ees utilis´ees pour la classification soient `a valeur dans l’intervalle [-1 . Un fichier permet d’indiquer au programme de supervision les param`etres du vecteur que l’on souhaite conserver pour la classification et celui-ci se charge d’´eliminer en cons´equence les donn´ees avant leur traitement. De mˆeme. Proc´ edure de traitement Apprentissage L’apprentissage s´electionne la base d’apprentissage appropri´ee (celle des stades de sommeil ou celle des groupes de stades de sommeil). Les lignes correspondant aux param`etres non explicitement cit´es dans le fichier de r´eduction de matrice sont ´elimin´es et les param`etres restants sont normalis´es selon des coefficients que l’on d´etermine `a cet instant. nous l’appliquons aussi. lorsqu’on utilise la classification gaussienne. Les param`etres de classification sont calcul´es sur ces donn´ees. et nous avons ainsi pu exp´erimenter diverses configurations de param`etres. cela ne modifiait pas consid´erablement les temps de calcul ni la consommation m´emoire. le cas ´ech´eant. Puis.

Ceci fait. dans un premier temps. qui offre une grande ´evolutivit´e. d’autant plus d´elicates que notre ´etude se place dans le domaine fortement r´eglement´e qu’est la recherche biom´edicale. 5. nous avons d´evelopp´e une chaˆıne. contacter plusieurs laboratoires de recherche sp´ecialis´es sur l’analyse du sommeil.3. un soin particulier a ´et´e apport´e `a sa conception de sorte qu’elle r´esout les probl`emes li´es `a la manipulation de fichiers de tr`es grande taille. Les seules diff´erences sont que la base s´electionn´ee correspond. r´egler un certain nombre de questions administratives. nous avons d´evelopp´e les mat´eriels sp´ecifiques d’enregistrement utilis´es dans les laboratoires de sommeil.5. de pouvoir r´ealiser simplement des modifications. R´ealisation d’un hypnogramme La r´ealisation d’un hypnogramme fait appel `a la proc´edure de test ci-dessus. Par ailleurs. A l’issue de cette classification. Il nous a fallu. nous avons dˆ u. et on affiche l’hypnogramme obtenu. en colabo- ration avec les ´equipes m´edicales. Cela permet de limiter les d´eveloppements `a r´ealiser. Les param`etres de normalisation ne sont pas recalcul´es : ce sont les param`etres d´etermin´es lors de la phase d’apprentissage qui sont appliqu´es. au lieu de tester les ´el´ements de la base de test. notamment car nous avons dˆ u finaliser le prototype qu’il ´etait en un ”produit” de petite s´erie. le programme de rescorage est appliqu´e. `a la base de test. Le bracelet SmartMedia a demand´e un effort de d´eveloppement cons´equent. et surtout de limiter les erreurs possibles. Lorsque ces syst`emes ont ´et´e en place. cette fois. En effet. Les programmes ont ´et´e con¸cus pour maximiser la r´eutilisabilit´e des fonctions. . pour cela.3 Conclusion La mise en place du cadre g´en´eral de cette th`ese a n´ecessit´e un travail consid´erable tant administratif que technique. ce qui nous a permis d’exp´erimenter facilement de nouveaux algorithmes sur les donn´ees `a notre disposition. ce qui est le cas des enregistrements de nuits utilis´es dans cette ´etude. nous avons mis au point. Test Le test de la classification est pratiqu´e selon la mˆeme chronologie. ainsi que la matrice de confusion. les proc´edures utilis´ees par les techniciens d’enregistrement. pour traiter ces donn´ees. Puis nous avons dˆ u formaliser le cadre de cette ´etude avec les ´equipes m´edicales. Seulement. CONCLUSION 163 est appris lors de cette proc´edure. Enfin. le syst`eme classe les vecteurs d’une nuit donn´ee.

.

Dans un second temps. La modulation en amplitude et en fr´equence de ce signal a ´et´e explor´ee. L’id´ee premi`ere exploit´ee dans cette th`ese consiste `a exploiter les informations cardio- respiratoires pour r´ealiser l’´etape de classification.Chapitre 6 Conclusion et perspectives Nous avons pr´esent´e dans ce document l’´etude d’un syst`eme de classification automatique du sommeil. Le premier estimateur s’appuie sur une mod´elisation du syst`eme physiologique de g´en´eration des battements cardiaques. nous avons utilis´e les connaissances dont on dispose sur la g´en´eration du signal de variation de pression art´erielle pour isoler les param`etres qui y sont inclus. de sorte ` a pouvoir ´eliminer les valeurs aberrantes. C’est pourquoi il serait int´eressant de le compl´eter par un syst`eme permettant de s’assurer de la pertinence des mesures d´elivr´ees. Puis. les plus pertinents concernent la d´ecomposition fr´equentielle du signal de variation de pression art´erielle et la corr´elation `a court terme (quelques millisecondes) de ce signal. Parmi les param`etres que nous avons d´evelopp´es `a cet effet. On note que lorsqu’on se concentre sur un seul individu. deux estimateurs de ces fr´equences. Nous avons alors d´evelopp´e un autre estimateur de la fr´equence respiratoire. car trop t´enues dans le signal. nous avons progressivement adapt´e le syst`eme `a l’exploitation du signal de variation de pression art´erielle. et exploitant une estimation adaptative du vecteur propre maximum associ´e `a la composante respiratoire additive du signal de variation de pression art´erielle. dans un premier temps. utilisant l’estimateur de la fr´equence cardiaque. l’acquisition du signal de variation de l’onde de pression art´erielle radiale. Il en ressort que l’estimation du signal de fr´equence instantan´ee fournit un bon estimateur de la fr´equence cardiaque. Apr`es avoir pr´esent´e les fondements th´eoriques des algorithmes d’estimation des entr´ees du mod`ele `a partir des observations de sortie. Nous nous sommes alors attel´es `a l’op´eration de classification. C’est pourquoi nous d´eveloppons. les modulations li´ees `a la respiration ne sont pas exploitables. les param`etres pertinents sont ceux li´es aux rythmes cardiaque et respiratoire. sur lequel il s’av`ere int´eressant. Il offre cependant une mesure dont la variance est loin d’ˆetre n´egligeable. Ce dernier estimateur est satisfaisant pour notre application. Par contre. ainsi que la . bas´e sur un bracelet multicapteur permettant. nous avons valid´e cet estimateur de la fr´equence respiratoire sur des signaux synth´etiques. potentiellement compatibles avec la nature ”embarqu´ee” du syst`eme. entre autre. Une ´etude temporelle r´ev`ele que celle-ci est surtout le fruit d’erreurs isol´ees.

Sachant que nous avons d´evelopp´e. notamment au paragraphe 3. Par ailleurs. CONCLUSION ET PERSPECTIVES corr´elation ` a long terme (une seconde) du signal. Enfin. Compos´ee uniquement d’enregistrements r´ealis´es sur des patients pathologiques. Un autre axe de recherche s’appuyant sur les conclusions observ´ees dans ce rapport concerne le d´eveloppement d’un syst`eme de d´etection automatique des apn´ees du sommeil. Les ´etudes montrent qu’aucune de ces deux techniques ne permet une classification efficace des donn´ees. Au contraire. Aussi. . l’importance de la modulation du signal de variation de pression art´erielle par l’activit´e respiratoire s’av`ere un param`etre important dans les deux cas.166 CHAPITRE 6. Nous avons ´egalement valid´e deux techniques de rescorage c’est-`a-dire de correction des erreurs r´ealis´ees par le syst`eme de classification.5. Deux techniques de classification utilisant ce jeu de param`etres sont ensuite ´etudi´ees : la classification bay´esienne. nous ne concluons pas `a l’inefficacit´e du syst`eme. des techniques permettant d’acc´eder `a une image du signal respiratoire et que. Ce trouble concerne pr`es de 80% des personnes fr´equentant les laboratoires de sommeil. la base d’enregistrements que nous avons constitu´ee est compatible avec une telle ´etude. mˆeme si des am´eliorations sont `a apporter. bien que les r´esultats des classifications soient insuffisants. La premi`ere utilise des r`egles et la seconde une mod´elisation markovienne de la nuit. soient int´egr´es tr`es prochainement au sein du bracelet S´er´eo’Z. Sa d´etection par un syst`eme automatique ambulatoire permettrait de d´esengorger les centres de sommeil. C’est notamment tr`es gˆenant pour le mod`ele de Markov cach´e utilis´e pour le rescorage. lorsque l’apprentissage et le test sont pratiqu´es sur un seul individu (mais sur des donn´ees diff´erentes) les r´esultats sont tr`es pertinents. dont les d´elais d’attente atteignent couramment six mois. mˆeme pour la classification en six stades (la plus difficile `a r´ealiser). qui ne sont pas ind´ependants des sujets. qu’il convient de g´en´eraliser en l’´evaluant sur une base d’enregistrements issus d’individus sains. Par contre. ni mˆeme l’emploi de m´ethodes combinant les param`etres entre eux pour maximiser la discrimination. Le syst`eme en lui-mˆeme semble donc pertinent et la d´efaillance observ´ee est probable- ment en grande partie le fait de la nature de la base de donn´ees. Nous pensons ´egalement qu’une source d’erreur provient des param`etres utilis´es. de plus. et les r´eseaux de neurones. d´evelopp´es au paragraphe 3. Le regroupement des stades physiologiquement proches n’am´eliore pas significativement les r´esultats. pr´ecisons qu’il est pr´evu que les estimateurs de la fr´equence cardiaque et de la fr´equence respiratoire. les nuits ne poss`edent pas de comportement similaire au niveau de la structure du sommeil. ce qui rend impossible l’apprentissage d’une g´en´eralit´e par le syst`eme. le syst`eme a d´emontr´e un potentiel int´eressant sur certaines applications. le travail r´ealis´e dans le cadre de cette th`ese pourrait servir de point de d´epart `a une telle recherche. s’appuyant sur une mod´elisation monogaussienne.

“Un comportement vital : le sommeil. .” Journal of experimental psychology. second edition.F. “Structure du sommeil humain : analyse traditionnelle ´electronique et pharmacologique. [12] D. [7] J. HARVEY.” Circulation. LOOMIS. Collection Explorations fonctionnelle humaines. “Sommeil et fonctions cardio-circulatoires. 21. HOBART. 153.C. Collection Explorations fonction- ´ nelle humaines. vol. “Sur un stade d’activit´e ´electrique c´er´ebrale rapide au cours du sommeil physiologique. [5] J. JOUVET. “Heart rate variability during specific sleep stage. Ph. SHULLER. pp. Biol. GAILLARD. 1937.L.M. E. Le sommeil humain. 1997. 46. INGREMEAU. [11] J. and J. G. VANOLI. vol.D. pp.Bibliographie [1] O. 6.” Somnology.B. bases exp´erimentales physiologiques et physiopathologiques. [9] M.A.N. pp. Editions m´edicales internationales. Exploration du sommeil et de la vigilance chez ´ l’adulte. GOLDENBERG. 1995.” in Le sommeil humain. 2. Editions m´edicales internatio- nales. R. vol. Bases exp´erimentales.” La revue du praticien.” L’´ecole maternelle Fran¸caise. universit´e de Rennes 1. Y. “M´ecanismes du cycle veille-sommeil-rˆeve. LAZZARA. [3] O.L. Avril 1995. physiologiques et physiopathologiques. vol. 1996. [2] “Science et vie hors s´erie : le sommeil. and W.” Septembre 2002. BENOIT and F. FORET. as studied by human brain potentials. H. thesis. ADAMSON. Etude ´ de la fusion de donn´ees pour une architecture multi-capteurs appliqu´ees ` a la mesure de param`etres biologiques. Bases exp´erimentales. and G. 1984. 2404 – 2410. 33 – 41. no.” S´eances Soc. 1976. and M. 55. F. [14] E. vol. HINTERHUBER. Collection Explorations fonctionnelle humaines. 1959. MICHEL. D´ecembre 1995.” in Le sommeil humain. P. Mai 2004. 91. sommeil rˆeve. MASSON. vol. PINNA. VALATX. [13] S. Robert Laffont. 1997. ORR. 40 – 48.D. physiologiques et ´ physiopathologiques. AMANN. n◦ 1433. [8] A.” Le courrier du CNRS. STAUDACHER. [4] O. LAMBERT. PLONNER. 1024 – 1028. KURTZ. 127 – 144.. Les insomnies et le sommeil. BENOIT and J. ´ [6] M. M. “Eveil. TELSER. COURJON. pp. “Can one detect sleep stage transitions for on-line sleep scoring by monitoring the heart rate variability ?. [10] E. F´evrier 1992. vol. RITSCH-MARTE. 8. JOUVET. “Cerebral states during sleep. A. 1997. pp. Editions m´edicales internationales.

ESKELINEN. HAMAM. SZELENBERGER. 1989. 1977. J. PRADO. KUMAR. du normal au pathologique. BENOIT. [28] G. 32. 119 – 124. 687 – 695. “Ventilation au cours du sommeil. and L. RUIGT. 448 – 456. [29] A. M. 2005. 31. GRUEN. “Eeg analysis using non-uniform oversampled filter banks. MESSIN.F. BENOIT. pp. D. and J. J.” in Neural Networks for Signal Processing XII. STANUS. [22] A.” Sleep. pp. LOTJ ¨ I. pp. pp. VAN DELFT. 1987. pp. 43 – 6.F. pp. S. [23] J. 389 – 399. pp. “Auto- matic sleep/wake identification from wrist activity. PRADO. vol.A CARSKADON. NOVAK. KRIEGER.” Electroencephalography and clinical neurophysiology. ITOWI. COLE. 15 – 21. “Sleep staging automaton based on the theory of evidence. pp. and A.” International journal of biomedical computing. BERTHOMIER. no. MULLANEY. pp. 1989. KORHONEN. 52 – 63. [18] C. 1990. and O. 26.” Electroencephalography and clinical neurophysiology. [21] R.” in Le sommeil humain. pp. “High resolution parametric description of slow wave sleep.168 BIBLIOGRAPHIE [15] J.J.G. 17.J. 201 – 207.K. vol. [24] J. BERTHOMIER. B. and T. vol.2004. Y. 241 – 246. “Automatic sleep-wake and nap analysis with a new wrist worn online activity monitoring device vivago wristcare. automated system for rat sleep staging. LACROIX. and A. and G.C. 1994. “Improvements on continuous unsu- pervised sleep staging. MENDLEWICZ. JANSEN and K. FLEXER. [25] C. “Automatic sleep eeg analysis using filter banks. G. S. WYBORNEY. 1992. 1997.” Sleep. Proceedings of NNSP 2002. MYLLYMAKI. pp. 1999. 15. AL-ANI. KERKHOFS. “Sleep staging with movement-related signals. physiologiques et physiopathologiques. ¨ ONEN. “Automated sleep scoring : a comparative reliability study of two algorithms. 2004. A. YAMATODANI. “Activity-based sleep-wake identification : an empirical test of methodological issues. “A real time for pattern recognition of human sleep stages by fuzzy system analysis. W. WEBSTER. and O. SHARKEY. WAKAROW. SADEH. ¨ and M. [19] E. GILIN. PARTINEN.” Sleep. vol. 1. and H. [16] B. W. 1998. [20] N. Editions m´edicales internationales. CHANG. 86 – 90. DORFFNER. no. 1. [26] A. vol. GALA. J. pp.” Biomedical sciences instrumentation. 73. HIRAIWA. VAN PROOSDIJ. D. D. 9.” in 5th EUROSIM Congress on Modelling and Simulation. T. PRINCIPE.J. FLEXER. WADA. Collection ´ Explorations fonctionnelle humaines. vol. K. 2003.S.N.” Biomedical sciences instrumentation. vol. vol. methodology and technical aspect. A. Institute of Electrical and Electronics Engineers.” Sleep. September 06-10. J. high resolution. and K. vol. KIYONO. “Deve- lopment of a computer program classifying rat sleep stages. 461 – 469. [27] P.J. 5.” Journal of neuroscience methods. 1993. Paris. BLLINOWSKA.” Pattern recognition.F. MULLANEY. . 289 – 297.L. K.C.B. vol. U. 66. LHOTSKA. “A large scale.” IEEE transactions on biomedical engineering. 2002. M. MALINOWSKA. 137 – 143. “An activity-based sleep monitor system for ambulatory use. KRIPKE. KRIPKE. Bases exp´erimentales. S.M.” Journal of Neuroscience methods. and J. France. 147. M. vol. pp. SHANKAR. 36. vol. i. “Electroencephalogram pro- cessing using hidden markov models. S. HIRVONEN. [30] D.M. pp. and MA. 1982. DURKA. [17] J. 34.H. 35. D. 503 – 509. vol.

TANG.” IEEE Transactions on biomedical engineering. and Y. MURRI. 369 – 379. E. “Automatic classification of sleep stages on a eeg signal by artificial neural networks. HORVATH. ¨ R. LUTHRINGER. no.” Systems and computers in Japan. [40] C. [44] X. 593 – 596. FLEXER. MAMELAK. Ecole Nationale Sup´erieure des T´el´ecommunications. WSEAS- SSIP05. ALEXANDRE. 100 – 109. 11. 86 – 91. A. BERTHOMIER. M. vol. AKSELROD. vol. P. 5. pp.” American sleep disorders association nad sleep research society.P. vol. BEDOUI. “Detection of characteristic waves of sleep eeg by neural network analysis.” in Proceedings of EUSIPCO 2000. ¨ J. “Pattern recognition of the electroencephalogram by artificial neural networks.M. pp. GROZINGER. BONANNI. “Automatic detection of slow-wave-sleep using heart rate variability. NATOWICZ. BOUGRAIN. Z. 78 – 80. [36] G. [43] Z. 1996. MATUSCHIK. Fin- land. JACQMIN. vol. KARASINSKI. FLOTZINGER. “Time frequency analysis of heart rate variability in rat sleep/wakefulness cycles.D. [33] M. M. vol.A. 4.” Physiology and behavior. BARCARO. SAITO. “Sleep stage scoring using the neural network model : comparison between visual and automatic ana- lysis in normal subjects and patients. TERZANO. Ph. D. 59. and S. “Automatic sleep stage sco- ring based on waveform recognition method and decision-tree learning. and A. B. pp. 122 – 130. H. L. vol.” Biomedizinishe Technik. BAHARAV.” Electroencephalography and clinical neurophysiology.N. [38] N. LENGELLE. M. 2005. pp. Sep- tembre 1999. 1051 – 1060. SHIMADA. vol. RESIMAN. . “Modelling sleep with gaussian mix- ture model based on eye movements and delta-activity. MACHER. Y. R. 86. QUATTROCHI. “Automated staging of sleep in cats using neural networks. 33. DAGAN. 52 – 61. ¨ and B. 26 – 35. “Sleep classification in infants based on artificial neural networks. no. Novembre 2004. 2001. ¨ [37] M. G. 6. KERKERNI. Tampere.” Sleep Medicine. vol. A. L. pp. G. Sp´ecialit´e signal et images. 47. thesis. [34] C. R. Procee- dings of the IEEE 25th Annual Northeast . [42] N. R. DOGUI. SHIINA. and K. 567 – 576. SIEGEL. HOBSON. 37. pp. and M. 2002. 35 – 38. A. pp. [39] G. PARRINO. MUSET. ¨ and A. CA- RELLI. Mod´elisation de l’´evolution des diff´erents rythmes du signal d’EEG de sommeil. BUZSAKI. TOUSSAINT. speech and Image processing. L. KOBAYASHI.” in 5th WSEAS International Confernece on Signal. pp. 2000. “Adult rat vigilance states discrimination by artificial neural networks using a single eeg channel.” Computers in Cardiology. DWORKIN. and J. ¨ ¨ and G. ROSCHKE. E. pp. 1993. KLOPEL. 2000. PFURTSCHELLER. 1995. 1991. JANDO. and M. 1999. and J. and H. F. 28. HANAOKA. and S. 79. ROBERT. LAINEY. vol. 4-8 September 2000. “Automatic recognition of rapid eye movement (rem) sleep by artificial neural networks.J. 19. 1992. 8-9 Apr 1999. [41] A. SCHALTENBRAND. [32] M. 1966. vol. 1999.” Journal of sleep research. 1 – 13. SHINAR. YAMAZAKI. J. “A general automatic method for the analysis of nrem sleep microstructure. VARRI. T.” Electroencephalography and clinical neurophysiology. pp. pp.” in Bioengineering Conference. 10th European Signal Processing Conference. KOIVULUOMA.BIBLIOGRAPHIE 169 [31] U. [35] T. pp. LIMOGE. A.

1. U. SALMI and L.CERUTTI. 23-26 sep 1990. 11-15 Au- gust 2002. K. De CHAZAL. “Detection of obstructive sleep apnea from cardiac interbeat interval time series.” American Journal of Physiology . “Sleep staging based on the analysis of heart rate variability with hidden markov models.P.E. 1994. HARPER. C. WELSH and P. WATANABE.” in Engineering in Medicine and Biology Society. ORLANDINI. 84 – 87. F.J. D. O. ICHIMARU. BIANCHI. 2000.M. 34. pp. D. [49] T. L. 67.M. C.170 BIBLIOGRAPHIE [45] Y. 1994. 657 – 660. POLO. 1619 – 1619.” in Computers in Cardiology 2000. 64. “Respiratory and body movements as indicators of sleep stage and wakefullness in infants and young children. “Noninvasive automatic sleep apnea classification system. IVANOV. “Automatic sleep apnoea detec- tion using measures of amplitude and heart rate variability from the electrocardiogram. pp. and G. COOPER. and C. 186 – 194. L. Proceedings of the Second Joint. F. Proceedings of the 16th Annual International Conference of the IEEE. pp. KLUGE. 1735 – 1748. H946 – H950.” in Conference on Modeling and Simulation in Biology. E. 1973. Octobre 2004. and R. REISMAN. [53] P.” in Computers in Cardiology. pp. pp.” in Proceedings of the 16th International Conference on Pattern Recognition. BioMedSim’05 Link¨ oping. AL-ANI. P. 2. 121 – 122. pp.L. S. RIDCHARDSON. SHANGKAI. vol. C. vol. GOLDBERGER. C.” Journal of sleep research. SCHOLZ. CLARK. B. CHARLOUX. Engineering Advances : New Opportunities for Biomedical Engineers. KIRJAVENEN. L. GRONFIER. SCHSCHTMAN. RINGLER. REILLY.Heart and Circulatory Physiology. 51. [54] T. P. and R. vol. vol. BRANDENBERGER.A.” Electroencephalography and clinical neurophysiology. 1994. OTZENBERGER. and W. [57] L. 1986.” Electroencephalography and clinical neurophysiology. Engineering Advances : New Opportunities for Biomedical Engineers. vol. Proceedings of the 16th Annual International Conference of the IEEE. SULLIVAN. 1990. 753 – 756. [48] Z. pp. J. Sweden. [46] H. ZHAO. LEINONEN. and G. ZHI. Massachusetts. POZZA. PENG.” in Engineering in Medicine and Biology Society. pp. EMBS/BMES Conference. FINDLEY. PICQUARD. pp. [51] T. 5. Y. K. pp.” Electroencephalography and clinical neurophysiology. 2002. Medicine and Biomedical Engineering. V.WEISS. 27. vol. 2002. vol. Cambridge. 2002. C. and K. 1987. [55] J. 123 – 124. XIAORONG. [50] R. SIMON. EHRHART. LOFASO. “Extraction of the respiration influence from the heart rate variability si- gnal by means of lattice adaptive filter. . 3-6 Nov 1994. [52] T. D. May 26-27. [47] A.J. 275. 24-27 September 2000. POZZO MENDOSA. and A. FODIL. “Respiration from the electrocardiogram during heart rate variability studies. ISA- BEY. vol. MAINARDI. “Computer sleep stage classification using heart rate data. NOVAK. 1. “Machine classification of infant sleep state using cardiorespiratory measures.J. 1996. vol. “Effect of sleep stage on the relationship between respiration and heart rate variability. T.J.T. LHOTSKA. “Dynamic heart rate variability : a tool for exploring sympathovagal balance continously during sleep in men. P. 775 – 778. 2005. 379 – 387. vol. pp. C. 145 – 152. pp. “Automatic analysis of sleep records with static charge sensitive bed. “Noncontact method for sleep stage estimation. G.” IEEE Transactions on biomedical engineering. and T. A. HENEGHAN. WATANABE and K.” in 24th Annual Conference and the Annual Fall Meeting of the Biomedical Engineering Society. and S. HAMAM. [56] A. 1994.2005.C. G. Proceedings. MIETUS. 1998.

CHAN. “A parametric solution to integral pulse frequency modulation model. D´ecembre 1986. [59] H. KAISER. 21 – 51.” American Journal of Physiology .” Digital signal processing. matrix enhancement. vol. Prentice-Hall. no. pp. 1128 – 1135. [76] G. MASTROPASQUA. 4. SORINE. concepts et algorithmes. CADZOW.V. DESBOIS. no. TOMPKINS. pp.” in Proceedings of the first joint BMES/EMBS conference. A. pp. [66] P. Utilisation du langage SIGNAL pur l’´etude d’algorithmes de traitement du signal ´electrocardiographique. BELLANGER. pp.” IEEE Transactions on Signal Processing. pp. “A real-time qrs detecttion algorithm. Y. Avril 1993. KITNEY. vol. SO and K.” IEEE Transac- tions on Biomedical Engineering. REGALIA. OPENHEIM and R. RIZZON. CADZOW. 41. “Zero-tracking adaptive filters. and D. [75] A. MASSARI. 1997. 1566 – 1572. vol.J.A. Digital Signal Processing. M.BIBLIOGRAPHIE 171 [58] C. MICLET. 1975.A. LUKE. J. 1532 – 1550. “Reformulation of pisarenko harmonic decomposition method for single-tone frequency estimation. 37. “An adaptive unit norm filter with applications to signl analysis and karhunen-lo`eve transformations. vol. 47 – 54. 1989. N.” Digital Signal Processing. vol. “Energy separation in signal mo- dulations with application to speech analysis. 273. and T. and T. pp. modelling. 103 – 106. pp. S. V. 34. pp. TRINDER. F. “Least squares. [71] R. vol. CLAIRAMBAULT. 1994.” in Computers in Cardiology 1995. p. Juin 1992. pp. “Frequency estimation from new measurements. MARAGOS.I. F. [69] A. vol. REISMAN. [70] H. 1990. MEDIGUE. Apprentissage artificiel.” IEEE Transactions on Signal Processing.” IEEE Transactions on Acoustics. G. ADELSON. F.C. 2 – 20. W. and B.J. . 646 – 649. KAUFFMANN. vol. MARAGOS. W. 10. Z.” IEEE Transactions on Biomedical Engineering.” IEEE Transactions on Signal Processing. “Spectral analysis of heart rate variability signal induced by noninvasive modulation of venous return. Mai 1990. 4. “Total least squares. H. F.Heart and Circulatory Physiology. M. F. vol. CORNUEJOLS and L. [61] P. and L. 7. 1995. 21 – 39. 997. Mars 1985. ZHANG. BURGESS. Probabilit´e analyse des donn´ees et statistiques. [60] S. Octobre 1993. [64] P. and P. “On amplitude and frequency demodulation using energy operators. “Une introduction `a l’analyse discriminante avec spss pour windows. QUATIERI. COLOMBO. pp. PAN and W. 1997. J. no. 2003. and signal procesing. Rapport de recherche n◦ 1717. 4. [73] S. S. J.W. Avril 1997. 4. vol. SHAFER. 44. F. SAPORTA. ORFANIDIS. no. 52.” Digital Signal Pro- cessing. 2002. “Sleep and circadian influences on cardiac autonomic nervous system activity. 230 – 236. 4. TAPP. Editions EYROLLES. MINUCO. [67] J.” IEEE Transactions on circuits and systems. [62] J. vol. MASSON. 321 – 325. pp. Octobre 1999. INRIA. CURZI- DASCALOVA. 41. [68] P. KIM. vol.” Revue du Modulad. pp. [63] J. M. Speech and Signal Processing. [65] R. 32. Editions TECHNIP. H1761 – H1768. J. F. SEYDNEJAD and R. [74] D. Analyse des Signaux et Filtrage Num´erique Adaptatif. pp. no. QUATIERI.R. [72] M. 3024 – 3051. “Respiration response curve analysis of heart rate variability. PITZALIS. 6. KAISER. 30. no. and signal processing.J. 1994. NATELSON. 3. Avril 2004.

1994. [78] S. Neural networks. a comprehensive foundation. 1995.172 BIBLIOGRAPHIE [77] C. . HAYKIN. MACMILLAN. Neural networks for pattern recognition. BISHOP. Oxford University Press.

18. 16. 1. D´ecomposition `a F e = 16Hz. 2.P´eriode cardiaque moyenne 9 P´eriode cardiaque maximale / P´eriode cardiaque moyenne 10 P´eriode cardiaque minimale / P´eriode cardiaque moyenne 11 (P´eriode cardiaque maximale . 19. 13. 17. 4. 11.P´eriode cardiaque minimale)/P´eriode cardiaque moyenne 12 Fr´equence respiratoire 13 Fr´equence cardiaque / Fr´equence respiratoire 14 Energie totale de la bande 1 ([0.1.8]Hz) du signal de variations de pression art´erielle 15 Energie totale de la bande 2 ([0. 12.5. 15. 10. 3. 8. 5. 3.P´eriode cardiaque moyenne 8 P´eriode cardiaque minimale . 10]Hz) du signal de variations de pression art´erielle 17 Energie totale de la bande 4 ([10. 4. D´ecomposition `a F e = 256Hz. 19. Fe /2]Hz) du signal de variations de pression art´erielle 18 Energie bande 1 / Energie bande 2 19 Energie bande 1 / Energie bande 3 20 Energie bande 1 / Energie bande 4 21 Energie bande 2 / Energie bande 3 22 Energie bande 2 / Energie bande 4 23 Energie bande 3 / Energie bande 4 24 `a 36 Coefficients PARCOR n◦ 1. ordre 20. 37 `a 49 Coefficients PARCOR n◦ 1.P´eriode cardiaque minimale 6 P´eriode cardiaque maximale / P´eriode cardiaque minimale 7 P´eriode cardiaque maximale .5]Hz) du signal de variations de pression art´erielle 16 Energie totale de la bande 3 ([1. 17. 2. 11. 16. . 9.Annexe A Param` etres quantitatifs retenus Param`etres quantitatifs retenus pour la classification Indice Titre 1 P´eriode cardiaque moyenne 2 Variance des p´eriodes cardiaques 3 Fr´equence cardiaque m´ediane 4 Variance du rythme cardiaque / P´eriode cardiaque moyenne 5 P´eriode cardiaque maximale . 0.8. 7. ordre 20. 13.

n − 3) (voir page 101) 551 `a 660 X%(n.174 ` ANNEXE A. n − 3) (voir page 101) 661 `a 770 ∆X%(n. PARAMETRES QUANTITATIFS RETENUS Param`etres quantitatifs retenus pour la classification Indice Titre 50 Variance de l’amplitude du signal de respiration pr´esent dans le signal de variation de pression art´erielle 51 Indice de modulation du signal de modulation dans le signal de variations de pression art´erielle 52 Rapport de l’amplitude max du signal respiration / ampli- tude standard du signal respiration 53 Rapport de l’amplitude min du signal respiration / ampli- tude standard du signal respiration 54 Rapport de l’amplitude max du signal respiration / ampli- tude min du signal respiration 55 Amplitude crˆete `a crˆete du signal de respiration pr´esent dans le signal de variation de pression art´erielle 56 `a 110 1/X (voir page 101) 111 `a 220 ∆X(n. n − 1) (voir page 101) 221 `a 330 X%(n. n − 1) (voir page 101) 331 `a 440 ∆X%(n. n − 3) (voir page 101) . n − 1) (voir page 101) 441 `a 550 ∆X(n.

D(3). D(1). Parmi ceux-ci. DC(1) et S(3). DC(3)) ne sont pas report´es car ils se sont av´er´es non pertinents du point de vue de ce test statistique (valeur sup´erieure `a 0. on indique par une ´etoile les param`etres retenus `a l’issue du test de la corr´elation.98 sont indiqu´es en gras. Les param`etres 111 `a 440 (groupes S(1).98 dans la totalit´e des cas). Les param`etres dont le lambda de Wilks est inf´erieur `a 0. .Annexe B S´ election des param`etres pertinents : cas g´ en´ eral Valeur des lambdas de Wilks pour les param`etres 1 `a 110 (groupe X pour les param`etres 56 `a 110 et 1/X pour les param`etres 1 `a 55).

977* 94 0.947* 91 0.953 83 0.986 99 0.994 63 0.988 10 0.985 101 1.977* 102 1.979* 75 0.971* 71 0. SELECTION ` DES PARAMETRES ´ ERAL PERTINENTS : CAS GEN ´ Parame`tres quantitatifs retenus pour la classification n ◦ valeur n◦ valeur n◦ valeur n◦ valeur 1 0.984 76 0.993 34 0.0 6 0.982 96 0.996 51 0.989 41 0.978* 97 1.998 31 0.978* 3 0.967* 72 0.999 12 0.999 .993 62 0.996 95 0.0 54 0.972* 87 1.993 39 0.992 32 0.985* 80 0.973* 28 0.997 24 0.979* 68 0.975* 55 0.983 110 0.0 20 0.964* 45 0.957* 88 1.968 79 0.998 14 0.0 18 0.993 57 0.990 46 0.964* 74 0.999 7 0.992 61 0.996 9 0.995 58 0.989 36 0.971 70 0.998 29 0.990 109 0.176 ´ ANNEXE B.999 2 0.994 100 1.992 60 0.987 49 0.999 13 0.996 26 0.973 78 0.993 33 0.968* 69 0.998 17 0.997 8 0.955 81 1.983 98 0.0 5 0.991 66 0.986 90 0.992 64 0.990 104 0.957* 89 0.912* 84 0.993 27 0.980* 103 0.987 92 0.978 23 0.990 106 0.986 105 0.994 108 0.999 22 0.0 19 0.998 4 0.973* 73 0.986 93 0.992 65 0.998 21 0.949 86 0.990 48 0.965 25 0.993 30 0.979 40 0.987 44 0.999 56 0.999 53 0.982* 85 0.989 50 0.971* 47 0.994 59 0.976* 43 0.973 52 0.995 35 0.972* 42 0.996 38 0.979 107 0.979 82 0.0 15 0.988 67 0.988 11 0.995 37 0.989 16 0.990 77 0.

D(1). DC(1) et S(3). Les param`etres suivants (groupes S(1).Annexe C S´ election des param` etres pertinents : cas du suivi de patient Valeur des lambdas de Wilks pour les param`etres 1 `a 110 (groupe X pour les param`etres 56 `a 110 et 1/X pour les param`etres 1 `a 55).98 dans la totalit´e des cas). . D(3). DC(3)) ne sont pas report´es car ils se sont av´er´es non pertinents du point de vue de ce test statistique (valeur sup´erieure `a 0.

98 22 0.85 29 0.91 64 0.85 103 0.88 39 0.87 50 0.91 62 0.86 78 0.89 47 0.89 40 0.92 5 0.89 79 0.86 73 0.82 58 0.96 12 0.92 25 0.86 41 0.91 83 0.95 108 0.97 18 0.93 9 0.89 66 0.97 21 0.87 100 0.86 86 0.89 52 0.86 23 0.92 88 0.90 49 0.96 .90 65 0.91 104 0.87 59 0.87 68 0.98 4 0.90 16 0.89 95 0.95 27 0.89 71 0.94 107 0.98 7 0.87 81 0.87 48 0.89 42 0.88 43 0.88 35 0.94 26 0. ´ ANNEXE C.88 28 0.88 87 0.92 61 0.89 75 0.85 93 0.87 96 0.90 91 0.90 89 0.84 106 0.89 72 0.89 36 0.85 46 0.89 110 0.95 13 0.86 98 0.90 85 0.87 67 0.89 55 0.84 102 0.89 84 0.89 90 0.88 34 0.88 56 0.88 45 0.96 109 0.92 95 0.90 57 0.88 77 0.88 32 0.98 20 0.86 30 0.88 94 0.89 80 0.89 99 0.86 11 0.97 14 0.98 17 0. SELECTION ` DES PARAMETRES PERTINENTS : CAS DU SUIVI 178 DE PATIENT Parame`tres quantitatifs retenus pour la classification n ◦ valeur n◦ valeur n◦ valeur n◦ valeur 1 0.87 101 0.95 2 0.86 24 0.94 8 0.90 60 0.95 3 0.87 105 0.89 70 0.92 54 0.97 53 0.91 69 0.87 44 0.87 97 0.88 76 0.89 74 0.95 15 0.90 63 0.85 51 0.95 19 0.88 37 0.97 6 0.87 82 0.87 33 0.83 31 0.92 10 0.93 38 0.

Annexe D R´ esultats du mod` ele gaussien Matrices de confusion obtenues par utilisation de la classification gaussienne. La d´efinition des classes utilis´ee est la suivante : ´ Stade 0 : Eveil Stade 1 : Stade 1 de sommeil Stade 2 : Stade 2 de sommeil Stade 3 : Stade 3 de sommeil Stade 4 : Stade 4 de sommeil Stade 5 : Sommeil paradoxal Lorsque les stades physiologiquement proches son regroup´es. BA Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 63 3 6 3 17 5 Stade 1 36 12 18 0 19 12 Stade 2 18 1 29 5 29 14 Stade 3 14 0 12 27 41 4 Stade 4 5 0 1 6 82 3 Stade 5 16 2 11 0 21 48 . BT corres- pond `a la base de test. BA corres- pond aux 30% de la base d’apprentissage n’ayant pas servi pour l’apprentissage.1 Classification en six stades. on utilise les classes suivantes : ´ Groupe 0 : Eveil Groupe 1 : Sommeil lent l´eger (regroupement des stades de sommeil 1 et 2) Groupe 2 : Sommeil lent profond (regroupement des stades de sommeil 3 et 4) Groupe 3 : Sommeil paradoxal D. FLD signifie Fonctions Lin´eaires Discriminantes.

4 Classification en quatre groupes. BA Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 84 6 3 5 Groupe 1 45 20 17 16 Groupe 2 23 6 64 4 Groupe 3 33 7 10 48 D.3 Classification en quatre groupes. BT Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 66 10 6 17 Groupe 1 48 30 7 13 Groupe 2 44 35 8 11 Groupe 3 51 30 7 9 D.5 Suivi de patient (Calculs sur une nuit et moyenne g´ eom´etrique des r´ esultats) : Classification en six stades Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 49 13 27 4 1 4 Stade 1 18 39 24 0 3 15 Stade 2 2 11 66 6 3 8 Stade 3 2 6 31 38 14 8 Stade 4 2 1 14 3 77 1 Stade 5 4 2 20 0 4 66 D.180 ´ ANNEXE D.2 Classification en six stades. RESULTATS ` DU MODELE GAUSSIEN D. BT Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 59 2 10 2 10 14 Stade 1 59 6 17 2 9 4 Stade 2 36 6 32 1 14 9 Stade 3 38 7 30 1 8 12 Stade 4 40 10 25 0 14 8 Stade 5 26 5 42 5 17 3 D.6 Suivi de patient (Calculs sur une nuit et moyenne pond´er´ ee des r´ esultats) : Classification en quatre groupes Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 52 33 4 10 Groupe 1 7 66 15 10 Groupe 2 2 20 76 1 Groupe 3 8 24 8 57 .

BA Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Stade 4 Stade 5 Groupe 0 18 55 14 12 Groupe 1 4 67 17 9 Groupe 2 3 36 57 3 Groupe 3 3 53 15 26 D. BA Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 20 1 48 1 9 17 Stade 1 8 6 61 0 11 12 Stade 2 4 1 67 0 11 14 Stade 3 3 0 64 4 21 7 Stade 4 3 1 35 0 56 2 Stade 5 3 0 55 0 5 34 D. CLASSIFICATION EN SIX STADES.7. ` D.8 Combinaison des param` etres par les FLD. BT Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 26 47 7 18 Groupe 1 12 70 8 8 Groupe 2 14 72 12 0 Groupe 3 8 84 4 1 . Classification en six stades. Classification en quatre groupes.10 Combinaison des param`etres par les FLD. BT Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 22 0 49 0 1 25 Stade 1 22 2 64 1 1 8 Stade 2 9 3 71 0 2 12 Stade 3 14 4 71 0 0 9 Stade 4 10 6 74 0 6 2 Stade 5 7 4 86 0 0 1 D.9 Combinaison des param`etres par les FLD.7 Combinaison des param` etres par les FLD. COMBINAISON DES PARAMETRES PAR LES FLD. Classification en six stades. BA 181 D. Classification en quatre groupes.

.

1 – Repr´esentation des vecteurs d’entr´ee et de sortie du r´eseau Ajustement des poids de la derni` ere couche Les donn´ees d’apprentissage sont pr´esent´ees s´equentiellement. A chaque ´etape. Fig. la r`egle de propagation permet de calculer la valeur des unit´es de sorties. Celle-ci est du type supervis´ee. Ainsi. selon la classe d’appartenance de l’´el´ement x. Un r´eseau de neurones poss`ede autant d’unit´es de sortie qu’il existe de classes. En supposant que le r´eseau qui y est repr´esent´e doit classer les ´el´ements d’entr´ee en trois groupes. s∗ est un vecteur qui a toutes ses unit´es actives `a 0. La base d’apprentissage est donc compos´ee de paires (x. except´ee l’unit´e associ´ee `a la classe du vecteur en entr´ee x qui est active `a 1. Compte tenu des valeurs des . s∗ ).1 illustre ce principe. E.Annexe E Apprentissage d’un r´ eseau de neurones Consid´erons le r´eseau connexionniste utilis´e dans le cadre de la classification que l’on souhaite mettre en place. le vecteur de sortie est de la forme [100]T si il s’agit d’un ´el´ement de la classe C0 . Le sch´ema E. etc. [001]T si il s’agit d’un ´el´ement de la classe C2 . o` u x est le vecteur de param`etres et s∗ indique le stade de sommeil correspondant au vecteur d’entr´ee x (la classe d’appartenance de x). [010]T si il s’agit d’un ´el´ement de la classe C1 .

Il n’y a pas de convergence fine et les poids oscillent autour des valeurs d´esir´ees [78].5) Il est `a noter que plus le taux d’apprentissage est petit et plus les variations des valeurs des poids d’une it´eration `a l’autre seront petites. Ajustement des poids des couches internes Si la m´ethode d´ecrite est directement applicable pour ajuster les poids de la derni`ere couche. Cependant il existe un risque. la variation des poids d’une it´eration `a l’autre sera tr`es grande augmentant alors la vitesse d’apprentissage du r´eseau. On peut associer `a cette diff´erence un terme d’erreur quadratique calcul´e de la mani`ere suivante : – On calcule dans un premier temps l’erreur instantan´ee sur le neurone j appartenant `a la couche de sortie. le poids wij est `a corriger en lui ajoutant la quantit´e suivante : ( wij (n + 1) = wij (n) + ∆wij (n) ∂E(n) (E. et par cons´equent on ne connaˆıt pas directement le terme d’erreur . C’est-`a-dire que l’apprentissage n´ecessitera plus de temps pour aboutir `a une solution stable. APPRENTISSAGE D’UN RESEAU DE NEURONES poids des connexions et des fonctions d’activations utilis´ees. si cette valeur est trop grande.1) – On en d´eduit l’erreur de classification D(n). Cela implique que la vitesse d’apprentissage sera relativement lente.4) ∆wij (n) = −η ∂wij (n) = ηδj (n) · yi (n) O`u η est une constante qui d´etermine le taux d’apprentissage de l’algorithme et δj (n) est le gradient local d´efini par : δj (n) = ej (n) · fj0 (σj (n)) (E.2) 2 j∈c O` u C inclue tous les neurones de la couche de sortie du r´eseau. Le but de l’apprentissage est de tendre vers une minimisation de cette erreur. En effet. les valeurs des poids ´evoluant de part et d’autre des sorties d´esir´ees. elle ne l’est pas pour ceux des couches internes. si on impose `a η une valeur tr`es grande. on ne connaˆıt pas les sortie d´esir´ees pour ces couches. la sortie observ´ee est diff´erente de la sortie d´esir´ee (un vecteur binaire). donn´ee par la distance euclidienne s´eparant la sortie observ´ee de la sortie d´esir´ee : 1X 2 D(n) = ej (n) (E.184 ´ ANNEXE E. en modifiant les poids du r´eseau.3) ∂wij (n) Selon le principe des algorithmes de plus grande pente. d´eriv´e par rapport aux poids des connexions : ∂E(n) = −ej (n) · fj0 (σj ) · yi (n) (E. L’´equation de l’erreur `a l’instant n sur le neurone j de sortie est la suivante : ej (n) = s∗j (n) − yj (n) (E. La mise `a jour des poids des connexions entre la derni`ere sous-couche et la couche de sortie est calcul´ee `a partir du gradient de l’erreur. A l’inverse. s∗j et la sortie r´eelle yj obtenue apr`es propagation des calculs de l’entr´ee jusqu’`a la couche de sortie. Le neurone j est un noeud de sortie et son erreur est la diff´erence entre la sortie que l’on souhaite. de rendre le r´eseau instable.

Enfin. D’o` u l’appellation de cet algorithme : algorithme de r´etropropagation du gradient de l’erreur. On appliquera l’algorithme d’ajustement des poids en partant de la derni`ere couche (pour laquelle les erreurs sont connues) vers la premi`ere. Un calcul diff´erentiel montre que l’on peut calculer le gradient local associ´e `a un neurone j d’une couche-cach´ee quelconque `a partir des erreurs des neurones de la couche suivante pond´er´ees par les poids wjk des connexions partant du neurone j vers les neurones k de la couche suivante. Cependant les r´esultats d’exp´eriences n’ont pas montr´e d’am´elioration significative dans le cadre de notre application. La mise `a jour de l’ensemble des poids d’une couche n´ecessite la connaissance des erreurs associ´ees `a chaque neurone de la couche suivante. Ce caract`ere al´eatoire joue un rˆole consid´erable dans l’am´elioration de la vitesse de convergence des poids vers leurs valeurs stables [78]. Il existe une m´ethode simple pour augmenter la vitesse d’apprentissage du perceptron tout en ´evitant le danger de l’instabilit´e pr´ec´edemment ´evoqu´e. `a l’aide de la formule suivante : X δj (n) = fj0 (σj (n)) · δk (n)wjk (n) (E. Il suffit de modifier la valeur de la quantit´e `a ajouter au poids en y adjoignant le produit de la constante α par la variation de poids de l’it´eration pr´ec´edente. . Cette m´ethode consiste `a modifier la r`egle delta en incluant un terme constant α intitul´e momentum. Nous n’avons donc pas persist´e dans l’emploi de cette m´ethode. Cette r`egle est appel´ee la r`egle du Delta. seule erreur directement mesurable.6) k La r`egle de modification des poids reste la mˆeme. 185 associ´e ` a chaque couche interne. Il faut donc tenter d’exprimer l’erreur `a la sortie de chaque neurone d’une couche quelconque `a partir de l’erreur de la derni`ere couche. notons que les exemples d’apprentissage doivent ˆetre pr´esent´es au r´eseau de fa¸con al´eatoire d’une ´epoque `a la suivante.

.

BT Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 33 29 0 9 15 12 Stade 1 43 17 0 12 6 20 Stade 2 30 16 0 14 13 25 Stade 3 35 17 0 18 13 15 Stade 4 27 32 0 19 9 10 Stade 5 35 11 0 12 19 21 F. BA corres- pond aux 30% de la base d’apprentissage n’ayant pas servi pour l’apprentissage.Annexe F R´ esultats des r´ eseaux de neurones Matrices de confusion obtenues par utilisation de la classification gaussienne.2 Classification en six stades. F. BT corres- pond `a la base de test.1 Classification en six stades.3 Regroupement des stades physiologiquement proches : classification en quatre groupes. FLD signifie Fonctions Lin´eaires Discriminantes. BA Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 42 3 7 7 Groupe 1 5 63 16 15 Groupe 2 1 19 76 2 Groupe 3 3 35 5 56 . BA Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 54 24 0 6 7 7 Stade 1 32 44 0 6 6 9 Stade 2 25 20 0 22 9 21 Stade 3 16 13 0 44 23 4 Stade 4 8 5 0 17 67 1 Stade 5 28 17 0 4 4 44 F.

BT Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 36 15 12 10 16 8 Stade 1 25 9 20 9 25 7 Stade 2 17 5 16 15 26 17 Stade 3 17 5 9 26 25 10 Stade 4 9 8 11 39 23 6 Stade 5 16 8 14 21 26 11 F. BA Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 31 16 6 12 18 14 Stade 1 18 28 11 11 18 12 Stade 2 10 8 14 23 22 21 Stade 3 10 5 5 32 36 11 Stade 4 5 0 3 10 75 4 Stade 5 10 14 4 12 16 41 F. Classification en six stades.7 Combinaison des param`etres par les FLD.4 Regroupement des stades physiologiquement proches : classification en quatre groupes. Classification en six stades.188 ´ ANNEXE F.5 Combinaison des param` etres par les FLD. Classification en quatre groupes. BT Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 8 48 25 16 Groupe 1 14 50 16 18 Groupe 2 13 60 12 12 Groupe 3 14 52 8 24 F. BA Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 23 10 24 42 Groupe 1 6 0 25 48 Groupe 2 4 14 61 19 Groupe 3 3 8 14 73 .6 Combinaison des param` etres par les FLD. RESULTATS ´ DES RESEAUX DE NEURONES F.

8 Combinaison des param`etres par les FLD. CLASSIFICATION EN QUATRE GROUPES.8. Classification en quatre groupes. ` F. BT Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 20 8 26 44 Groupe 1 11 19 27 41 Groupe 2 7 17 52 22 Groupe 3 9 24 31 35 F.9 Suivi de patient (Calculs sur une nuit et moyenne pond´er´ ee des r´ esultats) : Classification en six stades Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 70 7 11 2 3 7 Stade 1 13 33 32 9 2 11 Stade 2 6 6 59 9 5 15 Stade 3 6 1 24 47 18 4 Stade 4 2 0 6 15 72 5 Stade 5 4 3 14 2 3 74 . BT 189 F. COMBINAISON DES PARAMETRES PAR LES FLD.

.

FLD signifie Fonctions Lin´eaires Discriminantes. BA Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 57 23 9 8 Groupe 1 24 47 13 14 Groupe 2 21 24 48 6 Groupe 3 24 27 10 37 G. Classification en quatre classes. BA correspond aux 30% de la base d’apprentissage n’ayant pas servi pour l’ap- prentissage. BT correspond `a la base de test. Combinaison des param`etres par les FLD.Annexe G R´esultats d’un r´ eseau de neurones simplifi´ e Matrices de confusion obtenues par des r´eseaux de neurones diff´erent du classique E/16/10/S. BT Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 52 31 10 5 Groupe 1 36 50 5 7 Groupe 2 23 63 12 0 Groupe 3 35 61 2 1 . Classification en quatre classes. Combinaison des param`etres par les FLD. G.2 R´ eseau de type E/6/5/4.1 R´ eseau de type E/6/5/4.

4 R´eseau de type E/6/5/4. Classification en six stades (pas d’utilisation des FLD). BA Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 2 77 7 7 1 4 Stade 1 0 65 18 7 2 5 Stade 2 1 40 18 18 6 15 Stade 3 1 34 12 35 13 3 Stade 4 0 13 2 44 36 3 Stade 5 0 34 14 5 3 41 G. Classification en six stades (pas d’utilisation des FLD). BA Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 27 30 3 1 11 24 Stade 1 6 40 0 3 11 37 Stade 2 5 10 1 8 19 54 Stade 3 2 3 3 19 44 28 Stade 4 1 2 2 3 81 9 Stade 5 2 7 0 0 8 79 G.3 R´eseau de type E/6/5/4.5 R´eseau de type E/8/7/6. Classification en six stades (pas d’utilisation des FLD). BT Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 0 53 11 8 7 19 Stade 1 0 65 4 8 3 17 Stade 2 0 61 9 8 5 14 Stade 3 0 54 6 21 1 16 Stade 4 0 71 10 10 1 6 Stade 5 4 68 10 12 1 3 G. Classification en six stades (pas d’utilisation des FLD).6 R´eseau de type E/8/7/6. RESULTATS ´ D’UN RESEAU ´ DE NEURONES SIMPLIFIE G.192 ´ ANNEXE G. BT Stade r´eel / stade affect´ e Stade 0 Stade 1 Stade 2 Stade 3 Stade 4 Stade 5 Stade 0 11 14 2 4 17 49 Stade 1 28 11 4 11 11 33 Stade 2 17 6 7 4 19 44 Stade 3 30 3 7 1 14 41 Stade 4 23 6 12 1 13 42 Stade 5 15 9 7 6 17 43 .

BA Stade r´ eel / Stade affect´ e ´ Eveil Sommeil orthodoxe Sommeil paradoxal ´ Eveil 75 16 8 Sommeil orthodoxe 15 74 9 Sommeil paradoxal 10 24 64 H. BT Stade r´ eel / Stade affect´ e ´ Eveil Sommeil orthodoxe Sommeil paradoxal ´ Eveil 36 45 18 Sommeil orthodoxe 25 67 7 Sommeil paradoxal 26 63 10 .Annexe H R´esultats des r´ eseaux de neurones pour une classification en trois stades Matrice de confusion obtenue par un r´eseau de neurone de configuration E/6/5/4. H. BA correspond aux 30% de la base d’apprentissage n’ayant pas servi pour l’apprentissage.1 Classification en trois classes.2 Classification en trois classes. BT correspond `a la base de test.

.

Gestion des ´ epoques non class´ ees par statistiques locales. ces matrices sont en r´ealit´e les moyennes des matrices de confusion obtenues sur les nuits composant la base de test. Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 40 37 5 17 Groupe 1 40 42 7 11 Groupe 2 47 38 8 7 Groupe 3 31 48 3 18 . La d´efinition des classes utilis´ee est la suivante : Stade 0 : Eveil´ Stade 1 : Stade 1 de sommeil Stade 2 : Stade 2 de sommeil Stade 3 : Stade 3 de sommeil Stade 4 : Stade 4 de sommeil Stade 5 : Sommeil paradoxal I.Annexe I Matrices de confusion issues du scorage par arbre de d´ ecision Matrices de confusion obtenues par utilisation d’un arbre de d´ecision pour r´ealiser le scorage du sommeil.2 Rescorage global par r` egle. Gestion des ´ epoques non class´ ees par le rescorage global. Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 50 43 1 6 Groupe 1 34 58 3 5 Groupe 2 33 57 5 4 Groupe 3 24 68 3 5 I. Comme il fait appel `a des proc´edures de rescorage.1 Rescorage global par r` egle.

Groupe r´eel / Groupe affect´ e Groupe 0 Groupe 1 Groupe 2 Groupe 3 Groupe 0 81 15 0 4 Groupe 1 58 30 2 10 Groupe 2 57 30 8 5 Groupe 3 64 26 1 9 . Gestion des ´ epoques non class´ ees par le rescorage global.3 Rescorage global par HMM. ANNEXE I. MATRICES DE CONFUSION ISSUES DU SCORAGE PAR ARBRE 196 ´ DE DECISION I.

Annexe J Hypnogrammes de la base de test : scorage par m´ethode gaussienne ou connexioniste et rescorage par r` egles Les stades de sommeil sont codifi´es comme suit : ´ 0 (Stade 0) : Eveil 1 (Stade 1) : Stade 1 de sommeil (sommeil lent l´eger) 2 (Stade 2) : Stade 2 de sommeil (sommeil lent l´eger) 3 (Stade 3) : Stade 3 de sommeil (sommeil lent profond) 4 (Stade 4) : Stade 4 de sommeil (sommeil lent profond) 5 (Stade 5) : Sommeil paradoxal .

Le taux d’accord global est de 26% .2 – Nuit n◦ 2 de la base de test : classification par mod`ele gaussien et rescorage par r`egle. J.1 – Nuit n◦ 1 de la base de test : classification par mod`ele gaussien et rescorage par r`egle. Fig. J.198 ANNEXE J. Le taux d’accord global est de 17%. HYPNOGRAMMES DE LA BASE DE TEST Fig.

3 – Nuit n◦ 3 de la base de test : classification par mod`ele gaussien et rescorage par r`egle. Le taux d’accord global est de 21%t . J. 199 Fig. Le taux d’accord global est de 36% Fig.4 – Nuit n◦ 4 de la base de test : classification par mod`ele gaussien et rescorage par r`egle. J.

5 – Nuit n◦ 5 de la base de test : classification par mod`ele gaussien et rescorage par r`egle. .200 ANNEXE J. Le taux d’accord global est de 21% Fig. J. HYPNOGRAMMES DE LA BASE DE TEST Fig. J.6 – Nuit n◦ 1 de la base de test : classification par r´eseau de neurone et rescorage par r`egle. Le taux d’accord global est de 38%.

J. 201 Fig.7 – Nuit n◦ 2 de la base de test : classification par r´eseau de neurone et rescorage par r`egle. Le taux d’accord global est de 24% .8 – Nuit n◦ 3 de la base de test : classification par r´eseau de neurone et rescorage par r`egle. Le taux d’accord global est de 31% Fig. J.

Le taux d’accord global est de 18%t Fig. Le taux d’accord global est de 28% . J. J.10 – Nuit n◦ 5 de la base de test : classification par r´eseau de neurone et rescorage par r`egle.9 – Nuit n◦ 4 de la base de test : classification par r´eseau de neurone et rescorage par r`egle. HYPNOGRAMMES DE LA BASE DE TEST Fig.202 ANNEXE J.

K.1 – Interface graphique de gestion de la classification .Annexe K Interface graphique de gestion de la classification Fig.

.

1 – Interface graphique de gestion de la classification . L.Annexe L Interface graphique de mesure des rythmes cardiaques et respiratoires Fig.

.

.

Nous proposons ´egalement deux m´ethodes de rescorage permettant de corriger les erreurs de classification. stades de sommeil 1 `a 4. Les r´esultats sont int´eressants mais l’implantation de l’algorithme dans un syst`eme embarqu´e tel que le bracelet n´ecessite quelques adaptations. l’autre de la fr´equence respiratoire. Celui-ci permet. Il ressort des essais r´ealis´es que si les deux techniques de classification envisag´ees s’av`erent. puis `a estimer la fr´equence respiratoire `a l’aide d’un algorithme adaptatif visant `a poursuivre la composante principale de la d´ecomposition de Karhunen-Lo`eve de cette composante additive. Nous ´etudions. R´eseaux de neurones. et l’autre. pour estimer le rythme cardiaque. entre autre. dans un premier temps. entre 7 et 15%). Le syst`eme propos´e classe ces vecteurs dans l’un des six ´etats de vigilance (´eveil. sommeil paradoxal). Rythme respiratoire. dans le cadre des bases de donn´ees utilis´ees. inad´equates pour r´ealiser la classification de nuits ne participant pas `a l’apprentissage. Ces deux estimateurs fournissent des r´esultats satisfaisants (faible biais et variance acceptable. C’est pourquoi nous nous sommes int´eress´es `a leur estimation `a partir du signal acquis par le bracelet. La premi`ere vise `a utiliser le signal de fr´equence instantan´ee. pr´esente au sein du signal de variation de pression art´erielle. un r´eseau de neurone de type perceptron multicouche. Les fr´equences cardiaque et respiratoire sont des variables importantes pour la classifica- tion. R´ esum´ e Cette th`ese s’inscrit dans le cadre de l’´etude d’un syst`eme de classification automatique du sommeil bas´e sur un bracelet multicapteur. La seconde phase consiste `a utiliser cette estimation pour isoler une composante respiratoire additive. l’estimation de ces param`etres `a partir d’une mod´elisation du syst`eme physiologique de g´en´eration des battements cardiaques. Nous d´eveloppons un algorithme bas´e sur une estimation en deux phases successives. que l’on caract´erise par un vecteur de param`etres. Rythme cardiaque. Dans une derni`ere partie nous ´etudions les techniques envisageables pour r´ealiser l’op´eration de classification automatique en stades de sommeil. Ce signal est d´ecoup´e en ´epoques de trente secondes. l’un de la fr´equence cardiaque. Classification . exploitant une mod´elisation du signal de variation de pression art´erielle. Mots Cl´ es Sommeil. Nous en retenons deux : l’une utilise un classifieur bay´esien s’appuyant sur une mod´elisation monogaussienne. Dans un deuxi`eme temps nous proposons deux estimateurs. d´elivr´e par l’op´erateur de d´emodulation de Teager. elles sont toutes deux performantes lorsqu’elles sont appliqu´ees ` a un seul individu. l’acquisition du signal de variation de pression de l’art`ere radiale.