Modelisations´ et Traitements de Signaux Biomedicaux´

Modelisations et Traitements de SignauxBiomedicaux

Olivier Meste

Universite de Nice-Sophia AntipolisED STIC

CENTRE NATIONALDE LA RECHERCHESCIENTIFIQUE

1

Diriger une Recherche ?

Deux approches possibles:

Les methodes de TS sont orientees par le GBM ?

Le domaine GBM illustre les nouvelles methodes du TS ?

L’I3S n’est pas une unite INSERM �Nouvelles collaborations et projets � nouveaux domainesd’applications

Thematique SIROCCO � de nouvelles methodes de TS

� double competence visible:

Travaux publies

Encadrements d’etudiants

2

Plan

Activite d’enseignement

Activite de recherche - ApplicationsElectrocardiographie (B. Khaddoumi)Electromyographie (Dr. W. Muhammad)Electroencephalographie (Dr. & Dr. G. Suisse)Implants Cochleaires (G. Malherbe)

Activite de recherche - Methodes

Valorisations et collaborations

Perspectives

3

Enseignements-ESINSA & DEA

Je suis responsable depuis huit ans a l’ESINSA du coursRepresentations temps-frequence dans un cadredeterministe

J’ai ete responsable du cours de DEA SICOM de 1999 a2001 intitule analyse spectrale pour les signaux nonstationnaires

4

Enseignements-ESSI

Traitement du signal: numerisation, filtrage, theorie del’estimation et de l’identification, codage et transmissionde la parole

Automatique: representation d’etat, fonction de transfert,regulation

Informatique industrielle: architectures des ordinateurs etdes microprocesseurs, assembleurs

Reseaux informatiques: architecture clients/serveurs,programmation reseaux pour l’audio et l’image,architectures des reseaux

� Projets GBM/Informatique en 5ieme annee

(Telemedecine, ECG mapping)

5

Plan





Perspectives

6

Applications Recherche: ECG

Le Coeur

7

ECG

� �� R-R(1) R-R(2)

�

t0 t1 t2

P

��P-R(1)

R

Q

T

S

L’Electrocardiogramme

Marey, Etienne Jules. 1878. La methode graphique dans les sciences experimentales et

principalement en physiologie et en medecine. Paris: G. Masson

8

ECG

Problemes abordes dans le domaine de l’ECG:

Pretraitements (filtrage adaptatif, moyennage,filtrage polynomial)IEEE Trans. BME 92, Signal Processing 95, Biocybernetics and Biomed. Eng. 03

Detection de Potentiels Tardifs Ventriculaires(Representations TF, Ondelettes)IEEE Trans. BME 94, MBEC 00

Analyse de la Fibrillation Ventriculaire(periodicite, suivi de frequences)BSI 02, Arch. Mal. Coeur 03

9

ECG

Analyse fine des ondes P et T (Mapping,analyse de forme, moyennage de forme)BSI 99, IEEE EMBS 00, European MBEC 02, CinC 03

Analyse de la variabilite du rythme cardiaque:Arythmie Sinusale Respiratoire (ASR) au reposet en exercice (modelisation evolutive,modelisation non lineaire, suivi de pistesfrequentielles)CinC 02, CinC 03

�

10

ECG: ASR

40 50 60 70 80 90 1000.95

1

1.05

1.1

1.15

1.2

t (secondes)

HP (s

econ

des)

Variabilite de la periodecardiaque au repos

40 50 60 70 80 90 1000

0.5

1

1.5

2

t (secondes)

volum

e res

pirato

ire

Volume respiratoire

11

ECG: ASR

0 100 200 300 400 500 600 700 800 900 10000.34

0.36

0.38

0.4

0.42

0.44

0.46

t (secondes)

HP (s

econ

des)

Variabilite de la periodecardiaque en exercice

500 505 510 515 520 525 530 535 540 545 5500.346

0.348

0.35

0.352

0.354

0.356

0.358

0.36

0.362

0.364

t (secondes)

HP (s

econ

des) detail de la variabilite de la

periode cardiaqueen exercice

12

ECG: ASR

Comment modeliser l’Arythmie SinusaleRespiratoire ?

Modeles ?IPFM ou PFM

Entrees ?Volume Respiratoire

Sorties ?Periode Cardiaque (intervalles R-R)

Critere de validite?Simulation (signaux ”Arche” ou ”Arche inversee”), signaux

reels

13

ECG: ASR

Pulse Frequency Modulation

kT � tk T2π

m2

�

tk

� T2π

c5

m2

�

t

� � c2 cos

�

2π fvt c4

�

Av� T c2

πsin

�

fvT π

�

si la condition de validite c2 fvT π est verifiee

Ce modele produit un oscillateur modulemais egalementecg t cos 2π Tt m2 t c5 1 200

qui est un generateur d’ondes R!

14

ECG: ASR

Pulse Frequency Modulation

kT � tk T2π

m2

�

tk

� T2π

c5

m2

�

t

� � c2 cos

�

2π fvt c4

�

Av� T c2

πsin

�

fvT π

�

si la condition de validite c2 fvT π est verifieeCe modele produit un oscillateur modulemais egalementecg

�

t

� � �

cos

�

2π�

Tt m2

�t

�

c5

�

1

� 200

qui est un generateur d’ondes R!

14

ECG: ASR

6 6.5 7 7.5 8 8.5 9 9.5 10

x 104

0

0.5

1

1.5

2

time (s)

tidal

volum

e (un

calib

rated

)

Volume respiratoire enregistre al’aide d’un plethysmographe ainduction non calibre

6 6.5 7 7.5 8 8.5 9 9.5 10

x 104

0.95

1

1.05

1.1

1.15

1.2

time (s)

heart

perio

d (s)

Le signal ”periode cardiaque”(trait epais), le signal genere parle modele PFM (trait fin), le sig-nal genere par le modele IPFM(trait discontinu)

15

ECG: ASR

En exercice, mesurer Av :modele lineaire

� ai

�

n

�

hp

�

n

� � zi

�

n

� � fi

�n

� � Av

�

n

�suivi des pistes

�hp

�

n

� zi�

n� � fi

�

n

� � Av

�

n

�

modele non lineaire

Dans le deuxieme cas, le suivi des pistes est assure par

l’algorithme de minimisation (gradient)

16

ECG: ASR

500 1000 1500 2000 2500320

340

360

380

400

420

ms

500 1000 1500 2000 2500300

350

400

500 1000 1500 2000 2500−10

−5

0

5

10

La periode cardiaque HP

�

k

�

17

ECG: ASR

Le spectrogramme et troispistes

18

ECG: ASR

0 100 200 300 400 500 600 700 800 900 10000.35

0.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

time (s)

frequency (

Hz)

Exemple de pistesfrequentielles et demesures de la frequencerespiratoire

19

Plan





Perspectives

20

Applications Recherche: EMG

Problemes abordes dans le domaine de l’EMG de surface:

Estimation de la vitesse de conduction (estimateurs MV,performances)

M1 : xk

t

�� s

t

k 1

τ

��

wk

t

M2 : xk

t

�� s

t dk

��

wk

t

avec k� 1 �� K ;0

�

t

�

T

Med. Biol. Eng. & Comput. 01, Signal Processing 02 � �

Analyse des ondes M � mise en evidence de la fatiguemusculaire (moyenne de forme, estimateurs MV,performances)

M3 : xk

t

�� s

akt

��wk

t

avec k� 1 �� K ;0

�

t

�

T

Methods of Information in Medicine 0021

EMG

M4 : x1

�

t

� � s �

t

�

w1

�

t

�

x2

�

t

� � s �

a2t � d2

�

w2

�

t

�

IEEE Trans. Biomed. Eng. 03

Computation of ACF

Computation of ACF, normalization and

interpolation around the peak

x1[n]

x2[n]

][11

lR xx

~

][22

lR xx

~

Scale factor estimation

aa2^

Scale factor compensation

Delay estimatord2^

x1( n)^ aa2

Schema de principe pourl’estimation des parametres

22

EMG

Ondes M stimulees a une frequence de 25Hz(2002) et enregistrement de l’elongation (1878).

a2

� vitesse de conduction

5 ms

23

EMG: Vitesse de Conduction

� � ��

0 10 20 30 40 50 60 70 80 90 1000

2

4

6

8

10

12

14

16

Sampels

sig

na

ls (

No

rma

lize

d)

Double Diff. signals

Muscle Unit

Electrode arraywith equidistant electrodes

Differential Amp.

a propagatingMUAP

SEMG signals

x1x2x3

24


Comment formaliser et generaliser le resultat:

d13

� d12

�

d23

� � Estimateur du Maximum de Vraissemblance:

p

X ;d � s �� 1

2 π

N

�

2σN

K

expK

∑k �1

12 σ2

N

∑n �1

�xk

n

s

n dk

� 2

Maximiser cette fonction equivaut a chercher la solution de :

τ� argmaxτ

1σ2K

�

xT1

K

∑k �2 ∆τ1k xk

�xT

2

K

∑k �3∆τ2k xk

� � � � � xTK �1∆τ �

K �1 �

KxK

�

avec τi j

� d j

di

25


Dans le cas K� 3, l’expression devient:

τ� argmaxτ

1σ23

�

xT1 ∆τ12 x2

�

xT1 ∆τ13 x3

�

xT2 ∆τ23 x3

�

avec τ12

� d2

d1, τ13

� d3

d1, τ23

� d3

d2.

estimation optimale: maximisation par rapport a d1, d2, d3

estimation sous-optimale: maximisation par rapport aτ12, τ13, τ23

� τ12, τ13, τ23

La solution est finalement donnee par le calcul:

τ� �I ΦCT

�

CΦCT

�1C

�

τ (2)

avec la matrice des contraintes C� � 1 1 1� �

On obtient alors les VC: vc12

� ! "

τ12, vc23

� ! "

τ23

26

Plan





Perspectives

27

Applications Recherche: EEG

Problemes abordes dans le domaine de l’EEG :

Analyse de l’EEG en sommeilDetection dans le plan temps-frequence (Classe deCohen) de fuseaux de sommeil (prise en compte del’incertitude sur la duree et la frequence)Lecture des stades du sommeil (modele de Prony) etanalyse des micro reveils

IEEE EMBS 01, ITBM 98

Analyse de potentiels evoques somestesiquesCaracterisation d’un potentiel de reference (approchebispectrale)Analyse de la variabilite (retard, amplitude, echelletemporelle) � �

ICASSP 97, Signal Processing 96

28

EEG: Analyse de potentiels evoques

Moyenne d’ensembledes 800 realisations

Une alternative # la variance

σ2x

$

k

%'& s2 $k

%σ2

p

(s

)1

*2 $

k

%

σ2d p2 ( σ2

n

$

k

%

29

Plan





Perspectives

30

Applications Recherche: IC

Problemes abordes dans le domaine de l’implant cochleaire :

Amelioration de la restitution de la sensation auditiveformation de voies et reduction de bruitCodage temps-frequence prenant en compte lescontraintes materielles

Analyse du phenomene acouphenique

7th Int. Cochlear Implant Conf. 02, IEEE EMBS 03

31

Plan





Perspectives

32

Methodes Recherche

Methodes abordees d’un point de vue theorique:

Analyse, detection, codage dans le plan temps-frequence

Estimation de frequences ”significatives” de faibleamplitude; estimation du fondamental et de sesharmoniques; suivi de frequences evolutives

Filtrage dependant de la forme des signaux (filtragepolynomial)

Methodes de sommation de signaux repetitifs presentantdes fluctuations d’echelle, de position ou plusgeneralement de forme

Classification des formes de signaux transitoires.

Estimation de rapports d’echelle temporelle entre signaux

Estimation de temps de retards entre signaux inconnus� �33

Methodes: estimation de retards

La solution (EMG) MV est donnee par le calcul:

τ� �

I ΦCT

�

CΦCT

�1C

�

τ

avec τ� �

τ12 � τ13 �� τ1k � τ23 �� τ2k �� τ +K �1 ,

K� T

La matrice de contrainte est de dimension

K 1

K 2 "

2 - K

K 1 "

2 � PB pour K grand !

L’analyse des PE σ2x k s2 k σ2

p s 1 2k σ2

d p2 σ2n k

la quantite ∑k σ2x k permet de mesurer la qualite d’une

resynchronisationla minimisation du critere ∑k σ2

x k permet d’estimer des

retards (realisable pour K grand) MV

34



τ� �

I ΦCT

�

CΦCT

�1C

�

τ

avec τ� �

τ12 � τ13 �� τ1k � τ23 �� τ2k �� τ +K �1 ,

K� T


K 1

K 2 "

2 - K

K 1 "


L’analyse des PE � σ2x

k

/. s2 k

σ2

p

�s

+1

,2

k

σ2d p2� σ2

n

k

� la quantite ∑k σ2x

k

permet de mesurer la qualite d’une

resynchronisation

la minimisation du critere ∑k σ2x k permet d’estimer des

retards (realisable pour K grand) MV

34



τ� �

I ΦCT

�

CΦCT

�1C

�

τ

avec τ� �

τ12 � τ13 �� τ1k � τ23 �� τ2k �� τ +K �1 ,

K� T


K 1

K 2 "

2 - K

K 1 "


L’analyse des PE � σ2x

k

/. s2 k

σ2

p

�s

+1

,2

k

σ2d p2� σ2

n

k

� la quantite ∑k σ2x

k

permet de mesurer la qualite d’une

resynchronisation� la minimisation du critere ∑k σ2x

k

permet d’estimer des

retards (realisable pour K grand)

0� MV

34

Plan





Perspectives

35

Valorisations et Collaborations

Les actions de valorisations/collaborations actuelles et futures:

Action Specifique ”Interpretation de signauxbiomedicaux conduite par modeles”Coordonateurs: Catherine MARQUE et Lofti SENHADJI.

Action Concertee Incitative ”Technologies pour laSante”, ”Classification automatique de l’onde P d’un ECGen vue du depistage de la fibrillation auriculaire”Coordonnateur general : Jean-Marc BOUCHER, ENST de Bretagne, Brest.

Contrat CIFRE ”Implants Cochleaires”Societe: MXM

36

Valorisations et Collaborations

Contrat bilateral CNRS/Acad. Sci. de Pologne(1997 1 2004) . Institut de Biocybernetique et GBM deVarsovie (R. MANIEWSKI)(ECGHA, Mapping cardiaque, Laser-Doppler)

Action Integree (en attente de reponse)Franco-Espagnole PICASSO ”Etude du rythme cardiaquea travers l’analyse des intervalles RR, PP et PR, dans lecadre de tests a l’effort”.Coordonateurs: P. Laguna (Univ. Saragosse) et O. Meste

37

Perspectives

Themes de recherche

Analyse des ondes P episode de fibrillationauricullaire (ECG)

Analyse des intervalles PR PP (ECG)

Poursuivre l’estimation de retards et d’echellesdans un cadre +statistique (estimateur a noyaux)

Developpement de la recherche en GBM

par l’elargissement de l’equipe et descollaborations

par la creation de filieres d’enseignements

38

?

39

?

40

Autres applications ?

41

Documents

Modelisations´ et Traitements de Signaux Biomedicaux´