Etude des signaux ECG

Table des matières

Introduction générale
Introduction a l’état de l’art
L’état de l’art : l’utilisation de l’intelligence artificielle pour classifier l’ECG
Chapitre 1 Etude des signaux ECG
1.1. Introduction
1.2. Anatomie du coeur
1.3. Activité mécanique cardiaque
1.4. La conduction électrique du coeur
1.5. Principe de l’électrocardiogramme (ECG)
1.5.1. Les dérivations
1.5.2. Ondes et Intervalles de L’ECG
1.6. Troubles du rythme et de la conduction cardiaque
1.6.1. Rythme sinusal
1.6.2. Blocs cardiaques
1.6.2.1. Bloc Sino-Auriculaire (Bloc SA)
1.6.2.2. Blocs Auriculo-Ventriculaire (BAV)
1.6.2.3. Blocs de branche
1.7. Les arythmies cardiaques
1.7.1. Extrasystoles supra-ventriculaires
1.7.2. Contraction ventriculaire prématurée (extrasystole ventriculaire)
1.7.3. La tachycardie supra-ventriculaire
1.7.4. La fibrillation auriculaire
1.7.5. La tachycardie ventriculaire
1.7.6. Fibrillation ventriculaire
1.8. Artefacts visibles sur l’électrocardiogramme
1.8.1. Bruits techniques
1.8.2. Artefacts physiques
1.9. Conclusion
Chapitre 2 Réseaux de neurones
2.1. Introduction
2.2. Neurone biologique
2.3. Neurone artificiel (formel)
2.4. Historique
2.5. Le perceptron ?
2.6. Règle d’apprentissage du perceptron
2.7. Architecture des réseaux de neurones
2.7.1. Les réseaux de neurones non bouclés (en Anglais feedforward)
2.7.2. Les réseaux de neurones bouclés (récurrents
2.8. Les types d’apprentissage des réseaux de neurones
2.8.1. L’apprentissage supervisé
2.8.2. L’apprentissage non supervisé
2.9. Les réseaux de neurones les plus utilisés
2.10. Descente du gradient ou la fameuse règle delta
2.10.1. La descente de gradient
2.10.2. La descente de gradient stochastique
2.10.3. La règle delta
2.11. Réseaux de neurones multicouches(MLP)
2.12. L’algorithme de rétro-propagation du gradient
2.13. Les capacités d’un réseau de neurones
2.14. Les différentes applications de RNA
2.15. Problèmes et inconvénients
2.15.1. Trouver une bonne structure
2.15.2. Temps d’apprentissage
2.15.3. Structure statique
2.15.4. Over-fitting(sur apprentissage )
2.15.5. Réseau boîte noire
2.16. Avantages d’un réseau de neurones
2.16.1. Temps de réponse
2.16.2. Large panel de fonctions
2.16.3. Apprentissage résistant à l’erreur
2.17. Conclusion
Chapitre 3
3.1. Introduction
3.2. Définition du concept d’agent
3.3. Architectures d’agents
3.3.1. Agents réactifs
3.3.1.1. Agents à réflexe simples
3.3.1.2. Agents conservant une trace du monde
3.3.2. Agents délibératifs
3.3.2.1. Agents ayant des buts
3.3.2.2. Agents utilisant une fonction d’utilité
3.3.3. Agents hybrides
3.4. Agents et apprentissage
3.5. Systèmes multi-agents SMA
3.5.1. Les avantages du SMA
3.5.2. Interactions entre agents
3.6. conclusion
Chapitre 4  Expérimentations, résultats et discussions
4.1. Introduction
4.2. Les anomalies cardiaques traitées
4.3. La base de donnée MIT-BIH
4.4. La chaîne de traitement du signal ECG abordée (détection, classification ou diagnostic)
4.5. Préparation de la base de données et premières évaluations
4.6. Description et étude du Classifieur SMA Proposé
4.7. Outil ECGMASNNC
4.8. Conclusion
Conclusion Générale