Diagnostic et classification des maladies cardiaques à partir des signaux ECG à l’aide d’un CNN flou hybride optimisé par des algorithmes méta-heuristiques

Pourquoi des moniteurs cardiaques plus intelligents sont importants

Les maladies cardiaques restent la première cause de mortalité dans le monde, et de très faibles altérations du rythme électrique du cœur fournissent souvent les premiers signes d’alerte. Les médecins lisent ces traces électriques, appelées ECG, pour repérer des battements irréguliers dangereux, mais les signaux sont bruyants, complexes et continus. Cet article explore une nouvelle manière d’apprendre aux ordinateurs à lire les ECG plus comme des cardiologues experts, dans le but de détecter rapidement et de façon fiable les troubles du rythme potentiellement mortels.

Des électrodes sur la poitrine aux battements numériques

Tout ECG commence par de simples capteurs placés sur la peau pour capter l’activité électrique du cœur. Les lignes ondulées résultantes montrent comment les cavités supérieures et inférieures se contractent et se relâchent à chaque battement. De subtiles modifications de la forme et du timing de ces ondes peuvent indiquer des problèmes très différents : certains relativement inoffensifs, d’autres associés à un AVC ou à une mort cardiaque subite. Pourtant, les signaux ECG sont faibles, facilement perturbés par le mouvement et les interférences électriques, et peuvent varier même chez des sujets sains, ce qui rend l’analyse automatique fiable difficile.

Pourquoi certains battements irréguliers sont plus dangereux

Les chercheurs se concentrent sur sept motifs courants recommandés par une norme internationale pour les études du rythme cardiaque. Cela inclut les battements normaux, les battements ectopiques d’origine atriale, les battements ectopiques d’origine ventriculaire, les blocs de conduction, les battements de fusion qui mêlent deux signaux, et des battements difficiles à classer. Les battements ectopiques d’origine ventriculaire sont fortement liés à des rythmes rapides et chaotiques pouvant arrêter le cœur, tandis que certains battements ectopiques d’origine atriale signalent un risque accru d’AVC futur. Repérer correctement ces battements à risque parmi de nombreux battements normaux est crucial si les systèmes automatisés doivent aider les médecins à prendre des décisions en temps utile.

Transformer les battements en images pour que les ordinateurs voient

Plutôt que d’entrer les lignes sinueuses brutes directement dans un programme, l’équipe nettoie d’abord les signaux ECG pour éliminer les dérives lentes et le bruit secteur. Ils utilisent ensuite une stratégie de recherche inspirée du comportement des hardeaux de chevaux sauvages pour trouver la section la plus régulièrement répétée du battement de chaque personne. Avec ce calage temporel adapté, chaque court segment d’ECG est enroulé mathématiquement en une boucle et tracé sous forme d’image bidimensionnelle. Ces images préservent les formes clés de chaque battement tout en lissant le bruit et les variations aléatoires. Parallèlement, des caractéristiques temporelles classiques telles que l’espacement entre les battements et la durée des intervalles clés sont mesurées, offrant une seconde vue plus traditionnelle du rythme cardiaque.

Un cerveau mixte pour la reconnaissance des rythmes

Pour lire ces signaux enrichis, les auteurs construisent un modèle informatique hybride qui mélange deux approches. D’une part, un réseau profond d’analyse d’images parcourt les images ECG en plusieurs couches, apprenant à reconnaître des motifs visuels subtils liés à chaque type de rythme. D’autre part, une couche de logique floue, qui utilise des règles souples du type « si ceci, alors cela » plutôt que des décisions tranchées, combine ce que le réseau d’images a appris avec les caractéristiques temporelles. Une seconde stratégie de recherche inspirée du comportement animal, modélisée sur la chasse du puma, affine de manière conjointe tous les poids du réseau et les paramètres des règles floues, au lieu de s’appuyer sur des méthodes d’ajustement pas à pas standard qui peuvent rester bloquées dans de mauvaises solutions.

Performance du système

Le modèle est entraîné et testé sur une base de données ECG publique bien connue qui inclut des battements étiquetés par des experts pour 47 personnes, puis vérifié sur un jeu de données distinct à long terme pour évaluer sa généralisation. Sur la base principale, il classe correctement presque tous les battements au sein des sept groupes, avec une précision globale de 99,71 %. Fait particulièrement important, sa sensibilité pour les classes les plus dangereuses, les battements ectopiques ventriculaires et atriaux, augmente par rapport à des méthodes récentes concurrentes. Des contrôles statistiques détaillés montrent que les caractéristiques utilisées pour prendre les décisions correspondent à des marqueurs médicaux connus, comme des variations de l’espacement battement à battement et des temps de récupération.

Ce que cela signifie pour les patients et les cliniciens

Concrètement, ce travail montre que remodeler les signaux ECG en images et les combiner avec un raisonnement basé sur des règles peut aider les ordinateurs à distinguer avec une très grande fiabilité les rythmes cardiaques dangereux des rythmes bénins. Sans remplacer les cardiologues, un tel système pourrait soutenir des moniteurs de chevet plus intelligents, des dispositifs portables ou des outils de télémédecine qui signalent en temps réel des motifs inquiétants, permettant aux experts humains de se concentrer sur les cas les plus urgents.

Citation: Davani, M., Taghizadeh, M., Pirbonyeh, M.A. et al. Heart disease diagnosis and categorization from ECG signals using hybrid Fuzzy-CNN machine optimized by meta-heuristic algorithms. Sci Rep 16, 16001 (2026). https://doi.org/10.1038/s41598-026-43637-y

Mots-clés: arythmie ECG, rythme cardiaque, apprentissage profond, logique floue, IA médicale