Une évaluation reproductible des algorithmes de détection des QRS sur des jeux de données ECG et des conditions de bruit variés

Pourquoi suivre chaque battement compte

Chaque battement de votre cœur laisse une petite signature électrique sur un électrocardiogramme, ou ECG. Localiser précisément le pic de chaque battement est essentiel pour calculer la fréquence cardiaque et les variations subtiles entre battements qui révèlent le stress, la qualité du sommeil et le risque de maladie cardiaque. À mesure que les capteurs ECG passent des moniteurs hospitaliers aux bracelets et sangles thoraciques, les chercheurs doivent savoir quelles méthodes informatiques peuvent encore retrouver ces pics de façon fiable lorsque la vie réelle apporte mouvement, bruit et données imparfaites.

Le défi de trouver des pics propres dans des signaux brouillés

L’étude se concentre sur la détection d’un point précis du signal ECG appelé pic R, le pic aigu qui marque chaque battement. Ces pics servent de points de référence pour la fréquence cardiaque et pour la variabilité de la fréquence cardiaque, une mesure utilisée en cardiologie, neurologie et recherche sur le stress. Dans des conditions idéales, les pics sont faciles à repérer, mais dans des enregistrements réels le signal est déformé par le mouvement du corps, des électrodes lâches, des interférences électriques et des différences naturelles entre individus, en particulier chez ceux présentant des rythmes irréguliers. Même un seul pic manqué ou détecté à tort peut fausser les analyses ultérieures, si bien que la question n’est pas seulement de savoir dans quelle mesure une méthode fonctionne sur des données propres, mais à quel point elle reste fiable à travers de nombreuses personnes et situations d’enregistrement.

Construire un banc d’essai commun pour les détecteurs de battements

Pour répondre à cela, les auteurs ont constitué un benchmark reproductible de 17 méthodes de détection des pics R. Celles-ci couvrent des techniques classiques de traitement du signal qui appliquent des filtres et des règles mathématiques, ainsi que des modèles d’apprentissage automatique et d’apprentissage profond qui apprennent des motifs à partir des données. Toutes les méthodes ont été évaluées de la même façon sur cinq bases de données ECG ouvertes de la plateforme PhysioNet, couvrant la surveillance à long terme, des enregistrements au repos, le mouvement lors de la marche et de la course, des rythmes cardiaques irréguliers, et des enregistrements mélangés à du bruit artificiel. Pour les méthodes basées sur l’apprentissage, les chercheurs ont entraîné chaque modèle uniquement sur un jeu de données public séparé puis figé ses paramètres, de sorte que les tests reflètent la capacité des modèles à généraliser sur de nouveaux patients et des conditions qu’ils n’ont jamais vues.

Qui l’emporte : règles ajustées manuellement ou modèles appris

Sur plus d’un million de battements, des tendances claires sont apparues. Les méthodes classiques de traitement du signal, en particulier une approche appelée Blocks of Interest, ont fourni les performances les plus régulières lorsque toutes les bases de données ont été regroupées. Un réseau de neurones récurrent qui analyse des séquences de battements a excellé dans les enregistrements les plus bruités, maintenant une précision supérieure à la plupart des rivaux lorsque le signal était fortement contaminé. Les modèles d’apprentissage profond pouvaient très bien fonctionner sur certains jeux de données, en particulier sous fort bruit, mais leurs résultats avaient tendance à chuter davantage lorsque les nouvelles données différaient du matériel d’entraînement. Les méthodes de référence plus anciennes supposant un rythme cardiaque très régulier ont peiné avec les enregistrements de patients présentant des arythmies, où le rythme est irrégulier par définition.

Ce que le bruit et le mouvement font aux chiffres

En comparant les conditions, les auteurs ont montré comment différentes sources de perturbation affectent les performances. Tous les algorithmes ont très bien fonctionné sur des enregistrements détendus au repos et sur des données de mouvement provenant de sujets assis. Dès que les participants ont commencé à marcher ou courir, la qualité de détection a légèrement mais systématiquement diminué pour presque chaque méthode, reflétant l’impact du mouvement sur les capteurs portables. Dans le cas extrême de la base de données dédiée au stress de bruit, les scores globaux ont chuté pour toutes les approches, mais le réseau de neurones récurrent est resté relativement stable, suggérant que l’utilisation du contexte sur plusieurs battements l’aide à traverser le désordre. Ces modèles indiquent qu’aucun détecteur unique n’est le meilleur partout et que combiner des méthodes ou changer de stratégie en fonction du niveau de bruit estimé pourrait être bénéfique.

Ce que cela signifie pour les médecins, les dispositifs et les chercheurs

Pour les cliniciens et les développeurs d’appareils portables, le message clé est pratique : si vous avez besoin d’un algorithme qui fonctionne bien immédiatement sur de nombreux types d’ECG, les approches éprouvées de traitement du signal restent un choix sûr, tandis que les méthodes d’apprentissage profond peuvent nécessiter des jeux d’entraînement soigneusement choisis et diversifiés pour éviter les surprises dans de nouveaux contextes. Les auteurs fournissent également leur code complet, les liens vers les données et les scripts d’évaluation sous forme de cadre ouvert, afin que les équipes futures puissent intégrer de nouveaux algorithmes et les tester dans les mêmes conditions. Plutôt que de couronner un seul vainqueur, le travail cartographie les forces et les faiblesses des méthodes principales et encourage la communauté à construire des outils plus robustes et partageables pour lire les rythmes du cœur.

Citation: Wolf, S.M., Rahlmeier, T., Lustfeld, S. et al. A reproducible benchmark of QRS detection algorithms across diverse ECG datasets and noise conditions. Sci Rep 16, 15748 (2026). https://doi.org/10.1038/s41598-026-53724-9

Mots-clés: ECG, détection du pic R, variabilité de la fréquence cardiaque, traitement du signal, apprentissage profond