A Review of Deep Learning Methods for Photoplethysmography Data

Cet article de revue examine l'impact des méthodes d'apprentissage profond sur l'analyse des signaux photopléthysmographiques (PPG) entre 2017 et 2025, en mettant en évidence leurs performances supérieures par rapport aux approches traditionnelles tout en identifiant les défis persistants liés aux données, à la validation réelle et à l'interprétabilité des modèles.

L'essentiel

🩺 Le Pouls Numérique : Comment l'Intelligence Artificielle écoute votre cœur

Imaginez que votre poignet porte une petite fenêtre magique. C'est ce qu'on appelle un capteur PPG (pléthysmographie par photopléthysmographie). C'est la petite lumière verte qui clignote au dos de votre montre connectée ou de votre bague intelligente. Elle ne fait pas que compter vos battements de cœur ; elle "regarde" comment le sang circule dans vos veines, un peu comme un pêcheur qui observe les vagues pour deviner la taille du poisson sous l'eau.

Mais il y a un problème : le sang fait des milliards de mouvements complexes, et les humains ne peuvent pas analyser tout ça à l'œil nu. C'est là qu'intervient l'Intelligence Artificielle (IA), et plus précisément le Deep Learning (l'apprentissage profond).

Cet article est comme un guide de voyage qui résume tout ce que les chercheurs ont appris entre 2017 et 2025 sur la façon dont l'IA apprend à lire ces signaux de pouls.

1. La Mission : De la simple mesure à la prédiction

Autrefois, les montres ne faisaient que dire : "Vous avez 70 battements par minute". C'est utile, mais c'est comme regarder l'heure sur une horloge.

Aujourd'hui, grâce au Deep Learning, l'IA apprend à lire l'histoire complète racontée par le sang. L'article montre que l'IA peut maintenant :

• Prédire la pression artérielle sans avoir besoin du brassard gonflable (le "tensiomètre" classique).
• Détecter le sommeil et les apnées (quand on arrête de respirer la nuit) juste en regardant le pouls.
• Repérer le stress ou les émotions (comme la joie ou la peur) en sentant les changements subtils dans la circulation sanguine.
• Même reconstruire un électrocardiogramme (ECG) complet à partir d'un simple signal de pouls, un peu comme si l'IA pouvait dessiner le portrait complet d'un visage à partir d'une simple photo de profil.

2. Les Outils : Comment l'IA "apprend" ?

Les chercheurs ont analysé 460 études pour voir quelles "cerveaux" d'IA fonctionnent le mieux. Ils ont classé ces cerveaux en trois catégories principales, que l'on peut imaginer ainsi :

• Les CNN (Réseaux de neurones convolutifs) : Imaginez un détective qui cherche des empreintes. Il regarde de très près la forme de chaque battement de cœur (les pics, les creux) pour trouver des motifs locaux. C'est l'outil le plus populaire car il est très bon pour repérer les détails immédiats.
• Les RNN et CRNN (Réseaux récurrents) : Imaginez un romancier qui lit une histoire. Il ne regarde pas juste une phrase, mais il se souvient de ce qui s'est passé avant pour comprendre ce qui va arriver après. C'est parfait pour comprendre l'évolution du pouls dans le temps.
• Les Transformers : Ce sont les super-héros de la mémoire. Ils peuvent relier des événements très éloignés dans le temps (comme comparer votre pouls d'aujourd'hui avec celui d'il y a une heure) pour comprendre les tendances à long terme. Ils sont très puissants mais ont besoin de beaucoup de données pour apprendre.

3. Le Défi : La cuisine et les ingrédients

Pour qu'un chef (l'IA) fasse un bon plat, il faut de bons ingrédients. Ici, les ingrédients sont les données (les enregistrements de pouls).

• Le problème : Il y a trop peu de recettes de haute qualité. La plupart des données viennent d'hôpitaux (des patients malades) et non de gens normaux dans leur vie quotidienne.
• Le bruit : Dans la vraie vie, quand vous courez ou bougez, le signal devient "bruyant", comme une radio qui capte des interférences. L'IA doit apprendre à filtrer ce bruit pour ne pas se tromper.
• La diversité : Tout le monde est différent (couleur de peau, âge, forme du corps). Une IA entraînée uniquement sur des personnes blondes pourrait mal fonctionner sur des personnes à la peau plus foncée. Il faut des données variées pour que l'IA soit juste pour tout le monde.

4. Le Futur : Vers un médecin de poche

L'article conclut sur une note très optimiste. L'avenir n'est pas seulement de mesurer, mais de comprendre.

• L'IA générative : Imaginez une IA capable de créer des signaux de pouls artificiels pour entraîner d'autres IA, comme un simulateur de vol pour les pilotes.
• Les Agents IA : Bientôt, votre montre ne se contentera pas de vous dire "vous êtes stressé". Elle pourrait discuter avec vous, analyser vos données avec votre dossier médical, et vous donner des conseils personnalisés, comme un assistant de santé personnel qui ne dort jamais.

En résumé

Cet article nous dit que nous sommes passés de l'ère du "compteur de battements" à l'ère de la "lecture de l'âme du sang". L'IA devient de plus en plus experte pour transformer un simple signal lumineux en une mine d'informations sur notre santé.

Cependant, pour que cette technologie devienne fiable pour tout le monde, il faut encore :

1. Collecter plus de données (de vraies vies, pas juste des hôpitaux).
2. S'assurer que l'IA est juste pour tous (pas de biais).
3. Rendre ces systèmes assez légers pour fonctionner sur nos petites montres sans vider la batterie.

C'est une révolution silencieuse qui se joue sous nos yeux (et sur nos poignets) : notre corps parle, et l'IA apprend enfin à le comprendre.

Résumé technique

1. Problématique et Contexte

La pléthysmographie par impulsion (PPG) est une technique de détection optique non invasive largement utilisée pour capturer des informations hémodynamiques, notamment dans les systèmes de surveillance clinique et les dispositifs portables (montres connectées, bagues, etc.). Elle permet de mesurer des paramètres vitaux tels que la fréquence cardiaque (HR) et la saturation en oxygène (SpO2).

Cependant, l'expansion rapide des dispositifs portables a entraîné une explosion du volume de données PPG collectées. Les méthodes traditionnelles d'analyse, basées sur l'ingénierie manuelle de caractéristiques (handcrafted features), présentent plusieurs limites :

• Elles dépendent fortement de l'expertise humaine et sont laborieuses.
• Elles peuvent introduire des biais et manquer de capacité à capturer la complexité complète des signaux physiologiques.
• Elles peinent à traiter efficacement des données à grande échelle et complexes.

L'apprentissage profond (Deep Learning - DL) offre une alternative puissante en permettant un apprentissage de bout en bout (end-to-end), où l'extraction de caractéristiques et la modélisation sont optimisées conjointement. Malgré des revues antérieures sur des applications spécifiques (comme la détection de la fibrillation auriculaire ou l'estimation de la pression artérielle), il manquait une vue d'ensemble complète se concentrant spécifiquement sur les méthodes d'apprentissage profond appliquées aux données PPG.

2. Méthodologie

Les auteurs ont réalisé une revue systématique et exhaustive de la littérature scientifique publiée entre le 1er janvier 2017 et le 31 décembre 2025.

• Sources de données : Recherche effectuée sur Google Scholar, PubMed et Dimensions.
• Requête de recherche : ("deep learning" OR "DL") AND ("photoplethysmography" OR "PPG").
• Critères d'inclusion/exclusion :
  • Inclus : Articles en anglais, se concentrant sur des données PPG de contact, utilisant des méthodes d'apprentissage profond, et incluant une évaluation quantitative.
  • Exclus : Articles non en anglais, ne se concentrant pas sur le PPG de contact, n'utilisant pas de DL, ou manquant d'évaluation quantitative.
• Sélection finale : Sur 1 168 articles initiaux, 460 articles ont été retenus après un processus rigoureux de criblage (suppression des doublons, examen des titres/résumés, et revue du texte intégral).
• Analyse : Les études incluses ont été analysées selon trois axes principaux :
  1. Tâches (Applications cliniques et non cliniques).
  2. Modèles (Architectures d'apprentissage profond utilisées).
  3. Données (Ensembles de données utilisés et leurs caractéristiques).

3. Contributions Clés et Résultats

La revue catégorise les 460 études en 11 groupes de tâches majeurs et analyse les tendances architecturales.

A. Domaines d'Application (Tâches)

Les applications s'étendent bien au-delà de la simple mesure de la fréquence cardiaque :

• Analyse de la pression artérielle (BP) (N=154) : C'est le domaine le plus étudié. Les tâches incluent la classification (hypertension) et l'estimation de valeurs (SBP, DBP) ou la reconstruction de l'onde de pression artérielle continue (ABP). Une tendance émergente vise à modéliser les variations temporelles et les tendances à long terme plutôt que des estimations instantanées.
• Surveillance et diagnostic cardiovasculaire (N=106) : Détection d'arythmies (FA, extrasystoles), d'infarctus du myocarde, d'insuffisance cardiaque, et estimation de la rigidité artérielle.
• Santé du sommeil (N=27) : Classification des stades de sommeil et détection de l'apnée du sommeil, souvent en utilisant des stratégies de transfert d'apprentissage depuis l'ECG.
• Santé mentale (N=31) : Détection du stress et reconnaissance des émotions (classification binaire ou régression de scores).
• Analyse de la glycémie (N=31) : Estimation non invasive du glucose, bien que cela reste un défi majeur.
• Traitement du signal (N=41) : Évaluation de la qualité du signal (SQA), débruitage, et correction d'artefacts de mouvement.
• Autres applications : Reconnaissance d'activité humaine, identification biométrique, reconstruction de l'ECG à partir du PPG, et détection de pathologies systémiques (sepsis, COVID-19).

B. Architectures de Modèles

• CNN (Réseaux de neurones convolutifs) : Architecture dominante (283 études). Idéale pour capturer les motifs morphologiques locaux (pics systoliques, encoches dicrotiques) avec un coût computationnel faible.
• CRNN (Hybrides CNN-RNN) : Très populaire (96 études). Combine l'extraction de caractéristiques locales des CNN avec la modélisation des dépendances temporelles des RNN (LSTM/GRU).
• RNN (240 études au total incluant les hybrides) : Moins utilisés seuls en raison de difficultés d'optimisation sur de longues séquences et de coûts de calcul élevés.
• Transformers (38 études) : En croissance. Offrent une modélisation des dépendances à long terme via l'attention, mais leur adoption est limitée par le manque de grands ensembles de données PPG et la complexité computationnelle quadratique.
• Modèles Génératifs : Autoencodeurs (AE), GANs et modèles de diffusion (émergents) sont utilisés pour la reconstruction de signaux, le débruitage et la génération de données synthétiques. L'architecture U-Net est fréquemment utilisée comme colonne vertébrale pour ces tâches.

C. Données et Défis

• Disponibilité des données : La majorité des études reposent sur des ensembles de données open-source (UK Biobank, MIMIC-III/IV, VitalDB, PPG-DaLiA).
• Limites : Manque de grands ensembles de données de haute qualité provenant de scénarios de la vie réelle (hors hôpital), variabilité inter-sujets importante (teint de peau, âge, pathologies), et absence de protocoles de prétraitement standardisés.

4. Signification et Perspectives

Cette revue met en lumière l'impact transformateur de l'apprentissage profond sur l'analyse PPG :

1. Élargissement des capacités : Le DL permet d'extraire des informations physiologiques complexes et systémiques (au-delà de la hémodynamique cardiovasculaire) qui étaient auparavant inaccessibles par l'ingénierie de caractéristiques manuelle.
2. Flexibilité et Performance : Les méthodes DL surpassent généralement les approches traditionnelles en termes de performance et offrent une plus grande flexibilité dans le développement de modèles.
3. Défis critiques à relever :
   • Données : Nécessité de créer des ensembles de données à grande échelle, diversifiés et standardisés.
   • Validation : Besoin urgent de validations rigoureuses dans des environnements réels (vie quotidienne) plutôt que seulement en milieu clinique contrôlé.
   • Interprétabilité : Les modèles doivent devenir plus explicables pour gagner la confiance des cliniciens.
   • Efficacité : Équilibre entre la complexité du modèle et l'efficacité computationnelle pour le déploiement sur des dispositifs portables à ressources limitées.
4. Avenir : L'émergence des modèles de fondation (foundation models) pré-entraînés sur de vastes quantités de données non étiquetées, ainsi que l'intégration des Grands Modèles de Langage (LLM) pour l'analyse multimodale (signaux + dossiers médicaux), ouvrent la voie vers une santé personnalisée et intelligente.

En conclusion, bien que l'apprentissage profond ait considérablement avancé l'analyse PPG, la transition vers des applications cliniques fiables et généralisables dépendra de la résolution des problèmes liés à la qualité des données, à la standardisation et à la robustesse des modèles dans le monde réel.