Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features

Cette étude démontre que l'intégration de caractéristiques issues de l'opérateur de Koopman (via EDMD avec un dictionnaire à fonctions de base radiale optimisé) dans des transformateurs permet d'obtenir des performances supérieures à celles des méthodes basées uniquement sur les ondelettes pour la classification multiclasse des électrocardiogrammes.

L'essentiel

Voici une explication simple et imagée de cette recherche, comme si nous en parlions autour d'un café.

🩺 Le Problème : Lire le cœur comme un livre ouvert

Imaginez que le cœur est un orchestre complexe. L'électrocardiogramme (ECG) est la partition de musique que cet orchestre joue. Parfois, la musique est parfaite (c'est un cœur en bonne santé), et parfois, il y a des fausses notes, des rythmes cassés ou des instruments qui jouent trop fort (ce sont les maladies cardiaques).

Le défi pour les médecins et les ordinateurs, c'est de détecter instantanément si la musique est normale ou non, et si elle ne l'est pas, de dire exactement quel instrument pose problème (est-ce l'oreillette ? est-ce le ventricule ?).

Les ordinateurs actuels sont très forts pour écouter cette musique, mais ils ont parfois du mal à comprendre pourquoi une note est fausse, ou ils se perdent dans les détails quand il y a trop de types de maladies différents.

🚀 La Solution : Deux nouveaux "oreilles" magiques

Les chercheurs de cette étude ont essayé d'entraîner un cerveau artificiel très puissant (appelé un Transformateur, un peu comme un super-lecteur de livres) en lui donnant deux nouvelles façons d'écouter le cœur, au lieu de lui donner juste la partition brute.

Ils ont utilisé deux outils mathématiques spéciaux :

1. Les Ondeslettes (Wavelets) : Le "Lunettes à Rayons X" du temps.

   • L'analogie : Imaginez que vous regardez une vidéo de la musique. Les ondeslettes vous permettent de zoomer à la fois sur le moment précis où un bruit se produit (le temps) et sur la hauteur de la note (la fréquence). C'est comme si vous pouviez voir exactement quand et comment le cœur a raté un battement.
   • Résultat : C'est excellent pour dire simplement : "Est-ce que le cœur va bien ou pas ?" (Oui/Non).

2. L'Opérateur de Koopman : Le "Moteur de Prévision" invisible.

   • L'analogie : Imaginez que le cœur est une machine complexe avec des engrenages invisibles. L'opérateur de Koopman ne regarde pas juste la musique, il essaie de comprendre la mécanique derrière. Il transforme le mouvement chaotique du cœur en une série de lignes droites et de cycles simples, comme si on passait d'une danse folle à une marche militaire bien ordonnée. Cela permet de voir les "modes" de vibration du cœur.
   • Résultat : C'est un peu plus difficile à utiliser au début, mais quand on le règle parfaitement, c'est incroyable pour distinguer les différents types de maladies (est-ce une fibrillation ? un bloc ?).

🧪 L'Expérience : Qui gagne ?

Les chercheurs ont testé ces outils sur une énorme base de données de cœurs (le MIMIC-IV-ECG) avec deux missions :

1. Mission Simple : "Cœur sain ou malade ?" (Oui/Non).
2. Mission Complexe : "Cœur sain, ou alors c'est tel type de maladie, ou tel autre ?" (4 catégories).

Voici ce qu'ils ont découvert :

• Pour la mission simple (Sain/Malade) : Les Ondeslettes ont gagné la première manche. C'est comme si les lunettes à rayons X voyaient immédiatement les défauts grossiers.
• Pour la mission complexe (4 types de maladies) : L'opérateur de Koopman a pris le dessus. En comprenant la mécanique profonde du cœur, il a mieux distingué les nuances entre les différentes maladies.
• Le mélange (Hybride) : Les chercheurs ont pensé : "Et si on mélangeait les deux ?" (Ondeslettes + Koopman). Résultat : Ça a échoué !
  • L'analogie : C'est comme essayer de lire un livre en ayant les yeux collés à la fois à une loupe et à un télescope en même temps. Les deux outils se gênaient mutuellement et créaient du bruit. Le cerveau artificiel était confus.

🏆 La Victoire Finale : Le réglage fin

Le vrai secret n'était pas de mélanger les outils, mais de régler l'outil Koopman comme un instrument de musique.

Au début, l'outil Koopman était mal calibré. Les chercheurs ont passé du temps à ajuster ses "vis" (les paramètres mathématiques, comme le nombre de points de référence ou la sensibilité). Une fois que l'outil Koopman a été parfaitement accordé, il a battu tout le monde, même les ondeslettes, sur les deux missions.

💡 Ce qu'on retient (La morale de l'histoire)

1. La mécanique compte : Comprendre la dynamique profonde d'un système (avec Koopman) est souvent plus puissant que de juste regarder les formes (avec les ondeslettes), surtout quand les problèmes sont complexes.
2. Moins c'est parfois plus : Mélanger deux méthodes différentes ne fonctionne pas toujours. Parfois, il vaut mieux prendre une seule méthode et la perfectionner.
3. L'interprétabilité : Grâce à Koopman, on peut non seulement prédire la maladie, mais aussi "reconstruire" le battement de cœur pour voir exactement quelle partie de la mécanique a cassé. C'est comme avoir un plan d'architecte du cœur en plus du diagnostic.

En résumé, cette étude nous dit que pour soigner les cœurs avec l'IA, il ne suffit pas d'écouter la musique ; il faut comprendre la mécanique de l'orchestre, et pour cela, il faut régler ses instruments avec soin.

Résumé technique

Voici un résumé technique détaillé de l'article « Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features » en français.

1. Problématique

L'analyse des électrocardiogrammes (ECG) est cruciale pour le diagnostic des anomalies cardiaques. Cependant, la classification automatisée robuste reste un défi en raison de la complexité et de la variabilité des signaux physiologiques.

• Limites des méthodes actuelles : Les approches traditionnelles reposent sur des caractéristiques manuelles (domaine temps/fréquence), tandis que les modèles d'apprentissage profond (CNN, RNN) souffrent souvent d'un manque d'interprétabilité et de difficultés à capturer pleinement les dynamiques physiologiques sous-jacentes.
• Opportunité : Bien que les transformateurs (Transformers) excellent dans la modélisation des dépendances à long terme, l'intégration de théories des systèmes dynamiques avancées, comme l'opérateur de Koopman, avec des transformateurs pour l'analyse ECG reste peu explorée.

2. Méthodologie

Les auteurs proposent un pipeline hybride combinant l'extraction de caractéristiques basées sur la théorie des systèmes dynamiques et l'architecture Transformer.

• Données : Utilisation de la base de données publique MIMIC-IV-ECG. Deux tâches de classification sont définies :
  1. Classification binaire (Normal vs. Non-normal).
  2. Classification à quatre classes (Normal, Fibrillation Atriale, Arythmie Ventriculaire, Bloc de conduction).
• Extraction de caractéristiques :
  • Ondelettes (Wavelets) : Transformation en ondelettes discrète pour capturer la structure temps-fréquence localisée et les événements transitoires.
  • Opérateur de Koopman (via EDMD) : Utilisation de la Décomposition Dynamique Étendue (EDMD) pour approximer l'opérateur de Koopman. Cela permet de linéariser les dynamiques non linéaires du signal ECG dans un espace de fonctions de dimension supérieure.
    • Un dictionnaire de fonctions à base radiale (RBF) est employé.
    • Les caractéristiques extraites incluent les composantes réelles et imaginaires, les modules et les taux de croissance du spectre propre (eigenspectrum).
• Architecture de Classification :
  • Les tokens de caractéristiques (ondelettes ou Koopman) sont injectés dans un encodeur Transformer.
  • Une approche hybride simple (concaténation des deux types de caractéristiques) a été testée mais s'est révélée moins efficace.
  • Une réfinition des caractéristiques Koopman a été effectuée en ajustant finement les hyperparamètres de l'EDMD (dimension d'embedding, nombre de centres RBF, bande passante du noyau, troncature spectrale).
• Analyse de reconstruction : Le cadre de Koopman permet de reconstruire le signal ECG à partir des modes dominants, servant à valider la capacité du modèle à capturer les dynamiques essentielles (morphologie P-QRS-T).

3. Contributions Clés

1. Étude systématique : Première évaluation systématique des caractéristiques basées sur l'opérateur de Koopman couplées aux Transformers pour la classification ECG.
2. Benchmarking : Comparaison rigoureuse avec des bases de référence à ondelettes et des modèles RNN sur des signaux bruts.
3. Optimisation de l'EDMD : Démonstration qu'un choix approprié du dictionnaire EDMD (spécifiquement un dictionnaire RBF avec des paramètres affinés) est critique pour surpasser les méthodes traditionnelles.
4. Analyse d'interprétabilité : Utilisation de la reconstruction et du spectre de Koopman pour fournir des insights sur les modes dynamiques appris (ex: oscillations stables vs tendances décélérantes).

4. Résultats

Les performances sont évaluées via le score F1 sur un ensemble de test (moyenne sur 5 exécutions) :

• Classification Binaire :
  • Ondelettes + Transformer : Performant (F1 = 0,750), confirmant l'efficacité des représentations temps-fréquence pour détecter des anomalies générales.
  • Koopman + Transformer (initial) : Sous-performant (F1 = 0,697).
  • Système Hybride (Ondelettes + Koopman) : Dégradation des performances (F1 = 0,677), suggérant une redondance ou un manque d'alignement entre les espaces de caractéristiques.
  • Koopman + Transformer (Optimisé) : Meilleure performance globale (F1 = 0,786), surpassant à la fois le système à ondelettes et le système hybride.
• Classification à 4 Classes :
  • Koopman + Transformer (Optimisé) : Domine avec un F1 de 0,764, surpassant le système à ondelettes (F1 = 0,700). Cela indique que les modes dynamiques de Koopman capturent mieux les nuances spécifiques aux sous-types d'arythmies.
  • Le système hybride échoue également ici (F1 = 0,533).
• Reconstruction : L'erreur de reconstruction est faible, le modèle capturant fidèlement la morphologie P-QRS-T et le timing battement-à-battement. Le spectre des valeurs propres de Koopman montre une stabilité prédominante (valeurs proches du cercle unité).

5. Signification et Conclusion

• Supériorité de Koopman : Bien que les ondelettes soient excellentes pour la détection binaire simple, les caractéristiques de Koopman, lorsqu'elles sont correctement paramétrées, offrent une représentation dynamique supérieure pour la classification multi-classes complexe.
• Limites de la fusion naïve : La simple concaténation de caractéristiques hétérogènes (ondelettes et Koopman) ne suffit pas ; des stratégies de fusion plus sophistiquées (apprentissage de l'attention entre modalités) sont nécessaires.
• Interprétabilité : L'approche offre un avantage majeur par rapport aux "boîtes noires" des réseaux de neurones standards, permettant de visualiser les modes dynamiques sous-jacents aux arythmies.
• Perspectives : Ce travail ouvre la voie à l'intégration de la théorie des systèmes dynamiques dans l'IA médicale pour d'autres signaux (EEG, PPG) et suggère que l'optimisation rigoureuse des dictionnaires EDMD est la clé de la performance.

En résumé, l'article démontre que l'association de l'opérateur de Koopman (via EDMD optimisé) et des Transformers constitue une méthode puissante et interprétable pour la classification avancée des ECG, surpassant les approches basées uniquement sur les ondelettes ou les modèles séquentiels classiques.