XGBoost Optimization using Single Lead ECG based on Multi-feature of ECG Morphologies for Automatic Sleep Disorder Classification

Le sommeil n'est pas simplement une pause dans notre journée ; c'est un processus biologique vital qui restaure nos corps et nos esprits. Lorsque ce repos est perturbé, les conséquences peuvent être graves, allant de la fatigue chronique à de graves pathologies cardiaques. L'une des perturbations les plus courantes et les plus dangereuses est l'apnée du sommeil, une affection où la respiration d'une personne s'arrête et reprend de manière répétée pendant la nuit. Pendant des décennies, la seule façon fiable de diagnostiquer ce trouble a été un test hospitalier complexe appelé polysomnographie. Cette procédure implique la fixation d'une douzaine de capteurs sur le corps d'un patient pour surveiller les ondes cérébrales, l'activité musculaire et les rythmes cardiaques pendant son sommeil. Bien qu'efficace, le processus est encombrant, coûteux et souvent inconfortable, menant à une situation où la grande majorité des personnes souffrant d'apnée du sommeil ne sont jamais diagnostiquées parce qu'elles ne subissent jamais le test.

Pour résoudre ce problème, les chercheurs ont porté leur attention sur un signal plus simple : l'électrocardiogramme, ou ECG, qui enregistre l'activité électrique du cœur. Le cœur ne bat pas selon un rythme parfaitement régulier ; sa vitesse et sa force changent subtilement en réponse à la respiration et à d'autres fonctions corporelles. Chez les personnes souffrant d'apnée du sommeil, ces changements subtils suivent un schéma distinct qui diffère de celui des dormeurs sains. Le défi a été d'apprendre à un ordinateur à reconnaître ces schémas automatiquement, sans avoir besoin d'un expert humain pour examiner manuellement des heures de données. Une nouvelle étude de la Politeknik Negeri Batam en Indonésie propose une solution qui utilise un seul fil pour enregistrer le cœur et un outil mathématique puissant pour interpréter les données, offrant une voie potentielle vers un dépistage simple et à domicile des troubles du sommeil.

Les chercheurs ont commencé par rassembler une large collection d'enregistrements cardiaques à partir d'une base de données publique, où chaque minute du signal avait déjà été étiquetée par des experts médicaux comme étant soit « apnée », soit « normale ». Ils se sont concentrés sur des enregistrements d'environ seize minutes, une durée choisie pour capturer suffisamment de détails cliniques pour distinguer les deux états. Avant que l'ordinateur puisse apprendre de ces données, l'équipe a dû nettoyer les signaux. Tout comme une photographie peut être ruinée par de la poussière ou une main tremblante, les enregistrements cardiaques peuvent être déformés par des interférences électriques ou le mouvement du corps du patient. L'équipe a utilisé des filtres numériques pour éliminer ces bruits indésirables, garantissant que le véritable rythme du cœur soit visible et clair.

Une fois les signaux nettoyés, les chercheurs ont été confrontés à la tâche de traduire les battements de cœur bruts en un langage compréhensible par un ordinateur. Au lieu de regarder uniquement la fréquence cardiaque, ils ont décomposé les données en vingt-six caractéristiques différentes, ou « traits », qui décrivent la forme et le comportement des ondes électriques du cœur. Certaines de ces caractéristiques mesuraient le temps entre les battements de cœur, tandis que d'autres analysaient la stabilité du rythme au fil du temps. Ils ont également examiné la forme spécifique du pic principal de l'onde électrique du cœur, connu sous le nom de complexe QRS, en mesurant sa hauteur et sa largeur. Pour capturer des motifs encore plus profonds, ils ont appliqué des techniques mathématiques avancées qui examinaient comment le rythme cardiaque fluctue sur de courtes et de longues périodes, traitant le signal comme une structure complexe et auto-similaire plutôt que comme une simple ligne. Cette approche multidimensionnelle a permis de s'assurer que l'ordinateur dispose d'une image complète du comportement du cœur, et non d'un simple instantané.

Avec ces caractéristiques préparées, l'équipe a entraîné un algorithme d'apprentissage automatique sophistiqué appelé XGBoost. Considérez cet algorithme comme une équipe de nombreux décideurs simples travaillant ensemble. Chaque membre de l'équipe examine une petite partie des données et fait une supposition sur la présence d'un événement d'apnée chez le patient. L'équipe combine ensuite ces suppositions, corrigeant les erreurs des membres précédents, jusqu'à arriver à une conclusion unique et hautement précise. Les chercheurs ont passé un temps considérable à ajuster les paramètres de cet algorithme, en modifiant la profondeur de son analyse des données et la rapidité de son apprentissage, pour s'assurer qu'il ne se contente pas de mémoriser les exemples d'entraînement mais qu'il puisse réellement reconnaître de nouveaux schémas. Ils ont également testé quelles caractéristiques parmi les vingt-six étaient les plus importantes, trouvant que le temps entre les battements de cœur et la forme spécifique des pics électriques étaient les indicateurs les plus fiables.

Les résultats de cette approche ont été frappants. Lorsqu'il a été testé sur des données qu'il n'avait jamais vues auparavant, le système a identifié correctement les événements d'apnée du sommeil avec une précision de 96,1 %. Il s'est montré exceptionnellement efficace pour écarter les dormeurs sains, atteignant un score parfait de 100 % pour identifier ceux qui n'avaient pas le trouble, tout en détectant 92,1 % des cas réels d'apnée. Comparé à d'autres méthodes courantes utilisées dans la recherche médicale, telles que les réseaux de neurones standards ou les modèles statistiques plus simples, ce système optimisé les a tous surpassés. L'étude démontre qu'en combinant une analyse détaillée de la forme et du rythme du cœur avec un algorithme d'apprentissage puissant, il est possible de détecter les troubles du sommeil avec un niveau de précision qui rivalise avec les tests hospitaliers complexes à capteurs multiples. Cela suggère que, dans un avenir proche, un dispositif simple à dérivation unique pourrait fournir une première étape fiable pour diagnostiquer l'apnée du sommeil, rendant le processus accessible à beaucoup plus de personnes que jamais auparavant.