A novel EMG artifact removal algorithm based on complete local convolutional sparse dictionary learning in ECG signals

Le cœur humain bat selon un rythme sur lequel les médecins comptent depuis longtemps pour évaluer la santé, une impulsion électrique régulière capturée sur une bande de papier ou un écran numérique. Cet enregistrement, connu sous le nom d'électrocardiogramme, ou ECG, cartographie l'activité électrique du cœur au fil du temps, révélant des ondes distinctes qui correspondent à la contraction et à la relaxation de l'organe. Cependant, la capture de ce signal est rarement un processus propre. Le corps est un environnement bruyant, et les minuscules courants électriques générés par le cœur sont facilement noyés par les signaux électriques beaucoup plus importants et chaotiques produits par les muscles squelettiques. Lorsqu'une personne bouge, frissonne ou se contente de contracter ses muscles, ces signaux musculaires, appelés électromyogrammes, ou EMG, s'immiscent dans l'enregistrement cardiaque. Comme les fréquences du bruit musculaire et des signaux cardiaques se chevauchent de manière significative, le simple fait de filtrer le bruit élimine souvent le signal cardiaque avec lui, laissant les médecins face à une image déformée qui peut masquer des conditions potentiellement mortelles ou créer de fausses alertes.

Pendant des décennies, les chercheurs ont cherché un moyen de séparer le battement régulier du cœur du bavardage aléatoire des muscles sans perdre les détails délicats de la forme du cœur. Les méthodes traditionnelles reposent souvent sur le découpage du signal en petits morceaux gérables pour les analyser, mais cette approche peut accidentellement fragmenter les caractéristiques mêmes dont les médecins ont besoin, créant des pics artificiels ou en manquant de réels. Une nouvelle étude menée par des chercheurs de l'Université d'ingénierie et de sciences de Shanghai et de l'University College Dublin propose une voie différente. Ils ont développé une méthode qui ne découpe pas le signal en morceaux, mais apprend plutôt la forme unique du battement de cœur directement à partir de l'enregistrement bruyant, apprenant ainsi à l'ordinateur à reconnaître la voix du cœur même lorsqu'elle crie au milieu d'une foule de bruits musculaires.

L'approche des chercheurs repose sur l'idée que le signal électrique du cœur est répétitif et prévisible, tandis que le bruit musculaire est aléatoire et chaotique. Ils ont créé un système qui agit comme un auditeur hautement qualifié, capable d'identifier le motif spécifique d'un battement de cœur au milieu de la confusion. Au lieu de forcer les données dans des formes fixes et prédéfinies, le système construit un dictionnaire de motifs personnalisé en étudiant le signal bruyant lui-même. Il recherche les brèves et vives poussées d'énergie qui constituent le battement cardiaque, connues sous le nom de complexes QRS, et apprend à les isoler. Ce qui distingue cette nouvelle méthode est sa façon de traiter les données. Plutôt que de traiter l'enregistrement entier à la fois ou de le découper en segments arbitraires, le système se concentre uniquement sur les minuscules régions actives où le signal cardiaque existe. Il ignore les vastes étendues de silence ou de pur bruit, mettant à jour sa compréhension du motif du battement de cœur uniquement là où le signal est réellement présent. Cette stratégie permet à l'ordinateur de travailler beaucoup plus vite et avec beaucoup moins de mémoire, rendant possible le traitement de longs enregistrements d'activité cardiaque sans être ralenti.

Pour tester l'efficacité de cette méthode, les chercheurs l'ont appliquée à deux collections bien connues d'enregistrements cardiaques : l'une contenant des rythmes cardiaques standards et l'autre remplie d'interférences musculaires sévères. Ils ont comparé leur nouvelle technique à plusieurs méthodes existantes, y compris des décompositions mathématiques complexes et des modèles d'intelligence artificielle modernes. Les résultats ont montré que, tandis que les autres méthodes peinaient à distinguer le cœur du bruit, laissant souvent derrière elles des ondes déformées ou créant de faux battements cardiaques, la nouvelle méthode a réussi à éliminer l'interférence musculaire. Elle a restauré le signal cardiaque avec une clarté remarquable, préservant les pics acérés et les courbes lisses dont les médecins ont besoin pour établir un diagnostic. Dans les tests où le bruit musculaire était si fort que le signal cardiaque était presque invisible, la nouvelle méthode a tout de même réussi à récupérer le battement de cœur, alors que les autres approches n'ont pas pu produire une image exploitable.

L'étude a également examiné la performance de cette nouvelle technique sous différentes conditions, telles que la variation de la longueur des segments de données ou le changement de la quantité de bruit. Contra contrairement aux anciennes méthodes qui nécessitaient que les données soient découpées en longueurs spécifiques pour fonctionner correctement, la nouvelle approche s'est révélée flexible, délivrant des résultats précis quel que soit l'arrangement des données. Cette indépendance vis-à-vis d'un formatage de données rigide est un avantage significatif pour les applications réelles, où les signaux cardiaques peuvent varier considérablement en vitesse et en durée. De plus, les chercheurs ont démontré que la méthode est suffisamment efficace pour fonctionner sur des appareils mobiles, une étape cruciale pour l'avenir de la technologie de santé portable. En traitant le signal localement et rapidement, elle pourrait un jour permettre aux montres intelligentes ou aux moniteurs portables de nettoyer les données cardiaques en temps réel, fournissant un retour immédiat et précis aux utilisateurs et aux médecins.

Au-delà du simple nettoyage du signal, les chercheurs ont vérifié que les battements de cœur restaurés étaient médicalement utiles. Ils ont analysé des caractéristiques spécifiques du cycle électrique du cœur, telles que le délai entre les battements et la forme des ondes qui indiquent la santé du muscle cardiaque. Dans les cas impliquant des pathologies spécifiques, comme un blocage dans les voies électriques du cœur ou un infarctus, la méthode a réussi à préserver les détails subtils nécessaires à l'identification de ces problèmes. Les signaux nettoyés ont permis des mesures précises des intervalles électriques du cœur, qui sont critiques pour diagnostiquer les arythmies et autres problèmes cardiaques. L'étude suggère qu'en éliminant le bruit musculaire sans déformer la forme naturelle du cœur, cette méthode pourrait améliorer la fiabilité de la surveillance de santé à distance, garantissant que les données envoyées du domicile d'un patient vers le cabinet d'un médecin soient aussi claires et précises qu'un enregistrement réalisé à l'hôpital.

Ce travail représente un changement dans notre façon de concevoir la séparation des signaux mixtes. Au lieu d'essayer de forcer les données dans une boîte qui correspond à une théorie préexistante, la nouvelle méthode laisse les données enseigner à l'ordinateur ce qu'il doit chercher. En se concentrant uniquement sur les parties actives du signal et en apprenant le motif du battement de cœur directement à partir du bruit, elle atteint un niveau de clarté que les techniques précédentes ne pouvaient égaler. Les conclusions suggèrent que cette approche pourrait devenir un outil standard pour le traitement des signaux cardiaques, particulièrement dans des environnements où le mouvement et le bruit sont inévitables. À mesure que les appareils portables se généralisent et que la demande pour une surveillance continue de la santé croît, la capacité d'extraire un signal cardiaque propre, de qualité diagnostique, à partir d'un corps en mouvement et bruyant, deviendra de plus en plus vitale. Cette nouvelle méthode offre un moyen de s'assurer que la véritable histoire du cœur est entendue, même lorsque le corps environnant fait beaucoup de bruit.