Architecture hybride généralisable ondelettes-apprentissage profond pour une détection robuste des arythmies dans la surveillance ECG portable

Cet article étudie la classification du rythme électrocardiographique (ECG) à l'aide d'un cadre d'apprentissage profond progressif associant des représentations temps-fréquence à des caractéristiques artisanales complémentaires. Dans une première étape, les signaux ECG issus du jeu de données PhysioNet Challenge 2017 sont transformés en scalogrammes et injectés dans diverses architectures, notamment Simple Convolutional Neural Network (SimpleCNN), Residual Network with 18 Layers (ResNet-18), Convolutional Neural Network-Transformer (CNNTransformer) et Vision Transformer (ViT). Le modèle ViT a obtenu l'exactitude (0,8590) et le score F1 (0,8524) les plus élevés, démontrant la faisabilité d'une analyse ECG purement basée sur l'image, bien que les scalogrammes seuls aient présenté une variabilité d'un pli à l'autre. Dans la deuxième étape, les scalogrammes ont été fusionnés avec des caractéristiques de scattering et statistiques, renforçant la robustesse et l'interprétabilité. FusionViT sans réduction de dimensionnalité a obtenu les meilleures performances (exactitude = 0,8623, score F1 = 0,8528), tandis que Fusion ResNet-18 a offert un compromis favorable entre exactitude (0,8321) et efficacité d'inférence (0,016 s par échantillon). L'application de l'analyse en composantes principales (PCA) a permis de réduire la dimensionnalité des caractéristiques de 509 à 27, diminuant le coût de calcul tout en maintenant des performances compétitives (précision de FusionViT = 0,8590). Les résultats mettent en évidence un compromis entre efficacité et résolution temporelle fine. Les augmentations de données lors de l'entraînement ont atténué le déséquilibre des classes, permettant une inférence légère (0,006 à 0,043 s par échantillon). En pratique, le cadre peut fonctionner sur des dispositifs ECG portables ou des applications de santé mobiles. La transformation en scalogramme et l'extraction des caractéristiques sont effectuées sur l'appareil ou en périphérie (edge), des modèles efficaces comme ResNet-18 autorisant une surveillance en temps quasi réel. Des alertes de rythme anormal peuvent être transmises instantanément aux utilisateurs ou aux cliniciens. En combinant caractéristiques visuelles et statistiques du signal, réduites de manière optionnelle par PCA, ce cadre atteint une exactitude, une robustesse et une efficacité élevées pour un déploiement pratique.