Chapitre 

Traitement du signal ECG

1.1 Introduction

Le signal ECG est un outil très puissant dans l’analyse des anomalies
cardiaque. En effet, son importance est due à l’effet que les ondes P, QRS et
T constituant ce signal traduisent l’activité électrique du cœur. Par
conséquent, un changement de la forme, de la durée de ces ondes ou de la
durée des différents intervalles entre ces ondes peuvent indiquer la
présence d’une anomalie cardiaque. Autrement dit, l’importance du signal
ECG est liée aux indices cliniques qu’on peut extraire et utiliser pour établir
un diagnostic correct.
En effet, l’extraction des ces indices nécessite la délinéation des débuts, des
pics et des fins des différentes ondes du signal ECG. Une détection manuelle
des ces ondes est souvent ennuyeuse et difficile à accomplir notamment
dans le cas des signaux ECG de type Holter. En plus, dans certains cas,
l’analyse des 12 dérivations du signal ECG est incontournable pour mieux
diagnostiquer certaines maladies cardiaques. Ceci rend, la détection
manuelle des ondes P, QRS et T fastidieuse. Par conséquent, le
développement des systèmes de détection automatique est inéluctable
lorsqu’on diagnostique les anomalies cardiaques à partir d’un signal ECG
contenant un nombre assez élevé de battements cardiaques.
Plusieurs travaux scientifiques ont été consacrés au développement des
algorithmes de détection robustes et fiables [1-3]. Ces algorithmes sont
généralement constitués par deux étapes fondamentales. La première étape
consiste à éliminer les différents bruits qui peuvent contaminer le signal
ECG. Dans cette étape, il est nécessaire de maintenir les informations utiles
et de ne pas altérer la forme et la durée des différentes ondes. Dans la
deuxième étape, les informations utiles sont utilisées pour délinéer le signal
ECG. Généralement, c’est le complexe QRS qui est détecté en premier lieu.
Ceci est dû à l’effet que ce complexe est utilisé pour déterminer la fréquence
cardiaque, qui en fait, est un indice indispensable dans l’analyse des
arythmies cardiaques. En plus, le complexe QRS est souvent utilisé pour
4
5 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

détecter les autres ondes du signal ECG. En effet, Plusieurs méthodes ont été
exploitées pour détecter ce complexe [4-5]. La précision de ces algorithmes
la détection du complexe QRS est très élevée.
Contrairement au complexe QRS, la détection des ondes P et T est difficile à
accomplir. Ceci est lié aux faibles amplitudes de ces deux ondes. En plus, ces
deux ondes sont souvent contaminées par des bruits.
Dans ce chapitre, on s’intéresse à développer un algorithme de détection des
ondes ECG, robuste et fiable. L’algorithme utilise respectivement des
méthodes dérivatives pour détecter le complexe QRS et d’un indicateur lié
aux surfaces des ondes P et T pour détecter la fin de ces deux ondes.

1.2 Prétraitement du signal ECG

L’acquisition du signal ECG se fait avec des électrodes convenablement

placées sur le corps humain. Malheureusement, cette acquisition est souvent
accompagnée par des bruits. Ces bruits sont de différentes natures et
causent souvent un problème lors de la détection des ondes du signal ECG.
Les bruits couramment rencontrés sont :

 la fluctuation de la ligne de base

La fluctuation de la ligne de base signifie une déviation de cette ligne de sa
valeur référence(Fig.1.1). La valeur de référence de la ligne de base
correspond aux segments isoélectriques. Autrement dit, la ligne de base
correspond aux intervalles PQ et ST. Sa fluctuation est due aux mouvements
du patient, à la respiration et aux changements de l'impédance peau-
électrodes. Ce type de bruit est très remarquable lors d’un enregistrement
d’un ECG d’efforts. Il représente un bruit de faibles fréquences. En effet,
Cette fluctuation apparaît comme des ondulations de basses fréquences
(0.15 HZ-0.3HZ).
 Bruit du au réseau électrique
Ce bruit est le plus rencontré lors de l’acquisition du signal ECG [6] (Fig.
1.2). Il est du aux interférences électromagnétiques du réseau de
distribution. Sa fréquence est de 50 Hz. Pour l’éliminer, on utilise souvent un
filtre sélectif.
 Le signal EMG
Le signal EMG est un signal qui traduit l’activité électrique des muscles (Fig.
1.3). Lors de la détection du signal ECG, le signal EMG est considéré comme
6 Traitement du signal ECG

étant un bruit. Souvent ce type de bruit prend le nom des ’’bruits de

background’’. Ces bruits sont des bruits qui traduisent l’activité électriques
de cellules situées hors de l’organe ciblé. Leurs élimination se fait en
utilisant des filtres passe bas.
Le filtrage des artéfacts cités précédemment constitue donc une étape
importante afin d’avoir une segmentation correcte des ondes du signal ECG.
Plusieurs techniques ont été utilisées pour éliminer l’effet des bruits sur le
signal ECG. Le point essentiel dans l'opération du filtrage, est de ne pas
altérer ni la morphologie ni la durée des différentes ondes. Le choix du filtre
dépend énormément de l'information qu'on veut extraire et par conséquent
aux différentes opérations qui viennent après le filtrage. Certaines de ces
techniques utilisent les filtres numériques à réponse impulsionnelle finie et
infinie [7]. Malheureusement l’utilisation de ce type de filtres engendre
souvent une distorsion des ondes du signal ECG notamment celles ayant des
fréquences proches da la fréquence de coupure du filtre utilisé. D’autres
techniques utilisent des filtres adaptatifs [8-9]. Malgré que ces filtres
assurent un bon filtrage, le choix du signal ’’référence’’ se représente comme
un inconvénient de ce type de filtres. Les méthodes statistiques telles que
l’analyse par la composante principale et par la composante indépendante
ont été aussi choisies pour éliminer l’effet des différents bruits [10-11]. Le
choix des composantes principales ainsi que la vitesse de convergence
représentent deux inconvénients de ces techniques.
7 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

Figure 1. 1 Fluctuation de la ligne de base

Récemment, la transformée d’ondelettes s’impose comme un outil très

puissant dans l’analyse des signaux biomédicaux [12-13]. Cette technique
consiste à décomposer le signal ECG à ces différentes composantes
fréquentielles. En effet, les variations rapides du signal se situent dans les
premières échelles de la décomposition tandis que celles représentant les
faibles variations se situent dans les échelles les plus élevées. La
reconstruction du signal filtré est assurée par l’élimination des échelles
contenant les bruits. L’efficacité de la technique dépend énormément du
choix de l’ondelette mère, niveau de décomposition et le type de seuillage
adopté dans le filtrage [14]. La transformée en ondelettes sera discutée
dans les paragraphes suivants.
Les filtres morphologiques ont été aussi exploités afin d’améliorer la qualité
du signal ECG [15]. En utilisant cette technique, une convolution
morphologique entre le signal ECG et un objet de forme simple, est faite. Les
opérations élémentaires telles que l’ouverture et la fermeture permettent
8 Traitement du signal ECG

d’éliminer les bruits.

Figure 1.2 Bruits de 50 Hz.

Figure 1.3 Bruit dû au signal EMG

La décomposition modale (Empirical Mode Decomposition : EMD) est aussi
exploitée dans le filtrage du signal ECG [16]. Cette technique décompose le
9 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

signal en ces différentes composantes fréquentielles. Contrairement à la

transformée en ondelettes ; qui utilise une famille d’ondelettes ; la
décomposition modale utilise des fonctions intrinsèques du signal afin
d’avoir les différentes composantes oscillatoires. Malheureusement, cette
technique est assez ’’lourde’’ en terme de temps d’exécution.
Dans notre algorithme, nous avons adopté le filtrage par la transformée
d’ondelettes sachant que cette technique ne provoque qu’une distorsion
minimale des différentes ondes [17]. Les notions fondamentales ainsi que le
principe de filtrage par la transformée en ondelettes constituent l’objectif du
paragraphe suivant.

1.2.1 Transformée en ondelettes

La transformée en ondelettes a été introduite singulièrement pour palier les
inconvénients imposés par l’utilisation de la transformée de Fourier à court
terme(TFCT). En effet, TFCT utilise une fenêtre de largeur fixe pour explorer
les caractéristiques temporelles et fréquentielle d’un signal donné. Due à
cette largeur fixe, on ne peut pas avoir une bonne résolution temporelle et
résolution fréquentielle simultanément selon le principe d’Heisenberg. Afin
de surmonter cet inconvénient, la transformée en ondelettes a été
développée. Cette technique explore les signaux en utilisant une fonction
appelée ‘’ ondelette mère ‘’. Cette ondelette mère subit à une translation et à
une dilatation (ou une contraction) pour donner naissance à un ensemble de
fonctions dites "ondelettes filles". Ces fonctions déduites de l'ondelette mère
ont la même forme que celle-ci mais ceux sont leurs durés et leurs longueurs
de bande qui changent. Une famille d'ondelettes Ψ ( a ,b ) peut être exprimée
par la formule suivante (Equ. 1.1):

1 t−b
Ψ ( a ,b ) ( t )=
Ψ( ) (1.1)
√a a
La variable b sert pour translater l'ondelette tout au long du signal tandis
que la variable a est liée aux deux opérations : la dilatation et la contraction.
La variable a prend le non d'échelle. En effet, pour une valeur de a
supérieure à 1, l’ondelette serait dilatée alors qu'une valeur du paramètre a
inférieure à 1 introduit une contraction de l'ondelette mère. Les deux
paramètres a et b permettent d’avoir concurremment une bonne résolution
temporelle et fréquentielle.
La transformée en ondelettes consiste à projeter le signal à analyser x (t) sur
10 Traitement du signal ECG

la famille d’ondelettes (Equ. 1.2) :

+∞
1 ¿ t−b
C ( a ,b )= ∫
√ a −∞
x (t ). Ψ (
a
)dt (1.2)

Les coefficients C (a , b) représentent la corrélation entre le signal x (t) et la

famille d’ondelettes.
Pour des valeurs continues des deux paramètres a et b , la transformée en
ondelettes est appelée transformée en ondelettes continue (TOC).
L’utilisation des valeurs continues des paramètres a et b produit une
redondance des coefficientsC (a , b). Ceci rend la reconstruction du signal
difficile. Par conséquent, une discrétisation de ces deux paramètres est
nécessaire. Dans ce cas, on parle d’une transformée en ondelettes discrète
(TOD).
La transformée en ondelette discrète permet de décomposer le signal x (t) à
ces différentes composantes fréquentielles. En effet, chaque signal est
constitué par des variations rapides dites ‘’détails’’ et des variations lente
dites ‘’ approximations’’. La décomposition par la TOD consiste à séparer les
détails et les approximations. Pratiquement, cette décomposition est faite à
l’aide d’une paire de filtres quadratiques complémentaires. La
décomposition se fait donc de manière hiérarchique (Fig. 1.4).
L’approximation du niveau N−1 passe par la paire de filtres pour donner
l’approximation et le détail du niveau N .

Figure 1. 4 Principe de décomposition par transformée en ondelettes discrète

Une décomposition par transformée en ondelettes d’un signal ECG est

11 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

illustrée sur la figure 1.5.

Figure 1.5 Signal ECG originale

Figure 1.5 Décomposition d’un signal ECG par la transformée en ondelettes discrète.(suite)
12 Traitement du signal ECG

Figure 1.5 Décomposition d’un signal ECG par la transformée en ondelettes discrète.

1.2.2 Filtrage par transformée en ondelettes

Le principe de filtrage par la transformée en ondelettes a été introduit
initialement par Donoho [18]. En effet, Donoho a démontré que les faibles
valeurs des coefficients d’ondelettes C (a , b) correspondent aux bruits
présents dans le signal x (t). Le filtrage par ondelettes exploite le fait que les
bruits sont répartis sur les coefficients d'ondelettes de faibles valeurs tandis
que l'information utile est représentée par quelques coefficients de forte
13 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

amplitude. Filtrant le signal x (t) revient à éliminer ou atténuer ces

coefficients de faibles valeurs et de les exclure lors de la reconstruction du
signal filtré.
L’efficacité de cette méthode est fortement liée au choix du seuil, de
l’ondelette mère et du niveau de la décomposition. Plusieurs travaux ont
étudié le choix optimal de ces trois facteurs [19-21]. En effet, leurs choix
dépendent des étages ultérieurs.
D’après certains travaux [17][21], l’ondelette mère Daubechies apparait la
plus appropriée dans l’analyse du signal ECG. Par conséquent, l’ondelette
mère Db4 est adoptée dans notre cas.

1.3 Algorithme de détection

En effet, la détection des différentes ondes constituant le signal ECG est une
étape très importante dans les systèmes d’aide au diagnostic modernes [22].
La classification des pathologies cardiaques est fortement liée aux indices
d’intérêt clinique qui ; de leurs tours ; dépendent de la précision avec
laquelle les ondes ECG sont détectées. Afin de mesurer correctement ces
indices, un algorithme de détection robuste et fiable a été développé [23].
Cet algorithme repose sur l’utilisation des méthodes dérivatives pour la
détection du complexe QRS et sur un indicateur lié à la surface des ondes P
et T pour délimiter le début, le pic et la fin de ces deux ondes. L’algorithme
est constitué essentiellement de trois parties suivantes :
 Partie 1 : détection du complexe QRS.
 Partie 2 : détection de l’onde T.
 Partie 3 : détection de l’onde P.

1.3.1 Détection du complexe QRS

1.3.1.1 Etat de l’art

Plusieurs techniques ont été adoptés pour détecter le complexe QRS. En

effet, la plupart des systèmes de classification modernes disposent d’un
algorithme de détection de ce complexe. Ceci est du à son importance. En
réalité, l’onde R est utilisée pour déterminer la fréquence cardiaque. En plus,
le complexe QRS est utilisé dans certains algorithmes dans la délinéation des
14 Traitement du signal ECG

autres ondes du signal ECG [24]. Fréquemment, on adopte les techniques

suivantes dans la détection du complexe QRS :

A. Les méthodes dérivatives

Ces méthodes s’appuient sur une propriété majeure du complexe QRS : sa

pente. En réalité, le complexe QRS possède une pente assez élevée par
rapport au reste du signal ECG. En appliquant cette technique, le signal ECG
est initialement lissé. Après le lissage du signal ECG, les différentes valeurs
de la pente seront calculées. La détection du complexe QRS se fait en
comparant les différentes valeurs de la pente avec un seuil décemment
choisi. Cette méthode a été utilisée par [25].

B. Méthodes basées sur les transformations morphologiques

Les transformations morphologiques ont été introduites par Serra [26]. Elles
ont été initialement appliquées au traitement des images. Par la suite, elles
ont été extrapolées dans le traitement des signaux [27]. Cette technique a
été aussi appliquée avec succès dans la détection du complexe QRS [28].
Le filtrage morphologique est obtenu par une convolution morphologique
du signal ECG avec un masque. Le masque représente un objet de forme
simple et de taille réduite (segment, triangle,…).
Le filtrage morphologique est assuré par un ensemble d’opérateurs non
linéaires tel que : l’érosion, la dilatation, l’ouverture et la fermeture. Ces
opérateurs peuvent être définis par [29] :

Dilation: f ⊕ g ( x )=max [f ( x−1 )+ g (i)] (1.3)

i

Erosion: f Θ g ( x ) =min [ f ( x +1 ) +g (i)] (1.4)

i
Opening: f ∘ g ( x )=f ⊕ g (Θ g ) (x ) (1.5)
Closing: f∗g ( x )=f Θ g ( ⊕g ) ( x) (1.6)

f (x) représente le signal à analyser (l’ECG dans notre cas) et g( x )

représente le masque. Ce dernier doit être convenablement choisi. Dans le
cas de la détection du complexe QRS, il doit être plus large que le complexe
QRS. Dans son algorithme, Yong Lian [30] a choisi des triangles comme étant
des masques. En effet, le masque avec une forme triangulaire permet de
15 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

maintenir les pics et les vallées des différentes ondes du signal ECG.
Récemment, la transformation morphologique est appliquée en différentes
échelles1. Cette nouvelle version des transformations morphologiques a été
développée par Yang et al. [31]. Dans, ce type de transformations
morphologiques, on utilise des masques de tailles et de formes différentes
au lieu d’utiliser un seul masque avec une largeur fixe. Ceci permet
d’explorer le signal dans des échelles différentes.
La détection des débuts, des pics et des fins des complexes QRS peut être
accomplie en utilisant les dérivées morphologiques. En effet, le début, la fin
et le pic de ce complexe sont considérés comme étant des points singuliers.
Un point singulier est un point pour lequel la dérivée morphologique à
+¿¿ −¿¿
droite M f et la dérivée morphologique à gauche M f ont des signes
différents. Ces deux dérivées sont données par :
( f ⊕ gs ) ( x ) −f (x)
+¿=lim ¿
Mf s →0 s (1.7)
f ( x ) − ( f Θ gs ) ( x )
−¿=lim ¿
Mf s →0 s (1.8)
Yan et al [32] ont défini leur filtre morphologique comme étant la différence
+¿¿ −¿¿
entre les deux dérivées M f et M f . En effet, le début, le pic et la fin du
complexe QRS correspondent aux minima locaux de cette différence.
Autrement dit, détecter le complexe QRS revient à déterminer les minima
+¿¿ −¿¿
locaux de la différence entre M f et M f .

C. Méthodes basée sur la décomposition modale empirique (EMD)

Contrairement à la transformée en ondelettes, la décomposition modale

empirique utilise des fonctions issues du signal lui-même pour assurer sa
décomposition. La technique est équivalente à un banc de filtres à
l’exception que la fréquence de coupure qui n’est préalablement pas définie.
La décomposition modale empirique utilise une procédure de ‘’sifting ‘’ pour
décomposer le signal à ces différentes composantes fréquentielles. Cette
procédure est définie comme suite :

1. Détecter les maxima et les minima du signal à analyser x (t).

1
Le terme anglais utilisé pour ce type de transformations morphologiques est « multi-scale
mathematical morphology »
16 Traitement du signal ECG

2. Relier les maxima, en utilisant les spline cubiques, afin

d’obtenir l’enveloppe supérieure : e u (t).

3. Relier les minima, en utilisant les spline cubiques, afin

d’obtenir l’enveloppe inférieure : e l (t).

4. Calculer m 1 ( t )la moyenne des deux enveloppes :

e u ( t ) +e l (t)
m1 ( t )= (1.9)
2

5. Calculer h1 ( t ) l’approximation de la première fonction

intrinsèque :

h1 ( t )=x ( t )−m1 (t ) (1.10)

L’approximation h1 ( t )est considérée comme une fonction intrinsèque c 1 (t ) si
elle satisfait les deux conditions suivantes :
Le nombre de maxima et le nombre de passage par zéro doivent être égaux
ou ils différent par 1.
La valeur moyenne de l’enveloppe supérieure et de l’enveloppe inférieure
est égale à zéro.
Si l’approximation h1 ( t ) ne satisfait pas les deux conditions précédentes, la
procédure de (1) à (7) est appliquée sur h1 ( t ) au lieu du signal x (t).
Calculer le résidu r 1 (t )  :
r 1 ( t ) =x ( t )−c 1 (t ) (1.11)
La fonction intrinsèque du niveau N est obtenu en appliquant la procédure
de ‘’sifting’’ sur le signal résidu r 1 ( t ) .
La figure 1.6 représente la décomposition du signal ECG en utilisant cette
technique. La EMD a été utilisée dans le filtrage du signal ECG [33-36]. Elle a
été aussi utilisée dans la détection du complexe QRS [37-38]. Puisque le ce
dernier représente les variations hautes fréquences dans le signal ECG, il
peut être localisé dans les premières fonctions modales. Saurabh P. and
Madhuchhand M. [38] utilisent la deuxième et la troisième fonction modale
pour détecter le pic R. Par la suite, l’onde Q et l’onde S ont été détectées par
une opération de fenêtrage. La technique a montré de bonnes performances.
Mais, elle prend plus de temps pour qu’elle s’exécute, ce qui la rend
17 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

inappropriée dans les applications temps réel.

Figure 1.6 Signal ECG original

Figure 1.6 Décomposition du signal ECG en ces fonctions modales (suite)

18 Traitement du signal ECG

D. Méthodes basées sur l’utilisation d’une ‘’Template’’

Cette technique s’appuie sur le calcul de la corrélation entre un signal connu,

appelé Template, et le signal à analyser x (t). Les coefficients de corrélation
élevés indiquent la présence du signal Template dans le signal x (t) . Cette
technique est très robuste aux bruits, elle est simple à implémenter et son
temps d’exécution est très réduit, ce qui la rend très adéquate dans les
applications temps réel. En effet, elle a été appliquée avec succès dans les
applications de téléphone portable [39].

E. Méthodes basées sur la transformée en ondelette

Cette technique utilise la même stratégie que la décomposition modale

empirique. En effet, en utilisant la transformée en ondelettes, le signal ECG
sera décomposé en plusieurs échelles. Seules les échelles contenant les
complexes QRS seront utilisées pour leurs localisations [40].

1.3.1.2 Algorithme proposé de détection du complexe QRS

La détection du complexe QRS est basée sur l’utilisation d’une version

développée de l’algorithme de So et Khan [41]. Autrement dit, notre
algorithme est basé sur l’utilisation des méthodes dérivatives pour localiser
le complexe QRS.
En effet, le complexe QRS se caractérise par des déflexions rapides et
successives. Ceci se traduit par une forte variation de la pente du signal ECG.
Ces variations de la pente sont exploitées pour détecter le complexe QRS.
La délinéation des ondes Q, R et S se fait en comparant les valeurs de la
pente du signal ECG à un seuil.
Dans l’algorithme de So et Khan [41], la pente du signal ECG a été calculée
par l’expression suivante (Equ 1.12) :

slope ( i )=2 x (i +1 ) + x (i+1 )−x ( i−1 )−2 x (i−2) (1.12)

x (i) : représente l’amplitude du signal ECG à l’ instant i .

L’onde Q est détectée lorsque deux valeurs successives de la pente
19 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

dépassent un seuil donné ( slope thresh). La valeur du seuil slope threshpeut être
calculée par la formule suivante (Equ. 1.13) :

t h res h param
slope t h res h= . maxi (1.13)
16
thresh param peut prendre les valeurs suivantes : 2, 4,8 ou 16. Le paramètre
‘’ maxi ’’ est mis à jours en utilisant l’expression suivante (Equ. 1.14) :

first maxi
maxi= +maxi (1.14)
filter param

Avec : firs t maxi =R point −QR S onset (1.15)

R point et QR S onset représentent respectivement l’amplitude de l’onde R et de
l’onde Q.
Dans notre algorithme, l’onde Q a été prise comme étant la première
déflexion qui précède les deux premières valeurs successives de la pente qui
dépassent le seuil. Ceci est fait dans le but d’avoir plus de précision dans la
détermination de cette onde. L’onde Q détectée est notée Q on .
En effet, l’onde Qon est définie comme étant le point pour lequel l’expression
’’ min slope ‘’, donnée par l’équation 1.16, prend sa valeur minimale.
min slope=|slope ( i ) −slope(i−1)| (1.16)
Q
Si aucune déflexion n’a été détectée, l’onde on est définie comme étant
l’onde Q.
Après que l’onde Q on sera détectée, l’onde R doit être localisée. Elle est prise
comme étant la valeur maximale dans une fenêtre placée juste après l’onde
Qon . La taille de cette fenêtre a été fixée expérimentalement à 0.08s.
Afin de détecter l’onde S, le premier passage par zéro juste après l’onde R
devrait être déterminé. Par la suite, l’onde S est prise come étant la valeur
minimale du signal ECG dans une fenêtre placée après ce premier passage
par zéro. La taille de cette fenêtre a été fixée expérimentalement à 0.01s.
Finalement, le point J est localisé. Ce point est la première déflexion après
l’onde S. Théoriquement c’est le point J qui devrait être pris comme le début
de segment ST. Dans notre algorithme, ce point est le premier point après
l’onde S qui satisfait la condition suivante :

slope ( i ) >0 et slope ( i )< 0 (1.17)

20 Traitement du signal ECG

Si aucune déflexion n’a été détectée, l’onde S est prise comme étant le point J
. En plus, une opération de seuillage est nécessaire afin d’éviter la confusion
entre ce point et le début de l’onde T.

1.3.2 Détection de l’onde T

En effet, l’algorithme de So et Khan a une bonne précision dans la détection
du complexe QRS. Malheureusement, cet algorithme n’arrive pas à détecter
les ondes P et T correctement. Dans certain cas ou l’onde P est absente,
l’onde T du battement précédent est détectée comme étant l’onde P du
battement ‘’actuel’’. Par conséquent, nous avons utilisé un autre principe
pour détecter les deux ondes P et T. Ce principe repose sur l’utilisation d’un
indicateur lié à la surface de ces deux ondes.

1.3.2.1 Détection de la fin de l’onde T  

La détection de la fin de l’onde T est basée sur la méthode de Zhang et al.

[42].
Cette méthode consiste à utiliser principalement un indicateur A ( t ) lié à la
surface de l’onde T (Fig. 1. 7).
En utilisant ce principe, deux points T a et T b seront utilisés pour délimiter
l’onde T (Fig. 1.8). L’intervalle [T a,T b] est choisi de telle façon qu’il va
contenir la fin de l’onde T. par conséquent un tel intervalle doit être
convenablement déterminé. Dans [42], Zhang et al. Ont déterminé les
valeurs deT aet T b comme suite :

T a=
{ Ri +0.15 Ri +37 si R R i <68 bpm
R i+70 si R Ri <68 bpm
(1.18)

T b=
{
Ri +0.7 R i−0.9 si R Ri <68 bpm
Ri +0.2 R i+ 101 si R Ri <68 bpm
(1.19)

Ri et R Ri représentent respectivement l’instant de l’apparition de l’onde R

et la fréquence cardiaque.
21 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

(a)
Figure 1.7 Le principe de Zhang et al.

(b)
Figure 1.7 Le principe de Zhang et al.(suite)
22 Traitement du signal ECG

Figure 1.8 Délimitation de la fin de l’onde T par Ta et Tb

L’indicateur A(t ) est calculé par une intégration numérique et l’utilisation

d’une fenêtre W . Il est donné par :
t
A ( t )= ∫ |x ( τ )−x (t )|dτ (1.20)
t−w

Zhang et al. ont démontré que l’indicateur A(t) prend sa valeur maximale
lorsque le temps t coïncide avec la fin de l’onde T (Fig. 1.7-b). Autrement dit,
chercher la fin de l’onde T revient à chercher le temps t pour lequel
l’indicateur A(t ) prend sa valeur maximale.
Le choix T a et T b joue un rôle important dans la localisation de la fin de
l’onde T. Dans notre algorithme le point T a est pris comme étant le point J .
Le point T b est calculé en utilisant plusieurs fréquences cardiaques au lieu
d’une seule fréquence (Equ. 1.21) :

{
J + RR i +18 si R Ri <75 bpm
T b= J +0.145 RR i+11 si50< R Ri <75 bpm
J +0.4 RR i −65 si 38< R Ri <75 bpm
j+ 0.45 Ri +2 si R Ri <38 bpm
(1.21)
En effet, dans certains cas, la morphologie de l’onde T change. Elle peut être
négative ou biphasée. Dans le cas ou l’onde T est négative la solution la plus
23 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

simple consiste à calculer la valeur absolue de l’indicateur A(t ). Lorsque

l’onde T est biphasée, la solution consiste à chercher les deux instant t ’ et
t ’ ’ qui respectivement minimise et maximise la valeur de A(t ). Si les
valeurs de A(t ') et A(t ' ' ) sont comparables, l’onde T est biphasée. Dans ce
cas, l’indicateur A(t ) sera calculé par :
t
A ( t )= ∑ ( x j−x t ) (1.22)
j=t −W +1

Les différentes étapes suivies dans la détection de la fin de l’onde T peuvent

se résumées comme suite :
1. Choisir la taille de la fenêtre W et de la fenêtre de
lissage P .
2. Déterminer les deux instants Ri et Ri +1.
3. Choisir les valeurs de deux points T a et T b entre Ri et Ri +1.
4. Pour chaque instant T =T a ,T a+ 1 , T a+2 , … ,T b calculer :
T+p
1
xT= ∑ x
2 p +1 j=T − p j
(1.23)
t
AT = ∑ ( x j −xt ) (1.24)
j=t −W+ 1
Trouver les deux instants t ’ et t ’ ’ :

t ' =arg max AT (1.25)

T a <T <T b
t ' '=arg min AT (1.26)
T a <T <T b
Si :

| |
1 ( AT )
'

< <α (1.27)

α ( A'T' )
Alors, l’onde le fin de l’onde T est :
T end =max ⁡¿ (1.28)
Si non, la fin de l’onde T est :
T end =arg max ¿ ¿ ¿ (1.29)
tϵ (t , t )
' ''
24 Traitement du signal ECG

Incrémenter i par 1 et refaire les étapes 2 à 6.

Il est important de signaler que α est un paramétre qui est utilisé pour
comparer les valeurs de A(t ’) et A(t ’ ’) afin de savoir s’il s’agit d’une onde
T biphasée. Ce paramètre est déterminé expérimentalement. Dans notre
cas ,il est fixé à α=6 .

1.3.2.2 Détection du pic de l’onde T

La localisation du pic de l’onde T se fait en détectant la valeur maximale du

signal ECG entre le point J et la fin de l’onde T.

1.3.2.3 Détection de début de l’onde T

Afin de déterminer le début de l’onde T (notée T on), on calcule la dérivée

slope1 donnée par la formule 1.30 :
slope1 ( i )=|x ( i+1 ) −x(i−1)| (1.30)
sl ope 1 a été définie pour traduire la variation brusque de la pente au début
de l’onde T. T on est l’instant pour lequel slope1 prend sa valeur maximale.

1.3.3 Détection de l’onde P

1.3.3.1 Détection de la fin de l’onde P

La détection de l’onde P se fait de la même manière que celle de la détection

de l’onde T. L’onde P est délimitée entre la fin de l’onde T du battement
précédent et l’onde Q du battement ’’actuel’’.

1.3.3.2 Détection du pic de l’onde P

Le pic de l’onde P est pris comme étant l’amplitude maximale ; du signal

ECG ; calculé dans la fenêtre délimitée par la fin de l’onde P du battement
‘’actuel’’ et la fin de l’inde T du battement précédent.

1.3.3.3 Localisation du début de l’onde P

Le début de l’onde P est localisé en suivant les mêmes étapes de la

 25 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

détection du début de l’onde T.

1.4 Evaluation de l’algorithme de la détection

Afin d’évaluer l’algorithme de la détection , la base MIT-BIH des signaux

ECG [43] a été utilisé. Cette base contient 48 enregistrements du signal ECG
de 30 minutes de durée. Les signaux ont été échantillonnés avec une
fréquence de 360 Hz et avec une résolution de 11-bits.
L’évaluation de l’algorithme développé est faite en utilisant la sensitivité Se
+¿¿
et la prédictibilité P . Ces deux paramètres sont exprimés par les
équations 1.31 et 1.32 :
TP
Se= (1.31)
TP+ FN
TP
+¿= ¿
P TP+ FP (1.32)
Avec :

TP : ¿ nombre des pics R correctement d é tect é s

FP : ¿ nombre des pics R non d é tect é s
FP : ¿ nombre des picsrep é r é s come é tant l ' onde R alors q u' il s ' agit d ' une autre ondes .

La sensitivité et la prédictibilité positive ont été calculées sur l’ensemble des

signaux de la base MIT-BIH dans le cas de la détection complexe QRS. Par
contre, l’évaluation de l’algorithme, vis-à-vis de sa capacité à détecter
correctement le début et la fin des autres ondes, a été faite en utilisant
uniquement 80231 battements. En effet, ceci est dû au fait qu’aucune
annotation de ces ondes n’a été faite sur la base de données. La base MIT-BIH
dispose seulement des annotations des pics R.
Notre algorithme est comparé avec les deux algorithmes décrits dans les
références [44] et [45]. Les résultats de cette évaluation sont illustrés sur les
tableaux 1.1 et 1.2.
algorithmes Nombre de battement Sensitivité Prédictibilité
(battements) (%) (%)
Algorithme [44] 51000 99.18 98.00

Algorithme [45] N’est pas mentionné 94.32 97.66

Algorithme développé 80231 95.39 98.19

26 Traitement du signal ECG

Tableau 1.1 Evaluation de l’algorithme de détection (complexe QRS)

Sensitivité Prédictibilité

(%) (%)
Début de l’onde P 74.06 89.06

Point J 95.37 99.19

Début de l’onde T 84.03 88.63

Fin de l’onde T 89.77 86.86

Tableau 1.2 Evaluation de l’algorithme de détection (débuts et fins des autres ondes)

La figure 1.9 illustre l’évaluation de l’algorithme sur une partie des signaux
101 et 103 de la base MIT-BIH. La figure 1.10 montre l’efficacité de
l’algorithme à séparer correctement la fin de l’onde T et le début de l’onde P.
En effet, l’algorithme peut détecter correctement ces deux points même si
l’onde P et T se chevauchent.
D’après le tableau 1.1, on constate que l’algorithme développé a une bonne
sensitivité et une bonne prédictibilité. On constate aussi que l’algorithme
développé a une prédictibilité positive supérieure à celle de l’algorithme
basé sur l’utilisation de la transformée en ondelettes [44]. Par contre, la
sensitivité de l’approche qui s’appuie sur les ondelettes [44] a une sensibilité
meilleure que celle de l’algorithme développé. En réalité, ceci est dû au
nombre de battements utilisés dans l’évaluation de chaque algorithme.
On remarque aussi que la sensibilité et la prédictibilité de l’algorithme
développé ont des valeurs supérieures à celles de l’algorithme cité dans [45].
En plus, l’utilisation de l’indicateur lié à la surface de l’onde T et P permet de
résoudre le problème imposé par l’algorithme de So et Khan.
Malheureusement, dans certains cas notre algorithme n’arrive pas à détecter
correctement l’onde R. En réalité, l'algorithme décrit auparavant ne détecte
pas correctement les débuts et les fins des différentes ondes lorsque la
pente de l’onde P devient assez importante (Fig. 1.11).

1.5 Conclusion
27 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

Ce chapitre a été consacré à la description de l’algorithme proposé. Il est

basé essentiellement sur les méthodes dérivatives et un indicateur lié aux
surfaces des ondes P et T. En effet, les méthodes dérivatives sont utilisées
pour la détection du complexe QRS tandis que l’indicateur a été exploité
dans la détection des deux autres ondes. L’algorithme proposé a montré une
bonne sensibilité et une bonne prédictibilité. En plus, l’utilisation des
méthodes dérivatives le rend adéquat dans les applications temps réel. Cet
algorithme sera utilisé pour détecter et extraire les différents paramètres
d’intérêt clinique tel que le signal de la variabilité du rythme cardiaque.
28 Traitement du signal ECG

Figure 1.9 Test de l’algorithme sur les signaux 101 et 103 de la base MIT-BIH
29 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

Figure 1.10 Séparation de l’onde P et T

Figure 1.11 Limitation de l’algorithme proposé

30 Traitement du signal ECG

Référence

1. M. Vitek , J. Hrubes , J. Kozumplik A wavelet-based ECG

delineation in multi-lead ECG Signals : evaluation on the CSE
database, in: IFMBE Proc 25, 2009, pp. 177-180
2. A. Ghaffari , M. Homaeinezhad , M. Khazraee , M. Daevaeiha
Segmentation of Holter ECG waves via analysis of a discrete
wavelet-derived multiple skewness-kurtosis based Metric, Ann
Biomed Eng, 38(2010) 1497-1510.
3. P. Saurabh , M. Madhuchhanda Detection of ECG characteristic
points using multiresolution wavelet analysis based selective
coefficient method, Measurement, 43 (2009) 255-261.
4. J. M. Gorriz,J. Rmirez, A. Olivares,P. Padilla,C. G. Ountonet,M.
Canton,Laguna P, Real time QRS detection based on M-ry likehood
ratio test on DFT coefficient, PloS one 9 (2014)e110629.
5. R. Almeida, H. Gonçalves,J. Bernardes, A. P. Rocha, Fetal QRS
detection and heart rate estimation : a wavelet based
approach,35(2014)1723-1735.
6. M.F. Chimeno, R. Pallàs-Areny, A comprehensive model for power
line interference in biopotential measurements, IEEE
transactions on biomedical engineering, 49 (2000)535-540.
7. V. Alste, T.S. Schilder, Removal of baseline wander and power-line
31 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

interference from ECG signal by an efficient FIR filter with

reduced number of taps, IEEE transactions on biomedical
Engineering, , 32 (1985) 1052-1060.
8. N.V. Thakor, Y.S. Zhu, Application of adaptive filtering to ECG
analysis: noise cancellation and arrhythmia detection, IEEE
transactions on biomedical Engineering, 38 (1991) 785-194.
9. H.C. Ching, M.C. Kang, J.K. Hsien, Cancellation of high frequency
noise in ECG signal using adaptive filter without external
reference, in: Third IEEE international conference on biomedical
engineering and informatics, 2010.
10. M. Kotas, application of projection pursuit based robust
principal component analysis to ECG enhancement, Biomedical
signal processing and control, 1 (2006) 289-298.
11. S. Wang, J. Shengtao, Removal of power-line interference of
ECG signal based on independent component analysis to separate
noise from electrocardiogram signal, in: IEEE international
conference on Engineering and Intelligent Systems, 2006, pp. 1-5.
12. S. Paul Addison, Wavelet transforms and the ECG: a review,
Physiological Measurement, 26 (2005) 155-199.
13. S. Poornachandra, N. Kumaravel, Hyper-trim shrinkage for
denoising of ECG signal, Journal of digital signal processing, 15
(2005) 315-327.
14. L.N. Sharma, S. Dandapat, A. Mahanta, Multi-scale wavelet
energies and relative energy based on denoising of ECG signal, in:
IEEE international conference of communication control and
computer technologies, 2010.
15. S.A. Taouli , F. Bereksi-Reguig, Noise and baseline wandering
suppression of ECG signals by morphological filter, Journal of
Medical Engineering & Technology, 34 (2010) 87–96.
16. K.-M. Chang, Ensemble empirical mode decomposition based
ECG noise filtering method, in: IEEE International Conference on
Machine Learning and Cybernetics (ICMLC), 2010, pp. 210 – 213.
17. N. Dib, analyse des intervalles du signal ECG en vue d’une
reconnaissance des signatures des pathologies cardiaques, in,
Tlemcen university, 2009.
18. D.L. Donoho, I.M. Johnstone, Ideal spatial adaptation via
wavelet shrinkage, in: Technical report, department of statistics,
Stanford University, 1992.
19. S. Poornachandra, Wavelet based denoising using subband
dependent threshold for ECG signals, Digital signal processing, 18
32 Traitement du signal ECG

(2008) 49-55.
20. G. Garg, V. Singh, J.R.P. Gupta, A.P. Mittal, Optimal algorithm
for ECG denoising using discrete wavelet transforms, (2010).
21. B.N. Singh, A.K. Tiwari, Optimal selection of wavelet basis
function applied to ECG signal denoising, digital signal processing,
16 (2006) 275-287.
22. E. Derya Ubeyli Detecting variabilities of ECG signals by
Lyapunov exponents, Neural Comput & Applic, (2009) 653–662.
23. N. Dib, F. Bereksi-Reguig, Algorithm for automatic detection
of ECG waves, Journal of Mechanics in Medecine and biology, 11
(2011) 15-29.
24. L. Senhadji, F. Wang, A.I. Hernandez, G. Carrault, Wavelets
extrema representation for QRS-T cancellation and P wave
detection, Computers in Cardiology, (2002) 37-40.
25. J. P. Madeiro,P. C. Cortez,C. R. Seisdedos, C. R. Sobrinho, An
innovation approach of QRS segmentation based on the first
derivative, Hilbert and wavelet transform,Med. Eng.
Phys.,34(2012) 1236-1246
26. I. Serra Image analysis and mathematical morphology, New
York academic, 1982.
27. Y. Sun, K. Chan, S. M. Krishnan, ECG signal conditioning by
morphological filter, Comput. Bio. Med., 32(2002) 465-479.
28. P.E. Trahanias, An approach to QRS complex detection using
mathematical morphology, IEEE Transaction of biomedical
engineering, 40 (1993).
29. F. Zhang, Y. lian, electrocardiogram QRS detection using
multiscale filtering based on mathematical morphology, in:
proceeding of the 29th annual international conference of IEEE
EMBS, 2007.
30. F. Zhang , Y. Lian, QRS Detection Based on Morphological
Filter and Energy Envelope for Applications in Body Sensor
Networks, Journal of Signal Processing System, 64 (2011) 187–
194.
31. Z. Yang, Z. Pu , Z. Qi Novel edge preserving multiscale filtering
method based on mathematical morphology, in: Proceeding of
the second international conference on machine learning and
cybernetics, 2003, pp. 2970-2975.
32. Y. Sun, K.L. Chan, S.M. Krishnan, Characteristic wave
detection in ECG signal using morphological transform, Computer
in biology and medicine, (2005) 5-38.
33 Analyse non linéaire des différents intervalles du signal ECG en vue d’une
reconnaissance de signatures de pathologies cardiaques

33. K.-M. Chang, Ensemble empirical mode decomposition based

ECG noise filtering method, in: IEEE International Conference on
Machine Learning and Cybernetics (ICMLC), 2010, pp. 210 – 213,.
34. A. Chacko, S. Ari, Denoising of ECG signals using Empirical
Mode Decomposition based technique, in: IEEE International
Conference on Advances in Engineering, Science and
Management (ICAESM), 2012, pp. 6-9.
35. A. Dliou, R. Latif, M. Laaboubi, F. Maoulainine, S. Elouaham,
Noised abnormal ECG signal analysis by combining EMD and
Choi-Williams techniques, in: International Conference on
Complex Systems (ICCS), 2012, pp. 1- 5.
36. J. Jenitta, A. Rajeswari, Denoising of ECG signal based on
improved adaptive filter with EMD and EEMD, in: IEEE
Conference on Information & Communication Technologies (ICT),
2013, pp. 957 – 962.
37. Z.E. Hadj Slimane, A. Naït Ali, QRS complex detection using
Empirical Mode Decomposition, Digital signal processing, 20
(2010) 1221-1228.
38. P. Saurabh , M. Madhuchhanda, QRS complex detection using
empirical mode decomposition based windowing technique, in:
International Conference on Signal Processing and
Communications (SPCOM), 2010, pp. 1-5.
39. C. Liu, P. Li, Y. Zhang, Y. Zhang, C. Liu, Shoushui Wei A
Construction Method of Personalized ECG Template and Its
Application in Premature Ventricular Contraction Recognition for
ECG Mobile Phones, in: IFMBE (Ed.) World Congress on Medical
Physics and Biomedical Engineering, 2013, pp. 585-588.
40. Y. Min,Y. R. Kang,G. S. Kim,J. Park,S. W. Kim, Design of wavelet
based ECG detector for implanted cardiac pacemakers, IEEE
Trans. Biomed. Circuits syst., 7(2013) 426-436.
41. K. Chan, H. So, Development of QRS method for real-time
ambulatory cardiac monitor, in: 19 Annual of International
Conference IEEE EMBS, 1997, pp. 289–292.
42. Q. Zhang , M. Alfredo Illanes , M. Claire , P. Yves , S. Michel An
algorithm for robust and efficient location of T-wave ends in
electrocardiogra, in: Irisa (Ed.) Publication Interne 1744, 2005.
43. Moody G, Mark R, MIT-BIH arrhythmia database directory,
Harvard MIT Division of Health Sciences and Technology,
Biomedical Engineering Center, 1997.
44. H. Dinh, D. Kumer, N. Pah, B. Burton, Wavelets for QRS
34 Traitement du signal ECG

detection, in: The 23rd Annual EMBS International Conference,

2001.
45. G. Peng Qiu, K. Ray Lui, A robustic method for QRS detection
based on modified P-spectrum, in: IEEE (Ed.) Acoustics, Speech
and Signal Processing,501–504.
46.