Détection des artefacts dans les signaux de photopléthysmographie

Macabiau, Clara (2023). Détection des artefacts dans les signaux de photopléthysmographie. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

L’objectif principal de ce projet est d’assurer une détection précise des artefacts de mouvement dans les signaux photopléthysmographiques (PPG), une étape cruciale pour garantir la fiabilité et l’exactitude des analyses cliniques et de recherche basées sur ces données. Parmi les nombreux types d’artefacts, nous nous sommes particulièrement intéressés aux artefacts de mouvement, car ils ont le potentiel de perturber significativement les signaux PPG et de compromettre l’interprétation des paramètres physiologiques.

Pour atteindre cet objectif, nous avons entrepris une approche basée sur l’apprentissage machine. Notre mémoire détaille l’ensemble du processus, débutant par le prétraitement initial du signal PPG, puis se poursuivant avec l’annotation des données et l’exploration de diverses méthodes de rééquilibrage des données, pour finalement aboutir à la comparaison des performances des classificateurs supervisés avec celles de l’algorithme semi-supervisé de propagation d’étiquettes.

Les résultats obtenus montrent que l’algorithme d’apprentissage machine semi-supervisé de propagation d’étiquettes a obtenu une précision de 91%, un rappel de 90% et un score F1 de 90%. Bien que l’algorithme supervisé KNN (K-Nearest Neighbors) ait également obtenu des résultats solides, avec une précision de 89%, un rappel de 95% et un score F1 de 92%, l’algorithme de propagation d’étiquettes s’est avéré plus efficace pour détecter avec précision les artefacts de mouvement.

En résumé, cette recherche contribue à l’avancement des connaissances dans le domaine de la détection des artefacts dans les signaux PPG, en mettant en évidence l’efficacité de l’algorithme semi-supervisé de propagation d’étiquettes dans la détection des artefacts de mouvement.

Titre traduit

Detecting artifacts in photoplethysmogram signals

Résumé traduit

The main objective of this project is to ensure accurate detection of motion artifacts in photoplethysmographic (PPG) signals, a crucial step in guaranteeing the reliability and accuracy of clinical and research analyses based on these data. Among the many types of artifacts, we were particularly interested in motion artifacts, as they have the potential to significantly disrupt PPG signals and compromise the interpretation of physiological parameters.

To achieve this goal, we undertook a machine learning-based approach. Our dissertation details the entire process, starting with the initial pre-processing of the PPG signal, continuing with data annotation and the exploration of various data re-balancing methods, and finally culminating in a comparison of the performance of the supervised classifiers with that of the semi-supervised label propagation algorithm.

The results obtained show that the semi-supervised label propagation machine learning algorithm achieved a precision of 91%, a recall of 90% and an F1 score of 90%. Although the supervised KNN (K-Nearest Neighbors) algorithm also achieved strong results, with a precision of 89%, a recall of 95% and an F1 score of 92%, the label propagation algorithm proved more effective at accurately detecting motion artifacts.

In summary, this research contributes to the advancement of knowledge in the field of artifact detection in PPG signals, by highlighting the effectiveness of the semi-supervised label propagation algorithm in detecting motion artifacts.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par articles présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire". Comprend des références bibliographiques (pages 47-51).
Mots-clés libres:	photopléthysmographie, artefacts de mouvement, traitement du signal, apprentissage machine, classificateurs supervisés
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Noumeir, Rita
Codirecteur:	Codirecteur Jouvet, Philippe
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	20 févr. 2024 20:10
Dernière modification:	20 févr. 2024 20:10
URI:	https://espace.etsmtl.ca/id/eprint/3410

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt