FR3128110A1 - Procédé d’estimation de signaux physiologiques - Google Patents
Procédé d’estimation de signaux physiologiques Download PDFInfo
- Publication number
- FR3128110A1 FR3128110A1 FR2110882A FR2110882A FR3128110A1 FR 3128110 A1 FR3128110 A1 FR 3128110A1 FR 2110882 A FR2110882 A FR 2110882A FR 2110882 A FR2110882 A FR 2110882A FR 3128110 A1 FR3128110 A1 FR 3128110A1
- Authority
- FR
- France
- Prior art keywords
- signal
- respiratory
- cardio
- physiological
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002802 cardiorespiratory effect Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000003519 ventilatory effect Effects 0.000 claims abstract description 22
- 238000002565 electrocardiography Methods 0.000 claims abstract description 14
- 230000000241 respiratory effect Effects 0.000 claims description 15
- 210000000038 chest Anatomy 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 10
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 7
- 230000005236 sound signal Effects 0.000 claims description 7
- 230000003187 abdominal effect Effects 0.000 claims description 6
- 210000000115 thoracic cavity Anatomy 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 208000001797 obstructive sleep apnea Diseases 0.000 description 16
- 201000002859 sleep apnea Diseases 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 206010041235 Snoring Diseases 0.000 description 3
- 208000014486 central sleep apnea syndrome Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010021079 Hypopnoea Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 208000008784 apnea Diseases 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000018569 Respiratory Tract disease Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000037023 motor activity Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
PROCÉDÉ D’ESTIMATION DE SIGNAUX PHYSIOLOGIQUES La présente invention concerne un dispositif (1) pour mettre en œuvre un procédé et le procédé pour l’estimation de signaux physiologiques d’un sujet, ledit procédé comprenant : l’utilisation d’un modèle de régression non-linéaire du type réseau de neurones (43) configuré et entraîné pour recevoir, en entrée, au moins un signal cardio- respiratoire, et fournir en sortie au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie (31) ; et fournir en sortie l’au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie (31). Figure de l’abrégé : Fig. 1
Description
DOMAINE DE L’INVENTION
La présente invention concerne un système et un procédé mis en œuvre par ordinateur pour l’estimation de signaux physiologiques d’un sujet.
ÉTAT DE LA TECHNIQUE
Le Syndrome d’Apnée Hypopnée du Sommeil (SAHS) est caractérisé par des pauses (apnées) ou difficultés respiratoires (hypopnées) pendant le sommeil. Ces événements respiratoires durent au moins 10 secondes et surviennent selon la gravité du SAHS de 5 fois par heure (SAHS léger) à plus de 30 fois par heure (SAHS sévère). Les causes du SAHS peuvent être multiples, et on définit classiquement plusieurs catégories d’événements respiratoires par différents signes cliniques. Le SAHS peut être également positionnel lorsque les événements respiratoires ont principalement lieu en position dorsale. On définit ainsi deux grands types de SAHS : le syndrome d’apnée du sommeil obstructif (OSA) (Lévy, et al., 2015) et le syndrome d’apnée du sommeil central (CSA) lorsqu’au moins 50 % des événements respiratoires sont d’origine centrale (Eckert, Jordan, Merchia, & Malhotra, 2007).
Le SAHS a pour symptômes une fatigue excessive au réveil, la somnolence diurne ou encore les ronflements excessifs. Il est associé à des comorbidités cardiovasculaires telles que l’insuffisance cardiaque, l’hypertension, l’accident vasculaire cérébral, les arythmies cardiaques ou l’infarctus du myocarde (Javaheri, et al., 1998). Le diagnostic repose sur l’enregistrement polysomnographique de l’activité respiratoire (ceinture thoracique, ceinture abdominale, flux nasal, pression nasale, ronflements, saturation en oxygène), de l’activité cardiaque (fréquence cardiaque, photopléthysmogramme, électrocardiogramme), de l’activité cérébrale (EEG) et de l’activité motrice (actimètre, capteur de position). En pratique clinique chez l’adulte, un enregistrement polygraphique en ambulatoire simplifié suffit généralement au diagnostic de l’OSA et analyse au moins les capteurs suivants : les ceintures abdominales et thoraciques, la lunette nasale, le microphone, l’oxymètre de pouls, la position et la saturation en oxygène (Berry, et al., 2017).
L’OSA touche environ 950 millions de personnes dans le monde (Benjafield, et al., 2019). On confond généralement CSA et OSA dans ces estimations. Des facteurs de risque ont été identifiés comme l’obésité, l’âge, le sexe (les hommes sont plus concernés), l’origine ethnique, le tabagisme, la consommation d’alcool, le diabète, des anomalies des voies respiratoires ou des troubles neurologiques. En France, on estime que 24 millions de patients souffrent d’OSA au moins léger, i.e. avec un indice d’apnée-hypopnée supérieur à 5 événements par heure (Benjafield, et al., 2019). Il existe par ailleurs de fortes corrélations avec d’autres pathologies. Ainsi 21 % à 74 % des patients avec une fibrillation atriale font de l’OSA (Linz, et al., 2018) ; 29 % à 67 % des patients insomniaques font de l’OSA (Luyster, Buysse, & Strollo, 2010).
Les traitements du SAHS existent et sont de plusieurs natures. Cependant, le dépistage et le diagnostic sont trop peu souvent effectués et un grand nombre de patients apnéiques s’ignorent. Ainsi 80 % des apnéiques ne sont pas diagnostiqués aux Etats-Unis (Watson, 2016). Cela représente également un enjeu économique important car un patient apnéique non traité coûtera trois fois plus cher (6 366 $) qu’un patient traité (2 105 $) par an. Les principaux freins au diagnostic sont la prise de conscience des patients, le manque de formation des généralistes à cette pathologie, le coût du diagnostic et du traitement, et l’immaturité du système de soin vis-à-vis de la médecine préventive.
En ce qui concerne le coût du diagnostic, il a été considérablement réduit par la mise en place systématique de la polygraphie ventilatoire à domicile qui peut être réalisée en cabinet libéral par des médecins de différentes spécialités (pneumologue, ORL, cardiologue, psychiatre) ou par le médecin généraliste spécialisé sommeil (Safadi, Etzioni, Fliss, Pillar, & Shapira, 2014). La polygraphie ventilatoire comporte un nombre limité de capteurs, ce qui permet au patient de s’équiper tout seul et de réaliser l’examen de diagnostic en ambulatoire à son domicile. Bien qu’une nuit d’hospitalisation soit évitée et que le coût soit donc moins élevé en ambulatoire (Stewart, Penz, Fenton, & Skomro, 2017), l’investissement en matériel et la logistique de l’examen (prêt du matériel, récupération, désinfection, lecture de tracés) restent un frein pour le nombre de diagnostics effectués. Par ailleurs, l’examen reste assez peu confortable pour le patient et il doit se rendre plusieurs fois chez son médecin au cours d’un seul examen, ce qui pourrait être évité. Enfin, le délai d’attente moyen pour une polygraphie ventilatoire est plus court que pour une polysomnographie, mais reste élevé dans certains pays (10 mois de délai entre la première consultation et le diagnostic au Royaume-Uni) ce qui est préjudiciable pour le patient (Flemons, Douglas, Kuna, Rodenstein, & Wheatley, 2004).
Durant ces dix dernières années, on a constaté une innovation accrue dans les dispositifs de dépistage et de diagnostic poussé par la constante augmentation de l’utilisation des technologies numériques, l’émergence des objets connectés et de l’intelligence artificielle en santé. La tendance est nette à la simplification des capteurs, pour améliorer le confort du patient et diminuer le coût de l’équipement. On note les méthodes de mesures de l’oxymétrie de pouls, des sons trachéaux, des ronflements et bruits respiratoires, du ballistocardiogramme, des mouvements mandibulaires (Kelly, Strecker, & Bianchi, 2012) (Penzel, Schöbel, & Fietze, 2018). Les équipements électroniques sont soit achetés par les patients (pour les dispositifs grand public), soit proposés en location : dans ce dernier cas, les patients sont invités à venir au cabinet pour récupérer le matériel et/ou se le faire installer, ou à réceptionner le matériel par voie postale et l’installer soi-même, ou à accueillir un prestataire qui peut effectuer la pose de l’équipement. Après examen, le patient doit renvoyer le matériel ou se déplacer directement au cabinet. Les équipements électroniques sont connectés, ou simplement munis d’une carte mémoire que le médecin connectera à son PC pour effectuer la lecture des tracés et l’annotation des événements respiratoires. Parmi les systèmes couramment accessibles, seuls certains objets connectés ont une valeur diagnostique et simplifient l’examen de polygraphie ventilatoire en réduisant le nombre de capteurs nécessaire ; cependant, le nombre d’examen réalisables par ces systèmes restent matériellement limités par l’acquisition de ces objets connectés. Inversement, d’autres systèmes, utilisant par exemple seulement un microphone ou un procédé sonar, n’ont jusqu’à présent aucune ou une faible valeur diagnostique à cause de leurs fonctionnalités et mesures physiologiques limitées.
Dans ce contexte, la présente invention fournit une solution permettant de diminuer la complexité du système d’acquisition de sorte à réduire drastiquement le coût et la logistique de l’examen diagnostic, tout en étant plus confortable et plus pratique pour le patient. Un nombre plus important de patients pourraient être ainsi diagnostiqués.
RÉSUMÉ
La présente invention concerne un procédé mis en œuvre par ordinateur pour l’estimation de signaux physiologiques d’un sujet, ledit procédé comprenant :
- la réception d’au moins un signal cardio-respiratoire représentatif des sons et/ou mouvements provenant de la cage thoracique et des voies aériennes du sujet, le signal cardio-respiratoire étant acquis pendant le sommeil du sujet ;
- l’utilisation d’un modèle de régression non-linéaire du type réseau de neurones configuré et entraîné pour recevoir, en entrée, l’au moins un signal cardio-respiratoire, et fournir en sortie au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie ;
dans lequel le réseau de neurones comprenant un encodeur ayant une entrée et plusieurs sorties et un décodeur ayant une sortie et plusieurs entrées, dans lequel au moins deux sorties d’encodeur sont directement reliées à au moins deux entrées respectives du décodeur, et au moins deux sorties de l’encodeur sont connectées entre elles et dans lequel ledit réseau de neurones est configuré pour réaliser des opérations de convolution unidimensionnelles ; et
- fournir en sortie l’au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie.
- la réception d’au moins un signal cardio-respiratoire représentatif des sons et/ou mouvements provenant de la cage thoracique et des voies aériennes du sujet, le signal cardio-respiratoire étant acquis pendant le sommeil du sujet ;
- l’utilisation d’un modèle de régression non-linéaire du type réseau de neurones configuré et entraîné pour recevoir, en entrée, l’au moins un signal cardio-respiratoire, et fournir en sortie au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie ;
dans lequel le réseau de neurones comprenant un encodeur ayant une entrée et plusieurs sorties et un décodeur ayant une sortie et plusieurs entrées, dans lequel au moins deux sorties d’encodeur sont directement reliées à au moins deux entrées respectives du décodeur, et au moins deux sorties de l’encodeur sont connectées entre elles et dans lequel ledit réseau de neurones est configuré pour réaliser des opérations de convolution unidimensionnelles ; et
- fournir en sortie l’au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie.
Le modèle utilisé dans le procédé de l’invention permet de manière avantageuse d’obtenir plusieurs signaux ayant des tracés caractéristiques des signaux mesurés par les capteurs de polygraphie ventilatoire et/ou d’électrocardiogramme en utilisant comme seule entrée un signal cardio-respiratoire sonore (i.e., acquis par un microphone) et/ou un signal cardio-respiratoire de mouvement (i.e., acquis par un gyroscope et/ou un accéléromètre positionné en contact du thorax du sujet). Ce procédé permet donc d’obtenir des signaux de polygraphie ventilatoire ou d’électrocardiogramme (ECG) par le biais seulement d’un capteur audio et/ou un capteur de mouvement à la place de l’ensemble de capteurs nécessaires dans une acquisition standard de polygraphie ventilatoire ou ECG (i.e., lunette nasale, ceinture thoracique, ceinture abdominale, électrodes, etc.).
Dans un mode de réalisation, le réseau de neurones comporte un U-Net et l’encodeur comporte un ResNet. L’architecture en U du U-Net permet avantageusement de connecter plusieurs sorties du l’encodeur à plusieurs entrées du décodeur de sorte à extraire des informations à plusieurs échelles pour ensuite les assembler dans le décodeur. Ceci donne une estimation plus fiable des signaux physiologiques en sortie.
Dans un mode de réalisation, ledit signal physiologique de polygraphie ventilatoire est choisi parmi : un débit nasal acquis par le biais d’une lunette nasale, une pression nasale acquis par le biais d’une lunette nasale, un effort respiratoire thoracique acquis par le biais d’une ceinture thoracique ou un effort respiratoire abdominal acquis par le biais d’une ceinture abdominale.
Dans un mode de réalisation, ledit signal physiologique d’électrocardiographie est acquis par le biais d’un électrocardiogramme d’au moins une dérivation.
Dans un mode de réalisation, l’au moins un signal cardio-respiratoire est un signal de mouvement cardio-respiratoire obtenu à l’aide d’un gyroscope et/ou un accéléromètre.
Dans un mode de réalisation, l’au moins un signal cardio-respiratoire est signal sonore cardio-respiratoire ; le procédé comprenant, en outre, une compression du signal sonore cardio-respiratoire à l’aide d’un deuxième réseau de neurones convolutif, préalablement à son application en entrée du modèle de régression non-linéaire.
Dans un mode de réalisation, le procédé comprend en outre, une fusion du signal sonore cardio-respiratoire compressé avec le signal de mouvement cardio-respiratoire.
Dans un mode de réalisation, l’au moins un signal cardio-respiratoire est normalisé avant l’utilisation du modèle de régression non-linéaire.
Dans un mode de réalisation, le réseau de neurones comprend une couche de sortie ayant une fonction d’activation linéaire.
Dans un mode de réalisation, le procédé comprend, en outre, une détection d’un épisode anormal associé à une apnée du sommeil sur la base d’au moins un signal de polygraphie ventilatoire délivré par le modèle de régression non-linéaire.
Dans un mode de réalisation, le procédé comprend, en outre, une détection d’un épisode anormal associé à une arythmie cardiaque sur la base d’au moins un signal physiologique cardiaque délivré par le modèle de régression non-linéaire.
La présente invention concerne en outre un dispositif pour l’estimation de signaux physiologiques d’un sujet, ledit dispositif comprenant :
- au moins une entrée configurée pour recevoir au moins un signal cardio-respiratoire représentatif des sons et/ou mouvements provenant de la cage thoracique et des voies aériennes du sujet, le signal cardio-respiratoire étant acquis pendant le sommeil du sujet ;
- au moins un processeur configuré pour : estimer au moins un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie en utilisant un modèle de régression non-linéaire du type réseau de neurones configuré et entraîné pour recevoir, en entrée, l’au moins un signal cardio-respiratoire, et fournir en sortie l’au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie ; dans lequel le réseau de neurones comprenant un encodeur ayant une entrée et plusieurs sorties et un décodeur ayant une sortie et plusieurs entrées, dans lequel chaque sortie d’encodeur est directement reliée à une entrée respective du décodeur, et au moins deux sorties de l’encodeur sont connectées entre elles et dans lequel ledit réseau de neurones comprend des opérations de convolution unidimensionnelles ;
- au moins une sortie configurée pour fournir l’au moins un signal de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie.
- au moins une entrée configurée pour recevoir au moins un signal cardio-respiratoire représentatif des sons et/ou mouvements provenant de la cage thoracique et des voies aériennes du sujet, le signal cardio-respiratoire étant acquis pendant le sommeil du sujet ;
- au moins un processeur configuré pour : estimer au moins un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie en utilisant un modèle de régression non-linéaire du type réseau de neurones configuré et entraîné pour recevoir, en entrée, l’au moins un signal cardio-respiratoire, et fournir en sortie l’au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie ; dans lequel le réseau de neurones comprenant un encodeur ayant une entrée et plusieurs sorties et un décodeur ayant une sortie et plusieurs entrées, dans lequel chaque sortie d’encodeur est directement reliée à une entrée respective du décodeur, et au moins deux sorties de l’encodeur sont connectées entre elles et dans lequel ledit réseau de neurones comprend des opérations de convolution unidimensionnelles ;
- au moins une sortie configurée pour fournir l’au moins un signal de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie.
Dans un mode de réalisation, le système comprend en outre, un accéléromètre, un gyroscope et/ou un microphone.
La présente invention concerne en outre un produit programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre la méthode pour l’estimation de signaux physiologiques d’un sujet selon l’une quelconque des modes de réalisation décrits ci-dessus.
La présente invention concerne en outre un support d’enregistrement non transitoire lisible par ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre la méthode pour l’estimation de signaux physiologiques d’un sujet selon l’une quelconque des modes de réalisation décrits ci-dessus.
Un tel support d’enregistrement non transitoire lisible par ordinateur peut être, sans limitation, un dispositif électronique, magnétique, optique, électromagnétique, infrarouge ou semi-conducteur, ou toute combinaison appropriée de ce qui précède. On appréciera que ce qui suit, tout en fournissant des exemples plus spécifiques, n'est qu'une liste illustrative et non exhaustive telle qu'elle est facilement appréciée par l’homme du métier : une disquette d'ordinateur portable, un disque dur, une ROM, une EPROM (Erasable Programmable ROM) ou une mémoire Flash, un CD-ROM portable (Compact-Disc ROM).
DÉFINITIONS
Dans la présente invention, les termes ci-dessous sont définis de la manière suivante :
le terme « processeur » ne doit pas être interprété comme étant limité au matériel informatique (« hardware ») capable d'exécuter un logiciel, et se réfère de manière générale à un dispositif de traitement, qui peut par exemple inclure un ordinateur, un microprocesseur, un circuit intégré ou un dispositif logique programmable (« programmable logic device », PLD). Le processeur peut également englober un ou plusieurs processeurs graphique (GPU), qu'ils soient exploités pour l'infographie et le traitement d'images ou d'autres fonctions. En outre, les instructions et/ou les données permettant d'exécuter les fonctionnalités associées et/ou résultantes peuvent être stockées sur tout support lisible par le processeur tel que, par exemple, un circuit intégré, un disque dur, un CD (Compact Disc), un disque optique tel qu'un DVD (Digital Versatile Disc), une RAM (Random-Access Memory) ou une ROM (Read-Only Memory). Les instructions peuvent notamment être stockées dans du matériel informatique, des logiciels, des microprogrammes (« firmware ») ou dans toute combinaison de ceux-ci.
le terme « processeur » ne doit pas être interprété comme étant limité au matériel informatique (« hardware ») capable d'exécuter un logiciel, et se réfère de manière générale à un dispositif de traitement, qui peut par exemple inclure un ordinateur, un microprocesseur, un circuit intégré ou un dispositif logique programmable (« programmable logic device », PLD). Le processeur peut également englober un ou plusieurs processeurs graphique (GPU), qu'ils soient exploités pour l'infographie et le traitement d'images ou d'autres fonctions. En outre, les instructions et/ou les données permettant d'exécuter les fonctionnalités associées et/ou résultantes peuvent être stockées sur tout support lisible par le processeur tel que, par exemple, un circuit intégré, un disque dur, un CD (Compact Disc), un disque optique tel qu'un DVD (Digital Versatile Disc), une RAM (Random-Access Memory) ou une ROM (Read-Only Memory). Les instructions peuvent notamment être stockées dans du matériel informatique, des logiciels, des microprogrammes (« firmware ») ou dans toute combinaison de ceux-ci.
Un « réseau neuronal » ou « réseau neuronal artificiel (RNA) » désigne une catégorie d'algorithme d'apprentissage automatique comprenant des nœuds (appelés neurones), et des connexions entre les neurones modélisées par des « poids ». Pour chaque neurone, une sortie est donnée en fonction d'une entrée ou d'un ensemble d'entrées par une « fonction d'activation » (« activation function »). Les neurones sont généralement organisés en plusieurs « couches », de sorte que les neurones d'une couche ne se connectent qu'aux neurones des couches immédiatement précédentes et immédiatement suivantes.
Un « réseau neuronal convolutif » désigne un type de réseau de neurones artificiels acycliques (« feed-forward ») comprenant de multiples couches cachées. Les couches cachées sont généralement des couches convolutionnelles suivies de couches d'activation, certaines d'entre elles étant suivies de couches de « pooling » (i.e. mise en commun).
« Centrale inertielle » concerne des instruments comprenant six capteurs, desquels trois gyromètres mesurant les trois composantes du vecteur vitesse angulaire, et trois accéléromètres mesurant les trois composantes du vecteur force spécifique.
DESCRIPTION DES FIGURES
Claims (12)
- Procédé mis en œuvre par ordinateur pour l’estimation de signaux physiologiques d’un sujet, ledit procédé comprenant :
- la réception (41) d’au moins un signal cardio-respiratoire (21) représentatif des sons et/ou mouvements provenant de la cage thoracique et des voies aériennes du sujet, le signal cardio-respiratoire (21) étant acquis pendant le sommeil du sujet ;
- l’utilisation d’un modèle de régression non-linéaire du type réseau de neurones (43) configuré et entraîné pour recevoir, en entrée, l’au moins un signal cardio-respiratoire, et fournir en sortie au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie (31) ;
dans lequel le réseau de neurones comprenant un encodeur ayant une entrée et plusieurs sorties et un décodeur ayant une sortie et plusieurs entrées, dans lequel au moins deux sorties d’encodeur sont directement reliées à au moins deux entrées respectives du décodeur, et au moins deux sorties de l’encodeur sont connectées entre elles et dans lequel ledit réseau de neurones est configuré pour réaliser des opérations de convolution unidimensionnelles ; et
- fournir en sortie l’au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie (31). - Procédé selon la revendication 1, dans lequel le réseau de neurones comporte un U-Net dont l’encodeur comporte un ResNet.
- Procédé selon la revendication 1 ou 2, dans lequel ledit signal physiologique de polygraphie ventilatoire est choisi parmi : un débit nasal acquis par le biais d’une lunette nasale, une pression nasale acquis par le biais d’une lunette nasale, un effort respiratoire thoracique acquis par le biais d’une ceinture thoracique ou un effort respiratoire abdominal acquis par le biais d’une ceinture abdominale.
- Procédé selon l’une quelconque des revendications 1 à 3, dans lequel ledit signal physiologique d’électrocardiographie est acquis par le biais d’un électrocardiogramme d’au moins une dérivation.
- Procédé selon l’une quelconque des revendications 1 à 4, dans lequel l’au moins un signal cardio-respiratoire comprend un signal de mouvement cardio-respiratoire obtenu à l’aide d’un gyroscope et/ou un accéléromètre.
- Procédé selon l’une quelconque des revendications 1 à 5, dans lequel l’au moins un signal cardio-respiratoire comprend un signal sonore cardio-respiratoire ; le procédé comprenant, en outre, une compression du signal sonore cardio-respiratoire à l’aide d’un deuxième réseau de neurones convolutif, préalablement à son application en entrée du modèle de régression non-linéaire.
- Procédé selon les revendications 5 et 6, comprenant, en outre, une fusion du signal sonore cardio-respiratoire compressé avec le signal de mouvement cardio-respiratoire.
- Procédé selon l’une quelconque des revendications 1 à 7, dans lequel l’au moins un signal cardio-respiratoire est normalisé avant l’utilisation du modèle de régression non-linéaire.
- Procédé selon l’une quelconque des revendications 1 à 8, dans lequel le réseau de neurones comprend une couche de sortie ayant une fonction d’activation linéaire.
- Dispositif (1) pour l’estimation de signaux physiologiques d’un sujet, ledit dispositif (1) comprenant :
- au moins une entrée configurée pour recevoir au moins un signal cardio-respiratoire représentatif des sons et/ou mouvements provenant de la cage thoracique et des voies aériennes du sujet (21), le signal cardio-respiratoire (21) étant acquis pendant le sommeil du sujet ;
- au moins un processeur configuré pour : estimer au moins un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie (31) en utilisant un modèle de régression non-linéaire du type réseau de neurones configuré et entraîné pour recevoir, en entrée, l’au moins un signal cardio-respiratoire, et fournir en sortie l’au moins une estimation d’un signal physiologique de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie ; dans lequel le réseau de neurones comprenant un encodeur ayant une entrée et plusieurs sorties et un décodeur ayant une sortie et plusieurs entrées, dans lequel au moins deux sorties d’encodeur sont directement reliées à au moins deux entrées respectives du décodeur, et au moins deux sorties de l’encodeur sont connectées entre elles et dans lequel ledit réseau de neurones est configuré pour réaliser des opérations de convolution unidimensionnelles ;
- au moins une sortie configurée pour fournir l’au moins un signal de polygraphie ventilatoire et/ou un signal physiologique d’électrocardiographie (31). - Produit programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre la méthode pour l’estimation de signaux physiologiques d’un sujet selon l’une quelconque des revendications 1 à 9.
- Support d’enregistrement lisible par ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre la méthode pour l’estimation de signaux physiologiques d’un sujet selon l’une quelconque des revendications 1 à 9.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2110882A FR3128110A1 (fr) | 2021-10-14 | 2021-10-14 | Procédé d’estimation de signaux physiologiques |
PCT/FR2022/051933 WO2023062326A1 (fr) | 2021-10-14 | 2022-10-13 | Procédé d'estimation de signaux physiologiques |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2110882 | 2021-10-14 | ||
FR2110882A FR3128110A1 (fr) | 2021-10-14 | 2021-10-14 | Procédé d’estimation de signaux physiologiques |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3128110A1 true FR3128110A1 (fr) | 2023-04-21 |
Family
ID=80786428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2110882A Pending FR3128110A1 (fr) | 2021-10-14 | 2021-10-14 | Procédé d’estimation de signaux physiologiques |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3128110A1 (fr) |
WO (1) | WO2023062326A1 (fr) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200163627A1 (en) * | 2018-10-08 | 2020-05-28 | UDP Labs, Inc. | Systems and Methods for Generating Synthetic Cardio-Respiratory Signals |
-
2021
- 2021-10-14 FR FR2110882A patent/FR3128110A1/fr active Pending
-
2022
- 2022-10-13 WO PCT/FR2022/051933 patent/WO2023062326A1/fr active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200163627A1 (en) * | 2018-10-08 | 2020-05-28 | UDP Labs, Inc. | Systems and Methods for Generating Synthetic Cardio-Respiratory Signals |
Non-Patent Citations (1)
Title |
---|
HUI XUE ET AL: "Automated Detection of Left Ventricle in Arterial Input Function Images for Inline Perfusion Mapping using Deep Learning: A study of 15,000 Patients", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 16 October 2019 (2019-10-16), XP081636716 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023062326A1 (fr) | 2023-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sathyanarayana et al. | Vision-based patient monitoring: a comprehensive review of algorithms and technologies | |
JP5755791B2 (ja) | 推定装置、プログラム、推定装置の作動方法および推定システム | |
US20170245759A1 (en) | Image-analysis for assessing heart failure | |
WO2014152565A1 (fr) | Analyse par ondelettes dans des diagnostics neurologiques | |
Sevil et al. | Discrimination of simultaneous psychological and physical stressors using wristband biosignals | |
WO2016193030A1 (fr) | Procédé et système de surveillance du sommeil | |
Sharma et al. | Automated Sleep apnea detection using optimal duration-frequency concentrated wavelet-based features of pulse oximetry signals | |
JP2021517008A (ja) | 睡眠時無呼吸検出システム及び方法 | |
Hoyer et al. | Prognostic impact of autonomic information flow in multiple organ dysfunction syndrome patients | |
CN113081002B (zh) | 脑电信号的伪差去除方法、装置及电子设备 | |
Chu et al. | Non-invasive arterial blood pressure measurement and SpO2 estimation using PPG signal: A deep learning framework | |
Alinia et al. | Associations between physiological signals captured using wearable sensors and self-reported outcomes among adults in alcohol use disorder recovery: development and usability study | |
Shi et al. | Convolutional neural network for freezing of gait detection leveraging the continuous wavelet transform on lower extremities wearable sensors data | |
US10791985B2 (en) | Cardio-kinetic cross-spectral density for assessment of sleep physiology | |
Huang et al. | Motion artifacts removal and evaluation techniques for functional near-infrared spectroscopy signals: a review | |
Singh et al. | Comparative analysis of Lung sound denoising technique | |
Akbarian et al. | Noncontact sleep monitoring with infrared video data to estimate sleep apnea severity and distinguish between positional and nonpositional sleep apnea: Model development and experimental validation | |
Willacker et al. | PerBrain: a multimodal approach to personalized tracking of evolving state-of-consciousness in brain-injured patients: protocol of an international, multicentric, observational study | |
FR3128110A1 (fr) | Procédé d’estimation de signaux physiologiques | |
Mohagheghian et al. | Atrial fibrillation detection on reconstructed photoplethysmography signals collected from a smartwatch using a denoising autoencoder | |
Lee et al. | Review on remote heart rate measurements using photoplethysmography | |
Gargees et al. | Non-invasive classification of sleep stages with a hydraulic bed sensor using deep learning | |
US20210307683A1 (en) | Systems and Methods for Remote Patient Screening and Triage | |
Amidei et al. | ANGELS-Smart Steering Wheel for Driver Safety | |
Lee et al. | Apnea-hypopnea index prediction through an assessment of autonomic influence on heart rate in wakefulness |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20230421 |
|
PLFP | Fee payment |
Year of fee payment: 3 |