Tensor Modeling of the ECG for Persistent Atrial Fibrillation Analysis - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Tensor Modeling of the ECG for Persistent Atrial Fibrillation Analysis

Modélisation Tensorielle de l'ECG pour l'Analyse de la Fibrillation Atriale Persistante

Résumé

Atrial Fibrillation (AF) is the most common sustained arrhythmia diagnosed in clinical practice, responsible for high hospitalization and death rates. Furthermore, the electrophysiological mechanisms underlying this cardiac rhythm disorder are not completely understood. A non-invasive and efficient strategy to study this challenging cardiac condition is analyzing the atrial activity (AA) from the Electrocardiogram (ECG). However, the AA during AF is masked by the ventricular activity (VA) in each heartbeat and often presents a very low amplitude, hampering its analysis. Throughout the years, signal processing methods have helped cardiologists in the study of AF by extracting the AA from the ECG. In particular, matrix-based blind source separation (BSS) methods have proven to be ecient AA extraction tools. However, some constraints need to be imposed to guarantee the uniqueness of such matrix factorization techniques that, although mathematically coherent, may lack physiological grounds and hinder results interpretation. In contrast, tensor decompositions can ensure uniqueness under more relaxed constraints. Particularly, the block term decomposition (BTD), recently proposed as a BSS technique, can be unique under some constraints over its matrix factors, easily satisfying in the mathematical and physiological sense. In addition, cardiac sources can be well modeled by specific mathematical functions that, when mapped into the structured matrix factors of BTD, present a link with their rank. Another advantage over matrix-based methods is that the tensor approach is able to extract AA from very short ECG recordings. The present doctoral thesis has its first focus on the investigation of the Hankel-BTD as an AA extraction tool in persistent AF episodes, with validation based on statistical experiments over a population of AF patients and several types of ECG segments. ECG recordings with a short interval between heartbeats and an AA with significantly low amplitude are challenging cases common in this stage of the arrhythmia. Such cases motivate the use of other tensor-based approach to estimate an AA signal with better quality, the Löwner-BTD. Such an approach is presented along a novel optimal strategy to ensure the Löwner structure that is implemented as a variant of a recently proposed robust algorithm for BTD computation. Another contribution is the model of persistent AF ECGs by a coupled Hankel-BTD, which shows some advantages in terms of improved AA extraction and reduced computational cost over its non-coupled counterpart. Further contributions focus on challenges that arise from the problem of AA extraction from AF ECGs, such as detecting the AA source among the other separated sources in real experiments, where the ground truth it's unknown. For this task, several approaches that use machine learning algorithms and neural networks are assessed, providing satisfactory accuracy. Another challenge that is dealt with is the difficulty in measuring the quality of AA estimation. Here, new indices for AA estimation quality from ECG recordings during AF are proposed and assessed. In summary, this PhD thesis provides the first thorough investigation of the application of tensor-based signal processing techniques to the analysis of atrial fibrillation, showing the interest of the tensor approach and its potential in the management and understanding of this challenging cardiac condition.
La fibrillation atriale (FA) est l'arythmie soutenue la plus couramment diagnostiquée dans la pratique clinique. Elle est responsable de taux élevés d'hospitalisation et de décès. Les mécanismes électrophysiologiques qui sous-tendent ce trouble du rythme cardiaque ne sont pas complètement compris. Une stratégie non invasive et efficace pour étudier cette arythmie consiste à analyser l'activité atriale (AA) présente dans l'électrocardiogramme (ECG) de surface. Toutefois, l'AA est masquée par l'activité ventriculaire (AV) dans chaque battement, et elle a une amplitude faible, ce qui rend difficile son analyse. Au fil des années, des méthodes de traitement du signal ont aidé les cardiologues pour l'étude de la FA en extrayant l'AA de l'ECG. En particulier, des méthodes matricielles de séparation aveugle de sources (SAS) se sont révélées des outils d'extraction de l'AA efficaces. Cependant, certaines contraintes doivent être imposées pour garantir l'unicité de ces techniques de factorisation matricielle et, bien que mathématiquement cohérentes, elles peuvent manquer de fondements physiologiques, avec pour conséquence d'entraver l'interprétation des résultats. En revanche, les décompositions tensorielles peuvent garantir l'unicité sous des contraintes moins restrictives. En particulier, la décomposition en termes de blocs (Block Term Decomposition, BTD), récemment proposée comme technique SAS, peut être unique sous certaines contraintes satisfaites par les facteurs matriciels, facilement verifiées tant du point de vue mathématique que physiologique. Par ailleurs, les sources cardiaques peuvent être bien modélisées par des fonctions mathématiques spécifiques qui, lorsqu'elles sont mappées dans les facteurs matriciels structurés de la BTD, présentent un lien avec leur rang. Un autre avantage par rapport aux méthodes matricielles est que l'approche tensorielle est capable d'extraire l'AA à partir d'enregistrements ECG très courts. Dans la présente thèse de doctorat, on étudie tout d'abord le modèle Hankel-BTD comme outil d'extraction d'AA dans des épisodes de FA persistante, avec une validation basée sur des expériences statistiques concernant une population de patients atteints de FA et plusieurs types de segments ECG. Les enregistrements ECG avec des intervalles courts entre les battements cardiaques et de l'AA à faible amplitude sont des cas difficiles courants à ce stade de l'arythmie. Ces cas motivent l'utilisation d'une autre approche tensorielle, appelée Löwner-BTD, pour estimer un signal AA de meilleure qualité. Une telle approche est présentée dans le cadre d'une nouvelle stratégie optimale pour assurer la structure de Löwner qui est implémentée comme une variante d'un algorithme robuste récemment proposé pour le calcul de la BTD. Une autre contribution est la modélisation des ECG en FA par le modèle dit de Hankel-BTD couplé, qui offre une meilleure extraction d'AA avec un coût de calcul réduit par rapport à son homologue non couplé. D'autres contributions concernent les défis qui découlent du problème de l'extraction d'AA des ECG de FA, tels que la détection de la source d'AA parmi d'autres sources séparées dans des expériences réelles, où la vérité est inconnue. Pour cette tâche, plusieurs approches utilisent des algorithmes d'apprentissage automatique et des réseaux de neurones sont évaluées, offrant une précision satisfaisante. Un autre défi à relever est la difficulté de mesurer la qualité de l'estimation de l'AA. De nouveaux indices sont proposés et évalués pour quantifier la qualité de l'estimation AA pendant la FA. En résumé, cette thèse de doctorat fournit la première étude approfondie de l'application des techniques de traitement du signal tensoriel pour l'analyse de la fibrillation atriale, en mettant en évidence l'intérêt de l'approche tensorielle et son potentiel pour la prise en charge et la compréhension de ce trouble cardiaque complexe.
Fichier principal
Vignette du fichier
2020COAZ4057.pdf (4.6 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03177971 , version 1 (23-03-2021)

Identifiants

  • HAL Id : tel-03177971 , version 1

Citer

Pedro Marinho Ramos de Oliveira. Tensor Modeling of the ECG for Persistent Atrial Fibrillation Analysis. Signal and Image processing. Université Côte d'Azur, 2020. English. ⟨NNT : 2020COAZ4057⟩. ⟨tel-03177971⟩
214 Consultations
131 Téléchargements

Partager

Gmail Facebook X LinkedIn More