Table of Contents

Dans les milieux modernes de la santé et de la recherche, la capacité d'extraire des signaux propres et fiables de mesures biologiques bruyantes peut signifier la différence entre un diagnostic précis et une interprétation erronée potentiellement dangereuse. ECG et MCG jouent un rôle crucial dans la détection des maladies cardiovasculaires (CVD), mais les deux sont sensibles aux interférences sonores. La compréhension des principes, des techniques et des applications du filtrage des signaux dans les contextes biomédicaux est essentielle pour les ingénieurs, les cliniciens et les chercheurs qui travaillent avec des données physiologiques.

Le rôle fondamental du filtrage de signaux dans les applications biomédicales

Les techniques de filtrage jouent un rôle crucial dans le traitement biomédical des signaux, car elles permettent d'éliminer le bruit et les artefacts, et d'extraire des informations pertinentes des signaux biomédicaux.Les signaux biomédicaux proviennent de divers processus physiologiques au sein du corps humain, y compris l'activité électrique du cœur, du cerveau et des muscles.

Les signaux sont petits et atteignent les capteurs atténués et avec le bruit; il est donc nécessaire d'utiliser des amplificateurs qui sont utilisés pour amplifier les signaux et peuvent être utilisés pour l'interaction humaine de l'ordinateur.Comme les biosignaux sont faibles en niveau, ils sont facilement déformés par le bruit. Le défi consiste non seulement à éliminer le bruit indésirable mais aussi à préserver l'intégrité du signal physiologique original, qui contient des informations diagnostiques précieuses.

L'acquisition efficace de signaux est un défi clé, car les signaux physiologiques, comme ECG, EEG et EMG, sont souvent affectés par le bruit et les artefacts provenant de sources internes et externes.Ces sources de bruit peuvent être classées en artefacts biologiques, en interférences avec l'environnement et en bruits liés aux instruments.

Comprendre les sources de bruit dans les signaux biomédicaux

Bruit biologique et artéfacts

Le bruit biologique provient de processus physiologiques autres que le signal d'intérêt. L'errance de base est un artefact à basse fréquence dans l'ECG qui provient de la respiration. D'autre part, les artefacts EMG et les artefacts de mouvement sont générés par le mouvement du sujet.

Les artefacts de mouvement sont l'une des sources de bruit non physiologiques les plus difficiles présentes dans le signal biomédical, ce qui peut entraver la performance réelle des applications de neuroingénierie basées sur l'EEG. La complexité des artefacts de mouvement provient de leur nature variable et de leur tendance à se chevaucher avec le spectre de fréquence du signal désiré, rendant le filtrage simple basé sur la fréquence insuffisante.

Dans les applications d'électromyographie, le signal EMG est également influencé de façon significative par le signal ECG, qui est à son maximum visible lors de la mesure des muscles des parties supérieures du corps. Les problèmes sont la haute amplitude du signal ECG contre le signal EMG et le chevauchement de leurs spectres de fréquence, il n'est donc pas possible d'utiliser les méthodes de filtrage ordinaires pour enlever ces artefacts. Ce chevauchement spectral présente un défi fondamental qui a conduit au développement de techniques de filtrage avancées.

Bruit d'environnement et d'instrumentation

Le bruit environnemental se compose principalement d'interférences de la ligne électrique (PLI), qui se manifestent sous forme de signaux périodiques à 50 Hz ou 60 Hz selon la fréquence du réseau électrique régional. Un bruit de la ligne électrique est généré par une radiofréquence de proximité, un bruit électrochirurgical ou un bruit d'instrumentation.

Les types de bruit les plus courants dans les signaux biomédicaux comprennent le bruit électrique, le bruit musculaire et le bruit d'électrode. Le bruit d'électrode provient de l'interface peau-électrode et peut introduire à la fois des composants haute fréquence et une dérive basse fréquence dans le signal enregistré.

Le signal ECG est généralement corrompu par différents types de bruit. Il s'agit de l'écartement de base introduit lors de l'acquisition de données, de l'interférence de la ligne de puissance et du bruit musculaire ou des artefacts, comme on l'a vu dans les sections perviales.

Classification des filtres de signalisation dans les instruments biomédicaux

Filtres sélectifs de fréquence

Les filtres sélectifs de fréquence forment l'épine dorsale du traitement biomédical du signal, permettant aux ingénieurs d'isoler des bandes de fréquences spécifiques tout en atténuant d'autres.Ces filtres sont classés en fonction des fréquences qu'ils permettent de passer et qu'ils bloquent.

Filtres à faible passage:Les filtres à faible passage atténuent les composants à haute fréquence au-dessus d'une fréquence de coupure spécifiée tout en préservant l'information à basse fréquence.Le filtre à faible passage, conçu dans ce travail, est un composant critique qui permet de passer des signaux dont les fréquences sont inférieures à un certain seuil. Ce filtrage est crucial pour isoler les signaux biomédicaux pertinents du bruit et des artefacts à haute fréquence, améliorant ainsi la clarté et la qualité des signaux.

En général, la fréquence du signal EMG est supérieure à 100 Hz, alors que la fréquence du signal ECG est principalement concentrée entre 0,01 et 100 Hz. Par conséquent, dans cette analyse, un filtre passe-bas avec l'approximation de Butterworth a été utilisé pour éliminer les interférences EMG. La conception du filtre Butterworth est particulièrement populaire en raison de sa réponse de fréquence maximale plane dans la bande passante, ce qui minimise la distorsion du signal.

Filtres passe-haut :[Les filtres passe-haut servent à la fonction complémentaire de l'élimination des composants à basse fréquence tels que les errements de base tout en permettant le passage des composants de signaux à haute fréquence. Ces filtres sont essentiels pour éliminer la dérive et les variations lentes qui peuvent masquer le signal d'intérêt.

Band-Pass Filters:[ Habituellement, le BPF avec les fréquences de coupure de 20 Hz et 400–600 Hz est utilisé pour la démarcation de la bande de fréquence physiologique du signal EMG et l'élimination des interférences à haute et basse fréquence. Les filtres à bande de passage combinent les caractéristiques des filtres à passe basse et à passe haute, créant une fenêtre qui permet seulement une plage de fréquences spécifique à passer. Cette approche est particulièrement efficace lorsque le signal d'intérêt occupe une bande de fréquences bien définie.

Filtres d'arrêt et de Notch :[ Le moyen traditionnel de supprimer PLI après l'acquisition est d'utiliser un filtre à bande numérique étroit, tel qu'un filtre en encoche centré à 50 Hz ou 60 Hz. Comme le nom l'indique, ce type de filtre introduit un « encoche » dans le spectre du signal. Plusieurs encoches peuvent également être appliquées pour enlever ses harmoniques.

De plus, les filtres à encoches comme les filtres à bande introduisent un trou dans le spectre qui élimine non seulement le composant PLI, mais aussi le signal EMG dans cette bande de fréquences. Ce compromis entre l'élimination du bruit et la préservation du signal a motivé le développement d'approches de filtrage plus sophistiquées qui peuvent cibler sélectivement l'interférence tout en minimisant l'impact sur le signal désiré.

Filtrage de fréquence de l'heure et du domaine

Les techniques de filtrage peuvent être classées en trois types principaux : les techniques de filtrage du domaine temporel, les techniques de filtrage du domaine de fréquence et les techniques de filtrage adaptatifs. Les techniques de filtrage du domaine temporel fonctionnent directement sur la représentation du signal du domaine temporel.

Les filtres à domaine temporel traitent les signaux échantillon par échantillon, ce qui les rend adaptés aux applications en temps réel où une réponse immédiate est requise. Voici quelques techniques courantes de filtrage du domaine temporel : Filtre moyen mobile : Un filtre simple qui remplace chaque échantillon par la moyenne des échantillons voisins. Filtre Savitzky-Golay : Un filtre qui utilise un ajustement polynôme pour lisser le signal. Ces méthodes sont efficaces par calcul et peuvent être mises en œuvre avec une latence minimale.

Le filtrage de fréquence-domaine, par contre, transforme le signal en domaine de fréquence en utilisant des techniques telles que la transformation de Fourier, applique des opérations de filtrage, puis transforme le résultat en domaine de temps. Cette approche permet un contrôle intuitif sur le filtrage sélectif de fréquence, mais peut introduire des retards de traitement qui le rendent moins adapté à certaines applications en temps réel.

Mise en œuvre des filtres numériques : Architectures RIP et IIR

Filtres de réponse à l'impulsion finale (FIR)

Les filtres Finite Impulse Response (FIR) sont des filtres non récursifs avec une réponse d'impulsion de durée finie. Stable, linéaire et facile à concevoir, ils sont adaptés à de nombreuses applications biomédicales. La caractéristique de phase linéaire des filtres FIR est particulièrement précieuse dans les applications biomédicales car elle garantit que tous les composants de fréquence du signal subissent le même délai, empêchant ainsi la distorsion de la forme d'onde.

Plus tard dans ce chapitre, des techniques d'atténuation telles que les filtres à réponse par impulsion finie (FIR) et les filtres Butterworth sont appliquées pour réduire le bruit dans le signal ECG. Les filtres FIR peuvent être conçus selon différentes méthodes, y compris des approches basées sur les fenêtres et des techniques d'optimisation, offrant chacun des compromis différents entre la complexité computationnelle et les performances des filtres.

L'avantage premier des filtres RIP réside dans leur stabilité inhérente, car ils n'utilisent pas de rétroaction, ils ne peuvent pas devenir instables indépendamment des valeurs de coefficient. Cependant, cette stabilité est à un coût : les filtres RIP nécessitent généralement plus de coefficients que les filtres RII pour obtenir une sélectivité de fréquence équivalente, ce qui entraîne des exigences plus élevées en matière de calcul.

Filtres à réponse à l'impulsion à l'infini (IRI)

Les filtres Infinite Impulse Response (IIR) sont des filtres récursifs avec une réponse d'impulsion de durée infinie. Plus efficace que les filtres FIR en termes de complexité informatique et peut obtenir des réponses de fréquence plus nettes avec des ordres de filtres inférieurs. Peut introduire des problèmes de distorsion de phase et de stabilité.

La nature récursive des filtres IIR leur permet d'obtenir des caractéristiques de roulis abruptes avec relativement peu de coefficients, ce qui les rend efficaces par calcul. Cependant, cette efficacité est accompagnée d'inconvénients potentiels. La structure de rétroaction peut introduire une distorsion de phase, qui peut modifier les relations temporelles entre les différentes composantes de fréquence du signal.

Les filtres Butterworth sont particulièrement populaires dans les applications biomédicales en raison de leur réponse maximale à la bande passante, ce qui minimise les ondulations et préserve les caractéristiques d'amplitude du signal. Les filtres Chebyshev offrent une flexion plus raide aux dépens de la bande passante ou de l'ondulation de la bande arrêt, tandis que les filtres elliptiques fournissent les bandes de transition les plus nettes, mais introduisent l'ondulation dans les régions passantes et de l'ondulation.

Considérations et mise en oeuvre en matière de calcul

Les filtres RIP ont généralement une complexité de calcul plus grande que les filtres IIR pour obtenir des réponses de fréquence similaires. Les filtres RIP nécessitent plus de coefficients et des opérations de convolution plus longues. Les filtres IIR peuvent obtenir des réponses de fréquence plus nettes avec moins de coefficients mais peuvent introduire des problèmes de distorsion et de stabilité de phase. Le choix entre les implémentations RIP et IIR dépend des exigences spécifiques de l'application, y compris la vitesse de traitement, la consommation d'énergie et des niveaux acceptables de distorsion de phase.

Les appareils biomédicaux modernes implémentent souvent des filtres dans des logiciels utilisant des langages de programmation tels que MATLAB, Python ou C++, ou dans des matériels dédiés utilisant des processeurs de signaux numériques (PDS) ou des tableaux de portes programmables sur le terrain (FPGA).

Techniques avancées de filtrage pour les signaux biomédicaux

Méthodes de filtrage adaptatif

Les techniques de filtrage adaptatif ajustent leurs paramètres en temps réel pour optimiser leurs performances, en utilisant des algorithmes tels que les algorithmes LMS et RLS. Contrairement aux filtres fixes, les filtres adaptatifs peuvent répondre à des caractéristiques changeantes de signal et de bruit, ce qui les rend particulièrement utiles pour les signaux biomédicaux non stationnaires.

Par contre, le filtrage adaptatif implique des algorithmes qui ajustent dynamiquement les paramètres du filtre en fonction des caractéristiques du signal entrant, sans exiger a priori de connaissance des statistiques du signal. Les algorithmes adaptatifs communs appliqués au filtrage du signal EMG comprennent les filtres des moindres carrés moyens (LMS) et des moindres carrés récursifs (RLS). Ces méthodes minimisent itérativement l'erreur entre la sortie du filtre et une réponse souhaitée, permettant de suivre efficacement les changements dans les caractéristiques du bruit, comme les artefacts de mouvement et les déplacements des électrodes.

Le filtre antibruit adaptatif (ANC) peut être utilisé avec succès aux fins de l'élimination des artefacts PLI ou ECG. Soedirdjo et al. ont utilisé l'ANC avec l'algorithme d'adaptation LMS et la référence synthétique. L'approche d'annulation du bruit adaptative nécessite un signal de référence corrélé avec le bruit mais non corrélé avec le signal désiré, permettant au filtre d'apprendre et de soustraire le composant d'interférence.

La complexité informatique est considérée comme l'un des défis des techniques de filtrage adaptatif. Par exemple, les filtres adaptatifs RLS ont montré une grande performance dans l'élimination des artefacts de mouvement, qui est l'artefact le plus difficile à éliminer en raison de sa ressemblance avec le vrai signal ECG. Cependant, la complexité informatique des algorithmes RLS est dans l'ordre de O(N2) bien qu'elle converge plus vite que la plupart.

Filtre à base de transformation d'onde

Contrairement à l'analyse de Fourier, qui suppose une stationnarité, l'analyse des ondes permet un filtrage localisé, isolant à la fois les pics de courte durée et les composants à basse fréquence durables. La dénusion basée sur les ondes implique généralement la décomposition du signal EMG en plusieurs niveaux de détail et coefficients d'approximation, en appliquant un algorithme de seuil (p. ex., seuil mou ou dur) et en reconstituant le signal en utilisant uniquement les coefficients supposés contenir l'activité musculaire.

La méthode de filtrage WT est fréquemment utilisée dans le traitement des signaux EMG en raison de son caractère non stationnaire et de la capacité de la méthode à bien distinguer les données dans la fréquence et le temps. Hussain et al. ont utilisé de nombreuses fonctions de vague pour tester la WT dans le but de réduire le bruit des signaux EMG de surface (Daubechies, symlet, Meyer).

La transformation des ondulateurs fournit un cadre d'analyse multi-résolutions qui décompose les signaux en composants à différentes échelles et positions temporelles. Cette capacité est particulièrement utile pour les signaux biomédicaux, qui contiennent souvent des caractéristiques à plusieurs échelles temporelles, des pics rapides d'activité neuronale aux variations plus lentes des niveaux de base.

Décomposition du mode empirique

EMD est une technique non linéaire, axée sur les données qui décompose un signal en modes oscillatoires intrinsèques, appelés fonctions de mode intrinsèque (FMI). Contrairement aux transformations de la vague, EMD n'exige pas la sélection de fonctions de base, ce qui le rend hautement adaptatif et capable de manipuler des signaux avec un comportement complexe et variable dans le temps.

Pour résoudre ce problème, un cadre de dénigrement hybride des signaux comprenant une décomposition empirique modifiée (DME) et un filtre Laplacien optimisé de Gaussian (LoG) est proposé pour la suppression des artefacts de mouvement des signaux EEG. Le DME modifié décompose le signal EEG bruyant à un seul canal en un ensemble de fonctions de mode intrinsèques (FMI). La nature data-drivée de l'EMD le rend particulièrement adapté pour les signaux ayant des caractéristiques spectrales inconnues ou complexes.

Approches de filtrage hybride et multi-étape

Les modèles hybrides, qui combinent plusieurs techniques de traitement des signaux, ont gagné en attention pour leur capacité à améliorer la suppression du bruit tout en préservant des caractéristiques importantes des signaux dans les applications biomédicales. En tirant parti des forces de différentes méthodes de filtrage, les approches hybrides peuvent surmonter les limites inhérentes à une technique unique.

Nous proposons ici une méthode de filtrage EMG qui combine un filtre adaptatif wavelet-Wiener et un filtre adaptatif moyen mobile. Ce type d'approche multi-étapes applique différentes stratégies de filtrage à différents aspects du problème du bruit, obtenant une performance globale supérieure à celle des approches mono-méthode.

Pour remédier aux lacunes des méthodes existantes, cet article propose une méthode de filtrage EMG des interférences pour les ECG dynamiques dans laquelle un filtrage doux est appliqué au signal haute fréquence pour éviter d'endommager les composants haute fréquence et un filtrage fort est appliqué au signal basse fréquence pour filtrer le bruit dans toute la mesure possible.

En résumé, si les techniques traditionnelles de filtrage restent pertinentes, les stratégies hybrides combinant l'apprentissage par machine offrent un potentiel considérable pour le traitement des signaux et le diagnostic clinique. L'intégration de l'apprentissage par machine avec les méthodes traditionnelles de filtrage représente une frontière émergente qui promet d'améliorer encore les capacités de réduction du bruit tout en s'adaptant aux caractéristiques individuelles du patient.

Applications pratiques en électrocardiographie (ECG)

Caractéristiques du signal ECG et exigences de filtrage

L'électrocardiogramme représente l'activité électrique du cœur et est l'un des outils de diagnostic les plus utilisés en médecine clinique. La forme d'onde ECG contient plusieurs composants distincts — onde P, complexe QRS et onde T — qui correspondent chacun à des phases spécifiques du cycle cardiaque. Ces composants occupent différentes gammes de fréquences, le complexe QRS contenant le contenu le plus élevé en fréquence et les ondes P et T représentant une activité de fréquence inférieure.

Ces corruptions provoquent des variations du signal qui peuvent conduire à des erreurs diagnostiques, même des fluctuations mineures peuvent entraver la détection d'arythmies. Il est donc essentiel que les signaux ECG soient soigneusement prétraités avant de les utiliser pour toute application clinique. Les enjeux sont particulièrement élevés dans l'analyse ECG, où des changements subtils de forme d'onde peuvent indiquer des conditions mettant en danger la vie.

Cet article classe et compare différentes méthodes de dénigrement ECG basées sur des types de bruit, tels que l'errance de base (BW), le bruit électromyographique (EMG), l'interférence de la ligne de courant (PLI) et le bruit composite.

Suppression de la balançoire de référence

L'écart de base se manifeste par une variation lente et basse fréquence du signal ECG, généralement causée par la respiration du patient, le mouvement d'électrode ou les changements de position corporelle. Cet artéfact peut masquer l'analyse du segment ST, qui est critique pour détecter l'ischémie myocardique et d'autres affections cardiaques.

Les méthodes de filtrage adaptatif ont montré des promesses particulières pour l'élimination des errants de base, car elles peuvent suivre la nature variable du temps des artefacts respiratoires. En utilisant un signal de référence corrélé avec la respiration ou en estimant la base par des opérations polynômes ou morphologiques, les filtres adaptatifs peuvent soustraire la base de référence des errants sans déformer la forme d'onde ECG.

Suppression de l'interférence dans les lignes électriques

L'interférence de la ligne de puissance apparaît comme un composant sinusoïdal à la fréquence secteur (50 ou 60 Hz) et ses harmoniques. Ensuite, le BSF avec les fréquences de coupure 49–51 Hz est inclus dans la chaîne de prétraitement afin d'enlever le PLI. Les filtres traditionnels encoches centrés sur la fréquence ligne de puissance fournissent une solution simple, mais ils suppriment également tout contenu de signal ECG à cette fréquence.

Les méthodes plus sophistiquées utilisent des filtres adaptatifs qui permettent de suivre les variations de la fréquence de la ligne de puissance, qui peuvent fluctuer légèrement au fil du temps.

Réduction des artéfacts musculaires

L'interférence électromyographique de l'activité musculaire du squelette représente l'une des sources de bruit les plus difficiles dans l'enregistrement ECG. Le filtrage à faible passage (fréquence de coupure de 35 Hz au minimum) généralement appliqué entraîne une suppression limitée de l'artefact EMG et une réduction considérable des amplitudes d'onde aiguës Q, R et S ECG.

Les techniques avancées telles que la dénaison des vagues et la décomposition empirique du mode peuvent fournir une meilleure discrimination entre les composants ECG et EMG en exploitant les différences de leurs caractéristiques temporelles plutôt que de se fier uniquement à la séparation de fréquence.Ces méthodes peuvent préserver les transitions nettes du complexe QRS tout en supprimant le caractère plus aléatoire et sonore des artefacts musculaires.

Applications pratiques en électromyographie (EMG)

EMG Principes fondamentaux du traitement des signaux

L'électromyographie mesure l'activité électrique produite par les muscles squelettiques, fournit des informations précieuses pour diagnostiquer les troubles neuromusculaires, contrôler les prothèses et étudier la fonction musculaire. Le traitement des informations de l'EMG permet de diagnostiquer les troubles musculaires et neuromusculaires, ou d'analyser ou d'utiliser l'EMG pour la réhabilitation ou la prothèse des membres.

En cas de réduction du bruit du signal EMG, les méthodes classiques basées sur la fréquence ne sont pas très appropriées parce que le signal est non stationnaire. La nature non stationnaire des signaux EMG – avec une activité musculaire variable en intensité et en fréquence au fil du temps – pose des défis uniques pour le filtrage.

ECG Suppression des artéfacts des signaux EMG

Lors de l'enregistrement de l'EMG à partir des muscles du torse ou du haut du corps, l'interférence ECG peut contaminer significativement le signal. Les filtres à passe-haut Butterworth avec une fréquence de coupure allant jusqu'à 60 Hz sont souvent utilisés pour supprimer le signal ECG. Ces filtres perturbent le signal EMG dans les deux domaines de fréquence et de temps.

Ref. a vérifié l'effet d'un filtre passe-haut de 20 Hz en éliminant l'interférence ECG d'un signal EMG et a conclu que cette technique n'était pas utile. Ref. a comparé les filtres passe-haut avec des fréquences de coupure de 10, 30 et 60 Hz dans l'élimination ECG; ils ont préconisé l'utilisation de la coupure de 30 Hz. Cependant, même optimisé le filtrage passe-haut ne peut éliminer complètement l'interférence ECG sans affecter le signal EMG.

En cas d'enlèvement d'un artefact ECG, la meilleure façon était d'enregistrer le signal ECG et de l'utiliser comme entrée de référence pour l'ANC. Le filtrage adaptatif avec une référence ECG distincte fournit une performance supérieure en apprenant la relation entre l'ECG de référence et le composant d'interférence dans l'enregistrement EMG, puis en soustrayant le modèle d'interférence appris.

Filtre EMG pour le contrôle prothétique

L'électromyographie (EMG) est devenue un outil essentiel dans le développement d'exosquelettes robotiques portables, permettant un contrôle intuitif et réactif en captant des signaux neuromusculaires.Cette revue présente une analyse complète du pipeline de traitement des signaux EMG adapté aux applications d'exosquelette, l'acquisition de signaux de portée, l'atténuation du bruit, le prétraitement des données, l'extraction des fonctionnalités et les stratégies de contrôle.

Pour les applications de contrôle prothèse et exosquelette, les performances en temps réel sont critiques. Le système de filtrage doit éliminer le bruit et les artefacts tout en introduisant un minimum de latence, car les retards dans la boucle de contrôle peuvent rendre l'appareil insensible et difficile à contrôler. Cette exigence favorise souvent des filtres FIR efficaces par calcul ou des algorithmes adaptatifs avec une faible complexité, même s'ils fournissent une réduction du bruit légèrement inférieure par rapport à des méthodes plus complexes.

L'examen porte sur les défis de qualité des signaux, comme les artefacts de mouvement, les interférences de la ligne de puissance et les crosstalk. Il met également en lumière les techniques de filtrage traditionnelles et les méthodes avancées, comme les transformations de la vague, la décomposition empirique du mode et le filtrage adaptatif.

Applications pratiques en électroencéphalographie (EEG)

Caractéristiques et défis du signal EEG

L'électroencéphalographie enregistre l'activité électrique du cerveau, fournissant des informations sur la fonction neurologique, les habitudes de sommeil, l'épilepsie et les états cognitifs. Les signaux EEG sont parmi les signaux biomédicaux les plus faibles, avec des amplitudes dans la gamme microvolt, les rendant extrêmement sensibles au bruit et aux artefacts.

Cet article présente une architecture de filtre composite de seconde commande, de faible puissance, optimisée pour le traitement biomédical des signaux, en particulier les applications ECG et EEG. Pour commencer, la figure 1 illustre un système biomédical de traitement des signaux conçu pour capter et traiter les signaux des capteurs biomédicaux tels que EEG (électroencéphalogramme) et ECG (électrocardiogramme).

Les signaux EEG sont généralement analysés dans des bandes de fréquences spécifiques – delta (0,5-4 Hz), thêta (4-8 Hz), alpha (8-13 Hz), bêta (13-30 Hz) et gamma (>30 Hz) – chacune associée à différents états et fonctions du cerveau.

Suppression des artéfacts dans les signaux EEG

Les enregistrements EEG sont contaminés par divers artefacts, dont les clignements oculaires, les mouvements oculaires, l'activité musculaire et les signaux cardiaques. Les artefacts de clignement oculaire sont particulièrement problématiques parce qu'ils produisent des signaux de grande amplitude qui peuvent complètement masquer l'activité cérébrale sous-jacente.

L'analyse des composants indépendants (ICA) est devenue un outil standard pour l'enlèvement des artefacts EEG, en décomposant l'enregistrement EEG multicanaux en composants statistiquement indépendants. Les composants d'artefact peuvent ensuite être identifiés et enlevés avant de reconstruire le signal EEG nettoyé. Cette approche est particulièrement efficace pour enlever les mouvements oculaires et les artefacts clignotants, qui ont des motifs spatiaux caractéristiques qui les distinguent de l'activité cérébrale.

La capacité d'adaptation à différents environnements permet d'améliorer l'apprentissage pour bien accomplir des tâches telles que la mise en place d'un filtre Kalman adaptatif ou dans des tâches de contrôle du cerveau adaptatif.

Filtre Kalman dans les applications biomédicales

Les filtres Kalman représentent une classe puissante d'estimateurs optimaux qui combinent les prédictions basées sur des modèles de système avec des mesures bruyantes pour produire des estimations d'état optimales. Dans le traitement biomédical des signaux, les filtres Kalman peuvent suivre les caractéristiques des signaux variant dans le temps et fournir des performances supérieures aux filtres statiques lorsque des modèles de système appropriés sont disponibles.

Les études incluses couvrent diverses techniques de traitement du bruit, comme le bruit BW, PLI et EMG, utilisant des méthodes comme le filtrage, la décomposition empirique du mode (EMD), le filtrage Kalman et les réseaux neuronaux convolutionnels (CNN), entre autres. Le cadre de filtre Kalman est particulièrement précieux lorsque le signal et le bruit peuvent être modélisés comme des processus stochastiques avec des statistiques connues ou estimables.

Les filtres Kalman étendus et les filtres Kalman non parfumés étendent le cadre de base pour gérer la dynamique non linéaire du système, qui sont courants dans les systèmes physiologiques. Ces variantes avancées peuvent suivre des caractéristiques de signal complexes telles que la variabilité de la fréquence cardiaque ou les schémas respiratoires tout en filtrant simultanément le bruit et les artefacts.

Le principal défi à relever dans l'application des filtres Kalman aux signaux biomédicaux est de développer des modèles de système appropriés. Lorsque de bons modèles sont disponibles, les filtres Kalman peuvent fournir des performances quasi optimales. Cependant, l'inadéquation des modèles peut conduire à un filtrage suboptimal ou même à une divergence.

Facteurs de conception et compromis

Filtres à distortion et à phase linéaire

En outre, la méthode de dénouement ne devrait pas introduire de distorsion de phase, ce qui signifie qu'il ne devrait pas y avoir de retard de temps observable dans le signal final. La distorsion de phase se produit lorsque différents composants de fréquence d'un signal subissent des retards de temps différents à travers un filtre, provoquant une distorsion de forme d'onde même si les caractéristiques d'amplitude sont préservées.

Dans les applications biomédicales, la distorsion de phase peut modifier les relations temporelles entre les caractéristiques du signal, ce qui peut affecter l'interprétation diagnostique. Par exemple, la distorsion de phase dans le filtrage ECG pourrait modifier le moment apparent des différents composants de forme d'onde, ce qui conduirait à des mesures d'intervalle incorrectes.

De plus, les filtres numériques peuvent également introduire une distorsion dans le signal restant. Bien que cela puisse être évité en appliquant le filtre, une fois en avant et une seconde fois en arrière, ce type de traitement n'est pas nécessairement possible dans les applications en temps réel. Le filtrage en phase zéro, obtenu par filtrage en avant et en arrière, élimine complètement la distorsion de phase mais nécessite l'accès à l'ensemble du signal, ce qui le rend impropre au traitement en temps réel.

Complexité informatique et performance en temps réel

Les appareils portables et les systèmes implantables ont une puissance de traitement et une capacité de batterie limitées, nécessitant des implémentations efficaces de filtres. Le choix de l'architecture de filtre doit équilibrer les exigences de performance par rapport aux contraintes de calcul et de puissance.

La faible consommation d'énergie est essentielle pour prolonger la durée de vie des batteries dans les appareils portables, alors que la grande capacité de réglage est nécessaire pour s'adapter aux différentes conditions de signal et atténuer les variations de processus.

Des techniques de mise en œuvre efficaces telles que la décomposition polyphasée, le traitement multi-taux et l'arithmétique à point fixe peuvent réduire considérablement les besoins en calcul.

Ordre des filtres et réponse de fréquence

L'ordre des filtres détermine la netteté de la transition entre la bande passante et la bande stop, avec des filtres de plus grande ordre offrant des caractéristiques de roulis plus raides. Cependant, l'ordre des filtres augmente avec les coûts : plus de complexité informatique, plus de retard de traitement et potentiellement plus de sensibilité aux erreurs de quantification des coefficients dans les implémentations à points fixes.

Dans certains cas, un filtre à ordre inférieur avec une transition plus progressive peut être préférable s'il réduit les exigences de latence ou de calcul. Dans d'autres applications, comme l'élimination des interférences de la ligne électrique, une transition nette peut être essentielle pour éviter d'affecter les fréquences de signal à proximité.

Mesure de l'évaluation du rendement pour les filtres biomédicaux

Rapport signal/bruit (SNR)

Le rapport signal-bruit quantifie la résistance relative du signal désiré par rapport au bruit de fond, généralement exprimé en décibels. L'amélioration SNR est une mesure fondamentale pour évaluer la performance du filtre, indiquant combien le filtre a amélioré la qualité du signal. Cependant, SNR seul ne saisit pas tous les aspects de la performance du filtre, car il ne tient pas compte de la distorsion du signal ou de la préservation de caractéristiques spécifiques de forme d'onde.

Pour quantifier cette amélioration, on a utilisé les valeurs SNR des signaux. La valeur SNR du signal bruyant a été confirmée pour passer de 2,39dB à 3,1dB. Comme on peut le constater, la production finale a montré une amélioration significative, ce qui se traduit par une amélioration du SNR global de 3,1dB à 3,7dB. Ces améliorations quantitatives démontrent l'efficacité de l'approche de filtrage.

Erreur carrée moyenne et mesures connexes

L'erreur carrée moyenne (ESM) mesure la différence carrée moyenne entre le signal filtré et un signal propre de référence. Cette mesure est particulièrement utile lorsque des signaux de référence propres sont disponibles, par exemple dans les études de simulation ou lors de l'utilisation de bases de données standard avec des signaux annotés.

La performance de l'algorithme est analysée en termes d'erreur carrée moyenne [EMS], de rapport pic-signal-bruit [PSNR], de rapport signal-bruit amélioré [SNRI], de pourcentage de bruit attené [PONA] et de pourcentage de pixels tachetés [POST].

Préservation des caractéristiques diagnostiques

Au-delà des mesures générales de qualité des signaux, les filtres biomédicaux doivent préserver des caractéristiques spécifiques qui contiennent des informations diagnostiques. Pour les signaux ECG, cela comprend la préservation précise des amplitudes d'ondes, des intervalles et de la morphologie. Pour les signaux EEG, la puissance spectrale dans différentes bandes de fréquences doit être maintenue.

L'évaluation devrait comprendre l'évaluation de la façon dont le filtrage affecte la détection et la mesure des caractéristiques cliniquement pertinentes. Par exemple, le filtre préserve-t-il la capacité de détecter les arythmies dans les signaux ECG? maintient-il la précision de la détection des saisies dans l'EEG? Ces mesures de rendement spécifiques à l'application sont finalement plus importantes que les mesures génériques de la qualité des signaux.

Tendances et orientations futures

Apprentissage automatique et approches d'apprentissage profond

L'intégration de l'intelligence artificielle (IA) à l'analyse biomédicale des signaux représente une percée significative dans l'amélioration de la précision et de l'efficacité des diagnostics et des traitements des maladies.

De plus, l'article traite de l'intégration de modèles d'apprentissage profond, y compris les CNN et les LSTM, pour des tâches comme la détection d'arythmie et la prédiction des crises.

Les réseaux neuronaux récurrents et les réseaux de mémoire à court terme (LSTM) peuvent capter les dépendances temporelles des signaux biomédicaux, ce qui permet de filtrer de façon sophistiquée, ce qui explique la nature séquentielle des données physiologiques.

En outre, il évalue les limites des méthodes actuelles de dénigrement dans les applications cliniques et décrit les orientations futures, y compris le potentiel des réseaux neuronaux explicables, des réseaux neuronaux multitâches et la combinaison de l'apprentissage profond avec les méthodes traditionnelles pour améliorer les performances de dénigrement et la précision diagnostique.

Filtrage personnalisé et adaptatif

Les systèmes de filtrage futurs peuvent intégrer l'adaptation spécifique au patient, apprendre les caractéristiques uniques des signaux d'un individu et adapter les paramètres de filtrage en conséquence. Cette personnalisation pourrait améliorer le rendement en tenant compte de la variabilité interindividuelle des caractéristiques des signaux, des sources sonores et des motifs d'artefacts.

Par exemple, un moniteur ECG portable peut appliquer un filtrage plus agressif pendant l'activité physique lorsque les artefacts de mouvement sont répandus, puis passer au filtrage plus doux pendant les périodes de repos pour préserver les caractéristiques subtiles du signal.

Intégration à Internet des objets médicaux (IoMT)

Les orientations futures concernant l'Internet des objets médicaux (IoMT), l'informatique de pointe et l'IA explicable sont également explorées. La prolifération des dispositifs médicaux connectés crée de nouvelles opportunités et de nouveaux défis pour le filtrage des signaux biomédicaux.

Le traitement en nuage peut appliquer des algorithmes de filtrage plus sophistiqués qui seraient peu pratiques sur les appareils à ressources limitées, permettant une analyse avancée tout en préservant la durée de vie de la batterie. L'intégration du filtrage avec les systèmes d'analyse de données et de prise de décision peut fournir des solutions complètes qui vont de l'acquisition de signaux à la prise de décisions cliniques.

Traitement multimodaux des signaux

La surveillance biomédicale moderne implique souvent plusieurs modalités de signaux enregistrées simultanément. Les futures méthodes de filtrage peuvent tirer parti de l'information provenant de plusieurs signaux pour améliorer la réduction du bruit. Par exemple, l'information respiratoire provenant de la pneumographie par impédance pourrait éclairer l'élimination de l'errance de base dans les signaux ECG, ou les données de l'accéléromètre pourraient aider à identifier et à supprimer les artefacts de mouvement de divers signaux biomédicaux.

Le traitement conjoint de multiples modalités peut exploiter les corrélations entre les signaux pour distinguer les variations physiologiques du bruit et des artefacts. Cette approche multimodale représente un passage du traitement indépendant de chaque signal à l'examen du contexte physiologique complet capturé par plusieurs capteurs.

Meilleures pratiques pour la mise en œuvre de filtres de signaux biomédicaux

Comprendre les caractéristiques du signal et du bruit

L'analyse temporelle révèle des modèles temporels et des caractéristiques transitoires, tandis que l'analyse de fréquence-domaine utilisant l'estimation de la densité spectrale de puissance identifie la teneur en fréquence des composants du signal et du bruit. L'analyse temporelle-fréquence utilisant des spectrogrammes ou des transformations d'onde peut révéler comment les caractéristiques spectrales varient au fil du temps.

La compréhension des origines physiologiques des signaux et des artefacts fournit des indications précieuses pour la conception des filtres. Par exemple, sachant que l'errance de base dans l'ECG est liée à la respiration, la fréquence des artefacts sera dans la plage des taux de respiration typiques (0,1-0,5 Hz), ce qui informe le choix des fréquences de coupure des filtres à passage élevé.

Validation et essais

La validation rigoureuse est essentielle avant de déployer des filtres dans des applications cliniques. Les tests devraient comprendre à la fois des signaux simulés avec des caractéristiques connues et des signaux enregistrés réels avec des annotations d'experts.

Cependant, nous devons être prudents lors du filtrage des bruits restants du signal, car le processus de filtrage lui-même peut modifier le signal. La validation doit vérifier que le filtrage améliore la qualité du signal sans introduire de distorsion inacceptable ou supprimer d'importantes informations diagnostiques.

Documentation et reproductibilité

La documentation complète des méthodes de filtrage est essentielle pour la reproductibilité et l'acceptation clinique, notamment la spécification des types de filtres, des paramètres, des détails de mise en œuvre et des résultats de validation.

Les exigences réglementaires relatives aux instruments médicaux exigent une documentation complète des algorithmes de traitement des signaux, y compris des preuves de vérification et de validation. Même dans le contexte de la recherche, une documentation approfondie permet à d'autres chercheurs de reproduire les résultats et de s'appuyer sur des travaux antérieurs.

Pièges courants et comment les éviter

Déformage excessif et distorsion des signaux

Une des erreurs les plus courantes dans le filtrage biomédical des signaux est d'appliquer un filtrage trop agressif qui élimine le bruit mais fausse également le signal d'intérêt. Cela peut se produire lorsque les fréquences de coupure des filtres sont réglées de façon trop prudente ou lorsque l'ordre des filtres est trop élevé, créant des transitions très nettes qui sonnent ou oscillent en réponse aux signaux transitoires.

Ces méthodes traditionnelles sont faciles à comprendre et à mettre en œuvre, mais la plupart d'entre elles utilisent des paramètres fixes pour régler le filtre et traiter les composants à basse et haute fréquence du signal ECG dans son ensemble. Cela endommage les détails des composants à haute fréquence tout en filtrant le bruit ou conserve les détails des composants à haute fréquence tout en laissant plus de bruit résiduel dans les composants à basse fréquence.

La solution consiste à équilibrer soigneusement la réduction du bruit et la préservation des signaux, en utilisant des mesures quantitatives pour évaluer les deux aspects de la performance. L'inspection visuelle des signaux filtrés par les experts du domaine peut révéler des distorsions subtiles qui pourraient ne pas être apparentes à partir des mesures numériques seules.

Sélection de filtres inappropriés

La sélection de types ou de paramètres de filtre en fonction de la commodité plutôt que des caractéristiques du signal conduit souvent à des performances sous-optimales. Par exemple, l'application d'un simple filtre moyen mobile pour éliminer le bruit à haute fréquence peut être efficace sur le plan calculable, mais peut introduire une distorsion de phase significative et ne pas permettre une réduction adéquate du bruit.

Le choix de la méthode de filtrage devrait être guidé par les caractéristiques spécifiques du signal et du bruit, les exigences d'application et les ressources informatiques disponibles. Une approche systématique qui considère plusieurs méthodes candidates et les évalue à l'aide de mesures appropriées donnera généralement de meilleurs résultats que la mise en défaut de techniques familières ou pratiques.

Effets de la négation des bords

Les filtres numériques peuvent produire des artefacts au début et à la fin des signaux en raison de la réponse transitoire ou des conditions de bordure. Ces effets de bord peuvent être particulièrement problématiques pour les segments de signaux courts ou lors de l'analyse des événements près des limites de segment.

Dans les applications en temps réel, les transitoires de démarrage doivent être pris en compte, car les filtres peuvent nécessiter du temps pour atteindre l'état d'équilibre. Les échantillons initiaux peuvent devoir être jetés ou traités avec prudence jusqu'à ce que le filtre se soit stabilisé.

Considérations réglementaires et cliniques

Règlement sur les instruments médicaux

Les systèmes de traitement biomédical des signaux utilisés dans les milieux cliniques doivent respecter les exigences réglementaires comme les exigences de la FDA aux États-Unis ou de marquage CE en Europe. Ces règlements exigent une vérification et une validation rigoureuses des algorithmes de traitement des signaux, y compris les méthodes de filtrage.

Les logiciels utilisés dans les dispositifs médicaux doivent respecter des normes de gestion de la qualité telles que la norme ISO 13485, qui exige des contrôles systématiques de la conception, de la gestion des risques et de la traçabilité.

Validation clinique

Plusieurs études ont révélé l'importance d'intégrer les systèmes d'intelligence artificielle dans les applications de traitement biomédical des signaux et ont fourni des solutions de perspicacité pour minimiser les défis auxquels le médecin est confronté lors de l'établissement d'un diagnostic.

La validation clinique consiste à démontrer que les signaux filtrés appuient un diagnostic précis et une prise de décision clinique appropriée, ce qui exige généralement des études comparant les performances diagnostiques à l'aide de signaux filtrés par rapport à des méthodes standard ou à une interprétation par des experts.

La compréhension des données physiologiques, qui nécessite des professionnels hautement qualifiés, est maintenant plus accessible; dans les régions où l'accès est limité, les outils d'IA élargissent l'accessibilité des soins de santé en fournissant des données diagnostiques de haut niveau, ce qui améliore en fin de compte les résultats en matière de santé.

Ressources et outils de mise en oeuvre pratique

Plateformes logicielles et bibliothèques

De nombreuses plateformes logicielles fournissent des outils pour la mise en œuvre de filtres de signaux biomédicaux. La boîte à outils de traitement des signaux de MATLAB offre des capacités complètes de conception et d'analyse des filtres, y compris des outils interactifs pour visualiser les réponses aux fréquences et tester les performances des filtres.

Pour les applications intégrées et en temps réel, les implémentations C/C++ utilisant des bibliothèques telles que CMSIS-DSP pour les processeurs ARM ou les bibliothèques DSP spécifiques aux fournisseurs offrent des performances optimisées.

Bases de données normalisées pour les essais

Plusieurs bases de données publiques fournissent des signaux normalisés pour tester et valider les algorithmes de filtrage. La base de données MIT-BIH sur l'arythmie contient des enregistrements ECG annotés largement utilisés pour le développement et la validation des algorithmes. PhysioNet héberge de nombreuses autres bases de données couvrant ECG, EEG, EMG et d'autres signaux biomédicaux, fournissant des ressources précieuses aux chercheurs et aux développeurs.

L'utilisation de bases de données standard permet de comparer les différentes méthodes de filtrage dans des conditions contrôlées et facilite la recherche reproductible.

Ressources pédagogiques

La compréhension complète du filtrage biomédical des signaux nécessite des connaissances couvrant la théorie du traitement des signaux, la physiologie et les applications cliniques. Les manuels tels que "Biomedical Signal Processing" de Rangaraj M. Rangayyan et "Digital Signal Processing" de Proakis et Manolakis fournissent des connaissances fondamentales.

Des organisations professionnelles comme la IEEE Engineering in Medicine and Biology Society et des conférences comme la Conférence internationale sur le génie biomédical offrent des forums pour apprendre les dernières avancées dans le traitement biomédical des signaux. La participation dans ces communautés facilite l'échange de connaissances et la collaboration.

Conclusion : Le rôle essentiel du filtrage dans l'instrumentation biomédicale moderne

Le filtrage des signaux demeure un élément indispensable de l'instrumentation biomédicale, qui sert de pont critique entre les données brutes des capteurs et les informations cliniquement utiles.En maîtrisant diverses techniques de filtrage, y compris les techniques de filtrage du domaine temporel, les techniques de filtrage des domaines de fréquence et les techniques de filtrage adaptatifs, les ingénieurs et les chercheurs biomédicaux peuvent développer des systèmes biomédicaux de traitement des signaux robustes et fiables.

Le domaine continue d'évoluer rapidement, les méthodes de filtrage traditionnelles étant augmentées et parfois remplacées par des méthodes d'apprentissage automatique qui peuvent apprendre à utiliser des stratégies de filtrage optimales à partir de données.Ces dernières années, l'intersection des technologies biomédicales de traitement des signaux et de communication a considérablement accéléré les innovations en matière de soins de santé, en particulier dans les systèmes de surveillance en temps réel.

Malgré ces avancées, les principes fondamentaux du traitement des signaux restent pertinents. Comprendre les caractéristiques des signaux et du bruit, sélectionner les types et paramètres de filtres appropriés et valider les performances par des tests rigoureux restent des compétences essentielles pour les ingénieurs biomédicaux.

La réduction du bruit par différentes techniques de filtrage permet de mieux détecter les maladies, ce qui aide les médecins à mieux diagnostiquer. L'instrumentation biomédicale de plus en plus sophistiquée et omniprésente ne fera qu'augmenter l'importance du filtrage efficace des signaux. Des moniteurs de santé portables aux dispositifs implantables aux systèmes de diagnostic avancés, les techniques de filtrage permettent d'extraire des informations significatives à partir de signaux physiologiques bruyants, contribuant en fin de compte à améliorer les soins aux patients et les résultats en matière de santé.

L'avenir du filtrage biomédical des signaux réside dans des systèmes intelligents et adaptatifs qui peuvent s'adapter automatiquement à des conditions de signal variables, aux caractéristiques des patients et aux contextes cliniques. En combinant les connaissances du domaine avec des approches fondées sur les données, la prochaine génération de systèmes de filtrage fournira une qualité de signal sans précédent tout en maintenant l'efficacité computationnelle et les performances en temps réel nécessaires pour des applications cliniques pratiques.

Ressources supplémentaires et lecture supplémentaire

Pour ceux qui cherchent à approfondir leur compréhension du filtrage biomédical des signaux, plusieurs ressources faisant autorité fournissent une couverture complète des fondements théoriques et des applications pratiques. IEEE Engineering in Medicine and Biology Society offre de nombreuses publications et des actes de conférence couvrant les dernières avancées dans le traitement biomédical des signaux.

La plateforme PhysioNet offre un accès gratuit à de grandes collections de signaux physiologiques et de logiciels open-source connexes, ce qui en fait une ressource inestimable pour les chercheurs et les développeurs.Pour ceux qui s'intéressent aux applications cliniques du traitement des signaux, l'American Heart Association publie des lignes directrices et des recherches sur l'interprétation ECG et la surveillance cardiaque qui intègrent des considérations liées au traitement des signaux.

Des communautés en ligne comme Signal Processing Stack Exchange[ offrent des forums pour discuter des défis et des solutions pratiques de mise en oeuvre. Les revues universitaires, dont IEEE Transactions on Biomedical Engineering, Medical & Biological Engineering & Computing, and Biomedical Signal Processing and Control, publient des recherches de pointe sur les techniques de filtrage et leurs applications.

À mesure que le terrain progressera, la sensibilisation aux nouveaux développements grâce à ces ressources, tout en s'appuyant sur des principes fondamentaux, permettra aux praticiens de développer des solutions de plus en plus efficaces pour les défis du filtrage biomédical des signaux.