Résumé:
Un électrocardiogramme (ECG) enregistre l’activité électrique du cœur ; il contient de riches informations pathologiques sur les maladies cardiovasculaires, telles que l’arythmie. Cependant, il est difficile d’analyser visuellement les signaux d’ECG en raison de leur complexité et de leur non-linéarité.
Nous proposons dans ce mémoire deux approches pour la classification des signaux ECG en utilisant les
ondelettes à l’aide d’apprentissage automatique. Notre but principal est d’avoir un meilleur taux de classification avec des algorithmes simples dans leur mise en œuvre. La transformée en ondelettes (Haar,
Db4, Sym5, Sym 7, Coif4 et Coif 5) est utilisée pour extraire les paramètres qui caractérisent différentes
pathologies arythmiques. Un prétraitement par normalisation et débruitage adapté par l’ondelette de
Daubechies (Db4) a été appliqué aux signaux avant l’extraction. Les signaux ECG exploités dans cette
étude sont tirés de la base de données MIT-BIH Arrhythmia Database connue mondialement. Les résultats obtenus sont satisfaisants, avec des précisions de 79,08 % pour la première approche avec le modèle
DT par l’ondelette Coif 5 au 4ième niveau d’échelle, et 92,07 % pour la deuxième approche avec le modèle kNN (k=7) par l’ondelette Sym 7 au 6ième niveau d’échelle qui a obtenu la performance optimale.
