How to Use Sine in Analyzing Periodic Biological Signals Like Ecgs
Table of Contents
La Fondation mathématique : les ondes de la sinusite et la théorie de Fourier
Les signaux biologiques périodiques tels que les électrocardiogrammes (ECG), les électroencéphalogrammes (EEG) et les formes d'onde respiratoire présentent des patrons répétés au fil du temps. y(t) = A sin(2πft + φ), où A est l'amplitude, f est la fréquence en cycles par seconde (Hertz), et ι Tout signal périodique, aussi complexe soit-il, peut être exprimé sous forme d'ondes sinusoïdales de fréquences, d'amplitudes et de phases différentes. Cette idée est formalisée dans la série Fourier pour les signaux discrets et la transformation Fourier pour les signaux continus.
La transformation de Fourier transforme un signal du domaine temporel en représentation de la fréquence-domaine. Pour les signaux biomédicaux, cette décomposition révèle les composants rythmiques dominants. Par exemple, un ECG au repos a une fréquence fondamentale près de 1 Hz (la fréquence cardiaque de 60 battements par minute), mais les harmoniques à plusieurs de cette fréquence capturent la forme du complexe QRS. Comprendre ces composants de fréquence est essentiel pour filtrer le bruit, détecter les arythmies et quantifier la variabilité de la fréquence cardiaque. cette référence sur la transformation de Fourier- Oui.
De continu à discret : la transformation rapide de Fourier
Les signaux physiologiques modernes sont échantillonnés à des moments discrets, nécessitant la transformation discrète de Fourier (DFT) et sa mise en œuvre efficace, la transformation rapide de Fourier (FFT). Le théorème de l'échantillonnage Nyquist-Shannon indique que le taux d'échantillonnage doit être au moins deux fois plus élevé que celui présent dans le signal pour éviter tout alias. Pour l'analyse ECG, les taux d'échantillonnage typiques varient de 250 Hz à 1000 Hz, ce qui permet de capter sans distorsion les fréquences de diagnostic jusqu'à 40 à 100 Hz. Le FFT réduit le calcul de l'O(N2) à l'O(N log N), ce qui rend l'analyse spectrale en temps réel possible sur les appareils portables.
Application de l'analyse du sinus aux signaux ECG
Étape 1: Prétraitement des signaux et réduction du bruit
Avant toute modélisation mathématique, le signal doit être filtré. Les filtres Bandpass (p. ex. 0,5–40 Hz pour les ECG diagnostiques) préservent la majeure partie de l'énergie cardiaque tout en éliminant la dérive à basse fréquence et le bruit à haute fréquence. Un filtre Butterworth de l'ordre 4 ou 5 fournit une bande passante plate et une distorsion de phase minimale. Les filtres Notch (p. ex. IIR de deuxième ordre ou FIR) suppriment spécifiquement le hum de la ligne de puissance.
Les étapes de prétraitement supplémentaires comprennent le filtrage médian pour éliminer la dérive à basse fréquence. Module de traitement des signaux de SciPy, fournir des fonctions de conception de filtre prêtes à l'emploi. Par exemple, et peuvent mettre en œuvre des filtres à bande passante en phase zéro avec quelques lignes de code.
Étape 2 : Transformation du domaine de fréquence
Après prétraitement, appliquer la transformation rapide de Fourier (FFT) pour obtenir la densité spectrale de puissance (PSD) de l'ECG. La PSD montre un pic à la fréquence de fréquence cardiaque et ses harmoniques. La puissance relative des composants haute fréquence (environ 10 à 20 Hz) est en corrélation avec la netteté du complexe QRS, tandis que les fréquences inférieures (environ 0 à 5 Hz) se rapportent aux ondes T et P. En pratique, l'analyse de PSD est estimée à l'aide de parodogrammes ou de la méthode Welch, qui se chevauche en moyenne par segments de fenêtre pour réduire la variance. cet article de PubMed sur l'analyse spectrale de la variabilité de la fréquence cardiaque- Oui.
Étape 3: Modélisation de formes d'onde individuelles avec des fonctions sinusoïdales
Par exemple, une onde P typique peut être modélisée comme une oscillation sinusoïdale basse fréquence (fréquence autour de 5 à 10 Hz) d'une durée de 80 à 120 ms, tandis que le complexe QRS nécessite une somme de plusieurs ondes sinusoïdales – souvent de 3 à 6 composants – pour capter sa déflexion rapide (jusqu'à 40 ms de largeur) et ses pics aigus. Algorithmes non linéaires de fixation des moindres carrés comme la méthode Levenberg-Marquardt ajuste l'amplitude, la fréquence et la phase d'un petit ensemble de fonctions sinusiques pour correspondre à la morphologie observée. La fonction de coût minimise la somme des différences carrées entre le modèle et le segment ECG filtré. Cette approche de modélisation parametricale présente plusieurs avantages : elle compresse les données ECG (en s'en signant uniquement des paramètres sinus au lieu de centaines d'échantillons), permet l'extraction de caractéristiques comme l'intervalle QT et l'élévation du segment ST avec une précision sous-sample, et fournit une représentation par bruit-robust pour la classification.
Étape 4: Analyse de la variabilité du rythme cardiaque
Pour calculer le VRH, les chronométrages des crêtes R sont extraits de l'ECG à l'aide d'algorithmes comme les détecteurs Pan-Tompkins ou à base d'ondelettes, et l'intervalle entre les ondes R consécutives (intervalles R) est traité comme une nouvelle série chronologique appelée tachygramme. L'application de l'analyse spectrale sinusoïdale, utilisant respectivement le parodogramme Lomb-Scargle ou le FFT régulier après rééchantillonnage, à cette série d'intervalles RR révèle des composantes à basse fréquence (LF, 0,04–0,15 Hz) et à haute fréquence (HF, 0,15–0,4 Hz), qui reflètent l'activité sympathique et parampathique, respectivement. Le rapport FL/HF est largement utilisé dans la recherche clinique et la physiologie sportive pour évaluer l'équilibre autonomique. La modélisation des ondes Sinus du tachygramme permet des mesures robustes du VHR même lorsque les données sont présentes pour les battements éctopiques ou les équations, car le modèle peut interpoler les battements manquants et les mesures temporelles de la fluctomie.
Au-delà des ECG: autres signaux biologiques périodiques
Électroencéphalogrammes (EEG)
Les signaux cérébraux enregistrés par EEG sont souvent décrits en termes d'oscillations rythmiques : delta (0,5–4 Hz, sommeil profond), théta (4–8 Hz, somnolence), alpha (8–13 Hz, sillage détendu), bêta (13–30 Hz, concentration active) et gamma (>30 Hz). Ces rythmes sont essentiellement sinusoïdaux dans la nature, résultant d'un tir synchrone de populations neurales. L'analyse de Fourier et l'ajustement sinusoïdal sont des outils standard pour quantifier les bandes de puissance de l'EEG, détecter les crises épileptiques (caractérisées par des pics rythmiques de haute amplitude qui peuvent être modélisés comme ondes sinusoïdales transitoires) et étudier les états cognitifs.
Signal respiratoire
Les patrons respiratoires, mesurés par des capteurs de débit, des ceintures thoraciques ou des pneumographies d'impédance, présentent des formes d'onde quasi sinusoïdales au repos. La fréquence respiratoire (habituellement de 0,2 à 0,4 Hz chez les adultes) peut être extraite du signal respiratoire à l'aide de modèles sinusaux, souvent avec une simple détection de pic ou une approche d'autocorrelation. De plus, l'arythmie des sinus respiratoires (RSA) – la variation naturelle de la fréquence cardiaque liée à la respiration – est analysée en examinant les relations de phase entre l'onde sinusale respiratoire et le VHR dérivé de l'ECG. Ce couplage permet de comprendre la coordination cardiorespiratoire et peut être quantifié par analyse transversale, mesure de la cohérence et synchronisation de phase.
Rythmes circadiens et ultradiens
De nombreuses variables physiologiques, dont la température corporelle, la sécrétion d'hormones (cortisol, mélatonine) et la pression artérielle, suivent des cycles de 24 heures (circadiens) ou de 24 heures (ultradiens) plus courtes, qui peuvent être modélisées comme ondes sinusales avec des périodes allant d'heures à jours. L'analyse des cosinor, une technique de sinusification utilisant une régression des moindres carrés, estime l'amplitude, l'acrophase (temps de pointe) et le mesor (statistique du rythme moyen) de ces cycles.
Mise en œuvre pratique : outils et flux de travail
L'analyse moderne des signaux biologiques périodiques repose sur des environnements de programmation avec des bibliothèques de traitement de signaux intégrées. Python, avec des paquets comme NumPy, SciPy et matplotlib, permet aux utilisateurs de calculer les FFT, les données de filtre et d'effectuer des courbes sinusoïdales en quelques lignes de code. NeuroKit2 (Python) fournit des fonctions de haut niveau pour le prétraitement, la détection de pics et le calcul de VHR qui dépendent de la décomposition des ondes sinusoïdales.
Un flux de travail typique implique:
- Chargement du signal brut à partir d'un fichier (par exemple, .df, .mat, ou CSV) utilisant des bibliothèques comme ou .
- Appliquer un filtre à passe-bande (par exemple, 0,5–40 Hz pour ECG) avec un filtrage à phase zéro pour préserver la morphologie de la forme d'onde.
- Enlever le début de la course par filtrage médian (fenêtre ~200 ms) ou soustraction polynôme (troisième ordre).
- Transformer en domaine de fréquence en utilisant FFT et calcul de PSD avec la méthode de Welch (longueur de fenêtre 4 secondes, chevauchement de 50%).
- Identifier les pics de fréquence dominants en utilisant la détection de pic sur le spectre (p. ex. ].
- Adapter les fonctions sinusoïdales au signal du domaine temporel en utilisant une optimisation non linéaire (p. ex. ] avec une somme de sinusoïdes).
- Extraction des caractéristiques cliniques : fréquence cardiaque, fréquence respiratoire, puissance de bande spectrale (LF, HF, VLF) et amplitude des composants sinusoïdaux.
Toutes les étapes doivent être validées à l'aide de signaux synthétiques avec des paramètres connus avant de traiter des données réelles. Générer un signal d'essai avec des fréquences, des amplitudes et du bruit connus pour assurer que les algorithmes retournent les valeurs attendues dans les limites de tolérance.
Défis et considérations
Bien que l'analyse sinusoïdale soit puissante, elle suppose une stationnarité, à savoir que le contenu en fréquence ne change pas au fil du temps. Les signaux biologiques sont souvent non stationnaires en raison du mouvement, des états émotionnels ou de la progression de la maladie. Dans de tels cas, des méthodes de fréquence temporelle comme la transformation de Fourier à temps court (STFT) ou l'analyse de la vague sont plus appropriées. La STFT applique la FFT à de courtes fenêtres qui se chevauchent, fournissant un spectrogramme qui suit les changements de fréquence au fil du temps. Pour ECG, une fenêtre de 2 secondes avec un déplacement d'une seconde peut saisir la dynamique de variabilité de la fréquence cardiaque pendant l'exercice.
La variabilité inter-sujets signifie que les paramètres du modèle doivent être adaptés aux niveaux de référence individuels—par exemple, les bandes de fréquence attendues pour le VHR dépendent de l'âge, la puissance de la FL étant en diminution chez les adultes âgés.
De plus, l'implémentation en temps réel sur les appareils embarqués (par exemple, les portables) fait face à des contraintes informatiques et de mémoire. Des implémentations efficaces peuvent utiliser l'arithmétique fixe, les filtres IIR (qui sont moins chers que FIR), et les mises à jour de la fenêtre coulissante FFT.
Conclusion : Le rôle de l'analyse sinusale dans la physiologie moderne
L'analyse des signaux biologiques périodiques permet de mesurer avec précision et reproductibilité la fréquence cardiaque d'un ECG et de caractériser les rythmes cérébraux dans les études sur le sommeil. L'amélioration de la puissance de calcul et du logiciel open-source a rendu ces techniques accessibles à un large public de chercheurs et de cliniciens. L'intégration de modèles sinusaux avec l'apprentissage automatique, par exemple en utilisant des caractéristiques spectrales comme intrants pour classifier les fibrillations auriculaires ou la détection des saisies, représente la prochaine frontière dans le traitement des signaux biomédicaux. L'attention particulière accordée au prétraitement, à la sélection des modèles et à la validation des analyses sinusoïdales restera la pierre angulaire de la surveillance physiologique pendant des années à venir.