Simulation d'un Système de Surveillance Cardiaque avec Détection d'Anomalies par EdgeAI

Abstract

Ce mémoire a été consacré à la conception et à la simulation d’un système intelligent de surveillance cardiaque basé sur l’Edge AI, capable de détecter des anomalies à partir de signaux électrocardiogrammes (ECG) en temps réel sur des microcontrôleurs à ressources limitées. L’objectif principal était de développer un modèle léger, précis et économe en énergie, tout en maintenant des performances de diagnostic élevées. Le premier chapitre a présenté les fondements théoriques essentiels pour saisir le système suggéré. Le projet repose sur des bases scientifiques solides telles que la surveillance cardiaque et l’analyse du signal ECG. L’incorporation de l’Edge AI dans un système de monitoring cardiaque facilite une identification rapide, exacte et indépendante des irrégularités cardiaques, préparant ainsi le terrain pour des appareils médicaux intelligents de nouvelle génération. Le deuxième chapitre a exploré le rôle central de l’intelligence artificielle dans le monitoring cardiaque, plus précisément pour l’identification automatisée des arythmies à partir des signaux ECG. L’apprentissage automatique permet d’entraîner des modèles sur des données ECG afin de distinguer les rythmes normaux des irrégularités cardiaques. Trois familles de techniques sont couramment mises en œuvre : les machines à vecteurs de support (SVM), les k-plus proches voisins (KNN), ainsi que les réseaux de neurones profonds (CNN, LSTM). Ces approches garantissent une détection rapide et fiable, condition essentielle pour les systèmes de surveillance en temps réel. Le troisième chapitre a évalué cinq modèles de deep learning pour la détection d’anomalies ECG sur le dataset public CODE-15% : CLTC (ConvLSTM2D+LTC), CCfC (ConvLSTM2D+CFC), DeepECG-Net (CNN+Transformer) et Random Forest. Les résultats démontrent clairement la supériorité des modèles à base de NCP (CLTC et CCfC) pour les applications Edge AI, avec une mémoire extrêmement faible (240 KB RAM, 96 KB Flash) et une consommation énergétique réduite (137,4 mW). Le modèle CCfC surpasse légèrement CLTC avec une précision de 98,0 % contre 97,5 %, tout en offrant une convergence plus rapide. DeepECG-Net, malgré son architecture avancée, atteint 96,5 % de précision avec l’inconvénient majeur d’une consommation mémoire 125 fois plus élevée (30 MB). Le Random Forest obtiennent des résultats modestes (89,2 % et 83,0 %) avec une empreinte mémoire importante (~500 MB). La comparaison avec l’article de Huang et al. (2024) montre que les résultats sont presque proches d’un point de vue architectural pour CLTC et CCfC, avec des performances supérieures (98,0 % contre 85,7 %) attribuables à un dataset mieux équilibré et à une normalisation Z-score. Les résultats de cette étude permettent de tirer plusieurs conclusions importantes. Premièrement, les modèles à base de NCP (CLTC et CCfC) sont les plus adaptés aux contraintes des dispositifs Edge AI, offrant le meilleur compromis entre précision, mémoire et consommation énergétique. Deuxièmement, CCfC représente le meilleur choix pour ce projet, avec une précision de 98,0 %, une mémoire de 240 KB et une puissance de 137,4 mW. Ce travail ouvre plusieurs perspectives pour des recherches futures. Il serait intéressant de déployer physiquement le modèle CCfC sur un microcontrôleur réel (STM32F746G) pour valider les performances en conditions réelles. L’utilisation de techniques d’optimisation comme la quantification des poids ou l’élagage (pruning) pourrait réduire encore davantage l’empreinte mémoire. Enfin, l’extension à un plus grand nombre de classes d’anomalies et la validation sur d’autres bases de données (CPSC, PTB-XL, MIT-BIH) permettraient d’évaluer la généralisation du modèle. En conclusion, ce mémoire a démontré qu’il est possible de concevoir un système de surveillance cardiaque intelligent, précis et économique, fonctionnant en temps réel sur des microcontrôleurs à ressources limitées. Le modèle CCfC (ConvLSTM2D + Closed-Form Continuous-Time) représente la solution optimale, avec 98,0 % de précision, 240 KB de RAM et 137,4 mW de consommation. Ce travail contribue ainsi à l’avancement de l’Edge AI pour les applications de santé connectée, ouvrant la voie à des dispositifs médicaux portables accessibles, fiables et respectueux de la vie privée des patients.