Deep learning based approaches for PPG pulse wave analysis : quality assessment, uncovering waveshape templates and diabetes risk assessment Approches basées sur l’apprentissage profond pour l’analyse des ondes de pouls PPG : évaluation de la qualité, identification de modèles de forme d’onde et évaluation des risques liés au diabète En Fr

Résumé Fr En

Notre société connaît un changement transformateur dans la répartition des âges. Alors que l’espérance de vie continue d’augmenter et que les ressources médicales peinent à accueillir tout le monde, la télémédecine et les solutions de santé électronique devront jouer un rôle central dans les années à venir. Les maladies cardiovasculaires englobent un éventail de troubles affectant le cœur et les vaisseaux sanguins, notamment les crises cardiaques, les accidents vasculaires cérébraux et les maladies artérielles périphériques. En 2017, les maladies cardiovasculaires ont causé le plus grand nombre de décès dans le monde. Reconnaissant le besoin de solutions de santé à distance, les chercheurs et les industries se concentrent de plus en plus sur le développement de systèmes facilitant la surveillance à distance des patients. Parmi toutes les technologies disponibles, la photopléthysmographie suscite un vif intérêt au sein de la communauté de la recherche et de l’industrie. Son coût abordable et sa facilité d’utilisation permettent d’intégrer facilement cette technologie dans plusieurs dispositifs différents facilitant la collecte de données. Malgré les résultats prometteurs, la PPG présente certaines limitations et son analyse reste complexe. Le signal PPG est facilement corrompu par des artefacts de bruit. La lumière extérieure, les mouvements ou le bruit électrique peuvent affecter la forme de l’onde du pouls et rendre l’analyse qui en découle peu fiable. De plus, la forme d’onde photopléthysmographique dépend de la longueur d’onde de la lumière émise, du type de peau, du volume sanguin, de la phase du cycle cardiaque, du vieillissement et de la présence de pathologies. Nos contributions visent à relever certains de ces défis. Tout d’abord, nous proposons un modèle d’apprentissage en profondeur non basé sur des caractéristiques capable de classer les formes de pouls numériques physiologiques parmi les formes bruitées. La détection et l’exclusion ultérieure des formes bruitées de l’analyse améliorent la fiabilité de cette dernière. Nous examinons ensuite la possibilité de déterminer des modèles d’ondes de pouls qui pourraient expliquer la variété de formes d’onde de pouls trouvées dans les données du monde réel grâce à l’apprentissage non supervisé. Nous validons cette approche en analysant des données cliniques connexes, telles que l’âge, la vélocité de l’onde de pouls et la pression artérielle. Enfin, nous présentons une approche d’apprentissage en profondeur pour réaliser une évaluation du risque de diabète en analysant les modifications de la forme des ondes de pouls entre les sujets diabétiques et non diabétiques. Nous étudions également l’influence de la forme de l’onde de pouls et de la vélocité de l’onde de pouls en présence de la rétinopathie diabétique, une atteinte visuelle liée au diabète. Pour chacune de nos études, nous avons mené des expériences approfondies avec des résultats prometteurs.

Our society is experiencing a transformative change in age distribution. As life expectancy continues to rise and healthcare resources struggle to accommodate everyone, telemedicine and e-health solutions will have to play a central role in the coming years. Cardiovascular diseases encompass a range of disorders affecting the heart and blood vessels, including heart attacks, strokes, and peripheral arterial disease. In 2017, cardiovascular diseases claimed the highest number of lives worldwide. Recognizing the need for remote healthcare solutions, researchers and industries are increasingly focusing on developing systems that facilitate remote patient monitoring. Among all the available technologies, photoplethysmography is attracting a wide interest from the research and the industrial community. Its cost-effectiveness and its usability make this technology easily embeddable in several different devices facilitating the data collection. Despite the promising results, PPG does have certain limitations and its analysis is still challenging. The PPG signal is easily corrupted by noise artifacts. External light, movement or electric noise can affect the pulse wave shape and make the related analysis unreliable. In addition, the photoplethysmographic waveform depends on the wavelength emitted light, skin type, blood volume, cardiac cycle phase, aging and presence of pathologies. Our contributions are to address some of these challenges. First, we propose a non-feature-based deep learning model capable of classifying physiological digital volume pulse shapes from noisy ones. Detecting and subsequently excluding noisy waves from the analysis enhances the reliability of the latter. We then investigate the possibility of determining pulse wave templates that could explain the variety of pulse wave shapes found in real-world data through unsupervised learning. We validate this approach by analyzing related clinical data, such as age, pulse wave velocity, and blood pressure. Finally, we present a deep learning approach for conducting diabetes risk assessment by analyzing the modifications in pulse wave shapes between diabetic and non-diabetic subjects. We also investigate the influence of pulse wave form and pulse wave velocity in the presence of diabetic retinopathy, a diabetes-related visual impairment. For each of our studies we conducted extensive experiments with promising results.