Détection des artefacts dans les signaux de photopléthysmographie

L’objectif principal de ce projet est d’assurer une détection précise des artefacts de mouvement dans les signaux photopléthysmographiques (PPG), une étape cruciale pour garantir la fiabilité et l’exactitude des analyses cliniques et de recherche basées sur ces données. Parmi les nombreux types d’artefacts, nous nous sommes particulièrement intéressés aux artefacts de mouvement, car ils ont le potentiel de perturber significativement les signaux PPG et de compromettre l’interprétation des paramètres physiologiques. Pour atteindre cet objectif, nous avons entrepris une approche basée sur l’apprentissage machine. Notre mémoire détaille l’ensemble du processus, débutant par le prétraitement initial du signal PPG, puis se poursuivant avec l’annotation des données et l’exploration de diverses méthodes de rééquilibrage des données, pour finalement aboutir à la comparaison des performances des classificateurs supervisés avec celles de l’algorithme semi-supervisé de propagation d’étiquettes. Les résultats obtenus montrent que l’algorithme d’apprentissage machine semi-supervisé de propagation d’étiquettes a obtenu une précision de 91%, un rappel de 90% et un score F1 de 90%. Bien que l’algorithme supervisé KNN (K-Nearest Neighbors) ait également obtenu des résultats solides, avec une précision de 89%, un rappel de 95% et un score F1 de 92%, l’algorithme de propagation d’étiquettes s’est avéré plus efficace pour détecter avec précision les artefacts de mouvement. En résumé, cette recherche contribue à l’avancement des connaissances dans le domaine de la détection des artefacts dans les signaux PPG, en mettant en évidence l’efficacité de l’algorithme semi-supervisé de propagation d’étiquettes dans la détection des artefacts de mouvement.