AUTOMATED ELECTROCARDIOGRAM ANALYSIS USING TEMPORAL CONVOLUTIONAL NETWORKS

Abstract

Contexte : L'interprétation de l'électrocardiographie (ECG) demeure laborieuse et sujette à la variabilité inter-observateur. Le département de cardiologie de Souissi nécessitait une analyse ECG automatisée pour améliorer l'efficacité des soins. Objectif : Développer un pipeline de Réseau de Convolution Temporelle (TCN) intégrant des signaux ECG 12 dérivations avec des caractéristiques fiduciaires pour la classification automatique multi-classes des rythmes cardiaques. Méthodes : Analyse rétrospective de 14 827 ECG (80% entraînement/10% validation/10% test). Prétraitement : filtrage 0,5-45 Hz, suppression de dérive, détection Pan-Tompkins. Neuf métriques fiduciaires moyennées capturent les caractéristiques temporelles. Architecture TCN à trois blocs résiduels dilatés combinée avec un MLP, équilibrage par GAN-1D. Résultats : Précision globale de 77% avec F₁ macro de 0,70. AUC par classe : Troubles de Conduction (0,892), Hypertrophie (0,911), Infarctus (0,935), Normal (0,948), ST-T (0,909). Rappel optimal pour les cas Normaux (0,87), plus faible pour l'Hypertrophie (0,51). Inférence <50 ms par échantillon. Conclusion : Ce pipeline TCN compact offre une classification ECG rapide et cohérente adaptée au déploiement clinique. L'architecture légère permet l'intégration tout en maintenant la précision diagnostique. Les améliorations futures incluront des caractéristiques enrichies et un déploiement mobile.

Mots-clés : Électrocardiographie, Réseaux de Convolution Temporelle, Classification automatique, Apprentissage profond, Cardiologie numérique, Intelligence artificielle médicale