L’apprentissage profond (AP) a montré un fort potentiel dans l’analyse des signaux ECG pour la classification de la fibrillation auriculaire (FA), en particulier pour identifier des marqueurs subtils durant le rythme sinusal normal et prédire une FA nouvellement apparue. Cependant, de nombreux modèles performants sont gourmands en ressources, avec un grand nombre de paramètres et d’opérations en virgule flottante (OVF). Cela rend leur entraînement difficile dans des environnements à ressources limitées et limite leur déploiement sur des dispositifs médicaux en périphérie.
L’équipe de l’Université de Gand travaille sur CSD-AFNet, une architecture AP légère conçue pour la classification ECG liée à la FA. Elle réduit considérablement la complexité computationnelle en remplaçant les convolutions temporelles standard par une opération novatrice appelée Convolutions FPP. Celles-ci permettent un pas et une dilatation efficaces sans perdre la résolution d’entrée, maintenant la couverture temporelle tout en allégeant la charge computationnelle. Pour améliorer encore la modélisation temporelle, l’architecture intègre un rembourrage causal 2D, qui empêche la fuite d’informations à travers les étapes temporelles dans les couches en aval.
Une évaluation des ensembles de données publics CODE-15 % et PTB-XL montre qu’il atteint des performances de classification comparables à celles des modèles de pointe, tout en réduisant le nombre de paramètres de 71× et les FLOPs de 122× par rapport à une base de référence basée sur ResNet-10.
Les résultats de ce travail ont été acceptés pour publication lors de la Conférence Internationale IEEE-EMBS sur l’Informatique Biomédicale et la Santé (BHI 2025), un événement phare organisé par la Société IEEE d’Ingénierie en Médecine et Biologie (EMBS).
Dirk Deschrijver (UGENT)
