Biological, signals processing using artificial intelligence

Abstract

The acquisition procedures for reading biological signals determine the type of the signal obtained and with the advance of acquisition techniques, biological signals have an almost unlimited variety of types some of which are rarely addressed. This thesis establishes a foundational framework for categorizing biological signals by origin, dynamics, and physical form, with a focused review of ECG applications. It highlights the dominance of heuristic, machine learning, and neural network approaches in pathology detection and biometric authentication while identifying understudied areas such as ECG-based imaging and emotion recognition. Building on this, a robust seven-step peak analyzer-based machine learning method is proposed for detecting the ECG characteristic peaks (P, Q, R, S, and T peak) with the rarely studied Wolff-Parkinson-White (WPW) pattern via Delta wave localization, comparing the performance of neural networks, k-nearest neighbors (KNN), and Naïve Bayes algorithms on the MITDB Arrhythmia database. The approach achieves high precision (99.25% accuracy with neural networks) and addresses limitations of the method’s dependency on the R peak detection leading to the proposal of an improved novel reinforcement learning-driven peak analyzer paired with an LSTM classifier to automate a real-time independent delineation of the fiducial points (onset, peak, and end) of the ECG characteristic waves, reducing input samples by 95.93% while maintaining low time error, short running time (40.11 ms per beat), and strong classification performance (96.07% sensitivity for peaks) on the QTDB and a custom CWD dataset. Les procédures d’acquisition des signaux biologiques déterminent le type de signal obtenu. Avec l’avancée des techniques d’acquisition, les signaux biologiques présentent une variété quasi illimitée, dont certains types sont rarement étudiés. Cette thèse établit un cadre fondamental pour catégoriser les signaux biologiques par origine, dynamique et forme physique, avec un examen ciblé des applications de l’électrocardiogramme (ECG). Elle met en lumière la dominance des approches heuristiques, d’apprentissage automatique et des réseaux de neurones dans la détection de pathologies et l’authentification biométrique, tout en identifiant des domaines sous-étudiés tels que l’imagerie basée sur l’ECG et la reconnaissance des émotions. Sur cette base, une méthode robuste en sept étapes, basée sur un analyseur de pics et l’apprentissage automatique, est proposée pour détecter les pics caractéristiques de l’ECG (P, Q, R, S, T), notamment le motif de Wolff-Parkinson-White (WPW) via la localisation de l’onde Delta, en comparant les performances des réseaux de neurones, des k-plus proches voisins (KNN) et de l’algorithme Naïve Bayes sur la base de données MITDB d’arythmie. L’approche atteint une haute précision (99,25 % de précision avec les réseaux de neurones) et aborde les limites de la dépendance de la méthode à la détection du pic R, conduisant à la proposition d’un nouvel analyseur de pics amélioré, piloté par apprentissage par renforcement et couplé à un classifieur LSTM pour automatiser la délimitation en temps réel des points fiduciaires (début, pic, fin) des ondes caractéristiques de l’ECG, réduisant les échantillons d’entrée de 95,93 % tout en maintenant une faible erreur temporelle, un temps d’exécution court (40,11 ms par battement) et une performance de classification élevée (96,07 % de sensibilité pour les pics) sur la base QTDB et un jeu de données personnalisé CWD.