Jury :

Résumé :

es maladies cardiovasculaires sont la principale cause de mortalité dans le monde, représentant 31.4% des morts dans le monde en 2022. Avec plus de la moitié des morts liées aux maladies cardiovasculaires survenant en dehors de l’hôpital, il y a un besoin pour un système de surveillance à la maison constant. Ces systèmes de surveillance nécessitent d’être autonomes, confortables et de consommer peu d’énergie. Puisque les signaux d’électrocardigrammes sont par nature des évènements clairsemé dans le temps, un schéma de quantification non uniforme est adapté pour coder ce signal. Il permet une consommation d’énergie dependant des données, concentrée durant les période d’activité. Dans ce contexte, cette thèse étudie les caractéristiques utilisées pour différencier les battements cardiaques arythmiques et sains utilisés en cardiologie. Un accent particulier est mis sur la mise en œuvre du processus d’extraction de caractéristiques dans un
système événementiel afin de bénéficier de la nature clairsemée du signal. De plus, une étude des méthodes de classification intégrées et non intégrées est présentée en se concentrant sur la recherche de moyens de mettre en œuvre l’intelligence artificielle directement dans le système.
La combinaison d’un schéma d’échantillonnage basé sur les événements avec l’intelligence artificielle (IA) sur puce vise ainsi à obtenir une complexité système inférieure de plusieurs ordres de grandeur à celle des systèmes de pointe. La plupart des systèmes pilotés par événements utilisent des caractéristiques liées au temps pour classer les arythmies, mais elles nécessitent souvent une horloge d’échantillonnage, ce qui va à l’encontre les avantages des systèmes pilotés par événements. Dans cette thèse, nous étudions un système dans lequel les informations temporelles contenues dans les données d’entrée échantillonnées sont extraites sans horloge régulière, en utilisant des délais successifs codant grossièrement le temps entre des échantillons événementiels.
En utilisant la sortie des délais et la sortie d’un Convertisseur Analogique-Numérique à Passage de Niveau (Level-Crossing Analog to Digital Converter), un jeton piloté par événement est généré pour chaque échantillon, contenant des informations grossières sur la forme du signal de l’électrocardiogramme. En utilisant ces jetons comme entrée d’un réseau neuronal, une précision moyenne de 98% peut être obtenue en utilisant la base de données MIT-BIH. Cependant, comme l’entraînement d’un réseau neuronal avec des ensembles de données déséquilibrés introduit un biais, un nouveau système de classification basé sur des antidictionnaires est introduit. Il se compose de modèles créés à partir d’informations négatives sur des battements cardiaques sains, permettant la détection de battements cardiaques arythmiques en entraînant des systèmes basés
sur l’IA sans introduire de biais. La classification basée sur antidictionnaires atteint une précision moyenne similaire de 98 %, démontrant sa capacité à classer les arythmies à un niveau équivalent les réseaux neuronaux de pointe. Le système implémenté sur FPGA nécessite 99% de mémoire en moins pour stocker le classificateur, 1 024 comparaisons logiques au lieu de 512 opérations de multiplication et 99% d’accumulation en moins par rapport à l’état de l’art. Cela se traduit par 25,1% de Table de Correspondance (Look-Up Table) en moins et 34,5% de registres en moins utilisés sur le FPGA par rapport à l’état de l’art et ne nécessite la mise en œuvre d’aucune RAM. Pour ces avantages, la précision globale de la classification a été réduite de 1,03 points de pourcentage par rapport à l’état de la l’art, avec une précision de classification de 97,97%.

Abstract :

Cardiovascular diseases are the leading cause of death globally, representing 31.4% of all deaths in the world in 2022. With more than half of all cardiovascular disease-related deaths happening in settings outside of the hospital, there is a need
for constant at-home monitoring to prevent them. Such long-term monitoring solutions necessitate autonomous, comfortable, and low-power consumption devices. Since electrocardiogram signals are constituted by nature by sparse events in time, a non-uniform
quantization scheme is well suited to code this signal. It will enable a data-dependent power consumption concentrated during the activity periods.
In this context, this thesis investigates features used to differentiate arrhythmic and healthy heartbeats used in cardiology. A particular focus is made on the implementation of the feature extraction process in an event-driven system to benefit from the sparse nature of the signal. In addition, a study of classification methods both integrated and non-integrated is presented focusing on finding ways to implement artificial intelligence directly in the system.
Combining an event-driven sampling scheme with on-chip artificial intelligence (AI) thus aims to achieve a system complexity that is lower by several orders of magnitude than state-of-the-art systems. Most event-driven systems utilize time-related features to clas-
sify arrhythmia, but they often require a sampling clock, which counteracts the benefits of event-driven systems.
In this thesis, we investigate a system where the time information contained in the sampled input data is extracted without a regular clock, using successive delays coarsely coding the time between event-driven samples.
Using the output of the delays and the output of a Level-Crossing Analog-to-Digital Converter, an event-driven token is generated for each sample, holding coarse information on the shape of the electrocardiogram signal.
Using those tokens as the input of a neural network, an average accuracy of 98% can be achieved using the MIT-BIH database. However, because training a neural network with unbalanced datasets introduces a bias, a novel classification scheme based on antidictionaries is introduced. It consists of patterns created from negative information about healthy heartbeats, allowing the detection of arrhythmic heartbeats by training AI-based systems without introducing a bias. Antidictionary-based classification achieves a similar average accuracy of 98%, showing its ability to classify arrhythmia on par with state-of-the-art neural networks.
The system implemented on FPGA necessitates 99% less memory to store the classifier, 1,024 logic comparisons instead of 512 multiplication operations, and 99% less accumulation com pared to the state of the art.
This results in 25.1% less LUT and 34.5% less register used on the FPGA compared to the state of the art and does not require the implementation of any RAM. For those benefits, the overall classification accuracy was reduced by 1.03 percentage points compared to the state of the art with a classification accuracy of 97.97%.