Nous étudions à l’aide des exposants de Hölder la régularité locale des intervalles RR (intervalles temporels entre deux pics R successifs d’un ECG). Ces exposants sont un des piliers de l’analyse multifractale et ont déjà prouvé leur efficacité dans l’étude des données cardiaques. Nous cherchons ici à estimer la régularité locale en tout point des signaux RR, contrairement au spectre multifractal qui ne mesure que sa distribution globale. Il apparaît alors une caractéristique jusqu’alors inédite : on remarque une forte corrélation négative entre les valeurs du signal et sa régularité. En d’autres termes, plus le coeur bat lentement (la nuit par exemple) et plus il bat irrégulièrement. Nous introduisons un nouveau modèle stochastique, le Processus Auto-Régulé Multifractionnaire (PARM) afin de modéliser ce phénomène. Il s’agit d’aller plus loin que le simple mouvement Brownien multifractionnaire et de proposer un processus dont la régularité n’est plus une fonction exogène du temps, mais est en relation fonctionnelle avec l’amplitude du processus elle-même. Nous étudions l’application du PARM pour la modélisation des intervalles RR.
We analyze the local regularity of RR traces from ECG through the computation of the so-called Hölder exponents. These exponents are at the basis of multifractal analysis, which has been shown to be relevant in the study of RR data. While multifractal analysis yields a global picture of the distribution of regularity, we focus here on its time evolution. We show that this evolution is strongly negatively correlated with the signal itself, a feature that seems to have remained unnoticed so far. In other words, when the heart beats slowly, it is more irregular than when it beats rapidly. In order to account for this fact, we propose a new stochastic model, called Self-Regulating Multifractional Process: contrarily to multifractional Brownian motion, whose the local regualrity depends on time, the regularity here is a function of the amplitude of the process itself. We use this new model to build more realistic synthetic RR traces.
Mot clés : Régularité locale, processus auto-régulé, ECG, intervalles inter-battements.
Keywords: Local regularity, self-regulating process, ECG, RR-intervals.
@article{JSFS_2009__150_1_54_0,
author = {Barri\`ere, Olivier and L\'evy V\'ehel, Jacques},
title = {Intervalles interbattements cardiaques et {Processus} {Auto-R\'egul\'e} {Multifractionnaire}},
journal = {Journal de la soci\'et\'e fran\c{c}aise de statistique},
pages = {54--72},
publisher = {Soci\'et\'e fran\c{c}aise de statistique},
volume = {150},
number = {1},
year = {2009},
mrnumber = {2609697},
zbl = {1311.92027},
language = {fr},
url = {http://www.numdam.org/item/JSFS_2009__150_1_54_0/}
}
TY - JOUR AU - Barrière, Olivier AU - Lévy Véhel, Jacques TI - Intervalles interbattements cardiaques et Processus Auto-Régulé Multifractionnaire JO - Journal de la société française de statistique PY - 2009 SP - 54 EP - 72 VL - 150 IS - 1 PB - Société française de statistique UR - http://www.numdam.org/item/JSFS_2009__150_1_54_0/ LA - fr ID - JSFS_2009__150_1_54_0 ER -
%0 Journal Article %A Barrière, Olivier %A Lévy Véhel, Jacques %T Intervalles interbattements cardiaques et Processus Auto-Régulé Multifractionnaire %J Journal de la société française de statistique %D 2009 %P 54-72 %V 150 %N 1 %I Société française de statistique %U http://www.numdam.org/item/JSFS_2009__150_1_54_0/ %G fr %F JSFS_2009__150_1_54_0
Barrière, Olivier; Lévy Véhel, Jacques. Intervalles interbattements cardiaques et Processus Auto-Régulé Multifractionnaire. Journal de la société française de statistique, Tome 150 (2009) no. 1, pp. 54-72. http://www.numdam.org/item/JSFS_2009__150_1_54_0/
[1] L. A. N. Amaral, A. L. Goldberger, P. C. Ivanov, H. E. Stanley (1999). Modeling heart rate variability by stochastic feedback. Computer Phys. Comm. 121 :122, 126–128
[2] Ayache, A. and Lévy Véhel, J. (2004). On the identification of the pointwise Hölder exponent of a generalized multifractional Brownian motion. SPA 111, 119–156. | MR | Zbl
[3] Ayache, A. and Taqqu, M.S. (2005). Multifractional Processes with Random Exponent. Publicacions Matemàtiques 49, 459–486. | MR | Zbl
[4] Ayache, A. and Cohen, S. and Lévy Véhel, J. (2000). The covariance structure of multifractional Brownian motion, with application to long range dependence. ICASSP.
[5] Barrière, O. (2007). Synthèse et estimation de mouvements Browniens multifractionnaires et autres processus à régularité prescrite. Définition du processus auto-régule multifractionnaire et applications. Ph.D. Thesis, Univ. Nantes.
[6] Benassi, A., Jaffard, S. and Roux, D. (1997). Elliptic Gaussian random processes. Rev. Mathemàtica Iberoamericana, vol. 13, No 1, p. 19-90. | MR | Zbl
[7] Chan, G. and Wood, A. (1998). Simulation of multifractional Brownian motion. Proc. Comput. Statist. 233-238 | Zbl
[8] FracLab : A fractal analysis toolbox for signal and image processing. http://apis.saclay.inria.fr/FracLab/
[9] A. L. Goldberger, L. A. N. Amaral, J. M. Hausdorff, P. C. Ivanov, C.K. Peng, H. E. Stanley (2002). Fractal dynamics in physiology : Alterations with disease and aging. PNAS 99, 2466–2472.
[10] C. Ivanov, L.Amaral, A.L. Goldberger, S. Havlin, M.G. Rosenblum, Z. R. Struzik, H. E.Stanley (1999). Multifractality in human heartbeat dynamics. Nature 399.
[11] Kolmogorov A.N. (1940). Wienersche Spiralen und einige andere interessante Kurven in Hilbertchen Raume. Doklady, 26, 115–118. | JFM | MR | Zbl
[12] Mandelbrot, B.B. and Van Ness, J. (1968). Fractional Brownian motion, fractional noises and applications. SIAM Rev. 10, 422–437. | MR | Zbl
[13] M. Meyers, O. Stiedl and B. Kerman (2003). Discrimination by multifractal spectrum estimation of human heartbeat interval dynamics. Fractals 11-2. | MR | Zbl
[14] Peltier, R.F. and Lévy Véhel, J. (1995). Multifractional Brownian motion : definition and preliminary results. http://www.inria.fr/rrrt/rr-2645.html
[15] Peters, R. (1999). The Fractal Dimension of Atrial Fibrillation : A New Method to Predict Left Atrial Dimension from the Surface Electrocardiogram Cardiology, 92(1), 17–20.
[16] PhysioNet : the research resource for complex physiologic signals. www.physionet.org
[17] Sende, J. (2003) Guide Pratique de l’ECG, Edition Estem
[18] Tu, C., Zeng, Y. and Yang, X. (2004) Nonlinear processing and analysis of ECG data, Technology and Health Care, 12(1),1–9.
