Système Intelligent d'Analyse et de Diagnostic des ECG

Ce projet a pour objectif de développer un système intelligent permettant l'analyse et le diagnostic des électrocardiogrammes (ECG). Une application mobile réalisée en Flutter intègre deux modèles de deep learning complémentaires :

• Modèle de Régression : Estime les mesures cliniques d’un ECG (amplitude et durée des pics R, T, intervalles PR, QT, etc.) à partir d’une image ECG et de données patient.
• Modèle de classification multi-label : Classifie les ECG en 5 catégories de maladies cardiaques.

📱 Description du Projet

Ce projet a pour objectif d’exploiter le deep learning pour l’analyse des ECG via une application mobile. Nous avons :

• 💡 Développé une application Flutter intégrant deux modèles de deep learning.
• 📈 Conçu un modèle de Régression pour estimer les mesures cliniques d’un ECG.
• 🏥 Conçu un modèle de classification multi-label pour détecter 5 pathologies cardiaques.
• 🧼 Mis en place un pipeline de prétraitement pour les images ECG et les données tabulaires.
• ✅ Obtenu des performances élevées avec une précision de 0.91 pour la classification et des métriques prometteuses pour la prédiction.

---

Installation et Dépendances

Pour exécuter le projet, installez les dépendances suivantes :

pip install flask==2.2.2
pip install torch==1.12.0
pip install torchvision==0.13.0
pip install pillow==9.2.0
pip install joblib==1.1.0
pip install pandas==1.4.2
pip install numpy==1.23.2 

📊 Performance des Modèles

1. 🔢 Modèle de Régression

Comparaison des Métriques selon le Type d'Image ECG

Type d’image	RMSE	MAE	R²	Inversion de signe (%)
Image originale	19.9658	10.9190	0.9105	15.69
Fond noir / signal blanc	19.9461	11.0439	0.9021	13.20
Fond blanc / signal noir	20.3309	11.2324	0.9113	13.38

---

2. 🧠 Modèle de Classification

Rapport de Classification

Classe	Précision	Rappel	F1-score	Support
Myocardial Infarction (MI)	0.79	0.35	0.49	214
ST/T Change (STTC)	0.73	0.70	0.72	247
Conduction Disturbance (CD)	0.84	0.75	0.79	83
Hypertrophy (HYP)	0.88	0.50	0.64	149
Normal (NORM)	0.91	0.91	0.91	565
Micro avg	0.85	0.71	0.78	1258
Macro avg	0.83	0.64	0.71	1258
Weighted avg	0.85	0.71	0.76	1258
Samples avg	0.67	0.64	0.65	1258

Test Loss: 0.2092
Test Accuracy: 0.9169

---

🧪 Exemples de Prédictions

Modèle	Exemple 1	Exemple 2
📏 Modèle de Régression (Mesures)
🩺 Modèle de Classification (Multi-label)

⚙️ Utilisation de l'API Flask pour les Prédictions

L'API Flask vous permet d'effectuer des prédictions en temps réel en utilisant les modèles de deep learning. Voici un exemple d'utilisation de l'API Flask pour envoyer une image et obtenir la prédiction :

1. Lancer l'API Flask :

   python app.py

2. tester l'application :

| | |

🎥 Voir la démo vidéo