J. Bushra, B. Ouadi, F. Eric, and L. Olivier, Subsignal-based denoising from piecewise linear or constant signal, Optical Engineering, vol.50, issue.11, p.117004, 2011.

J. Bushra, B. Ouadi, F. Eric, and L. Olivier, Detection of QRS complex in ECG signal based on classification approach, Pattern Recognition, pp.4500-4503, 2010.

B. Ouadi, F. Eric, and L. Olivier, EDA, approche non linéaire de débruitage des signaux cardiaques, Pour sa 16èmé edition, le colloque CORESA 2013 (Compression et Représentation des Signaux Audiovisuels), pp.28-29

J. Bushra, B. Ouadi, F. Eric, L. Olivier, . Spie-machine et al., Lipschitz exponents based signal restoration, pp.7877-7878, 2011.

J. Bushra, B. Ouadi, F. Eric, and L. Olivier, Detection of QRS complex in ECG signal based on classification approach, International Conference on Image Processing ICIP 2010 sponsored by the IEEE, pp.3328-3354, 2010.

J. Bushra, B. Ouadi, F. Eric, and L. Olivier, QRS complex detection by non linear threasholding of modulus maxima, 20th International Conference on Pattern Recognition (ICPR), pp.23-26, 2010.

B. Ouadi, J. Bushra, F. Eric, and L. Olivier, Empirical modal decomposition applied to cardiac signals analysis, Electronic Imaging / Wavelet Applications in Industrial Processing VI, pp.18-22, 2010.

J. Bushra, B. Ouadi, F. Eric, and L. Olivier, Singularity detection by wavelet approach : with an application to electrocardiogram signal, Electronic Imaging / Wavelet Applications in Industrial Processing VI, pp.18-22

J. Bushra, B. Ouadi, F. Eric, and L. Olivier, Non linear signal analysis applied to signature recognition in electrocardiogram (ECG) signal " , au séminaire Coeur : Modélisation et mesure des signauxélectriquessignauxélectriques, pp.27-2011

B. Au-séminaire-ouadi, J. Bushra, F. Eric, and L. Olivier, EMD et EMDPlus appliquéesappliquéesà l'analyse et au traitement des signaux cardiaques Coeur : Modélisation et mesure des signauxélectriquessignauxélectriques, pp.27-2011

B. Ouadi, J. Bushra, F. Eric, and L. Olivier, Variante de la decomposition modale empirique appliquee au debruitage, 2010.

J. Bushra, B. Ouadi, F. Eric, and L. Olivier, Feature extraction method applied to electrocardiogram signal by wavelet based thresholding, 2010.

B. Ouadi, J. Bushra, F. Eric, and L. Olivier, Application de la decomposition modale empiriquè a l'´ etude de signaux cardiaques

B. Ouadi, J. Bushra, F. Eric, and L. Olivier, Application de la decomposition modale empiriquè a l'´ etude de signaux cardiaques, pp.26-28, 2010.

J. Bushra, B. Ouadi, F. Eric, and L. Olivier, Singularity detection by wavelet approach : with an application to electrocardiogram signal, Forum des Jeunes chercheurs, pp.25-26, 2009.

B. Ouadi, J. Bushra, F. Eric, and L. Olivier, Empirical modal decomposition applied to cardiac signals analysis, Journée des doctorants, 2009.

B. Ouadi, J. Bushra, F. Eric, and L. Olivier, Singularity detection by wavelet approach : with an application to electrocardiogram signal, 2009.

M. J. Bibliographie, Phonomécanographie clinique et mécanocardiographie, 1972.

J. Lanfranchi, Maillet : Cardiologie bases biologiques et exploration fonctionnelles, 1975.

C. Maryline, Elaboration d'un CD ROM d'aidè a l'auscultation cardiaque chez le cheval, Thèse de Doctorat, 2004.

A. Chantepie, Souffle Cardiaque de l'enfant

S. S. Mehta and N. S. , Lingayat : Detection of p and t-waves in electrocardiogram, Proceedings of the World Congress on Engineering and Computer Science, 2008.

K. A. Eagle, D. S. Cannom, and D. A. Garcia, Management of Atrial Fibrillation: Translating Clinical Trial Data into Clinical Practice, The American Journal of Medicine, vol.124, issue.1, pp.4-14, 2011.
DOI : 10.1016/j.amjmed.2010.05.016

S. M. Debbal and F. Bereksi-reguig, Spectral analysis of pcg signals, The Internet Journal of Medical Technology, vol.4, 2007.

S. M. Debbal and F. Bereksi-reguig, Time-frequency analysis of the first and the second heartbeat sounds, Applied Mathematics and Computation, vol.184, issue.2, pp.1041-1052
DOI : 10.1016/j.amc.2006.07.005

M. Farge, Transformée en ondelettes continue et applicationàapplicationà la turbulence, 2005.

S. Mallat, Une Exploration Des Signaux En Ondelettes, 2000.

O. Beya, J. Bushra, E. Fauvet, and O. Laligant, Application of the empirical modal decomposition to analyze cardiac signals, IS&T/SPIE Electronic Imaging, 2010.

J. Bushra, O. Beya, E. Fauvet, and O. Laligant, Singularity detection by wavelet approach with an application to electrocardiogram signal, SPIE Electronic Imaging, 2010.

L. Cohen, Time-frequency distributions-a review, Proc. of the IEEE, 1989.
DOI : 10.1109/5.30749

L. Cohen, Introduction to Time Frequency Distributions in " Time-Frequency Signal Analysis " -Methods and Applications, 1991.

P. Flandrin, Représentation des Signaux dans le Plan Temps-Fréquence, Thèse de doctorat, 1982.

P. Flandrin, Représentations Temps-Fréquence des Signaux Non Stationnaires, Thèse de doctorat Thèse Etat -INPG, 1987.

B. Morgan, Reconstruction de données : ApplicationàApplicationà la dosimétrie des radiotéléphones, Thèse de doctorat, 2001.

J. Cexus, Analyse de signaux non-stationnaires par transformation de Huang, 2005.
URL : https://hal.archives-ouvertes.fr/tel-00012141

T. A. Claasen and W. F. Mecklenbraüker, The wigner distribution-a tool for time frequency signal analysis, Philips J. Res, vol.35, pp.3-4, 1980.

F. Hlawatsch and G. F. Boudreaux-bartels, Linear and quadratic time-frequency signal representations, IEEE Signal Proc. Magazine, pp.21-67, 1992.
DOI : 10.1109/79.127284

R. G. Baraniuk and D. L. Jones, A signal-dependent time-frequency representation: fast algorithm for optimal kernel design, IEEE Transactions on Signal Processing, vol.42, issue.1, pp.134-146, 1994.
DOI : 10.1109/78.258128

B. U. Köhler, C. Hennig, and R. Orglmeister, The principles of software QRS detection, IEEE Engineering in Medicine and Biology Magazine, vol.21, issue.1, pp.42-57, 2002.
DOI : 10.1109/51.993193

G. B. Moody and R. G. Mark, The impact of the MIT-BIH Arrhythmia Database, IEEE Engineering in Medicine and Biology Magazine, vol.20, issue.3, 2001.
DOI : 10.1109/51.932724

J. Jenkins, Ann arbor electrogram libraries

J. H. Van-bemmel and . Williams, Standardisation and validation of medical decision support systems : The cse project, Methods Inform, Med, vol.29, pp.261-262, 1990.

P. Laguna, R. Mark, and R. Goldberger, Moody : A database for evaluation of algorithms for measurement of qt and other waveform intervals in the ecg, pp.673-676, 1997.

P. Mcsharry, G. Clifford, L. Tarassenko, and L. Smith, A dynamical model for generating synthetic electrocardiogram signals, IEEE Transactions on Biomedical Engineering, vol.50, issue.3, 2003.
DOI : 10.1109/TBME.2003.808805

A. Swets and . John, Signal detection theory and roc analysis in psychology and diagnostics, 1996.

S. Olmos, A. Rocha, J. Martínez, R. Almeida, and P. Laguna, A wavelet-based ecg delineator : Evaluation on standard databases, IEEE Trans. Biomedical Engineering, vol.51, issue.4, 2004.

C. Zheng, C. Li, and C. Tai, Detection of ecg characteristic points using wavelet transforms, IEEE Trans. Biomedical Engineering, vol.42, issue.1, 1995.

R. Mark and G. Moody, The impact of the mit-bih arrhythmia database, IEEE Eng in Med and Biol, 2001.

J. Hu and S. Bao, An approach to QRS complex detection based on multiscale mathematical morphology, 2010 3rd International Conference on Biomedical Engineering and Informatics, 2010.
DOI : 10.1109/BMEI.2010.5640077

F. Zhang and Y. Lian, QRS Detection Based on Multiscale Mathematical Morphology for Wearable ECG Devices in Body Area Networks, IEEE Transactions on Biomedical Circuits and Systems, vol.3, issue.4, 2009.
DOI : 10.1109/TBCAS.2009.2020093

Z. Y. Zhang, H. F. Cheng, Z. H. Chen, and W. W. , Zheng : Analysis of polarimetric characteristics of camouflage targets, Proceedings of SPIE 4th International Symposium on Advanced Optical Manufacturing and Testing Technologies : Optical Test and Measurement Technology and Equipment, 2009.

Z. Deng, N. Arzeno, and C. Poon, Analysis of first-derivative based qrs detection algorithms, IEEE Trans. Biomedical Engineering, vol.55, issue.2, 2008.

V. S. Chouhan and S. S. Mehta, Detection of qrs complexes in 12-lead ecg using adaptive quantized threshold, IJCSNS International Journal of Computer Science and Network Security, vol.8, issue.1, 2008.

Y. Yeha and W. Wanga, Qrs complexes detection for ecg signal : The difference operation method. Computer Methods and Programs in Biomedicine 9I, 2008.

S. Mehta and N. S. Lingayat, Development of entropy based algorithm for cardiac beat detection in 12-lead electrocardiogram, Signal Processing, vol.87, issue.12, 2007.
DOI : 10.1016/j.sigpro.2007.06.009

A. Charef, Y. Ferdi, and J. P. Herbeuval, Boucheham : R wave detection using fractional digital differentiation, ITBM-RBM, vol.24, 2003.

K. Chan, Y. Sun, and S. Krishnan, Characteristic wave detection in ecg signal using morphological transform, BMC Cardiovascular Disorders, 2005.

J. Tourneret, C. Mailhes, C. Lin, and G. Kail, Hlawatsch : P and t wave delineation and waveform estimation in ecg signals using a block gibbs sampler, 2011.

S. Olmos, A. Rocha, J. Martínez, R. Almeida, and P. Laguna, A wavelet-based ecg delineator : Evaluation on standard databases, IEEE Trans. Biomedical Engineering, vol.51, issue.4, 2001.

S. Sachin and N. Gandhi, Pattern analysis of different ecg signal using pan tompkin's algorithm, International Journal on Computer Science and Engineering, vol.2, issue.7, 2010.

Z. Slimane, Alib : Qrs complex detection using empirical mode decomposition, Digital Signal Processing, vol.20, issue.20, 2010.

T. Nguyen, V. Afonso, W. Tompkins, and S. Luo, Ecg beat detection using filter banks, IEEE Trans. Biomedical Engineering, vol.46, issue.2, 1999.

M. S. Obaidat, Phonocardiogram signal analysis: Techniques and performance comparison, Journal of Medical Engineering & Technology, vol.1, issue.2, 1993.
DOI : 10.3109/03091909309006329

M. Guermoui, Analyse spectrale du signal phonocardiogramme (PCG) Thèse de doctorat, 2012.

P. S. Vikhe, N. S. Nehe, and V. R. , Thool : Heart sound abnormality detection using short time fourier transform and continuous wavelet transform, Conference on Emerging Trends in Engineering and Technology, 2009.

J. Jasper1 and K. Othman2, Feature extraction for human identification based on envelolgram signal analysis of cardiac sounds in time-frequency domain, International Conference on Electronics and Information Engineering, 2010.

A. Debbal and F. Bereksi-reguig, Features for heartbeat sound signal normal and pathological, Computer Science, vol.1, issue.1, 2008.

S. M. Debbal and F. Bereksi-reguig, Analyse spectrotemporelle des bruits cardiaques par les transformées discrète et continue d'ondelettes, Sciences & Technologie, vol.23, pp.5-25, 2005.

P. Pibarot, R. Guardo, F. Debiais, and L. Durand, Time-frequency analysis of heart murmurs . part i : Parametric modelling and numerical simulations, Ann Biomed Eng, vol.33, 2005.

J. Martinez-alajarin, J. J. Martinez-alvarez, R. Ruiz-merino, A. Hernandez-esteban, and J. , Toledo-Moreo : Fpga-based implementation of the instanténous frequency estimation of phonocardiographic signals, 2007.

N. Huang, S. Zheng, S. Long, M. Wu, H. Shih et al., The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol.454, issue.1971, pp.454903-995, 1998.
DOI : 10.1098/rspa.1998.0193

A. O. Boudraa, J. C. Cexus, and Z. Saidi, Emd based signal noise reduction, International Journal of Signal Processing, 2004.

P. Flandrin and G. Rilling, Décomposition modale empirique, Echantillonnage et résolution, 2004.

A. O. Boudraa, J. C. Cexus, and C. Pollet, SAIDI : Caractérisation des fonds marins par décomposition modale empirique, 2007.

G. Rilling and P. Flandrin, Goncalvès : On empirical mode decomposition and its algorithm, 2003.

R. Fournier, J. Deléchelle, and . Lemoine, Analyse stochastique non-linéaire du stabilogramme, Collection Posture etÉquilibreet´etÉquilibre. ´ Edition Solal, 2003.

N. Stevenson and M. Mesbah, Boashash : A sampling limit for the empirical mode decomposition, IEEE ISSPA 05, 2005.

A. Boudraa and J. Cexus, Denoising via empirical mode decomposition, 2008.
URL : https://hal.archives-ouvertes.fr/hal-00518685

A. O. Boudraa and J. C. , Cexus : Emd based signals ltering, Digital Signal Processing, 2005.

J. C. Cexus and A. O. Boudraa, Teager huang analysis applied to sonar target recognition, International Journal of Signal Processing, 2004.

A. O. Boudraa, C. Pollet, and J. C. , Cexus et Z. Saidi : Caractérisation des fonds marins par décomposition modale empirique, Colloque GRETSI 05, 2005.

A. Boashash, Time frequency signal analysis and processing, 2003.

P. Flandrin, P. Gonçalves, and G. Rilling, Une extension bivariée pour la décomposition modale empirique, applicationàapplicationà des bruits blancs complexes, Colloque GRETSI, p.809, 2007.

D. Donoho, De-noising by soft-thresholding, IEEE Transactions on Information Theory, vol.41, issue.3, pp.613-627, 1995.
DOI : 10.1109/18.382009

D. Donoho and I. Johnstone, Adapting to Unknown Smoothness via Wavelet Shrinkage, Journal of the American Statistical Association, vol.31, issue.432, pp.1200-1224, 1995.
DOI : 10.1080/01621459.1979.10481038

V. Agarwal and L. Tsoukalas, Denoising electrical signal via Empirical Mode Decomposition, 2007 iREP Symposium, Bulk Power System Dynamics and Control, VII. Revitalizing Operational Reliability, 2007.
DOI : 10.1109/IREP.2007.4410516

J. Zapata and R. Ruiz, Reduction of the speckle noise in echographic images by a cubic spline filter, Tecnologia de computadoras y Proyectos Dpto. Electronica, ´ editeur, 2002.

N. Souag, Speckle reduction in echocardiographic images, 14th European Signal Processing Conference, 2006.

O. Beya, J. Bushra, E. Fauvet, O. Laligant, and L. Lew, Application de l'emd aux signaux cardiaques, CNRIUT, 2009.

C. Ahlström, Processing of the Phonocardiographic Signal Methods for the Intelligent Stethoscope, Thèse de doctorat, 2006.

S. Lotfi, C. L. Howard, J. L. Coatrieux, X. Zhang, and L. G. Durand, Time frequency scaling transformation of the phonocardiogram based of the matching pursuit method, 2000.

J. Bushra, O. Beya, and E. Fauvet, Laligant : Detection of qrs complex in ecg signal based on classification approach, ICIP, pp.26-29, 2010.

O. Laligant and F. Truchetet, A Nonlinear Derivative Scheme Applied to Edge Detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.32, issue.2, p.32, 2010.
DOI : 10.1109/TPAMI.2008.282

URL : https://hal.archives-ouvertes.fr/hal-00582610

S. Olmos, A. Rocha, J. Martínez, R. Almeida, and P. Laguna, A wavelet-based ecg delineator : Evaluation on standard databases, IEEE Trans. Biomedical Engineering, vol.51, issue.4, 2004.

R. Jané, P. Laguna, and P. Caminal, Automatic detection of wave boundaries in multilead ecg signals : Validation with the cse database, Comput. Biomed. Res, vol.27, issue.1, pp.45-60, 1994.

L. Phases-de-l-'ecg, La fin de l'onde P correspond au remplissage total des oreillettes (b). L'onde Q correspond au début du passage du sang des oreillettes vers les ventres (c) Le complexe QRS traduit le remplissage total des ventres avec un pic R qui correspondàcorrespond`correspondà l'ouverture totale des valves pour laisser passer le sang (d). L'onde T correspondàcorrespond, correspondà la contraction du myocarde pour impulser le sang stocké dans les ventres vers le corps (e)

P. , Q. , R. , S. , T. et al., Lors de son enregistrement, l'amplitude se mesure avec uné echelle de 0.1mV/div et la durée avec uné echelle de 40 ms/div. le pic P correspondàcorrespond`correspondà l'onde auriculaire, PRàPRà la durée de conduction auriculoventriculaire , QRS correspondàcorrespondà l'onde ventriculaire de dépolarisation, ST c'est l'onde ventriculaire de repolarisation

E. Présentation-de-deux-signaux, ECG réel enregistré dans un cadre médical avec un patient normal o` u on remarque des oscillations liées au bruit et un offset irrégulier liélié`liéà la respiration du patient, (b) un ECG artificiel réaliséréalisé`réaliséà partir d'un programme

E. Sur-l-'exemple-de-cet, nous distinguons 10 True positives (VP=10), 3 positions différées soit FP=3, 2 positions négatives o` u l'algorithme détecte des pics R alors qu'ils n'existent pas (VN=2), il y a une position du pic R qui n'est ni localisée ni prédite (FN=1), p.52

E. Comparaison-des-débruitages-additif-et-multiplicatif-d-'un, ECG initial issu de la base de référence MIT [ecg n°100] correspondantàcorrespondant`correspondantà un sujet normal sans anomalies cardiaques. (b) Bruitage de l'ECG initial [MIT n°100] par un bruit additif Gaussien (µ = 0, ? = 0.1 ) Le signal est compì etement dégradé par le bruit, les caractéristiques physiologiques ne sont plus identifiables. Le bruit additif avec une répartition uniforme ne correspond pas au bruitage réel des signaux cardiaques. (c) Bruitage de l'ECG initial [MIT n°100] par un bruit multiplicatif Speckle (µ = 0, ? = 0.1 ), les pics R sont encore identifiables et on a une conservation de la forme ondulaire de l, ECG initial, p.56

]. Spectrogramme-d-'un-pcg-sain, (a) identification des sons B1 et B2 après filtrage du PCG (b) Localisation de B1 et B2 du PCG d'un sujet sain et leurs composantes internes T1, M1, A2, P2 (c) le contour du spectrogramme donne une localisation temps-fréquence des composantes internes des sons B1 et B2 du PCG. source : [57, p.63

D. Représentation-temps-fréquence-obtenue-par, un PCG normal et ses composantes B1 et B2 : (a) l'´ etendue fréquentielle des composantes B1 et B2 du PCG d'un patient normal est de 25 HzàHz`Hzà 130 Hz, B1 est une composante plus courte dans le temps que le son B2, (b) les oscillations du son B1 sont plus concentrées et se situent de 40Hzà40Hzà 90Hz, p.67

.. Et-un-résidu-nul, EMDàEMDà un signal sinuso¨?dalsinuso¨?dal (4.4) pur avec une fréquence ? = 0.05 conduitàconduit`conduità une décomposition en une seule composante (IMF1), p.81

T. La, La décomposition par EMD d'un signal conduitàconduità un paquet de composantes (IMF) qui définissent des niveaux différents d'analyse et dont on peut faire le paralì ele avec l'analyse multiéchelle de, p.85

T. Schéma-de-principe-de-la, un signal s(t) Après l'obtention du signal analytique y(t) du signal initial s(t), le calcul du module et de l'argument permet de déterminer l'amplitude et la fréquence instantanées du signal, p.88

T. Organigramme-de-la and . .. Qui-présente-la-combinaison-de-l-'emdàemd, EMDà la TH pour réaliser la transformée Huang Hilbert (THH) Au signal initial s(t), on applique l'EMD qui le décompose en différentes oscillations IM F . A chaque IM F j on applique la TH qui donne un ensemble de couples [AI j (t), F I j (t)] correspondantàcorrespondant`correspondantà l'amplitude et la fréquence instantanée de chaque IM F j (t) pour aboutiràaboutir`aboutirà une représentation temps-fréquence du signal s(t), p.88

.. Logigramme-de-l-'edaàeda, EDAà l'itération (k + 1), p.101

.. Du-bruit, opérateur EDA appliqué sur le signal chirp (15000échantillons15000échantillons) en fonction de la force du bruit gaussien. Le débruitage par EDA reste croissant jusqu'` a ? b = 10 mais décroit audeì a car le signal est compì etement noyé dans le bruit et il est difficile pour l'EDA de distinguer l'information, Evolution du RSB, vol.108

E. Filtrage-par and C. , samples) par un bruit multiplicatif speckle de variance ? b = 5, p.109, 15000.

P. Délimitation-du-début-de-l-'onde and P. , un ECG par l'approche NFLS : a) A partir de la position du pic R, on réalise un fenêtrage de la zone de l'ECG contenant l'onde P . b) détection par la NFLS du début et de la fin du saut positif S+ (transition montante) de l'onde P. c) délimitation par NFLS du début P d de l'onde, p.132

P. Délimitation-de-la-fin-de-l-'onde and P. , un ECG par l'approche NFLS : a) A partir de la position du pic R, on réalise un fenêtrage de la zone de l'ECG contenant l'onde P . b) détection par la NFLS du début et de la fin du saut négatif S? (transition descendante) de l'onde P. c) délimitation par NFLS de la fin P f de l'onde, p.132

P. Synchronisation-du, ECG : le son B1 se trouvè a la fin du pic R, le son B2 se trouvè a la fin de l'onde T et le B4 co¨?ncideco¨?ncide avec le début de l'onde P. On distingue les phases systole et diastole avec le son B3 qui se

I. Evolution-du-rapporténergétiquerapporténergétique-des and P. , est une représentation du critère de sélection R j en fonction des IMF. Les IM F 6?j?8 contiennent les informations utiles sur B1 et B2, c'est une forme de filtrage passe-bande sélectif, p.139

P. Synchronisation-du and B. , ECG : la localisation des pics R de l'ECG donne la position des sons B1 du PCG, la fin de de l'onde T de l'ECG donne la position des sons B2 du PCG. L'enregistrement initial du PCG ne permet pas d'identifier les oscillations des sons B1, p.140

.. Principe-de-la-localisationàlocalisationà-partir-de-l, ECG des oscillations modales de B1 et B2 : une fois les positions des sons B1 et B2 sont localisées nous les utilisons comme référence dans les IMF extraites par l'application de l'EMD sur le PCG initial, p.140

P. La-décomposition-d-'un and L. , EMD permet d'obtenir la représentation en IMF. L'application du critère de sélection modale R j permet d'extraire et de visualiser les modes intéressants (IMF4àIMF4`IMF4à l'IMF9 ici) A partir de la localisation par NFLS des pics R et T, nous pouvons localiser les oscillations B1 et B2 du PCG dans chaque mode, p.141

.. En-appliquant-l-'emd-sur-un, PCG réel sans traitement et le critère de sélection modale, nous obtenons la composante modale sélectionnée (ici : IMF7) Par synchronisation avec l'ECG, nous identifions les sons B1 et B2 et nous mettons enévidenceenévidence les oscillations qu'ils contiennent alors qu'elles ne sont pas observables directement sur le signal PCG initial, p.142

R. Au-hasard-dans-la-base and M. , Pour comparer ses performances avec les algorithmes les plus utilisés pour la délimitation des ondes P et T : TO[93], LPD [94], Bayes [51], nous avons mesuré la prédictivité positive P + (%) et la sensibilité S e (%) pour chaque enregistrement, et nous avons déterminé l'erreur moyenne m (ms) de ces paramètres en prenant comme référence les mesures réalisées manuellement par un expert en cardiologie. L'algorithme NFLS donne des résultats moins performants pour la délimitation de l'onde P mais réalise des bonnes performances pour la localisation de la fin de l'onde T, p.135

T. Présentation-de-l-'algorithme-de-la, On applique l'EMD au signaì a analyser pour obtenir ses IMF. A chaque IMF, c'est la TH qui donne un ensemble de couples [AI j (t), F I j (t), p.89

B. Après-application-de-l-'emdàemd, EMDà un PCG et l'extraction par le critère de sélection modale de l'IMF contenant les oscillations marquantes (ici IMF7), nous appliquons la THH pour localiser les sons B1, p.143

R. Von-borries, H. Pierluissi, and . Nazeran, Wavelet Transform-Based ECG Baseline Drift Removal for Body Surface Potential Mapping, 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference, pp.3891-3894, 2005.
DOI : 10.1109/IEMBS.2005.1615311

J. B. Macqueen, Some methods for classification and analysis of multivariate observations, 1966.

S. Mehta, . Da-shete, V. Lingayat, and . Chouhan, K-means algorithm for the detection and delineation of QRS-complexes in Electrocardiogram, IRBM, vol.31, issue.1, 2009.
DOI : 10.1016/j.irbm.2009.10.001

B. Kohler, C. Hennig, and R. Orglmeister, The principles of software QRS detection Wavelet transforms and the ECG: a review, IEEE Eng Biol. Mag Physiological measurement, vol.21, issue.265, p.4257155, 2002.

M. Unser and A. Aldroubi, A review of wavelets in biomedical applications, Proceedings of the IEEE, 1996.
DOI : 10.1109/5.488704

H. Gray, Anatomy of the human body. Lea and Febiger, 1918.

J. Hampton, The ECG made easy, 1992.

R. Von-borries, J. Pierluissi, and H. Nazeran, Wavelet Transform-Based ECG Baseline Drift Removal for Body Surface Potential Mapping, 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference, p.38913894, 2005.
DOI : 10.1109/IEMBS.2005.1615311

S. Mallat, A wavelet tour of signal processing, Academic Pr, 1999.

D. Donoho and J. Johnstone, Ideal spatial adaptation by wavelet shrinkage, Biometrika, vol.81, issue.3, 1994.
DOI : 10.1093/biomet/81.3.425

N. Huang, S. Zheng, S. Long, M. Wu, H. Shih et al., The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol.454, issue.1971, pp.903-995, 1998.
DOI : 10.1098/rspa.1998.0193

P. Flandrin, G. Rilling, and P. Gonçalvès, Une extension bivariée pour la Décomposition Modale Empirique - Application à des bruits blancs complexes, colloque GRETSI-Troyes, pp.11-14, 2007.

P. Flandrin, P. Gonçalves, and G. Rilling, Empirical Mode Decomposition and its Algorithms, IEEE-EURASIP Workship on Nonlinear Signal and Image Processing NSIP-03, Grado(I), 2003.
URL : https://hal.archives-ouvertes.fr/inria-00570628

P. Flandrin, P. Gonçalves, and G. Rilling, Empirical Mode Decomposition as a Filter Bank, IEEE Signal Processing Letters, vol.11, issue.2, pp.112-114, 2004.
DOI : 10.1109/LSP.2003.821662

URL : https://hal.archives-ouvertes.fr/inria-00570615

P. Grivelet, Application de la décomposition modale empirique à l'analyse des signaux de chocs, 2006.

Y. Kopsinis and S. Mclaughlin, Empirical Mode Decomposition based denosing techniques, 2008.

E. Norden, N. Huang, S. Zheng, R. Steven, S. Long et al., The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis, pp.903-995, 1996.

A. O. Boudraa, J. C. Cexus, and Z. Saidi, EMD-Based Noise Reduction Proceding of world academy of science, Engineering and technology, pp.93-96, 2005.

P. Flandrin, P. Gonçalves, and G. Rilling, Detrending and denoising with Empirical Mode decompositions, ENS de Lyon, pp.1581-1584, 2007.
URL : https://hal.archives-ouvertes.fr/inria-00570614

A. O. Boudraa and J. C. Cexus, Denoising via Empirical Mode decomposition, IRENav-Ecola Navale/+E3I2 (EA3876) ENSIETA-brest ISCCSP2006, 2006.
URL : https://hal.archives-ouvertes.fr/hal-00518685

J. C. Cexus, A. O. Boudraa, and S. Benramdane, Débruitage des signaux par approche EMD : Multi-EMDSG, IRENav (EA 3634)-Ecole Navale de Brest-Armées, Colloque GRETSI -Troyes, pp.421-424, 2007.

Y. Kopsinis and S. Mclaughlin, Improved EMD Using Doubly-Iterative Sifting and High Order Spline Interpolation, EURASIP Journal on Advances in Signal Processing, vol.454, issue.1971, p.128293, 2008.
DOI : 10.1098/rspa.2003.1123

J. L. Christian and . Demars, Représentations bidimensionnelles d'un signal de parole ? Représentations tempsfréquence et paramétrisations, 2001.

S. M. Debbal and F. Bereksi-reguig, Spectral analysis of PCG signals, the Internet Journal of Medical Technology, vol.4, issue.1, 2007.