Traitement automatique du signal ECG pour l'aide au diagnostic de ...

CHAPITRE 2. INTRODUCTION 12
- Approche supervisée :
Il est nécessaire de disposer d’un ensemble de battements correctement
annotés par un praticien. Différents algorithmes permettent alors de classifier
d’autres battements, ce qui constitue un diagnostic automatisé. Malheureusement,
la grande variabilité des signaux ECG issus de différents
patients, pathologies et équipements rend ce genre de diagnostics trop peu
fiable pour pouvoir se passer de l’avis d’un cardiologue [12].
- Approche non-supervisée :
Dans ce cas, il n’y a pas besoin de battements préalablement annotés,
mais pas de diagnostics automatisés non plus. Les nouveaux battements
sont examinés en utilisant une mesure de dissimilarité pour obtenir un clustering.
Chaque groupe est alors représenté par un « battement-type ». Le
praticien peut alors n’analyser que ces « battements-type », ce qui constitue
un gain de temps important. Il faut bien sûr qu’aucun battement important
n’ait été perdu lors de la manœuvre pour que le diagnostic soit le
plus correct possible [12].
Le but d’un problème de classification est d’assigner automatiquement des
données à l’une des catégories que l’on s’est fixées en nombre fini. Ces catégories
seront ici appelées classes et le modèle servant à classifier sera appelé classifieur.
La difficulté vient du fait que la métrique généralement utilisée pour évaluer les
performances d’un classifieur (et aussi durant son apprentissage) n’est pas fiable
en cas de déséquilibre des classes. Or, les classes N, S, V et F sont fortement
déséquilibrées.
Considérons un cas à deux classes c1 et c2 avec une population de données de
95% et 5% respectivement. Un classifieur un peu naïf qui classifierait la totalité
des données dans la classes c1 s’en sortirait avec une performance respectable de
95% si l’on considère uniquement le pourcentage de données correctement classifiées.
Or, dans le cas qui nous occupe, ce sont justement les 5 derniers pourcents
qui sont les plus importants. Il faudra donc choisir avec beaucoup d’attention la
métrique utilisée.
Un autre problème majeur de cette application est que le déséquilibre des classes
N, V, S et F pousse les classifieurs standards à considérer les classes les moins
représentées (V, S et F) comme du bruit et à toujours classifier les battements
comme normaux (principe du rasoir d’Occam [1]). Les frontières de décision sont
donc biaisées en faveur de la classe majoritaire N.
Plusieurs pistes existent pour réduire ce déséquilibre et sont énumérées ici
dans une liste non-exhaustive.