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

More documents

Recommendations

Info

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.
CHAPITRE 2. INTRODUCTION 13 2.6.1 Modification d’algorithmes existants pour tenir compte du déséquilibre Les algorithmes peuvent souvent être modifiés pour obtenir de meilleures performances. Dans [1] et [3] les auteurs ont notamment modifié l’analyse discriminante et les machines à vecteur de support (SVM en anglais) pour obtenir de bons résultats. L’idée générale est de changer la fonction de coût utilisée pour entrainer le classifieur par une approximation du taux de classification équilibré. Ce dernier est en effet une métrique adéquate pour notre application (voir Section 3.1.6). Pour ce faire, des poids différents sont donnés aux erreurs de chaque classe. 2.6.2 Sur-échantillonnage pour tenir compte du déséquilibre Une autre piste pour ne pas modifier les algorithmes est d’augmenter le nombre de battements anormaux par rapport aux battements normaux (soit suréchantillonner). Cette procédure peut par exemple se faire via des algorithmes comme SMOTE (Synthetic Minority Oversampling Technique [18]). L’idée est de créer de nouvelles observations dans les classes minoritaires en estimant leurs distributions de probabilité et d’utiliser ces dernières pour générer de nouveaux échantillons. 2.6.3 Sous-échantillonnage pour tenir compte du déséquilibre C’est l’approche inverse de la précédente. Elle consiste à diminuer le nombre de battements normaux par rapport au nombre de battements anormaux (soit sous-échantillonner). Dans le présent mémoire, le choix a été fait de se concentrer sur les techniques de sous-échantillonnage dans le domaine de la classification du signal ECG. Ces techniques restent en effet peu étudiées. Plusieurs approches seront investiguées : - Sous-échantillonnage simple : Cela consiste à laisser tomber une partie des battements, soit aléatoirement, soit de manière régulière. - Technique « On The Fly » (ou OTF) : Cette technique consiste à analyser les battements dès leur acquisition pour ne garder que ceux qui s’écartent significativement de la distribution des battements précédents. - Clustering : Les techniques de clustering permettent de diminuer un nombre d’observations en les remplaçant par un certain nombre de centroïdes qui représentent au mieux les observations.
Page 1 and 2: Université catholique de Louvain E
Page 3 and 4: TABLE DES MATIÈRES 3 3.4 Discussio
Page 5 and 6: CHAPITRE 1. AVANT-PROPOS 5 unk : Bo
Page 7 and 8: CHAPITRE 2. INTRODUCTION 7 2.1 Anat
Page 9 and 10: CHAPITRE 2. INTRODUCTION 9 Figure 2
Page 11: CHAPITRE 2. INTRODUCTION 11 Les cla
Page 15 and 16: CHAPITRE 3. EFFET DU SOUS-ÉCHANTIL
Page 37 and 38: CHAPITRE 4. EFFET DE LA SÉLECTION
Page 43 and 44: CHAPITRE 5. EFFET DES OUTLIERS 43 C
Page 45 and 46: CHAPITRE 5. EFFET DES OUTLIERS 45 c
Page 47 and 48: CHAPITRE 5. EFFET DES OUTLIERS 47 C
Page 49 and 50: CHAPITRE 5. EFFET DES OUTLIERS 49 F
Page 55 and 56: CHAPITRE 6. VALIDATION DU MODÈLE 5
Page 61 and 62: CHAPITRE 7. CONCLUSIONS 61 Chapitre
Page 63 and 64:
CHAPITRE 7. CONCLUSIONS 63 7.4 Trav
Page 65 and 66:
BIBLIOGRAPHIE 65 [13] R. Jafari, H.
show all

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

Create successful ePaper yourself

Delete template?

Save as template?