Traitement automatique du signal ECG pour l'aide au diagnostic de ...
Traitement automatique du signal ECG pour l'aide au diagnostic de ...
Traitement automatique du signal ECG pour l'aide au diagnostic de ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
CHAPITRE 2. INTRODUCTION 13<br />
2.6.1 Modification d’algorithmes existants <strong>pour</strong> tenir compte <strong>du</strong><br />
déséquilibre<br />
Les algorithmes peuvent souvent être modifiés <strong>pour</strong> obtenir <strong>de</strong> meilleures<br />
performances. Dans [1] et [3] les <strong>au</strong>teurs ont notamment modifié l’analyse discriminante<br />
et les machines à vecteur <strong>de</strong> support (SVM en anglais) <strong>pour</strong> obtenir <strong>de</strong><br />
bons résultats. L’idée générale est <strong>de</strong> changer la fonction <strong>de</strong> coût utilisée <strong>pour</strong><br />
entrainer le classifieur par une approximation <strong>du</strong> t<strong>au</strong>x <strong>de</strong> classification équilibré.<br />
Ce <strong>de</strong>rnier est en effet une métrique adéquate <strong>pour</strong> notre application (voir Section<br />
3.1.6). Pour ce faire, <strong>de</strong>s poids différents sont donnés <strong>au</strong>x erreurs <strong>de</strong> chaque<br />
classe.<br />
2.6.2 Sur-échantillonnage <strong>pour</strong> tenir compte <strong>du</strong> déséquilibre<br />
Une <strong>au</strong>tre piste <strong>pour</strong> ne pas modifier les algorithmes est d’<strong>au</strong>gmenter le<br />
nombre <strong>de</strong> battements anorm<strong>au</strong>x par rapport <strong>au</strong>x battements norm<strong>au</strong>x (soit suréchantillonner).<br />
Cette procé<strong>du</strong>re peut par exemple se faire via <strong>de</strong>s algorithmes<br />
comme SMOTE (Synthetic Minority Oversampling Technique [18]). L’idée est<br />
<strong>de</strong> créer <strong>de</strong> nouvelles observations dans les classes minoritaires en estimant leurs<br />
distributions <strong>de</strong> probabilité et d’utiliser ces <strong>de</strong>rnières <strong>pour</strong> générer <strong>de</strong> nouve<strong>au</strong>x<br />
échantillons.<br />
2.6.3 Sous-échantillonnage <strong>pour</strong> tenir compte <strong>du</strong> déséquilibre<br />
C’est l’approche inverse <strong>de</strong> la précé<strong>de</strong>nte. Elle consiste à diminuer le nombre<br />
<strong>de</strong> battements norm<strong>au</strong>x par rapport <strong>au</strong> nombre <strong>de</strong> battements anorm<strong>au</strong>x (soit<br />
sous-échantillonner). Dans le présent mémoire, le choix a été fait <strong>de</strong> se concentrer<br />
sur les techniques <strong>de</strong> sous-échantillonnage dans le domaine <strong>de</strong> la classification <strong>du</strong><br />
<strong>signal</strong> <strong>ECG</strong>. Ces techniques restent en effet peu étudiées. Plusieurs approches<br />
seront investiguées :<br />
- Sous-échantillonnage simple :<br />
Cela consiste à laisser tomber une partie <strong>de</strong>s battements, soit aléatoirement,<br />
soit <strong>de</strong> manière régulière.<br />
- Technique « On The Fly » (ou OTF) :<br />
Cette technique consiste à analyser les battements dès leur acquisition<br />
<strong>pour</strong> ne gar<strong>de</strong>r que ceux qui s’écartent significativement <strong>de</strong> la distribution<br />
<strong>de</strong>s battements précé<strong>de</strong>nts.<br />
- Clustering :<br />
Les techniques <strong>de</strong> clustering permettent <strong>de</strong> diminuer un nombre d’observations<br />
en les remplaçant par un certain nombre <strong>de</strong> centroï<strong>de</strong>s qui représentent<br />
<strong>au</strong> mieux les observations.