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

More documents

Recommendations

Info

CHAPITRE 2. INTRODUCTION 14 Notre méthode se situe donc entre l’approche supervisée et l’approche nonsupervisée : une première manipulation non-supervisée permet de réduire le jeu de données et une seconde étape supervisée classifie les différents battements restants. Comme la proportion de battements normaux par rapport aux anormaux est importante et que l’on souhaiterait rééquilibrer les classes, la phase non-supervisée concerne uniquement les battements normaux. La phase d’apprentissage supervisée concerne elle les battements normaux réduits et tous les battements anormaux. 2.7 Plan du mémoire La suite du mémoire est divisée en quatre chapitres, suivis d’une conclusion. - Chapitre 3 : Effet du sous-échantillonnage : Dans ce chapitre, plusieurs méthodes de sous-échantillonnage seront comparées et la meilleure d’entre elles sera choisie pour les autres parties. - Chapitre 4 : Effet de la sélection de caractéristiques : La sélection de variables sera décortiquée dans le cas choisi et pour certaines variantes. Des conclusions pour le Chapitre 6 seront tirées. - Chapitre 5 : Effet des outliers 1 : La robustesse de la méthode choisie vis-à-vis des outliers sera testée dans ce chapitre. Deux tentatives pour enlever certains points extrêmes seront également testées, afin d’augmenter les performances de classification. - Chapitre 6 : Validation du modèle : Dans ce dernier chapitre avant la conclusion, on essayera de procéder à la validation des paramètres, c’est-à-dire déterminer les paramètres qui généralisent le mieux la classification. Les informations apprises dans les parties précédentes seront utilisées au mieux. 1. Terme anglais signifiant points hors-normes, ou extrêmes. Les outliers sont des données qui entrainent une réduction des performances de nombreuses méthodes de Machine Learning de par leur côté extrême.
CHAPITRE 3. EFFET DU SOUS-ÉCHANTILLONNAGE 15 Chapitre 3 Effet du sous-échantillonnage Dans ce chapitre, l’effet du sous-échantillonnage sera étudié en comparant trois grandes méthodes. Le but est de réduire le déséquilibre des quatre classes, car pour rappel celui-ci est responsable de la dégradation des performances des classifieurs. Plusieurs techniques seront utilisées. La première et la plus basique est le sous-échantillonnage simple : un certain nombre de battements normaux sont gardés au hasard (sans remise). Une autre possibilité envisagée est une technique « On The Fly » : les battements sont considérés dans l’ordre de leur enregistrement et la propriété de stationnarité de battements normaux est exploitée : on ne garde les battements que s’ils sont significativement différents de l’ensemble des battements déjà analysés. La dernière possilité est une approche utilisant le clustering : elle permet de diminuer un nombre d’observations en les remplaçant par un certain nombre de centroïdes qui représentent au mieux ces observations. Pour commencer, les outils utilisés pour rééquilibrer les classes et le classifieur vont être décrits. Ensuite, les différentes expériences seront détaillées et leurs résultats analysés. Ce chapitre se terminera par une discussion sur les résultats obtenus. 3.1 Méthode Dans cette section, la base de données et son prétraitement seront présentés, ainsi que les outils servant à comparer deux battements, à rééquilibrer les classes, à choisir des variables pertinentes et à entrainer un modèle de classification. 3.1.1 Acquisition et prétraitement Deux aspects doivent être pris en compte : les battements et les caractéristiques associées.
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 and 12: CHAPITRE 2. INTRODUCTION 11 Les cla
Page 13: CHAPITRE 2. INTRODUCTION 13 2.6.1 M
Page 17 and 18: 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 ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?