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

More documents

Recommendations

Info

CHAPITRE 3. EFFET DU SOUS-ÉCHANTILLONNAGE 32 les battements ou les caractéristiques. Les quatre possibilités vont être considérées. Sélection des caractéristiques d’abord, puis sous-échantillonnage basé sur les caractéristiques La sélection peut être mauvaise dû au déséquilibre. Si celui-ci est traité après, le processus se mord la queue. On pourrait essayer d’inventer un algorithme en deux temps, mais celui-ci serait sûrement complexe et long en temps de calcul. Sélection des caractéristiques d’abord, puis sous-échantillonnage basé sur les battements Même problème qu’au cas précédent. Sous-échantillonnage basé sur les caractéristiques d’abord, puis sélection des caractéristiques Ici le problème se mord la queue mais dans l’autre sens : le sous-échantillonnage peut être mauvais à cause des caractéristiques superflues. Sous-échantillonnage basé sur les battements d’abord, puis sélection des caractéristiques Si l’on choisit de sous-échantillonner en fonction des battements et pas des caractéristiques, alors le problème ne se mord plus la queue : le sous-échantillonnage est effectué sur base de l’allure des battements et les caractéristiques sont choisies en prenant en compte la base de données avec la classe N rééchantillonnée. Malheureusement, c’est aussi la solution la plus lente. Des tests préliminaires non rapportés ici ont révélé que cette solution est en effet la meilleure, mais aussi celle prenant le plus de temps. 3.2.2 Classifieurs Les deux LDA, non-pondéré et pondéré, seront essayés pour chaque expérience. Cela permettra de voir si le sous-échantillonnage de la classe N est suffisant ou s’il faut toujours envisager d’utiliser des algorithmes modifiés pour tenir compte du déséquilibre. La suspicion que le rééquilibrage des classes ne soit pas suffisant seul est bien présent. En effet, le rééchantillonnage se fait uniquement sur la classe N, ce qui laisse toujours les classes différemment représentées, bien que le déséquilibre ait été fortement réduit.
CHAPITRE 3. EFFET DU SOUS-ÉCHANTILLONNAGE 33 3.2.3 Matrice de confusion et BCR En raison des meilleurs résultats obtenus lors d’une étude rapide non présentée ici, la définition en moyenne géométrique du BCR sera utilisée. 3.2.4 Structure de base La Figure 3.3 représente la structure de base des expériences de ce chapitre. Les raisons de l’agencement des différents outils ont été débattues précédemment dans ce chapitre. Figure 3.3 – Structure de base : le nombre de battements normaux (classe N) est réduit par une technique de sous-échantillonnage, puis les battements restants sont ajoutés aux battements anormaux (classe S, V, F) et forment l’ensemble d’apprentissage. Cet ensemble de battements est transformé/exprimé sous forme de caractéristiques et une méthode forward ne garde que celles qui mènent à de bonnes performances. Une fois les bonnes caractéristiques gardées, un modèle de classification LDA est bâti et est évalué grâce à l’ensemble de test. Ce dernier n’a pas sa classe N réduite et ce sont bien les caractéristiques choisies pas la méthode forward qui servent à évaluer les performances. 3.2.5 Description des expériences Voici la liste des expériences de ce chapitre, chacune a été faite en suivant la Figure 3.3 et faite en double : l’une avec un LDA non-pondéré (les cas impairs) et l’autre avec un LDA pondéré (les cas pairs). Sur les battements de longueur constante (X = 270) : - Sous-échantillonnage simple : les battements normaux sont gardés au hasard (cas 1 et 2).
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 and 14: CHAPITRE 2. INTRODUCTION 13 2.6.1 M
Page 15 and 16: CHAPITRE 3. EFFET DU SOUS-ÉCHANTIL
Page 31: 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.

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

Create successful ePaper yourself

Delete template?

Save as template?