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

More documents

Recommendations

Info

CHAPITRE 3. EFFET DU SOUS-ÉCHANTILLONNAGE 36 3.4 Discussion Le cas 4 se détache clairement du lot, même à l’œil nu. Le test de Student de supériorité confirme également qu’il est supérieur à tous les autres cas envisagés. Il obtient en moyenne un BCR de 77,43% ce qui est supérieur aux résultats obtenus dans [17] (71,39%), mais inférieur à ceux de [1] (85,39%). Le nombre restreint de comparaison vient du fait que très peu d’articles utilisent un paradigme interpatient, et encore moins utilisent les standards de l’AAMI. Malheureusement, il a obtenu une fois sur les vingt un BCR de 43,40% ce qui peut sans doute venir de plusieurs sources : soit K le nombre de battements de classe N gardés avait une valeur extrême, soit le clustering a convergé vers un minimum local cette fois-là, soit le problème a sur-appris lors de l’étape de réduction de dimension, soit une combinaison des trois. K avait une valeur très moyenne (2477 sachant qu’il devait être compris entre 412 et 3783). L’étape de sélection de variables n’a pas gardé plus ou moins de variables que pour les 19 autres expériences (11 alors que les autres varient entre 9 et 18). C’est donc soit dû à une mauvaise convergence du clustering, soit dû à une sombre combinaison insondable. Certaines techniques existent pour prévenir d’une mauvaise convergence lors d’un clustering et mériteraient d’être appliquées. Il y a au moins deux manières de faire : soit initialiser plus intelligement les clusters par des techniques heuristiques, soit relancer le clustering plusieurs fois avec une initialisation aléatoire différente et choisir celle qui revient le plus souvent, ou la meilleure au sens d’un critère, ou encore moyenner. Evidemment, cela conduit à une étape de clustering encore plus longue. Faute de temps, ces pistes n’ont pas pu être investiguées. Les techniques « On The Fly » sont peut être utiles pour effectuer un « préclustering » , mais sont moins performantes que le clustering. On peut expliquer cela par le fait que dans le clustering, un outlier va peut-être influencer celui-ci, mais a très peu de chances d’émerger en tant que centroïde (après recentrage). Dans les techniques OTF par contre, les outliers seront gardés d’office. Deux jeux de battements ont été utilisés : ceux de longueur constante (cas 1 à 6) et ceux de longueurs non-constantes (cas 7 à 10). Les expériences ne permettent pas de conclure qu’un jeu est meilleur que l’autre. Par contre, le cas 4 étant meilleur que tous les autres, nous continuerons uniquement avec les battements de longueur constante. Il est intéressant de remarquer que le LDA pondéré obtient systématiquement un meilleur score que sa version non pondérée, ce qui prouve son utilité. Par contre, son action n’est pas optimale, et ne permet pas de surpasser le problème du déséquilibre seul. L’utilisation simultanée du clustering et de la pondération de l’algorithme de classification donne des meilleurs résultats que ceux obtenus si on les utilise séparément. Dans la suite, nous garderons les expériences 1 à 4 comme base, car elles permettent de comparer les méthodes de base (cas 1), l’utilisation du clustering seul (cas 3), l’utilisation de la modification d’algorithme (cas 2) et la synergie des deux (cas 4).
CHAPITRE 4. EFFET DE LA SÉLECTION DE CARACTÉRISTIQUES 37 Chapitre 4 Effet de la sélection de caractéristiques Dans ce chapitre, la méthode forward pour sélectionner les variables pertinentes sera évaluée. Il sera observé si le déséquilibre a un impact sur cette procédure et si les techniques de sous-échantillonage permettent d’améliorer les résultats. D’autres méthodes de sélection de caractéristiques auraient pu être investiguées, mais cette option n’a pas été suivie faute de temps. 4.1 Méthode La plupart des méhodes utilisées dans ce chapitre ont déjà été expliquées dans la Section 3.1. Seule la procédure forward est modifiée. La procédure forward décrite à la Section 3.1.4 est utilisée pour choisir les variables pertinentes. Puisqu’il est connu qu’un risque de sur-apprentissage existe [29], [30], il sera également observé si l’arrêt précoce de la procédure peut mener à une meilleure généralisation. Pour étudier cet effet, un seuil δ est choisi, et la procédure arrête d’ajouter des caractéristiques si les performances n’augmentent pas d’au moins δ. La Table 4.1 présente un pseudo-code pour la méthode forward modifiée. 4.2 Méthodologie Dans ce chapitre, nous allons nous concentrer sur les cas 1 à 4 de la Section 3.2.5 (avec une petite variante pour les cas 1 et 2) : Battements de longueur constante : - Sous-échantillonnage simple : les battements normaux sont gardés au hasard, avec classifieur LDA non-pondéré. Cette fois-ci les battements ne
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 35: CHAPITRE 3. EFFET DU SOUS-ÉCHANTIL
Page 39 and 40: CHAPITRE 4. EFFET DE LA SÉLECTION
Page 41 and 42: 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 ...

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

Delete template?

Save as template?