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 ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
CHAPITRE 4. EFFET DE LA SÉLECTION DE CARACTÉRISTIQUES 41<br />
D’un point <strong>de</strong> vue pratique, on <strong>pour</strong>rait être tenté d’arrêter le LDA <strong>pour</strong><br />
toujours se trouver sur le premier plate<strong>au</strong>. En effet les performances y sont plutôt<br />
bonnes et la variabilité observée y est très faible. Cela peut donc suffire <strong>pour</strong><br />
certaines applications. L’analyse va cependant être <strong>pour</strong>suivie <strong>pour</strong> le cas plus<br />
général.<br />
Les premières caractéristiques sélectionnées méritent un peu d’attention. La première<br />
caractéristique est toujours la même : celle-ci correspond à l’intervalle R-R<br />
<strong>du</strong> battement précé<strong>de</strong>nt, normalisé par la valeur moyenne <strong>de</strong> cette caractéristique<br />
<strong>pour</strong> ce patient.<br />
Le compte ren<strong>du</strong> <strong>de</strong> la secon<strong>de</strong> et <strong>de</strong> la troisième caractéristique sélectionnée<br />
est indiqué <strong>au</strong>x Tables 4.2 et 4.3 respectivement. On observe que ce sont très<br />
souvent les mêmes caractéristiques qui sont choisies. Les caractéristiques n o 2 et<br />
n o 10 sont <strong>de</strong>s éléments statistiques <strong>de</strong> h<strong>au</strong>t ordre, la caractéristique n o 214 est<br />
l’écart-type <strong>du</strong> complexe QRS normalisé par la valeur moyenne <strong>de</strong> cette caractéristique<br />
<strong>pour</strong> ce patient et la caractéristique n o 219 est la longueur RS elle <strong>au</strong>ssi<br />
normalisée.<br />
n o 2 n o 10 total<br />
Cas 1 16 4 20<br />
Cas 2 2 18 20<br />
Cas 3 20 0 20<br />
Cas 4 14 6 20<br />
total 52 28 80<br />
Table 4.2 – Deuxièmes caractéristiques sélectionnées par la métho<strong>de</strong> forward.<br />
n o 214 n o 219 total<br />
Cas 1 0 20 20<br />
Cas 2 5 15 20<br />
Cas 3 0 20 20<br />
Cas 4 14 6 20<br />
total 61 19 80<br />
Table 4.3 – Troisièmes caractéristiques sélectionnées par la métho<strong>de</strong> forward.<br />
4.4 Discussion<br />
Ce chapitre permet <strong>de</strong> tirer plusieurs conclusions.<br />
Premièrement, la combinaison d’un sous-échantillonnage <strong>de</strong> type clustering allié<br />
à un classifieur pondéré <strong>pour</strong> tenir compte <strong>du</strong> déséquilibre rési<strong>du</strong>el <strong>de</strong>s classes<br />
permet d’éviter le sur-apprentissage <strong>au</strong> nive<strong>au</strong> <strong>de</strong> la sélection <strong>de</strong> caractéristiques.<br />
Cela contribue certainement à faire <strong>de</strong> ce cas le plus performant dans le chapitre<br />
précé<strong>de</strong>nt.