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

More documents

Recommendations

Info

CHAPITRE 4. EFFET DE LA SÉLECTION DE CARACTÉRISTIQUES 42 Deuxièmement, la classification à quatre classes dans cette application peut très bien se satisfaire de très peu de caractéristiques pour discriminer. Ajouter d’autres caractéristiques augmente légèrement les performances dans le cas d’une combinaison d’un sous-échantillonnage de type clustering allié à un classifieur pondéré pour tenir compte du déséquilibre résiduel des classes. Cependant, cela se fait au détriment de la variance. Il peut donc il y avoir certains cas où il faudra privilégier des performances moyennes avec une faible variance et peu de caractéristiques. Dans d’autres cas, on ajoutera plus de caractéristiques pour obtenir de meilleurs résultats moyens. Troisièmement, on observe l’importance de supprimer la redondance dans les données de la classe N. En plus du fait qu’un trop grand déséquilibre fait plonger les performances, le temps de calcul diminue quand K, le nombre de battements gardés dans la classe N, diminue. Finalement, il est aussi important de bien choisir les caractéristiques gardées : une modification a été apportée ici à la méthode forward mais il existe d’autres manières de sélectionner les caractéristiques. Il est à noter que la modification apportée à la méthode forward réduit le temps de calcul. Ce dernier sera d’autant plus petit que δ sera grand. Il sera évidemment très court pour les deux plateaux. De plus, les premières caractéristiques sont presque systématiquement les mêmes : elles seront utilisées dans le Chapitre 6 pour essayer de gagner du temps sur la validation de K.
CHAPITRE 5. EFFET DES OUTLIERS 43 Chapitre 5 Effet des outliers Ce chapitre est consacré à l’étude de l’influence des outliers. Comme déjà énoncé, le LDA est sensible à ces derniers. Ce problème n’est pas propre au modèle LDA et est un problème récurrent en analyse de données. Ce qui suit est donc une analyse des performances de classification après divers essais pour enlever ces outliers. 5.1 Méthode La plupart des méhodes utilisées dans ce chapitre ont déjà été expliquées dans la Section 3.1. Deux méthodes visant à éliminer les outliers doivent encore être expliquées. 5.1.1 Elimination d’outliers de la base de données (type 1) Pour cette méthode, l’ensemble d’apprentissage est divisé en 22 groupes de battements, un pour chaque patient. Pour chaque groupe, on procède comme suit : le battement étant le plus près du centre de gravité du nuage est considéré comme la référence et nommé bréf . Ensuite, toutes les mesures de dissimilarité d(bi, bréf ) entre ce battement de référence bréf et tous les autres bi sont calculées. La moyenne et l’écart-type de d(bi, bréf ) sont calculés et nommés respectivement µd et σd. Les battements bi sont alors éliminés si d(bi, bréf ) < µd+3∗σd. Cela correpond, si l’on fait l’hypothèse d’une ditribution normale pour les dissimilarités, à garder plus ou moins 1% des battements, ceux ayant les dissimilarités les plus grandes. La norme de Minkowsky sera utilisée comme mesure de dissimilarité et pour trouver bréf . 5.1.2 Elimination d’outliers après un clustering (type 2) Dans cette méthode, certains centroïdes marginaux sont supprimés durant l’étape de clustering. Une inspection visuelle des centroïdes n’étant pas possible,
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 37 and 38: CHAPITRE 4. EFFET DE LA SÉLECTION
Page 39 and 40: CHAPITRE 4. EFFET DE LA SÉLECTION
Page 41: CHAPITRE 4. EFFET DE LA SÉLECTION
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?