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

More documents

Recommendations

Info

CHAPITRE 5. EFFET DES OUTLIERS 44 il faut trouver un critère d’exclusion. Clairement, lors du processus de clustering, les outliers vont soit être oubliés par le clustering lui-même, soit l’outlier va attirer un centroïde en mouvement ou replacé car aucune donnée ne lui était plus affectée. Le critère suivant a été choisi, bien que d’autres auraient pu être investigués (mais ne l’ont pas été faute de temps). Soit un centroïde K qui code pour ni battement(s), ce centroïde est éliminé si ni ≤ 3. Ce critère suppose que les outliers ne sont pas rassemblés entre eux mais sont dispersés dans l’espace du clustering. 5.2 Méthodologie Dans cette partie, plusieurs expériences vont être menées. Elles respectent la structure décrite à la Figure 3.3. Le but est d’évaluer à quel point les outliers jouent un rôle important dans les performances de classification après avoir rééquilibré les quatre classes en diminuant le nombre de battements normaux. Toutes les expériences menant à un nombre de battements normaux non compris entre le minimum et le maximum des trois autres classes ont été abandonnées. Dix cas ont été considérés. Pour chaque cas, les expériences sont lancées 10 fois, ce qui est moins qu’avant mais suffit à montrer la supériorité d’un des cas sur tous les autres. Voici la liste des cas : - Cas 10 : Sous-échantillonnage simple sans avoir éliminé les outliers, avec LDA non-pondéré. - Cas 20 : Sous-échantillonnage simple sans avoir éliminé les outliers, avec LDA pondéré. - Cas 11 : Sous-échantillonnage simple en ayant éliminé les outliers grâce à la méthode présentée à la Section 5.1.1 (type 1), avec LDA non-pondéré. - Cas 21 : Sous-échantillonnage simple en ayant éliminé les outliers grâce à la méthode présentée à la Section 5.1.1 (type 1), avec LDA pondéré. - Cas 30 : Sous-échantillonnage de type Clustering : k-means avec un recentrage à la fin et la norme d’ordre 2, sans avoir éliminé les outliers, avec LDA non-pondéré. - Cas 40 : Sous-échantillonnage de type Clustering : k-means avec un recentrage à la fin et la norme d’ordre 2, sans avoir éliminé les outliers, avec LDA pondéré. - Cas 31 : Sous-échantillonnage de type Clustering : k-means avec un recentrage à la fin et la norme d’ordre 2, en ayant éliminé les outliers avant le
CHAPITRE 5. EFFET DES OUTLIERS 45 clustering grâce à la méthode présentée à la Section 5.1.1 (type 1), avec LDA non-pondéré. - Cas 41 : Sous-échantillonnage de type Clustering : k-means avec un recentrage à la fin et la norme d’ordre 2, en ayant éliminé les outliers avant le clustering grâce à la méthode présentée à la Section 5.1.1 (type 1), avec LDA pondéré. - Cas 32 : Sous-échantillonnage de type Clustering : k-means avec un recentrage à la fin et la norme d’ordre 2, en ayant éliminé les outliers après le clustering grâce à la méthode présentée à la Section 5.1.2 (type 2), avec LDA non-pondéré. - Cas 42 : Sous-échantillonnage de type Clustering : k-means avec un recentrage à la fin et la norme d’ordre 2, en ayant éliminé les outliers après le clustering grâce à la méthode présentée à la Section 5.1.2 (type 2), avec LDA pondéré. Il est à noter que le premier chiffre du cas correspond au cas 1 à 4 du Chapitre 3 et le second chiffre au type d’élimination d’outliers utilisé : 0 si aucun n’a été utilisé, 1 si type 1 et 2 si type 2. 5.3 Résultats Pour commencer, l’effet de l’élimination d’outliers dans la base de données (type 1) et de l’élimination d’outliers après un clustering (type 2) va être représenté visuellement. Ensuite viendront les résultats en termes de performance. 5.3.1 Elimination des outliers de la base de données (type 1) L’effet de l’élimination des outliers dans la base de données est représenté ci-après, à la Figure 5.1 et à la Figure 5.2, chaque patient indépendamment pour plus de clarté. Le battement représenté en rouge est le battement de référence bréf de chaque patient. Les battements en bleu sont ceux qui ont été éliminés et les battements en vert sont ceux qui ont été gardés. On observe que l’algorithme a correctement éliminé les battements manifestement extrêmes, parfois très bien, parfois moins bien selon les patients. 5.3.2 Elimination des outliers après un clustering (type 2) La Figure 5.3 représente les battements affectés à chaque centroïde. Ceux-ci ont été représentés par ordre d’enveloppe croissante et seuls les dix premiers et dix derniers sont représentés à la Figure 5.3. Représenter l’ensemble des quelques milliers de centroïdes gardés aurait peu d’intérêt, mais on peut constater qu’en
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 43: CHAPITRE 5. EFFET DES OUTLIERS 43 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?