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 1. AVANT-PROPOS 5<br />
unk : Booléen d’affectation (k-means)<br />
V : Vraisemblance<br />
x : Un battement x = [x0, ..., xX−1]<br />
X : Longueur d’un battement x<br />
y : Un <strong>au</strong>tre battement y = [y0, ..., yY −1]<br />
Y : Longueur d’un battement y<br />
δ : Augmentation <strong>de</strong> performance minimale <strong>pour</strong> continuer<br />
la sélection <strong>de</strong> caractéristiques (voir Chapitre 4)<br />
∆j : Dérivée partielle cumulée<br />
∆ : Valeur finale <strong>de</strong> la dérivée partielle cumulée<br />
µd : Moyenne <strong>de</strong>s mesures <strong>de</strong> dissimilarité<br />
σd : Ecart-type <strong>de</strong>s mesures <strong>de</strong> dissimilarité<br />
Σ : Matrice <strong>de</strong> covariance<br />
1.2 Glossaire <strong>de</strong>s termes anglophones<br />
Boxplot : Graphe représentant <strong>de</strong>s données. Il y est indiqué la médiane<br />
(centre <strong>du</strong> rectangle), les 25 e et le 75 e percentile (respectivement<br />
le bas et le h<strong>au</strong>t <strong>du</strong> rectangle), la données la plus petite<br />
et la plus gran<strong>de</strong> (respectivement le trait en bas et en h<strong>au</strong>t)<br />
et éventuellement les outliers qui sont représentés par <strong>de</strong>s +.<br />
Cluster : Sous-échantillon ou sous-groupe <strong>de</strong> données homogènes possédant<br />
<strong>de</strong>s propriétés similaires, ce qui correspond souvent à<br />
<strong>de</strong>s critères <strong>de</strong> proximité.<br />
Clustering : Métho<strong>de</strong> permettant d’obtenir <strong>de</strong>s clusters à partir <strong>de</strong> données.<br />
Filter : Approche <strong>pour</strong> la sélection <strong>de</strong> caractéristiques : utilisation<br />
d’un critère indépendant <strong>du</strong> modèle prédictif.<br />
LDA : Ou Analyse Discriminante Linéaire, technique <strong>de</strong> classification<br />
qui fait l’hypothèse <strong>de</strong> normalité sur les classes.<br />
Forward : Métho<strong>de</strong> <strong>de</strong> la sélection <strong>de</strong> caractéristiques. C’est la métho<strong>de</strong><br />
Filter la plus classique.<br />
Outliers : Données hors-normes ou extrêmes.<br />
Wrapper : Approche <strong>pour</strong> la sélection <strong>de</strong> caractéristiques : utilisation <strong>de</strong>s<br />
métho<strong>de</strong>s comme d’une boite noire <strong>pour</strong> donner un score à un<br />
sous-ensemble <strong>de</strong> variable.<br />
1.3 Remerciements<br />
Je tiens à remercier le professeur Michel Verleysen, le promoteur <strong>de</strong> ce mémoire,<br />
ainsi que Gaël <strong>de</strong> Lannoy <strong>pour</strong> leur ai<strong>de</strong> précieuse. Je remercie également<br />
tous les membres <strong>de</strong> mon entourage qui m’ont aidé à relire et finaliser ce rapport.