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

More documents

Recommendations

Info

CHAPITRE 5. EFFET DES OUTLIERS 54 Figure 5.7 – Boxplot des performances de tous les cas de ce chapitre (n=10).
CHAPITRE 6. VALIDATION DU MODÈLE 55 Chapitre 6 Validation du modèle Dans ce chapitre, nous allons tenter de construire une méthode pour répondre de la meilleure façon possible au problème de classification énoncé dans la Section 2.6. Cette méthode utilisera les résultats obtenus dans les chapitres précédents tels que le choix des variables, du sous-échantillonage et du filtrage des outliers. Ce chapitre commence par expliquer la méthode choisie ainsi que les choix effectués. Ensuite viendront les résultats et une discussion sur ces derniers. Les différents éléments utilisés dans ce chapitre sont expliqués à la Section 3.1. 6.1 Méthodologie Concernant la validation de K (nombre de battements de classe N gardés) : un leave-one-out par patient est effectué pour chaque candidat à la validation et ils sont comparés entre eux grâce aux scores obtenus. Un des désavantages majeur de cette technique est que le temps de calcul est multiplié par un facteur égal au nombre de patients. Un autre problème se pose lorsque plusieurs paramètres doivent être validés. L’exploration combinatoire d’un tel ensemble d’hyper-paramètres entraine dans le meilleur des cas une augmentation exponentielle du temps de calcul [23]. Historiquement, certains critères d’information ont été proposés pour essayer de corriger le biais du maximum de vraisemblance par addition d’un terme de pénalité qui compense le sur-apprentissage dû aux modèles trop complexes. On peut citer le AIC (Akaike, 1974) et le BIC (Bayesian information criterion). Dans notre cas, la littérature n’a pas permis de trouver une telle solution, et après quelques réflexions sur l’opportunité d’en rechercher une, il a été choisi de se concentrer sur un moyen de diminuer le temps de calcul pour le rendre acceptable. Il est important de réfléchir aux paramètres qui doivent être validés, à la façon de le faire, mais aussi au temps de calcul nécessaire. Dans notre cas, c’est cette dernière contrainte qui était la plus limitante. La démarche a donc été la suivante : utiliser au mieux les informations acquises dans les chapitres précédents pour rendre la validation des hyper-paramètres possible. Le point de départ sera donc
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 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 51 and 52: CHAPITRE 5. EFFET DES OUTLIERS 51 F
Page 53: CHAPITRE 5. EFFET DES OUTLIERS 53 F
Page 57 and 58: CHAPITRE 6. VALIDATION DU MODÈLE 5
Page 59 and 60: 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.
show all

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?