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 ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
CHAPITRE 6. VALIDATION DU MODÈLE 55<br />
Chapitre 6<br />
Validation <strong>du</strong> modèle<br />
Dans ce chapitre, nous allons tenter <strong>de</strong> construire une métho<strong>de</strong> <strong>pour</strong> répondre<br />
<strong>de</strong> la meilleure façon possible <strong>au</strong> problème <strong>de</strong> classification énoncé dans<br />
la Section 2.6. Cette métho<strong>de</strong> utilisera les résultats obtenus dans les chapitres<br />
précé<strong>de</strong>nts tels que le choix <strong>de</strong>s variables, <strong>du</strong> sous-échantillonage et <strong>du</strong> filtrage<br />
<strong>de</strong>s outliers. Ce chapitre commence par expliquer la métho<strong>de</strong> choisie ainsi que les<br />
choix effectués. Ensuite viendront les résultats et une discussion sur ces <strong>de</strong>rniers.<br />
Les différents éléments utilisés dans ce chapitre sont expliqués à la Section 3.1.<br />
6.1 Méthodologie<br />
Concernant la validation <strong>de</strong> K (nombre <strong>de</strong> battements <strong>de</strong> classe N gardés) :<br />
un leave-one-out par patient est effectué <strong>pour</strong> chaque candidat à la validation et<br />
ils sont comparés entre eux grâce <strong>au</strong>x scores obtenus.<br />
Un <strong>de</strong>s désavantages majeur <strong>de</strong> cette technique est que le temps <strong>de</strong> calcul est<br />
multiplié par un facteur égal <strong>au</strong> nombre <strong>de</strong> patients. Un <strong>au</strong>tre problème se<br />
pose lorsque plusieurs paramètres doivent être validés. L’exploration combinatoire<br />
d’un tel ensemble d’hyper-paramètres entraine dans le meilleur <strong>de</strong>s cas<br />
une <strong>au</strong>gmentation exponentielle <strong>du</strong> temps <strong>de</strong> calcul [23]. Historiquement, certains<br />
critères d’information ont été proposés <strong>pour</strong> essayer <strong>de</strong> corriger le biais <strong>du</strong><br />
maximum <strong>de</strong> vraisemblance par addition d’un terme <strong>de</strong> pénalité qui compense le<br />
sur-apprentissage dû <strong>au</strong>x modèles trop complexes. On peut citer le AIC (Akaike,<br />
1974) et le BIC (Bayesian information criterion). Dans notre cas, la littérature<br />
n’a pas permis <strong>de</strong> trouver une telle solution, et après quelques réflexions sur<br />
l’opportunité d’en rechercher une, il a été choisi <strong>de</strong> se concentrer sur un moyen<br />
<strong>de</strong> diminuer le temps <strong>de</strong> calcul <strong>pour</strong> le rendre acceptable.<br />
Il est important <strong>de</strong> réfléchir <strong>au</strong>x paramètres qui doivent être validés, à la façon <strong>de</strong><br />
le faire, mais <strong>au</strong>ssi <strong>au</strong> temps <strong>de</strong> calcul nécessaire. Dans notre cas, c’est cette <strong>de</strong>rnière<br />
contrainte qui était la plus limitante. La démarche a donc été la suivante :<br />
utiliser <strong>au</strong> mieux les informations acquises dans les chapitres précé<strong>de</strong>nts <strong>pour</strong><br />
rendre la validation <strong>de</strong>s hyper-paramètres possible. Le point <strong>de</strong> départ sera donc