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 6. VALIDATION DU MODÈLE 56<br />
ce qui <strong>au</strong>rait dû être fait si les données étaient bien moins nombreuses. Cette<br />
structure est décrite à la Figure 6.1. Des modifications seront ensuite apportées<br />
<strong>pour</strong> pouvoir se permettre d’employer toutes les données à disposition.<br />
Figure 6.1 – Structure <strong>pour</strong> une validation complète (point <strong>de</strong> départ), les<br />
étapes <strong>de</strong> validation étant indiquées en bleu : le nombre <strong>de</strong> battements norm<strong>au</strong>x<br />
(classe N) est ré<strong>du</strong>it par une technique <strong>de</strong> sous-échantillonnage, puis les<br />
battements restants sont ajoutés <strong>au</strong>x battements anorm<strong>au</strong>x (<strong>de</strong> classe S, V, F)<br />
et forment l’ensemble d’apprentissage. Le premier paramètre à vali<strong>de</strong>r est donc<br />
K, le nombre <strong>de</strong> battements gardés. Cet ensemble <strong>de</strong> battements est transformé/exprimé<br />
sous forme <strong>de</strong> caractéristiques et une métho<strong>de</strong> forward ne gar<strong>de</strong><br />
que celles qui mènent à <strong>de</strong> bonnes performances. C’est la secon<strong>de</strong> validation :<br />
les caractéristiques gardées. Une fois celles-ci déterminées, un modèle <strong>de</strong> classification<br />
LDA est bâti et est évalué grâce à l’ensemble <strong>de</strong> test. Ce <strong>de</strong>rnier n’a pas<br />
sa classe N ré<strong>du</strong>ite mais ce sont bien les caractéristiques choisies pas la métho<strong>de</strong><br />
forward qui servent à évaluer les performances. On observe que <strong>pour</strong> vali<strong>de</strong>r K,<br />
il f<strong>au</strong>t faire une validation <strong>de</strong>s caractéristiques gardées à chaque itération <strong>de</strong> la<br />
validation <strong>de</strong> K.<br />
Le grand problème est <strong>de</strong> vali<strong>de</strong>r K. en effet le clustering est une métho<strong>de</strong><br />
non-supervisée, il nous f<strong>au</strong>t donc un moyen d’attribuer un score à chaque candidat<br />
à la validation. Pour ce mémoire, c’est le score <strong>de</strong> la classification suivant<br />
un clustering considéré qui est utilisée <strong>pour</strong> déterminer si ce <strong>de</strong>rnier est meilleur<br />
qu’un <strong>au</strong>tre. Pour savoir si K est un bon nombre <strong>de</strong> battements à gar<strong>de</strong>r, il<br />
f<strong>au</strong>t donc effectuer un clustering sur les battements N, ajouter les battements S,<br />
V et F, sélectionner <strong>de</strong> bonnes caractéristiques <strong>au</strong> sens d’une métho<strong>de</strong> forward<br />
<strong>pour</strong> les battements restants et entrainer un modèle LDA avec ces battements.<br />
Cela permet d’utiliser la matrice <strong>de</strong> confusion et le BCR <strong>pour</strong> avoir le score.