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

More documents

Recommendations

Info

CHAPITRE 6. VALIDATION DU MODÈLE 56 ce qui aurait dû être fait si les données étaient bien moins nombreuses. Cette structure est décrite à la Figure 6.1. Des modifications seront ensuite apportées pour pouvoir se permettre d’employer toutes les données à disposition. Figure 6.1 – Structure pour une validation complète (point de départ), les étapes de validation étant indiquées en bleu : le nombre de battements normaux (classe N) est réduit par une technique de sous-échantillonnage, puis les battements restants sont ajoutés aux battements anormaux (de classe S, V, F) et forment l’ensemble d’apprentissage. Le premier paramètre à valider est donc K, le nombre de battements gardés. Cet ensemble de battements est transformé/exprimé sous forme de caractéristiques et une méthode forward ne garde que celles qui mènent à de bonnes performances. C’est la seconde validation : les caractéristiques gardées. Une fois celles-ci déterminées, un modèle de classification LDA est bâti et est évalué grâce à l’ensemble de test. Ce dernier n’a pas sa classe N réduite mais ce sont bien les caractéristiques choisies pas la méthode forward qui servent à évaluer les performances. On observe que pour valider K, il faut faire une validation des caractéristiques gardées à chaque itération de la validation de K. Le grand problème est de valider K. en effet le clustering est une méthode non-supervisée, il nous faut donc un moyen d’attribuer un score à chaque candidat à la validation. Pour ce mémoire, c’est le score de la classification suivant un clustering considéré qui est utilisée pour déterminer si ce dernier est meilleur qu’un autre. Pour savoir si K est un bon nombre de battements à garder, il faut donc effectuer un clustering sur les battements N, ajouter les battements S, V et F, sélectionner de bonnes caractéristiques au sens d’une méthode forward pour les battements restants et entrainer un modèle LDA avec ces battements. Cela permet d’utiliser la matrice de confusion et le BCR pour avoir le score.
CHAPITRE 6. VALIDATION DU MODÈLE 57 Sélectionner les caractéristiques signifie aussi faire une validation, on se retrouve donc devant deux validations imbriquées, ce qui est possible du point de vue conceptuel, mais trop long du point de vue calculatoire. La modification suivante a été apportée pour rendre la manœuvre possible : la validation des caractéristiques gardées va être court-circuitée quand elle est imbriquée avec la validation de K. Cela signifie qu’elle ne le sera pas lorsque Kvalidé aura été choisi comme étant le candidat à la validation ayant obtenu le meilleur score. Les particularités du plateau à deux caractéristiques seront utilisées (voir Section 4.3). Deux ensembles de caractéristiques étaient systématiquement choisis par la méthode forward : Caract1 = {191, 2} ou Caract2 = {191, 10}, Caract1 étant plus représenté (voir la Section 3.1.1 pour la signification de ces caractéristiques). Le nombre restreint de caractéristiques permet une représentation en 2D, qui est visible à la Figure 6.2 et 6.3 pour Caract1 et Caract2 respectivement. On observe que l’hypothèse de gaussianité des classes est bien respectée dans les deux cas, mais que le résultat ne pourra pas être parfait. L’ensemble Caract1 étant plus représenté à la Table 4.2, celui-ci sera utilisé. Figure 6.2 – Représentation du problème de classification dans le repère des caractéristiques 191 et 2. Les battements N sont en bleu, les S en rouge, les V en vert et les F en noir.
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 55: 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 ...

Create successful ePaper yourself

Delete template?

Save as template?