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 7. CONCLUSIONS 61<br />
Chapitre 7<br />
Conclusions<br />
7.1 Résumé<br />
La classification <strong>de</strong>s battements cardiaques est un problème crucial <strong>pour</strong><br />
certaines applications cliniques impliquant un suivi <strong>de</strong> long-terme <strong>de</strong> la fonction<br />
cardiaque. Celle-ci sert d’ai<strong>de</strong> <strong>au</strong> <strong>diagnostic</strong> mais ne remplace pas un avis<br />
médical : le cardiologue gagne toutefois be<strong>au</strong>coup <strong>de</strong> temps car il ne doit pas<br />
considérer tous les battements mais seulement ceux qui ont été annotés comme<br />
anorm<strong>au</strong>x par l’algorithme. Cette classification peut se faire en intra-patient ou<br />
en inter-patient. C’est cette <strong>de</strong>rnière, plus difficile mais <strong>au</strong>ssi plus pertinente, qui<br />
a été investiguée. En se basant sur les directives <strong>de</strong> l’AAMI, et en considérant<br />
que le problème <strong>de</strong> déséquilibre <strong>de</strong>s classes pouvait être réglé grâce à un souséchantillonnage<br />
<strong>de</strong> la classe sur-représentée, plusieurs modèles ont été proposés<br />
<strong>pour</strong> répondre à ce problème <strong>de</strong> classification. Pour ce faire, une métrique appelée<br />
BCR, avec une définition en moyenne géométrique a été utilisée, ainsi qu’un<br />
paradigme <strong>de</strong> validation inter-patient. En particulier, un modèle composé d’une<br />
étape <strong>de</strong> clustering <strong>pour</strong> le sous-échantillonnage et d’un LDA pondéré comme<br />
classifieur a obtenu les meilleurs résutlats. Ce modèle a prouvé sa résistance <strong>au</strong><br />
sur-apprentissage et <strong>au</strong>x outliers dans les Chapitres 4 et 5 respectivement. Pour<br />
ce qui est <strong>de</strong> la validation, celle-ci est non seulement très longue mais <strong>au</strong>ssi peu<br />
fiable. Le problème viendrait d’une variabilité dans la convergence. Pour lutter<br />
contre celle-ci, il serait bon <strong>de</strong> considérer une étape supplémentaire <strong>de</strong> contrôle.<br />
7.2 Discussion<br />
Le modèle retenu par ce mémoire utilise le clustering <strong>pour</strong> sous-échantillonner<br />
la classe N <strong>pour</strong> rééquilibrer les classes, et un classifieur LDA pondéré présenté<br />
à l’origine dans [17]. Ce modèle obtient un BCR moyen <strong>de</strong> 77,43% (définition en<br />
moyenne géométrique).<br />
Le sous-échantillonnage effectué doit l’être avec be<strong>au</strong>coup d’attention car il correspond<br />
à une perte d’information importante. En effet, le nombre <strong>de</strong> battements