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

More documents

Recommendations

Info

CHAPITRE 6. VALIDATION DU MODÈLE 60 Figure 6.4 – Validation du nombre K en bleu et performances obtenues en réutilisant la structure décrite à la Figure 3.3 avec ces mêmes K en vert. On observe que ce n’est pas le meilleur score de validation qui mène aux meilleures performances. rait donc plus intéressant d’ajouter une étape visant à prévenir d’une mauvaise convergence lors d’un clustering. Cette opportunité avait déjà été énoncée au Chapitre 3 : on y présentait au moins deux manières de faire. Le désavantage est que cela rallonge encore le temps d’un calcul déjà bien long.
CHAPITRE 7. CONCLUSIONS 61 Chapitre 7 Conclusions 7.1 Résumé La classification des battements cardiaques est un problème crucial pour certaines applications cliniques impliquant un suivi de long-terme de la fonction cardiaque. Celle-ci sert d’aide au diagnostic mais ne remplace pas un avis médical : le cardiologue gagne toutefois beaucoup de temps car il ne doit pas considérer tous les battements mais seulement ceux qui ont été annotés comme anormaux par l’algorithme. Cette classification peut se faire en intra-patient ou en inter-patient. C’est cette dernière, plus difficile mais aussi plus pertinente, qui a été investiguée. En se basant sur les directives de l’AAMI, et en considérant que le problème de déséquilibre des classes pouvait être réglé grâce à un souséchantillonnage de la classe sur-représentée, plusieurs modèles ont été proposés pour répondre à ce problème de classification. Pour ce faire, une métrique appelée BCR, avec une définition en moyenne géométrique a été utilisée, ainsi qu’un paradigme de validation inter-patient. En particulier, un modèle composé d’une étape de clustering pour le sous-échantillonnage et d’un LDA pondéré comme classifieur a obtenu les meilleurs résutlats. Ce modèle a prouvé sa résistance au sur-apprentissage et aux outliers dans les Chapitres 4 et 5 respectivement. Pour ce qui est de la validation, celle-ci est non seulement très longue mais aussi peu fiable. Le problème viendrait d’une variabilité dans la convergence. Pour lutter contre celle-ci, il serait bon de considérer une étape supplémentaire de contrôle. 7.2 Discussion Le modèle retenu par ce mémoire utilise le clustering pour sous-échantillonner la classe N pour rééquilibrer les classes, et un classifieur LDA pondéré présenté à l’origine dans [17]. Ce modèle obtient un BCR moyen de 77,43% (définition en moyenne géométrique). Le sous-échantillonnage effectué doit l’être avec beaucoup d’attention car il correspond à une perte d’information importante. En effet, le nombre de battements
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 and 56: CHAPITRE 6. VALIDATION DU MODÈLE 5
Page 57 and 58: CHAPITRE 6. VALIDATION DU MODÈLE 5
Page 59: CHAPITRE 6. VALIDATION DU MODÈLE 5
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?