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

CHAPITRE 7. CONCLUSIONS 62
peut être réduit jusqu’à un facteur 100. Il est quelque part logique que se soit
l’approche clustering, qui utilise toute l’information et est non restreinte par
l’ordre d’aquisition, qui ait mené aux meilleures performances.
Le gros problème de notre méthode reste le choix de K. En effet, les deux validations
imbriquées rendent ce choix déjà difficile, mais la variabilité des performances
due à la convergence du clustering est plus grande encore que le bénéfice
d’un K bien choisi. Il faudrait donc idéalement régler ce problème de variabilité
par l’une des méthodes proposées au Chapitre 3 et utiliser une méthode forward
avec toutes les caractéristiques lors de la validation. Ce n’était bien sûr pas réalisable
dans le cadre de ce mémoire.
Une autre difficulté est l’extraction de caractéristiques. La méthode proposée
a prouvé qu’elle évitait le sur-apprentissage mais on a pu aussi constater que
l’arrêt de la procédure forward à la seconde caractéristique donnait de bonnes
performances mais surtout possédait une variance très faible vis-à-vis de la valeur
de K (le nombre de battements gardés après sous-échantillonnage). Ce qui
peut représenter une propriété intéressante.
Pour améliorer encore plus les performances, ou pour partir d’une autre approche,
les combinaisons de classifieurs sont souvent utilisées dans le domaine
de la classification d’ECG. Ces combinaisons de classifieurs sont appellées systèmes
hybrides [12]. Cette approche plus efficace est basée sur la combinaison
de plusieurs classifieurs et différents types de pré-traitements des données (voir
par exemple [31], [32], [33]). Le modèle présenté dans ce mémoire ne perd pas de
son intérêt, car celui-ci pourrait très bien être l’un des classifieurs d’un système
hybride.
Une critique que l’on peut adresser à la démarche utilisée est le manque
de dialogue entre les médecins cardiologues et les ingénieurs qui développent les
outils de la médecine de demain. L’utilisation des standards AAMI vient quelque
peu contrer cet argument. Une autre critique est le fait que l’on n’ait pas essayé
d’inverser l’ensemble d’apprentissage et de test ou d’avoir recourt à une autre
base de données.
7.3 Problèmes rencontrés
Un seul gros problème a été rencontré mais il était de taille : le temps de
calcul. Traiter autant de données a contraint à utiliser des techniques simples et
à faire des sacrifices. Beaucoup de temps a été passé à évaluer combien de temps
une méthode prendrait dans tel cas et les différentes complexités, mais cela n’est
pas reporté de manière exhaustive dans ce mémoire.