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 63<br />
7.4 Trav<strong>au</strong>x futurs<br />
Les points princip<strong>au</strong>x en suspens restent la validation <strong>de</strong> K et la variablité<br />
<strong>de</strong>s performances <strong>du</strong>e à la convergence <strong>du</strong> clustering. Des pistes ont été avancées<br />
<strong>pour</strong> ces <strong>de</strong>ux problèmes mais elles nécessitent <strong>de</strong> passer sur <strong>de</strong>s machines encore<br />
plus puissantes vu leur temps <strong>de</strong> mise en oeuvre. Dans le cas <strong>de</strong> la validation,<br />
passer d’une approche Wrapper à une approche Filter permetterait sans doute<br />
<strong>de</strong> gagner <strong>du</strong> temps <strong>pour</strong> les étapes <strong>de</strong> sélection <strong>de</strong>s variables.<br />
L’utilisation <strong>du</strong> classifieur LDA a permis un gain <strong>de</strong> temps important qui a<br />
ren<strong>du</strong> possible l’écriture <strong>de</strong> ce mémoire. Un <strong>de</strong>s désavantages <strong>de</strong> ce classifieur est<br />
qu’il est linéaire. L’utilisation <strong>de</strong> techniques plus avancées comme les Machines<br />
à Vecteur <strong>de</strong> Support <strong>au</strong>rait sans doute permis d’<strong>au</strong>gmenter les performances.<br />
De plus, une version pondérée <strong>du</strong> SVM <strong>pour</strong> l’apprentissage avec <strong>de</strong>s classes<br />
déséquilibrées est disponible dans [1].<br />
Dans ce mémoire, le rééquilibrage <strong>de</strong>s classes se fait en sous-échantillonnant<br />
uniquement la classe N, ce qui donne sûrement son utilité <strong>au</strong> LDA pondéré qui<br />
« achève le travail ». Une <strong>au</strong>tre approche <strong>au</strong>rait pu être <strong>de</strong> sous échantillonner<br />
toutes les classes vers un nombre égal <strong>de</strong> battements, rendant le LDA pondéré<br />
inutile car égal <strong>au</strong> LDA non-pondéré. Les premières investigations en ce sens ne<br />
semblent cependant pas montrer d’<strong>au</strong>gmentation <strong>de</strong>s performances.