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

More documents

Recommendations

Info

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.
CHAPITRE 7. CONCLUSIONS 63 7.4 Travaux futurs Les points principaux en suspens restent la validation de K et la variablité des performances due à la convergence du clustering. Des pistes ont été avancées pour ces deux problèmes mais elles nécessitent de passer sur des machines encore plus puissantes vu leur temps de mise en oeuvre. Dans le cas de la validation, passer d’une approche Wrapper à une approche Filter permetterait sans doute de gagner du temps pour les étapes de sélection des variables. L’utilisation du classifieur LDA a permis un gain de temps important qui a rendu possible l’écriture de ce mémoire. Un des désavantages de ce classifieur est qu’il est linéaire. L’utilisation de techniques plus avancées comme les Machines à Vecteur de Support aurait sans doute permis d’augmenter les performances. De plus, une version pondérée du SVM pour l’apprentissage avec des classes déséquilibrées est disponible dans [1]. Dans ce mémoire, le rééquilibrage des classes se fait en sous-échantillonnant uniquement la classe N, ce qui donne sûrement son utilité au LDA pondéré qui « achève le travail ». Une autre approche aurait pu être de sous échantillonner toutes les classes vers un nombre égal de battements, rendant le LDA pondéré inutile car égal au LDA non-pondéré. Les premières investigations en ce sens ne semblent cependant pas montrer d’augmentation des performances.
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 61: CHAPITRE 7. CONCLUSIONS 61 Chapitre
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?