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

CHAPITRE 3. EFFET DU SOUS-ÉCHANTILLONNAGE 36
3.4 Discussion
Le cas 4 se détache clairement du lot, même à l’œil nu. Le test de Student de
supériorité confirme également qu’il est supérieur à tous les autres cas envisagés.
Il obtient en moyenne un BCR de 77,43% ce qui est supérieur aux résultats obtenus
dans [17] (71,39%), mais inférieur à ceux de [1] (85,39%). Le nombre restreint
de comparaison vient du fait que très peu d’articles utilisent un paradigme interpatient,
et encore moins utilisent les standards de l’AAMI. Malheureusement, il
a obtenu une fois sur les vingt un BCR de 43,40% ce qui peut sans doute venir
de plusieurs sources : soit K le nombre de battements de classe N gardés avait
une valeur extrême, soit le clustering a convergé vers un minimum local cette
fois-là, soit le problème a sur-appris lors de l’étape de réduction de dimension,
soit une combinaison des trois. K avait une valeur très moyenne (2477 sachant
qu’il devait être compris entre 412 et 3783). L’étape de sélection de variables
n’a pas gardé plus ou moins de variables que pour les 19 autres expériences (11
alors que les autres varient entre 9 et 18). C’est donc soit dû à une mauvaise
convergence du clustering, soit dû à une sombre combinaison insondable. Certaines
techniques existent pour prévenir d’une mauvaise convergence lors d’un
clustering et mériteraient d’être appliquées. Il y a au moins deux manières de
faire : soit initialiser plus intelligement les clusters par des techniques heuristiques,
soit relancer le clustering plusieurs fois avec une initialisation aléatoire
différente et choisir celle qui revient le plus souvent, ou la meilleure au sens d’un
critère, ou encore moyenner. Evidemment, cela conduit à une étape de clustering
encore plus longue. Faute de temps, ces pistes n’ont pas pu être investiguées.
Les techniques « On The Fly » sont peut être utiles pour effectuer un « préclustering
» , mais sont moins performantes que le clustering. On peut expliquer
cela par le fait que dans le clustering, un outlier va peut-être influencer celui-ci,
mais a très peu de chances d’émerger en tant que centroïde (après recentrage).
Dans les techniques OTF par contre, les outliers seront gardés d’office.
Deux jeux de battements ont été utilisés : ceux de longueur constante (cas
1 à 6) et ceux de longueurs non-constantes (cas 7 à 10). Les expériences ne
permettent pas de conclure qu’un jeu est meilleur que l’autre. Par contre, le
cas 4 étant meilleur que tous les autres, nous continuerons uniquement avec les
battements de longueur constante.
Il est intéressant de remarquer que le LDA pondéré obtient systématiquement
un meilleur score que sa version non pondérée, ce qui prouve son utilité.
Par contre, son action n’est pas optimale, et ne permet pas de surpasser le
problème du déséquilibre seul. L’utilisation simultanée du clustering et de la
pondération de l’algorithme de classification donne des meilleurs résultats que
ceux obtenus si on les utilise séparément. Dans la suite, nous garderons les expériences
1 à 4 comme base, car elles permettent de comparer les méthodes de
base (cas 1), l’utilisation du clustering seul (cas 3), l’utilisation de la modification
d’algorithme (cas 2) et la synergie des deux (cas 4).