Professional Documents
Culture Documents
ESV
105
25
1
106
15
5
116
2302
109
119
1542
444
205
25
71
215
31
164
219
20
6
221
20
396
228
16
36
Tableau N 01: La description
des enregistrements utilises
. Filtrage et modlisation :
.1 Filtrage du signal ECG :
Les signaux ECG que nous allons utiliss sont dj
filtrs a la maison MIT, mais pour avoir des bons
rsultats, nous avons effectu un autre filtrage (afin
dliminer les bruits restants ), en appliquant un filtre
passe bas en cascade avec un filtre passe haut , qui
jouent le rle dun filtre passe bande avec une bande
passante [1 27]Hz,qui va vous servir a limin les bruits
des muscles (0.2Hz) et la frquence de secteur
(60Hz).les fonctions de transfert de ces deux filtres sont
donnes si dessous :
La fonction de transfert du filtre passe bas est
donn par :
L z
1 z 1 z
6
1
[4]
a k s i k
s i
Avec ak cest k
k 1
me
Hz z 127
1 2z z
2 1 2z z
128
14
256
[4]
ei
ei
s i si
s i a k
s i k
p
z a k z k
p
transfert : H
k 1
E z
s z a k
z k
s z
p
1 a k
z k
s z
k 1
k 1
s(i)
S(i-1)
S(i-2)
a(0)
S(i-p)
...
a(i)
si
a(p-i)
+
Sortie prdite
Architecture
des
classificateurs
et
W t 1 W c t D t x t W c t
Si
le
W t 1 W c t D t x t W c t
Si le
e(i)
0 D t 1 .
phase
dapprentissage :
2.1 Classificateur N1 (Rseau de Kohonen) :
Ce classificateur est constitu :
D'une couche d'entre de 5 neurones
D'une couche de sortie de 30 neurones (ou couche de
comptition). Les neurones de cette couche entrent en
comptition. Seuls les meilleurs gagnent ("WTA ou
Winner takes all")
Lalgorithme dapprentissage est LVQ : [6], [7]
Cest une mthode dentranement de couche
comptitives dune manire supervise .Une couche
comptitive apprend automatiquement ? classifier les
vecteurs dentres mais les classes trouves par la
couche comptitive dpend uniquement de la distance
entre les vecteurs dentres. (Cest la seule mthode qui
soit rellement adopte la classification de donnes
par " la recherche du plus proche voisin ").
Si deux vecteurs dentres sont similaires, la couche
comptitive va les mettre probablement dans la mme
classe .Il nexiste pas un mcanisme dans la conception
de la couche comptitive pour dire que deux vecteurs
dentres sont dans la mme classes ou dans des classes
diffrentes. Le rseau LVQ apprend classifier les
vecteurs dentres par rapport a une classe cible
(dsire) choisie par lutilisateur.
Il existe plusieurs versions de cet algorithme appeles :
LVQ1, LVQ2, LVQ2.2, LVQ3.
Dans notre travail on a utilis la mthode LVQ1, dont
son principe gnral est le suivant :
Les poids de chaque neurone de la carte sont
initialiss des valeurs alatoires.
Calcule de la distance ("distance euclidienne") entre
le vecteur classer et les poids de chaque neurone de la
carte.
La distance euclidienne entre ces deux vecteurs est
dfinie par :
D E X ,W
x
n
wi
Avec :
i 1
Couche
comptitive
Connexion
Couche
dentre
Figure 05 : rseau de Kohonen
2. Classificateur N (RNM) :
Cest un rseau de neurones
(RNM) constitu :
Dune couche dentre de 5 neurones.
Dune couche cache de 3 neurones
Dune couche de sortie de 2 neurones
multicouches
ENREGISTREMENT
Classificateur N1
ENREGISTREMENT
Classificateur N2
TP
TN
FP
FN
105
35
2503
21
6
106
145
1335
170
375
116
108
534
1766
1
205
5
2562
0
66
215
126
3185
0
38
219
56
405
1675
8
221
12
2029
0
384
228
278
1686
0
84
Tableau N03 : les catgories mutuellement exclusive du
1r rseau
TP
TN
FP
FN
105
6
2384
134
35
106
432
1501
1
86
116
108
2283
10
1
205
67
2562
0
4
215
141
2135
1050
23
219
51
2074
1
12
221
381
2023
0
15
228
328
1519
164
32
Tableau N04 : les catgories mutuellement exclusive du
2me rseau
ENREGISTREMENT
CLASSIFICATEUR N1
SE
SP
CC
105
85.37
99.17
98.94
106
27.88
88.70
73.08
116
99.10
23.22
26.65
205
07.04
100
97.49
215
76.83
100
98.86
219
87.50
19.47
21.50
221
03.03
100
84.16
228
76.79
100
95.89
La moyenne
57.94
78.81
82.61
ENREGISTREMENT
105
106
116
205
215
219
221
228
La moyenne
CLASSIFICATEUR N2
SE
SP
CC
14.63
94.70
93.40
83.40
99.93
95.70
99.08
99.56
99.54
94.36
100
99.85
85.98
67.03
67.96
80.95
99.95
99.39
96.21
100
99.38
91.11
90.30
90.41
80.71
93.93
93.20
Classificateur N2
100
80
60
40
20
0
105 106 116 205 215 219 221 228
100
90
80
70
60
50
40
30
20
10
0
Classificateur
N1
SP
CC
Classificateur
N2
III.Conclusion :
Daprs les rsultats obtenus, nous remarquons que
lapport des rseaux de neurones tait de taille sur le
plan de prcision, de vitesse de calcul et darchitecture
ce qui nous encourage dans le futur a penser ? une
ralisation Hardware dun classificateur neuronale des
pathologies cardiaques.
Notons finalement, quon peut amliorer les
performances des classificateurs en tenant compte des
points suivants :
Elargir la base dapprentissage (On souhaite que
dans le futur proche, on peut avoir des enregistrement
de lECG au niveau du CHU de Tlemcen afin de
prparer une base de donnes propre a notre laboratoire
de G.B.M et cela va permettre de dvelopper des
classificateurs pour dautres cas pathologies spcifiques
peut tre a "la rgion Tlemcen").
Exploiter dautres algorithmes dapprentissage plus
volus.
Ajouter dautres paramtres indicatifs qui peuvent
augmenter le taux de reconnaissance des cas