SETIT2007
figure 4. Allure d’un cycle de l’ECG, l’onde
encerclée représente l’activité des oreillettes.
Pour effectuer une discrimination entre les deux
types d’onde P normale et à risque de fibrillation, il
est impératif de calculer certains paramètres et
caractéristiques pouvant constituer les vecteurs
d’entrée du classifieur. Ces vecteurs de
caractéristiques sont constitués chacun de 7 éléments :
- Les paramètres temporels à savoir la durée et
l’amplitude de l’onde P représentent les deus
premiers éléments du vecteur.
- La différence entre les formes de l’onde P peut
être capturée a travers une modélisation qui
consiste à approximer l’onde P à un polynôme
d’ordre 4 au sens des moindres carrés [CJP99]. Les
coefficients du polynôme constituent les 4 éléments
suivants du vecteur d’entrée.
figure 4. Approximation d’une onde P à un
polynôme du quatrième ordre
- Des études [CLA97], ont montré la divergence
sur la pertinence des paramètres temporels
d’où la nécessité d’explorer le domaine
fréquentiel. Le paramètre fréquentiel est
extrait en calculant la mobilité définie dans
[RAM04] du segment P. Cette mobilité est
donnée par l’équation (11).
'
)var(
x
x
Mb= (11)
où x représente le segment P et x’ la première
dérivée.
6. Résultats expérimentaux
Pour construire la matrice d’apprentissage Xapp et
de test Xtest, nous avons effectué un calcul de
paramètres sur l’ensemble A des signaux issus de la
base MIT BIH Arrythmia database (classe 3). Ces
signaux ont d’abord subit un pré-traitement pour
atténuer les bruits HF et la ligne de base, une
segmentation de l’onde P est ensuite effectuée dans le
domaine temporel.
Pour ajuster le paramètre C, choisir le Kernel
(noyau) et fixer les constantes relatives à ce noyau,
nous avons dans un premier temps utilisé la même
matrice (entrée xi) pour l’apprentissage et pour le test.
Nous avons ensuite complété la matrice de test par des
données arbitrairement prises dans la base d’étude.
Pour l’ensemble d’apprentissage utilisé, le vecteur
w normal à l’hyperplan est à 7 éléments tel que
w=(0.2428, 0.7169, 5.5660. –0.8455, 2.6966, 4,6257,
0.2392) où chaque axe de la dimension de l’espace est
représenté par un élément du vecteur caractéristique
xi.
Le taux de classification est estimé à 85%. Ce taux
de classification n’est nom pas du à la méthode
classification mais à la base d’apprentissage qui n’est
pas très large.
7. Conclusion et perspectives
Dans cet article, nous avons examiné l’application
des Support Vector Machines basé sur l’algorithme
SMO pour la reconnaissance d’une arythmie
cardiaque. L’algorithme d’apprentissage a été
implémenté sous l’environnement Matlab avec un
noyau polynomial. Des tests effectués sur une base de
données provenant de la MIT-BIH database nous ont
permis de réaliser un taux de classification avoisinant
les 85%.
Ce résultat qui semble pas très satisfaisant est dû
au fait que la base de donnée n’est pas très riche d’une
part et au fait que certains battements sont très
difficiles à classer.
Parmi les perspectives vers lesquelles s’ouvre ce
travail, l’élargissement de la base de données,
introduction d’autres classes, introduire la notion de
rejet pour pouvoir rejeter les points qui sont difficiles
à classer à savoir les points ambigus. et l’introduction
d’un nouveau noyau pouvant être plus adéquat a notre
application.
8. References
[CJP99] Couderc JP & al, 1999 “ Wavelet analysis of
spatial dispertion of P-wave morphology in patients
[CLA96] Clavier.L & al,1996,‘’ P-wave parameters for
atrial fibrillation risk detection’’, 18th
anualinternational conference of the IEEE Engineering
in Medicine and Biology society.
[DON99] D.Donoho 1999, 'Denoising by soft
thresholding', IEEE Trans on Info Theory, 41, 3, pp 613-
627, .(1999)
[JCP98], John. C. Platt, “Sequential Minimal Optimization:
A Fast Algorithm for Training Support Vector
Machines”, Technical Report MSR-TR-98-14, April
(1998).