Explications de données subjectives par des données objectives

Explications de données subjectives
par des données objectives
Article soumis à IDAMAP’02 par
E. Roux, P. Caulier, A.-P. Godillon-Moquinghen,
St. Bouilland et D. Bouttens
LAMIH, Univ. de Valenciennes et du Hainaut-Cambrésis
+ Groupe Hopale, Berck sur Mer
Marie-Odile Cordier / Tahiti’02 / Saint Jacut
Objectifs
„
Évaluation objective des résultats obtenus
après implantations de prothèses de l’épaule
– mieux comprendre et connaître ce domaine,en
particulier le comportement cinématique de
l’épaule
- prévoir l’évolution de l’état des patients,
- pouvoir fournir des justifications si insatisfactions,
vis à vis du patient, de la justice, des assurances
2
Approche :
„
Mettre en correspondance
– Données « objectives » : mesures cinématiques
de l’épaule
– Données « subjectives » : résultats à un
questionnaire auprès des patients sur leurs
capacités fonctionnelles (confort dans l’exécution
de certaines tâches)
„
Expliquer les données subjectives par les
données objectives :
– Utilisation d’arbres de décision flous
– Règles de décision testant les mesures et
concluant sur des
3
Données objectives :
„
Trois tâches/gestes :
– Monter le bras dans le plan scapulaire
– Mettre la main sur la nuque
– Lever un poids mis sur une table
„
„
3/5 fois par patient et par geste
Dates des observations :
– Avant l’intervention,
– 3, 6, 12 mois après l’implantation de la prothèse,
– puis tous les ans.
„
Caméra avec marqueurs réfléchissants
4
Fenêtres temporelles :
„
Les trajectoires sont décrites par 5 (9)
variables temporelles :
•
•
•
•
•
1 : Début de la tâche
3 : Accomplissement de la tâche
5 : Retour à la position de départ
+ demi-périodes (2,4)
(+ levée et repose du poids pour la 3ième tâche)
– Variables temporelles floues (triangulaires)
5
Variables d’analyse
– Mouvements décrits par les positions relatives
(angles d’Euler) des segments du corps :
• tête, tronc, bras, avant-bras, main …
– 20 variables retenus par les médecins :
•
•
•
•
Orientations des segments,
vitesses angulaires,
accélérations de la flexion de l’épaule, du coude,
vitesse et accélération linéaire de la main
– Représentées par des ensembles flous :
• 3 valeurs caractéristiques pour chaque variable + degré
d’appartenance à ces classes
– Variables valorisées pour chaque fenêtre temporelle
6
Données subjectives
„
Évaluation fonctionnelle (ASES score)
– Questionnaire sur la capacité à effectuer huit
tâches de la vie courante : se coiffer, mettre son
manteau, lancer une balle, atteindre une étagère,
se laver, se laver le dos, dormir sur l’épaule, lever
un poids …
– 4 réponses : impossible, très difficile, difficile,
impossible
„
Objectif:
– expliquer/corréler les déficiences fonctionnelles
sur les tâches quotidiennes et les données
recueillies sur les tâches observées
7
Induction d’arbres de décision flous
„
Données : un couple (d, r)
– d: données cinématiques correspondant à un
patient et une réalisation d’un geste
– r: réponse à une question de l’évaluation
fonctionnelle (quatre modalités possibles)
„
Un arbre de décision
– Pour un geste donné;
– Pour chaque modalité de réponse possible à
chaque question de l’évaluation fonctionnelle;
– Nœuds : variables d’analyse;
– Règles de décision : chemins dans ces arbres
8
Induction de type ID3
„
Induction d’arbres de décision floues
– ID3 de Quinlan + données floues
• Recherche d’une variable expliquant « au mieux » la
répartition des données entre classes;
• Partition des données selon les (trois) valeurs possibles
de la variable
– Mesure pour le choix de la variable :
• Entropie floue
– Critère d’arrêt :
• Seuil de probabilité d’appartenance à la classe
9
Élagage des règles
„
Arbre de décision :
– ensemble de règles de décision dont les conditions
portent sur un geste donné et qui conclue sur
l’appartenance à une classe (correspondant à une
réponse de telle modalité à une question)
„
Force de déclenchement d’une règle
– Probabilité d’appartenance à la classe
„
Simplification des règles
– Retrait des conditions floues une par une
• Si décroissance de la force de déclenchement de la règle,
alors suppression de la condition
10
Exemple
– Si, lors du mouvement de mise de la main à la
nuque,
• la rotation de la tête est presque nulle au démarrage du
mouvement,
• la vitesse linéaire de la main est nulle durant l’élévation
du bras,
• la prosupination de l’avant-bras est neutre pendant la
phase descendante du bras,
• la flexion de la tête est nulle à la presque fin du
mouvement
– Alors
• Dormir sur l’épaule est impossible
– Force de déclenchement de la règle : 0.75
11
Utilisation des règles
„
Utilisation des règles pour l’explication
objective des déficiences fonctionnelles
– Réponses positives ou négatives aux différentes
modalités des questions
– Recherche des règles qui concluent sur cette
déficience fonctionnelle et affichage de celle dont
la partie condition floue est la plus satisfaite par
les données cinématiques du patient
12
Résultats
„
Critère d’arrêt :
• initialement 0.7, mais augmenté ensuite : les deux
classes doivent être expliquées par au moins une feuille
de l’arbre
„
61 exemples et 96 arbres de décision :
• 8 questions, 4 réponses, 3 gestes
„
Règles :
• Nombre de conditions (avant pruning) :
– Min : 1 Moyenne : 9,37 Max : 46
– 95% moins de 28 conditions et 46% moins de 6
• Nombre de conditions (après pruning) :
– Min : 1 Moyenne : 7,44 Max : 46
– 95% moins de 25 conditions et 58% moins de 6
13
Validation de l’expérimentation
„
Qualité d’une explication:
– pourcentage des conditions de la règle choisie
comme explication qui sont vérifiées par les
observations
„
Pour chaque exemple du « training set » :
– qualité de l’explication pour la réponse à chaque
question
„
Pour chaque geste :
– calcul de la qualité moyenne de l’explication
correspondante pour tous les patients ayant
donné la même réponse à toutes les questions
14
Résultats de l’expérimentation
„
Résultats :
– Toutes les modalités des réponses aux questions
sont expliqués par au moins un geste avec une
qualité supérieure à 90
– Les modalités qui ne le sont pas correspondent à
un trop petit nombre de patients ayant donné ce
type de réponse
– Il faudrait améliorer la base d’apprentissage
„
Remarques
– La qualité de l’explication évaluée par le nombre
de conditions de la règle satisfaites
– La faire évaluer par les experts sur des critères de
type clarté, concision, compréhensibilité
15
Lien avec Magda2!
„
Modélisation et apprentissage pour une gestion
distribuée des alarmes de bout en bout
– Diagnostic : réseau IP et SDH/WDM
– Détection de violation du SLA (contrat de service pour les
réseaux de transport, par ex. VPN) : diagnostic précoce
(anticipation); détection de tendances
– Satisfaction du client final
„
Corréler la qualité de service (QoS) et les paramètres
techniques du réseau
– Données subjectives : qualité perçue par le client
– Données objectives : gigue, taux de perte, débit du réseau
16