| Titre : | La détection précoce des anomalies du rythme cardiaque basée sur le signal ECG par l’arbre de décision automatisée |
| Auteurs : | Saouab KERDOUDI, Auteur ; Salim Bitam, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2019 |
| Format : | 1 vol. (89 p.) / ill. / 29 cm |
| Langues: | Français |
| Résumé : |
Les maladies du rythme cardiaque (les arythmies) sont l’une des principales causes de mortalité dans le monde. Par conséquence, la détection et la classification des arythmies cardiaques sont essentielles au diagnostic des patients souffrant d’anomalies cardiaques. Dans la littérature, il existe de nombreuses approches de classification efficaces, telles que l’arbre de décision, conçue pour l’analyse du signal Électrocardiogramme (ECG). Cependant, le taux de classification atteint reste modéré et que la sauvegarde permanente n’est pas encore offerte. De plus, il n’existe pas des dispositifs de suivi du rythme cardiaque à la portée des citoyens en termes de prix. Pour faire face à ces problèmes, nous proposons d’améliorer de la méthode d’arbre de décision en suggérant un nouvel algorithme de rechercher tabou (RT) pour trouver le nombre optimal d’arbres où la précision de la classification du signal ECG et la taille d’arbre sont traitées comme des critères de la fonction objectif. De plus, nous proposons une conception de ce système pour qu’il soit capable à enregistrer le signal ECG de manière permanente. Le système proposé comporte quatre étapes principales, à savoir la collecte de données du signal ECG, le prétraitement et le débruitage de ces données, l’extraction de caractéristiques et la classification de ce signal à l’aide de l’approche d’arbre de décision améliorée. Pour valider cette proposition, un ensemble d’expériences a été mené sur les bases de données provenant du site web Physionet et d’une plate-forme réaliste de santé connectée de marque Cooking hacks. Les résultats obtenus ont montré que l’arbre de décision améliorée peut atteindre 97,8% de la précision de la classification en fonction d’un nombre optimal d’arbres qui est |
| Sommaire : |
Introductiongénérale.................................1
1 Lerythmecardiaqueetl’électrocardiographie4 1.1 Introduction...................................4 1.2 Lesystèmecardiovasculaireetlerythmecardiaque.............4 1.2.1 Lesystèmecardiovasculaire......................4 1.2.2 L’électrocardiogrammeECG......................5 1.2.3 Lecyclecardiaque...........................5 1.2.4 Lesdérivationscardiaques.......................6 1.2.5 Lerythmecardiaqueetlafréquence..................9 1.2.6 Rythmesinusalrégulier........................10 1.2.7 Lebattementcardiaquestandardetsescaractéristiques.......10 1.2.8 Symptômesd’arythmies........................10 1.2.9 L’examendiagnosticpourl’arythmie.................11 1.3 L’interprétationdel’ECG...........................12 1.4 Conclusion....................................17 2 L’étudedel’arythmie:classificationetétatdel’art19 2.1 Introduction...................................19 2.2 Lesanomaliescardiaques:étudedel’arythmie................20 2.2.1 Lesanomaliessinusales.........................22 2.2.2 Lesanomaliesauriculaires.......................25 2.2.3 LesanomaliesdunoeudA.V.....................27 2.2.4 Lesanomaliesventriculaires......................29 2.3 TravauxgénérauxsurlessignauxECG....................32 2.4 Revuedelittérature..............................34 2.4.1 Classification..............................34 2.4.2 Lesapplicationsconnectéespourdétecterlesarythmiescardiaques: y-a-il undispositifàlaportéedescitoyens?.............36 2.4.3 TravauxsimilairesetenregistrementpermanantdessignauxECG.36 2.5 Conclusion....................................37 3 Conceptiondusystèmededétectiondel’arythmie:parl’arbrededéci- sion améliorée39 3.1 Introduction...................................39 3.2 Conceptionglobaledusystème.........................39 3.2.1 Collectededonnéesdesanté......................41 3.2.2 Sauvegarderlesdonnées........................41 3.2.3 Prétraitementetl’extractiondescaractéristiques..........41 3.2.4 Lasélectiondescaractéristiques....................42 3.2.5 Entraînementaveclenombreoptimaldesnoeudsdansl’arbrede décision .................................42 3.3 Conceptiondétailléedusystème........................43 3.3.1 Collectededonnéesdel’ECG.....................45 3.3.2 Sauvegardedesdonnées........................46 3.3.3 Prétraitementetextractiondescaractéristiques...........48 3.3.4 Sélectiondescaractéristiques......................49 3.3.5 Entraînementaveclenombreoptimaldesd’arbresdansl’arbrede décision .................................49 3.3.6 L’évaluationdessolutionsobtenuesparRT.............53 3.3.7 Visualisation,Interprétation,Utilisation...............54 3.4 Conclusion....................................56 4 Etudeexpérimentaleetrésultats58 4.1 Introduction...................................58 4.2 Outilsetlangagesdedéveloppement.....................58 4.2.1 Java...................................59 4.2.2 Eclipse..................................59 4.2.3 LelangageR..............................59 4.2.4 RStudio.................................60 4.2.5 Xampp..................................60 4.3 Lesystèmedéveloppé..............................61 4.3.1 L’ensembledesdonnéesutilisées....................61 4.3.2 Prétraitementetextractiondescaractéristiques...........76 4.3.3 Sélectionetcalculdescaractéristiques................78 4.3.4 Entraînementavecl’arbrededécisionoptimisé............80 4.3.5 Visualisation,Interprétation,Utilisation...............82 4.4 Résultatsobtenusetdiscussion........................86 4.5 Conclusion....................................88 Conclusion générale..................................89 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/507 | Mémoire master | bibliothèque sciences exactes | Consultable |
