Amélioration de l’apprentissage d’un Modèle Neuronal pour la reconnaissance des anomalies cardiaques
Des informations générales:
Le niveau |
Magister |
Titre |
Amélioration de l’apprentissage d’un Modèle Neuronal pour la reconnaissance des anomalies cardiaques |
SPECIALITE |
Intelligence Artificielle et Aide à la Décision |
Page de garde:
Sommaire:
Introduction générale
Chapitre 1: Apprentissage artificiel
I. Introduction
1. Quelques définitions de base de l’apprentissage artificiel
1.1. Définition 1 (Webster)
1.2. Définition 2 (Sim 83)
1.3. Définition 3 (Mit 97)
2. L’intérêt de l’apprentissage artificiel
3. Applications de l’apprentissage artificiel
4. Situation historique de l’apprentissage artificiel
5. L’apprentissage artificiel et les statistiques classiques
5.1. Les statistiques paramétriques
5.2. Les statistiques non paramétriques
II. Apprentissage automatique (Artificiel)
1. Les tâches de l’apprentissage
1.1. L’apprentissage supervisé
1.2. L’apprentissage non supervisé
1.3. L’apprentissage par renforcement
1.4. Relations entre les techniques
2. L’induction
2.1. Définition
2.2. Typologie le l’induction
2.3. Problème de l’induction
2.4. Différents formalismes de l’apprentissage par induction
3. Formalisation de l’apprentissage exact
3.1. Identification de la limite
3.2. Résultats
4. Formalisation de l’apprentissage statistique
4.1. Minimisation du risque empirique
4.2. Dilemme biais variance
III. Méthodes d’apprentissage automatique
1. Méthodes d’apprentissage empirique
1.1. Apprentissage par analogie
1.2. Apprentissage par induction
2. Méthodes d’apprentissage fondé sur l’explication
IV. Approches symboliques de l’apprentissage automatique
1. Arbres de décision
1.1. L’apprentissage dans les arbres de décision
1.2. Les systèmes fondés sur les arbres de décision
2. Les algorithmes génétiques
2.1. Principes de base
2.2. Induction de règles à partir d’exemples
3. Les raisonnements fondés sur des cas “CBR”
3.1. Principes de base
V. Approches connexionnistes de l’apprentissage automatique
1. Classification et propriétés
1.1. Principes de l’apprentissage connexionniste
1.2. Bases de données d’apprentissage
1.3. Méthodes d’apprentissage connexionniste
1.4. Les architectures des réseaux de neurones
1.5. Les différentes tâches d’un réseau de neurones
VI. Conclusion
Chapitre 2: Réseaux de neurones artificiels
I. Introduction
1. Historique des réseaux de neurones
II. Neurones biologiques et formels
1. Définition
2. Neurone biologique
2.1. Description d’un neurone
2.2. La synapse
2.3. Principe de fonctionnement
3. Neurone formel
3.1. Définition
3.2. Modélisation
III. Réseaux de neurones artificiels
1. Définition
2. Objectif
3. Fonctionnement
4. Différents réseaux de neurones
4.1. Les réseaux de neurones statiques
4.2. Les réseaux de neurones dynamiques
5. Propriétés fondamentales des réseaux de neurones
5.1. L’approximation universelle
5.2. La parcimonie
6. Boites à outils neuronales
7. Applications des réseaux de neurones
7.2. La modélisation
7.1. La régression non linéaire
7.3. La commande de processus
7.4. La classification
IV. Apprentissage des réseaux de neurones
1. Procédure d’apprentissage d’un réseau de neurones
2. Position du problème
3. Fonction de coût
3.1. Présentation
3.2. Fonction de coût des moindres carrés
3.3. Minimisation de la fonction de coût
4. Le calcul du gradient
5. L’algorithme d’optimisation (apprentissage)
V. Les différents algorithmes d’apprentissage
1. Modèles linéaires par rapport aux paramètres
2. Modèles non linéaires par rapport aux paramètres
2.1. Méthode du gradient à pas constant
2.2. Méthode du gradient à pas variable
2.3. Méthode de Newton
2.4. Méthode de quasi Newton
2.5. Méthode de Levenberg Marquardt
VI. Amélioration de l’apprentissage
1. Normalisation
2. Optimisation de l’architecture
2.1. L’approche par sélection
2.2. L’approche incrémentale
VII. Conclusion
Chapitre 3: Généralités en cardiologie
I. Introduction
II. Le système cardiovasculaire
III. Anatomie du cœur
1. Activité électrique du cœur
2. Activité mécanique du cœur
IV. L’électrocardiogramme (ECG)
1. Historique
2. Principe
3. Caractéristiques d’un battement cardiaque
4. Rôle de l’électrocardiogramme
V. Troubles du rythme cardiaque
1. Le rythme cardiaque
2. Les arythmies cardiaques
2.1. Extrasystole ventriculaire
2.2. Les arythmies à base de fréquence
2.3. Les arythmies à base de régularité
VI. Conclusion
Chapitre 4: Résultats et interprétations
I. Introduction
II. Les bases de données médicales
1. La base de données MIT BIH
2. Base d’exemples utilisée
III. Extraction des descripteurs
1. Intervalle RRp
2. Intervalle RRs
3. Rapports des intervalles RRs/RRp
4. Largeur du complexe QRS
5. Distance PP
6. Energie du complexe QRS
IV. Apprentissage des réseaux de neurones
1. Phase d’apprentissage
2. Phase de test (validation)
V. Conception des réseaux de neurones
1. Architectures
2. Fonctions d’activation
3. Algorithmes d’apprentissage
VI. Différents scénarios d’expérimentation
1. Phase d’apprentissage
1.1. Apprentissage avec la base mixte
1.2. Apprentissage avec la base des battements “N”
1.3. Apprentissage avec la base des battements “V”
2. Phase de test
2.1. Evaluation avec la base des battements mixte
2.2. Evaluation avec la base des battements “N”
2.3. Evaluation avec la base des battements “V”
VII. Conclusion
Conclusion générale
Bibliographie
Chapitre 1: Apprentissage artificiel
I. Introduction
1. Quelques définitions de base de l’apprentissage artificiel
1.1. Définition 1 (Webster)
1.2. Définition 2 (Sim 83)
1.3. Définition 3 (Mit 97)
2. L’intérêt de l’apprentissage artificiel
3. Applications de l’apprentissage artificiel
4. Situation historique de l’apprentissage artificiel
5. L’apprentissage artificiel et les statistiques classiques
5.1. Les statistiques paramétriques
5.2. Les statistiques non paramétriques
II. Apprentissage automatique (Artificiel)
1. Les tâches de l’apprentissage
1.1. L’apprentissage supervisé
1.2. L’apprentissage non supervisé
1.3. L’apprentissage par renforcement
1.4. Relations entre les techniques
2. L’induction
2.1. Définition
2.2. Typologie le l’induction
2.3. Problème de l’induction
2.4. Différents formalismes de l’apprentissage par induction
3. Formalisation de l’apprentissage exact
3.1. Identification de la limite
3.2. Résultats
4. Formalisation de l’apprentissage statistique
4.1. Minimisation du risque empirique
4.2. Dilemme biais variance
III. Méthodes d’apprentissage automatique
1. Méthodes d’apprentissage empirique
1.1. Apprentissage par analogie
1.2. Apprentissage par induction
2. Méthodes d’apprentissage fondé sur l’explication
IV. Approches symboliques de l’apprentissage automatique
1. Arbres de décision
1.1. L’apprentissage dans les arbres de décision
1.2. Les systèmes fondés sur les arbres de décision
2. Les algorithmes génétiques
2.1. Principes de base
2.2. Induction de règles à partir d’exemples
3. Les raisonnements fondés sur des cas “CBR”
3.1. Principes de base
V. Approches connexionnistes de l’apprentissage automatique
1. Classification et propriétés
1.1. Principes de l’apprentissage connexionniste
1.2. Bases de données d’apprentissage
1.3. Méthodes d’apprentissage connexionniste
1.4. Les architectures des réseaux de neurones
1.5. Les différentes tâches d’un réseau de neurones
VI. Conclusion
Chapitre 2: Réseaux de neurones artificiels
I. Introduction
1. Historique des réseaux de neurones
II. Neurones biologiques et formels
1. Définition
2. Neurone biologique
2.1. Description d’un neurone
2.2. La synapse
2.3. Principe de fonctionnement
3. Neurone formel
3.1. Définition
3.2. Modélisation
III. Réseaux de neurones artificiels
1. Définition
2. Objectif
3. Fonctionnement
4. Différents réseaux de neurones
4.1. Les réseaux de neurones statiques
4.2. Les réseaux de neurones dynamiques
5. Propriétés fondamentales des réseaux de neurones
5.1. L’approximation universelle
5.2. La parcimonie
6. Boites à outils neuronales
7. Applications des réseaux de neurones
7.2. La modélisation
7.1. La régression non linéaire
7.3. La commande de processus
7.4. La classification
IV. Apprentissage des réseaux de neurones
1. Procédure d’apprentissage d’un réseau de neurones
2. Position du problème
3. Fonction de coût
3.1. Présentation
3.2. Fonction de coût des moindres carrés
3.3. Minimisation de la fonction de coût
4. Le calcul du gradient
5. L’algorithme d’optimisation (apprentissage)
V. Les différents algorithmes d’apprentissage
1. Modèles linéaires par rapport aux paramètres
2. Modèles non linéaires par rapport aux paramètres
2.1. Méthode du gradient à pas constant
2.2. Méthode du gradient à pas variable
2.3. Méthode de Newton
2.4. Méthode de quasi Newton
2.5. Méthode de Levenberg Marquardt
VI. Amélioration de l’apprentissage
1. Normalisation
2. Optimisation de l’architecture
2.1. L’approche par sélection
2.2. L’approche incrémentale
VII. Conclusion
Chapitre 3: Généralités en cardiologie
I. Introduction
II. Le système cardiovasculaire
III. Anatomie du cœur
1. Activité électrique du cœur
2. Activité mécanique du cœur
IV. L’électrocardiogramme (ECG)
1. Historique
2. Principe
3. Caractéristiques d’un battement cardiaque
4. Rôle de l’électrocardiogramme
V. Troubles du rythme cardiaque
1. Le rythme cardiaque
2. Les arythmies cardiaques
2.1. Extrasystole ventriculaire
2.2. Les arythmies à base de fréquence
2.3. Les arythmies à base de régularité
VI. Conclusion
Chapitre 4: Résultats et interprétations
I. Introduction
II. Les bases de données médicales
1. La base de données MIT BIH
2. Base d’exemples utilisée
III. Extraction des descripteurs
1. Intervalle RRp
2. Intervalle RRs
3. Rapports des intervalles RRs/RRp
4. Largeur du complexe QRS
5. Distance PP
6. Energie du complexe QRS
IV. Apprentissage des réseaux de neurones
1. Phase d’apprentissage
2. Phase de test (validation)
V. Conception des réseaux de neurones
1. Architectures
2. Fonctions d’activation
3. Algorithmes d’apprentissage
VI. Différents scénarios d’expérimentation
1. Phase d’apprentissage
1.1. Apprentissage avec la base mixte
1.2. Apprentissage avec la base des battements “N”
1.3. Apprentissage avec la base des battements “V”
2. Phase de test
2.1. Evaluation avec la base des battements mixte
2.2. Evaluation avec la base des battements “N”
2.3. Evaluation avec la base des battements “V”
VII. Conclusion
Conclusion générale
Bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.