Documents disponibles écrits par cet auteur

Détection et classification de l’insuffisance cardiaque congestive par l’analyse de la variabilité du rythme cardiaque / DJELAILA Soumia 

Public ISBD Titre : Détection et classification de l’insuffisance cardiaque congestive par l’analyse de la variabilité du rythme cardiaque Type de document : document électronique Auteurs : DJELAILA Soumia, Auteur Année de publication : 2017-2018 Accompagnement : CD Langues : Français (fre) Catégories : Electronique:Systèmes intelligents et robotique Mots-clés : DSP, VRC, SVM, CMM, MEMD, IMF, ICC, RSN. PSD, HRV, SVM, MMC, MEMD, IMF, CHF, NSR. Résumé : Dans ce travail de thèse, nous avons proposé deux nouvelles stratégies pour la discrimination entre les patients avec un RSN et les patients atteints d’une ICC. La première est nommée « DSP par Welch ». Elle permet d’identifier les bandes fréquentielles discriminantes entre les deux classes de patients en se basant sur les caractéristiques spectrales du signal de la VRC. Dans la première étape de cette stratégie, la méthode de Welch est appliquée pour l’analyse spectrale de signal de la VRC de longue durée. Dans la deuxième étape, treize caractéristiques spectrales sont extraites à partir du spectre de la DSP. Dans l’étape de classification chaque caractéristique est investie individuellement comme vecteur d’entré pour la classification par SVM. La deuxième stratégie proposée est nommée «Classification Mode à Mode (CMM)». Elle propose une classification à partir des caractéristiques de chaque mode oscillatoire de signal de la VRC. Elle est effectuée en trois étapes principales : la première est d’appliqué l’algorithme de MEMD pour décomposer le signal de la VRC à une série de IMFs au lieu de l’algorithme EMD classique. La phase d’extraction des caractéristiques est abordée dans la deuxième étape pour quantifier la dynamique de variation du signal de la VRC. Contrairement aux approches classiques où les caractéristiques sont extraites du signal de la VRC, Notre contribution dans cette phase est que les caractéristiques sont extraites à partir de chaque IMF au lieu du signal de la VRC. Dans la totalité neuf caractéristiques sont investies pour construire les vecteurs de caractéristiques utilisés comme entrée de l’algorithme de classification par SVM. Par l’application de cette stratégie, nous tenterons d’identifier les modes oscillatoires qui contiennent les informations pertinentes ainsi que les caractéristiques discriminantes de l’ICC. La dernière partie de notre travail est consacré à l’optimisation des résultats de classification par l’application des algorithmes de sélection des caractéristiques dans le but d’améliorer les performances du modèle d'apprentissage et le rend plus robuste, plus rapide et plus rentable. De bons classificateurs peuvent alors être construits pour faire une discrimination précise, automatique et générique. In this thesis work, we proposed two new strategies to discriminate NSR from CHF. The first is named "PSD by Welch". It makes it possible to identify the discriminating frequency bands between the two classes of patients based on the spectral characteristics of the HRV signal. In the first step of this strategy, Welch's method is applied for the long-term HRV signal spectral analysis. In the second step, thirteen spectral characteristics are extracted from the spectrum of the PSD. In the classification step each characteristic is individually invested as an input vector for the SVM classification. The second proposed strategy is named "Mode by Mode Classification (MMC)". It proposes a classification based on the characteristics of each oscillatory signal mode of the HRV. It is performed in three main steps: the first is to apply the MEMD algorithm to decompose the HRV signal to a series of IMFs instead of the conventional EMD algorithm. The feature extraction phase is addressed in the second step to quantify the dynamics of signal variation of the HRV. Unlike conventional approaches where features are extracted from the HRV signal, our contribution in this phase is that the characteristics are extracted from each IMF instead of the HRV signal. In totality nine features are invested to construct the feature vectors used as input to the SVM classification algorithm. By applying this strategy, we will attempt to identify the oscillatory modes that contain the relevant information as well as the discriminatory characteristics of the CHF. The final part of our work is devoted to optimizing classification results by applying feature selection algorithms to improve the performance of the learning model and make it more robust, faster, and more cost-effective. Good classifiers can then be constructed to discriminate accurately, automatically and generically. Directeur de thèse : BERRACHED Nasr-Eddine Détection et classification de l’insuffisance cardiaque congestive par l’analyse de la variabilité du rythme cardiaque [document électronique] / DJELAILA Soumia, Auteur . - 2017-2018 . -  + CD. Langues : Français (fre) Catégories : Electronique:Systèmes intelligents et robotique Mots-clés : DSP, VRC, SVM, CMM, MEMD, IMF, ICC, RSN. PSD, HRV, SVM, MMC, MEMD, IMF, CHF, NSR. Résumé : Dans ce travail de thèse, nous avons proposé deux nouvelles stratégies pour la discrimination entre les patients avec un RSN et les patients atteints d’une ICC. La première est nommée « DSP par Welch ». Elle permet d’identifier les bandes fréquentielles discriminantes entre les deux classes de patients en se basant sur les caractéristiques spectrales du signal de la VRC. Dans la première étape de cette stratégie, la méthode de Welch est appliquée pour l’analyse spectrale de signal de la VRC de longue durée. Dans la deuxième étape, treize caractéristiques spectrales sont extraites à partir du spectre de la DSP. Dans l’étape de classification chaque caractéristique est investie individuellement comme vecteur d’entré pour la classification par SVM. La deuxième stratégie proposée est nommée «Classification Mode à Mode (CMM)». Elle propose une classification à partir des caractéristiques de chaque mode oscillatoire de signal de la VRC. Elle est effectuée en trois étapes principales : la première est d’appliqué l’algorithme de MEMD pour décomposer le signal de la VRC à une série de IMFs au lieu de l’algorithme EMD classique. La phase d’extraction des caractéristiques est abordée dans la deuxième étape pour quantifier la dynamique de variation du signal de la VRC. Contrairement aux approches classiques où les caractéristiques sont extraites du signal de la VRC, Notre contribution dans cette phase est que les caractéristiques sont extraites à partir de chaque IMF au lieu du signal de la VRC. Dans la totalité neuf caractéristiques sont investies pour construire les vecteurs de caractéristiques utilisés comme entrée de l’algorithme de classification par SVM. Par l’application de cette stratégie, nous tenterons d’identifier les modes oscillatoires qui contiennent les informations pertinentes ainsi que les caractéristiques discriminantes de l’ICC. La dernière partie de notre travail est consacré à l’optimisation des résultats de classification par l’application des algorithmes de sélection des caractéristiques dans le but d’améliorer les performances du modèle d'apprentissage et le rend plus robuste, plus rapide et plus rentable. De bons classificateurs peuvent alors être construits pour faire une discrimination précise, automatique et générique. In this thesis work, we proposed two new strategies to discriminate NSR from CHF. The first is named "PSD by Welch". It makes it possible to identify the discriminating frequency bands between the two classes of patients based on the spectral characteristics of the HRV signal. In the first step of this strategy, Welch's method is applied for the long-term HRV signal spectral analysis. In the second step, thirteen spectral characteristics are extracted from the spectrum of the PSD. In the classification step each characteristic is individually invested as an input vector for the SVM classification. The second proposed strategy is named "Mode by Mode Classification (MMC)". It proposes a classification based on the characteristics of each oscillatory signal mode of the HRV. It is performed in three main steps: the first is to apply the MEMD algorithm to decompose the HRV signal to a series of IMFs instead of the conventional EMD algorithm. The feature extraction phase is addressed in the second step to quantify the dynamics of signal variation of the HRV. Unlike conventional approaches where features are extracted from the HRV signal, our contribution in this phase is that the characteristics are extracted from each IMF instead of the HRV signal. In totality nine features are invested to construct the feature vectors used as input to the SVM classification algorithm. By applying this strategy, we will attempt to identify the oscillatory modes that contain the relevant information as well as the discriminatory characteristics of the CHF. The final part of our work is devoted to optimizing classification results by applying feature selection algorithms to improve the performance of the learning model and make it more robust, faster, and more cost-effective. Good classifiers can then be constructed to discriminate accurately, automatically and generically. Directeur de thèse : BERRACHED Nasr-Eddine

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
1672	02-09-587	Version numérique et papier	Bibliothèque USTOMB	Thèse de Doctorat	Exclu du prêt

Documents numériques

02-09-587.pdf Adobe Acrobat PDF