Le système cardio-vasculaire

Table des matières

Table des matières
Table des figures
Résumé
Abstract
Introduction
1 Notions en cardiologie
1.1 Introduction
1.2 Activité cardiaque
1.2.1 Anatomie du coeur
1.2.2 Activité mécanique cardiaque
1.2.3 Activité électrique cardiaque
1.3 Electrocardiographie de surface
1.3.1 Électrocardiogramme à douze dérivations
1.3.1.1 Dérivations bipolaires des membres
1.3.1.2 Dérivations unipolaires des membres
1.3.1.3 Dérivations précordiales
1.3.2 Enregistrement ambulatoire Holter
1.4 Ondes et intervalles
1.5 Troubles du rythme et de la conduction cardiaque
1.5.1 Rythme sinusal
1.5.2 Blocs cardiaques
1.5.2.1 Blocs de branche
1.5.2.1.1 Bloc de branche gauche
1.5.2.1.2 Bloc de branche droit
1.5.3 Arythmies
1.5.3.1 Arythmies supraventriculaires
1.5.3.1.1 La tachycardie supraventriculaire
1.5.3.1.2 La fibrillation auriculaire (FA)
1.5.3.2 Arythmies ventriculaires
1.5.3.2.1 L’arythmie extrasystolique
1.5.3.2.2 Les bigéminismes et trigéminismes
1.5.3.2.3 Les tachycardies ventriculaires (TV)
1.5.3.2.4 La fibrillation ventriculaire (FV)
1.6 Diagnostic des arythmies
1.6.1 Analyse morphologique
1.7 Conclusion
2 Principes des réseaux de neurones
2.1 Introduction
2.2 Neurones biologiques et neurones formels
2.2.1 Neurone biologique
2.2.1.1 structure d’un neurone biologique
2.2.1.2 Création d’un potentiel d’action
2.2.2 Modèle de neurone formel
2.2.2.1 L’état des neurones
2.2.2.2 Les connexions
2.2.2.3 Les poids des connexions
2.2.3 Le neurone de Mc Culloch et Pitts
2.3 Historique des réseaux de neurones
2.4 Différentes architectures des réseaux de neurones
2.4.1 Les réseaux Feed –back
2.4.1.1 Les cartes auto – organisatrices de Kohonen
2.4.1.2 Les réseaux de Hopfield
2.4.1.3 Les ART
2.4.2 Les réseaux Feed – forward (ou réseaux non bouclés
2.4.2.1 Le Perceptron
2.4.2.2 Perceptron multi couches
2.4.2.3 Les réseaux à fonctions radiales
2.5 La rétropropagation
2.6 Propriétés des réseaux de neurones
2.6.1 La propriété d’approximation universelle
2.6.2 La propriété de parcimonie
2.6.3 La capacité d’apprentissage
2.7 Applications des réseaux de neurones
2.7.1 Intérêt des réseaux de neurones dans le diagnostic médical
2.8 Les limites des réseaux de neurones
2.9 Conclusion
3 Modèles d’apprentissage des réseaux de neurones
3.1 Introduction
3.2 Définition de l’apprentissage
3.3 L’apprentissage naturel
3.4 Apprentissage « artificiel » ou apprentissage « automatique
3.5 Apprentissage des réseaux de neurones
3.5.1 Les applications de l’apprentissage
3.5.2 Les différents types d’apprentissage
3.5.2.1. Apprentissage supervisé
3.5.2.2. Apprentissage non-supervisé et auto-organisation
3.5.2.3.Apprentissage par renforcement
3.5.3 Apprentissage « en ligne » et apprentissage « hors-ligne »
3.6 Les différents algorithmes d’apprentissage
3.6.1 Choix de la fonction de coût
3.6.2 Règle de Hebb
3.6.3 Algorithme d’apprentissage par correction d’erreur ou règle du perceptron
3.6.3.1 Présentation de l’algorithme
3.6.3.2 Critiques sur la méthode par correction d’erreur
3.6.4 L’apprentissage de Widrow-Hoff ou règle Delta
3.6.5 La rétropropagation de GRADIENT (back propagation)
3.6.5.1 Principe de l’optimisation par descente de gradient
3.6.5.2 Les limites de l’optimisation par descente de gradient
3.6.5.3 Problème des minima locaux
3.6.5.4 Méthodes itératives d’optimisation
3.6.6 la rétropropagation du gradient
3.6.6.1 L’apprentissage dans les réseaux multicouches
3.6.6.2 Introduction de l’algorithme
3.6.6.3 Algorithme de rétropropagation du gradient
3.6.6.4 Variantes de l’algorithme de rétropropagation du gradient de l’erreur
3.6.6.4.1 La méthode de Newton
3.6.6.4.2 La méthode de quasi-Newton
3.6.6.4.3 La méthode Levenberg-Marquardt
3.7 Problèmes d’apprentissage dans les réseaux multicouches
3.7.1 Considérations pratiques
3.7.2. Condition d’arrêt
3.7.3 Problème du surapprentissage (overfitting)
3.7.3.1Utilisation d’une base de validation pendant l’apprentissage
3.7.3.2 Arrêt prématuré
3.8 Conclusion
4 Classification neuronale spécialisée des arythmies cardiaques
4.1 Introduction
4.2. Principes de la classification
4.2.1 Les phases de classification
4.2.1.1 Phase d’apprentissage
4.2.1.2 Phase de test
Taux de classification
sensibilité et spécificité
4.3 L’extraction des descripteurs et indicateurs pertinents
4.4 Intérêts des réseaux de neurones
4.4.1 Introduction
4.4.2 Choix des réseaux de neurones pour la classification
4.4.3 Mise en oeuvre des réseaux de neurones
4.5 le modèle de classification neuronale
4.5.1 Introduction
4.5.2 Sélection des descripteurs d’un cycle cardiaque
4.5.2.1 Introduction
4.5.2.2 Présentation des différents descripteurs
4.5.3 Sélection de la base d’exemples
4.5.4 Architecture des classifieurs neuronaux
4.5.4.1 Algorithme d’apprentissage
4.5.4.2Dimensionnement du réseau pour chaque classifieur
4.6 Résultats expérimentaux de la classification
4.6.1 Apprentissage et test des différents réseaux
4.6.1.1 apprentissage et test du réseau2
4.6.1.2 apprentissage et test du réseau3
4.6.1.3 apprentissage et test du réseau4
4.7 Classification spécialisée
4.7.1Spécialisation par patient
4.7.2 Spécialisation patient106
4.7.3 Spécialisation patient212
4.7.4 Spécialisation patient214
4.7.5 Efficacité de la spécialisation par patient
4.8 Spécialisation arythmie
4.8.1Tests des réseaux sur des bases mono enregistrement
4.8.2 Tests des réseaux sur des bases variées
4.8.2.1 résultats de performances du réseau 2
4.8.2.2 résultats de performances du réseau 4 avec cas ciblé BBG
4.8.2.3 résultats de performances du réseau 4 avec cas ciblé BBD
4.8.2.4 résultats de performances du réseau 2 avec cas ciblé ESV
4.8.3 Tests des réseaux sur de grandes bases
Conclusion
Annexe
Bibliographie