Vers Un Modèle De Classification Neuronale Des Données Médicales A Base De La Technologie FPGA.

Abstract

Dans le domaine médical, la classification constitue le principe de base de plusieurs systèmes d’aide au diagnostic, elle utilise différentes techniques afin d’aider l’expert à établir un deuxième diagnostic pour confirmer la pathologie. Cette dernière est affirmée en temps réel en utilisant le traitement parallèle des données médicales (approche matérielle). L’étude menée dans cette thèse est portée sur l’implémentation matérielle des classifieurs neuronaux sur cible FPGA, et afin d’atteindre nos objectifs, nous avons divisé notre travail en deux phases. La première consiste à étudier le classifieur neuronal CLN de type perceptron multicouche sous l’environnement Matlab afin d’enregistrer les valeurs finales des poids synaptiques et du biais de chaque neurone, qui seront implémentées par la suite dans la deuxième phase. Cette dernière se base sur la conception matérielle du classifieur CLN, réalisée par un langage de haut niveau de description matérielle VHDL. Afin d’avoir un compromis entre les performances relatives au temps de calcul et les besoins en ressources matérielles, notre conception est fondée sur l’emploi de deux principes de calcul différents SP (Semi-Parallèle) et PP (Parallèle-Parallèle). Ces derniers ont permis la réalisation de deux classifieurs matériaux CLNH-SP et CLNH-PP, nous avons abordé le problème du dépassement de capacité en utilisant la quantification des données sur un octet. Nous avons implémenté par la suite, deux modèles de classification (SYST-SP, SYST-PP) sur le circuit FPGA permettant la reconnaissance des arythmies cardiaques en temps réel, pour de futures implantations sur des systèmes embarqués. Ces modèles regroupent les classifieurs neuronaux déjà réalisés, en obtenant des performances acceptables pour reconnaître l’arythmie cardiaque à 200 ns pour le classifieur CLNH-SP et à 20 ns seulement pour le second CLNH-PP, et effectivement sans détection de dépassement de capacité.