Apprentissage en ligne pour le développement d’un classifieur de données médicales.

Abstract

Ce travail consiste à étudier une méthodologie pour faire évoluer un classifieur flou en ligne, qui permet aux données d’être traitées en temps réel, en modifiant de manière récursive une base de règles floues sur une base par échantillon de flux de données. En outre, il montre comment cette méthode peut être améliorée et appliquée au domaine du diagnostic, pour déceler les arythmies cardiaques. La grande majorité des méthodes existantes, pour les diagnostics médicaux floues, nécessitent le traitement de données en mode hors ligne, comme un lot. Malheureusement, cela ne permet qu’un aperçu du domaine réel à analyser. Si de nouveaux enregistrements de données deviennent disponibles, ils exigent des calculs de coûts sensibles, en raison du fait que ré-apprendre est un processus itératif. eClass est relativement une nouvelle architecture pour l'évolution des systèmes à base de règles floues, qui surmonte ces problèmes. Nous estimons la précision du classifieur à 86.26% mais nous espérons l’améliorer d’ici peu.Cette étude a montré qu’eClass peut être efficacement utilisée pour le classement des arythmies cardiaques à partir d'échantillons numériques discrets. Les résultats indiquent que la précision du modèles eClass peut être encore améliorée. Enfin, le système peut extraire des règles lisibles par l'homme, qui pourraient permettre à des experts médicaux d’obtenir une meilleure compréhension d'un échantillon en cours d'analyse tout au long du processus de diagnostic traditionnel.This paper explores a methodology to evolve a fuzzy classifier online that allows data to be processed in real time by modifying recursively a fuzzy rule base on a per- sample data stream. In addition, it shows how this method can be improved and applied to the field of medical diagnosis, to identify cardiac arrhythmias. The vast majority of existing methods for fuzzy medical diagnostics require the processing of data in offline mode, as a batch. Unfortunately, it only allows a snapshot of the real domain analysis. If new data records become available they require cost sensitive calculations due to the fact that re-learning is an iterative process. eClass is a relatively new architecture for the development of systems based on fuzzy rules, which overcomes these problems. We estimate the accuracy of the classifier as 86.26 %, but we hope to improve soon.This study showed that eClass can be effectively used for the classification of cardiac arrhythmias from discrete digital samples. The results indicate that the accuracy of eClass models can be further improved. Finally, the system can extract readable rules who could allow medical experts to get a better understanding of a sample under analysis throughout the traditional diagnostic process.