Réseau génératif antagoniste pour la traduction de signaux de capteurs avec application à l'ECG
Notice bibliographique
Résumé
Ce travail décrit la conception d’un système d’apprentissage automatique pour la traduction de signaux chronologiques d’un format de représentation vers un autre, avec l’électrocardiogramme comme objectif d’application. Il est motivé par le fait que les signaux générés par les capteurs modernes, notamment les capteurs biomédicaux, peuvent différer des formats standards. Le problème de la transduction de séquences a été abordé durant les dernières décennies de diverses façons, dont les approches génératives et discriminantes. Cependant, les efforts des chercheurs ont porté principalement sur les séquences rencontrées lors du traitement automatique du langage naturel et les modèles discrets proposés sont adaptés aux données linguistiques. Il existe peu de travaux qui ont abordé la transduction d’autres types de données, dont les signaux chronologiques en provenance de capteurs biomédicaux. Ce travail présente un modèle de réseaux antagonistes génératifs (GAN en anglais) pour la transduction des signaux d’un réseau de capteurs de l’activité cardiaque chez l’humain. Il transforme les mesures brutes fournies par un tapis d’électrodes sans contact avec la peau en des signaux d’électrocardiogramme standard (appelé communément ECG ou EKG). Pour ce faire, le modèle CycleGAN, normalement employé pour la génération d’images synthétiques, est adapté pour l’application à l’ECG. Plusieurs itérations ont été nécessaires pour arriver au résultat. Dans un premier temps, un système de génération de symboles est étudié et validé sur la base MNIST, une base de données populaire de caractères manuscrits. Ensuite, un système de conversion de fonction en une autre fonction est étudié. Finalement, un système de traduction à canaux multiples est développé pour l’ECG. Ce modèle est évalué à l’aide de 31 enregistrements de l’activité cardiaque fournis par la compagnie SigNum de Montréal, effectués en parallèle avec leur tapis d’électrodes sans contact et des électrodes standards. Le calcul de l’erreur quadratique moyenne entre les signaux cibles et ceux prédits montre que la traduction de signaux chronologiques est possible en utilisant les réseaux Cycle-GAN, et que le modèle développé donne une meilleure précision que des modèles d’apprentissages classiques. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : traduction de signaux, électrocardiogramme, ECG, EKG, réseaux antagonistes génératifs, GAN, CycleGAN
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».