Discussion :

[asfoura]

Mon problématique est la classification d’un signal physiologique pour détecter l’état normal ou anormal du patient. le problème qu’on ne peut pas normaliser l’état du patient c.à.d. les même mesure qui sont considérer normal pour le patient x peuvent être considérer comme un état critique pour le patient y de ce fait pour faire l’apprentissage je ne peut pas utiliser comme base d’apprentissage les historique des ancien patient.
Et quant j’ai étudier les méthode d’apprentissage j’ai trouver que les meilleur apprentissage que je peut appliquer sur ce problème c’est les svm(support vector machine) ou lasvm( online support vector machine )… mais pour utiliser c’est type d’apprentissage je doit avoir au moins 80% de la base d’apprentissage or que dans mon cas je ne dispose pas de 80% ( càd si le malade va rester en réanimation 10 jour je doit attendre 8 jour pour avoir la base d’apprentissage :s)
Je veut avoir un algorithme en temps réel ou au moins plus rapide que ça !!.
J’ai pensé utiliser les algorithme génétique (à partir de 10% de la base par exemple je génère à l’aide des algorithme génétique une base d’apprentissage sur laquelle je peut appliquer les svm )
Est-ce que c’est possible ou pas ? comment puis-je le faire ? qui a d’autre idée ? merci

[ToTo13]

le problème qu’on ne peut pas normaliser l’état du patient c.à.d. les même mesure qui sont considérer normal pour le patient x peuvent être considérer comme un état critique pour le patient y de ce fait pour faire l’apprentissage je ne peut pas utiliser comme base d’apprentissage les historique des ancien patient.

Euh... donc tu ne feras pas d'apprentissage !

D'un autre coté, quels sont les critères qui permettent à un expert du domaine de différencier les patients normaux de ceux anormaux ?

[asfoura]

Euh... donc tu ne feras pas d'apprentissage !

si l'apprentissage va se faire avec les svm par exemple

D'un autre coté, quels sont les critères qui permettent à un expert du domaine de différencier les patients normaux de ceux anormaux ?

Il n’ya pas de modèle mathématique précis ou un critère précis qui permette d’identifier un état s’il est normal ou pas chaque patient est unique selon ses maladie selon son age, son sexe, ……
Donc pour nous la détection de changement dans le signal c’est un état anormal

[Alexis.M]

peut-être suffit-il alors de centrer les mesures par rapport à la moyenne du patient. LA normalisation des données est en général très importante pour le succès des algo d'apprentissage

[ToTo13]

si l'apprentissage va se faire avec les svm par exemple

Oui ok, mais sur QUOI ?
Si tes caractéristiques ne discriminent pas tes données, l'apprentissage ne fera pas de miracle.
Si comme tu le dis, tu ne peux pas utiliser de base d'apprentissage, ça veut bien dire que l'on ne peut pas faire de l'apprentissage. Apprentissage => base d'apprentissage.

Il n’ya pas de modèle mathématique précis ou un critère précis qui permette d’identifier un état s’il est normal ou pas chaque patient est unique selon ses maladie selon son age, son sexe, ……
Donc pour nous la détection de changement dans le signal c’est un état anormal

Le but du travail c'est justement de modéliser les connaissances des experts. Si on arrive à coller un modèle mathématique c'est parfait, sinon on extrait des caractéristiques pertinentes et on fait de l'apprentissage.
Donc ton changement dans le signal est justement ce que tu dois amplifier/caractériser/etc. afin de permettre une meilleure modélisation.

peut-être suffit-il alors de centrer les mesures par rapport à la moyenne du patient.

La médiane est statistiquement plus stable, surtout en cas de présence d'outliers.

LA normalisation des données est en général très importante pour le succès des algo d'apprentissage

Ca dépends des méthodes, nombreuses sont celles capables de pondérer différemment les données.
Mais sur le principe, c'est une bonne chose de préalablement centrer/normer les données.