dragon tiger casino online

Training improvement

La détection précoce de l'arythmie cardiaque est cruciale, car cette condition médicale courante peut conduire à des complications majeures, voire fatales, si elle reste non diagnostiquée et traitée à temps.

Valider la fiabilité des algorithmes d'IA pour la détection d'arythmie cardiaque dans les ECG

Depuis des années, l'électrocardiogramme (ECG) s'est imposé comme la référence pour la détection de cette pathologie, captant avec précision les activités électriques du cœur. Les avancées technologiques ont constamment affiné la qualité et la précision des appareils, qu'ils soient analogiques, numériques, stationnaires ou portatifs. Avec l'émergence de l'intelligence artificielle, une nouvelle opportunité se dessine pour renforcer la précision des diagnostics. En effet, en intégrant l'IA, il est possible d’améliorer la détection des arythmies cardiaques de ces appareils. Néanmoins, dans le contexte médical, la confiance dans les dispositifs est primordiale, les solutions basées sur l'IA se doivent d’être non seulement fiables, mais également transparentes, explicables et compréhensibles. C'est dans ce cadre que ce cas d'utilisation introduit Saimple. L’objectif est d'exploiter les fonctionnalités de l’outil pour apporter des éléments d’explicabilité et valider la robustesse de modèles d'IA spécialisés dans l'analyse d'ECG pour la détection d'arythmies. L'utilisation de Saimple permet d’identifier les motifs cardiaques essentiels que le modèle d'IA utilise pour son diagnostic, tout en évaluant sa capacité à rester stable face à des variations d'entrées. La robustesse et l'explicabilité, dans ce contexte, ne sont pas de simples avantages ; elles sont des impératifs pour garantir la sécurité des patients, établir la confiance auprès des professionnels de la santé, et répondre de manière satisfaisante aux normes établies par l'EU AI-Act pour les systèmes d'IA à haut risque.

Description du jeu de données

Le jeu de données est obtenu à l'aide de l'enregistrement d'un électrocardiogramme noté ECG. Pour un patient ayant un rythme cardiaque normal, l'ECG met en évidence cinq ondes :

dragon tiger casino onlineLiên kết đăng nhập

Figure 1: Schéma d'un rythme cardiaque normal

Onde P : L'onde P représente la dépolarisation auriculaire, c'est-à-dire l'activation des oreillettes du cœur. Lorsque le nœud sino-auriculaire (SA) génère un signal électrique, les oreillettes se contractent pour propulser le sang vers les ventricules. L'onde P correspond à cette activation électrique des oreillettes, indiquant leur contraction.

Complexe QRS : Le complexe QRS est composé de trois ondes distinctes : l'onde Q, l'onde R et l'onde S. Ces ondes représentent la dépolarisation ventriculaire, c'est-à-dire l'activation des ventricules du cœur.

Onde Q : L'onde Q est une petite onde négative qui peut être présente dans certaines dérivations de l'ECG. Elle indique le début de la dépolarisation ventriculaire, généralement dans le septum interventriculaire (la paroi qui sépare les ventricules gauche et droit).

Onde R : L'onde R est une onde positive qui suit généralement l'onde Q. Elle représente la dépolarisation ventriculaire continue, indiquant l'activation des ventricules dans leur ensemble.

Onde S : L'onde S est une onde négative qui suit l'onde R. Elle représente également la dépolarisation ventriculaire et peut varier en taille et en forme en fonction de l'ECG et de la dérivation considérée.

Onde T : L'onde T représente la repolarisation ventriculaire, c'est-à-dire la phase de récupération électrique des ventricules après leur contraction. Elle indique que les ventricules sont prêts à se contracter à nouveau lors du prochain cycle cardiaque. L'onde T est généralement une onde positive, mais elle peut également être négative dans certaines conditions.

Ces différentes ondes (P, QRS et T) sont essentielles pour l'interprétation de l'ECG et permettent d'évaluer l'activité électrique du cœur, en identifiant d'éventuelles anomalies ou dysfonctionnements cardiaques. (1) Selon la convention, le terme "rythme sinusal normal" (RSN) ou "rythme sinusal régulier" (RSR) indique que non seulement les ondes P (qui reflètent l'activité du nœud sinusal) ont une morphologie normale, mais aussi que toutes les autres mesures de l'ECG sont également normales. Les critères comprennent donc les éléments suivants :
  • Un rythme régulier.
  • Une fréquence cardiaque comprise entre 60 et 100 battements par minute.
  • Des ondes P droites, présentes dans un rapport de 1 à 1, qui précèdent chaque complexe QRS.
  • Un intervalle PR ne dépassant pas 0,12 à 0,20 seconde.
  • Un complexe QRS ne dépassant pas 0,08 seconde.
L'arythmie se produit lorsque des anomalies surviennent dans les ondes P et le complexe QRS, en particulier lorsque la synchronisation entre la contraction des oreillettes et celle des ventricules est altérée. Normalement, l'onde P est toujours positive, donc si ce n'est pas le cas, cela peut indiquer la présence d'une anomalie. Pour ce cas d'utilisation, deux jeux de données disponibles sur Kaggle vont être utilisés :
  • mitbih_train: jeu d'entrainement représentant 877554 rythmes cardiaques
  • mitbih_test: jeu de test représentant 21892 rythmes cardiaques
Les deux jeux de données contiennent 188 colonnes dont la dernière indique l'appartenance aux cinq classes suivantes :

Classe 0 : Rythme non ectopique normaldragon tiger casino onlineLiên kết đăng nhập

Cette classe représente les rythmes cardiaques normaux et non perturbés. Les données associées à cette classe sont celles où le cœur bat régulièrement et sans anomalie.      

Classe 1 : Rythme ectopique supraventriculairedragon tiger casino onlineLiên kết đăng nhập

Les rythmes ectopiques supraventriculaires se produisent lorsque des impulsions électriques anormales se forment dans les parties supérieures du cœur, telles que les oreillettes. Cette classe comprend des rythmes cardiaques anormaux qui proviennent des ondes P ou un intervalle PR court ou un complexe QRS étroit ou une absence de complexe.    

Classe 2 : Rythme ectopique ventriculairedragon tiger casino onlineLiên kết đăng nhập

Les rythmes ectopiques ventriculaires se produisent lorsque des impulsions électriques anormales se forment dans les ventricules, les parties inférieures du cœur. Cette classe comprend des rythmes cardiaques anormaux qui proviennent des ondes R ou S.
 
 
 
 
Classe 3 : Rythme de fusiondragon tiger casino onlineLiên kết đăng nhập
 Un rythme de fusion se produit lorsqu'il y a une combinaison d'impulsions électriques normales et anormales qui se produisent simultanément dans le cœur. Cette classe représente des situations où le rythme cardiaque est une combinaison de battements normaux et anormaux.      

Classe 4 : Rythme inconnudragon tiger casino onlineLiên kết đăng nhập

La classe des rythmes inconnus regroupe les données qui ne peuvent pas être classifiées avec certitude dans l'une des autres catégories. Cela peut être dû à des erreurs de mesure, à des artefacts ou à des modèles de rythme cardiaque peu fréquents ou non identifiés.

Répartition de chaque classe pour le jeu d’entrainement

dragon tiger casino onlineLiên kết đăng nhập

Prétraitement des données

Avant toute analyse, il est nécessaire d'effectuer un pré-traitement sur le jeu de données afin de permettre au modèle de mieux apprendre.

Rééquilibrage des classes

Dans les jeux de données de ce type, que ce soit pour prédire des défauts dans le cadre de la maintenance prédictive ou détecter des fraudes sur les cartes de crédit, les cas anormaux sont rarement observés. Cela entraîne un déséquilibre au niveau des classes dans le jeu de données. Il est donc nécessaire de trouver une méthode adaptée au cas d'utilisation pour rééquilibrer ces classes. Dans cette étude, les échantillons des classes sous-représentées sont rééchantillonnés afin d'atteindre la même taille d'échantillon que la classe sur-représentée.

Pour des séries temporelles, le rééquilibrage des classes nécessite une approche légèrement différente par rapport aux données tabulaires classiques. Lorsque l'on travaille avec des séries temporelles, il est essentiel de tenir compte de la dépendance temporelle des données pour éviter d'introduire un biais dans le modèle lors du rééquilibrage.

Il existe de nombreuses approches adaptées au rééquilibrage des classes dans des séries temporelles :

SMOTE-TS génère de nouvelles séries synthétiques en interpolant linéairement entre des séries temporelles similaires. Cela permet de maintenir la dépendance temporelle dans les nouvelles séries générées.

Tirage aléatoire avec remise consiste à augmenter le nombre d'échantillons de la classe minoritaire en tirant aléatoirement des échantillons de cette classe avec remise, c'est-à-dire en autorisant la duplication d'échantillons existants.

Dans ce cas d’utilisation, le tirage avec remise est privilégié. En effet, le tirage avec remise est une technique couramment utilisée pour effectuer le sur-échantillonnage dans les séries temporelles. Il est important de noter que le tirage avec remise peut entraîner une augmentation significative de la taille de la classe minoritaire, ce qui peut éventuellement conduire à un sur-apprentissage (overfitting).

Choix et entraînement du modèle

Nous avons utilisé comme base le document [5], qui présente une architecture composée d'une succession de couches de convolution 1D.  Et nous avons adopté des techniques de transformation de série temporelle en image, ce qui nous a conduit à utiliser un modèle contenant des convolutions 2D.

Dans le cadre de notre étude comparative, nous avons conservé la même architecture pour les différents modèles. Seules les couches de convolution 1D ont été remplacées par des convolutions 2D et les opérations de MaxPooling1D ont été remplacées par des MaxPooling2D. Cette approche nous permet de comparer les performances des différents modèles tout en gardant une base commune pour les évaluations.

Entrainement du modèle CNN 1D

Le modèle contient quatre blocs où un bloc comporte les couches suivantes :
  • une couche de convolutions 1D à base d’un filtre de taille 32 (permettant d’extraire les caractéristiques importantes des données d’entrées dans une fenêtre de taille 32 pixels)
  • de MaxPool1D où la valeur maximale de la fenêtre est sélectionnée pour réduire la dimension de la sortie de la couche de convolution
  • et d'une couche Flatten qui réduit les valeurs multidimensionnelles en une seule dimension
Ensuite, le modèle contient trois couches denses et la dernière couche est la fonction d'activation Softmax qui est utilisée pour renvoyer un score d’appartenance pour chaque classe. Ce modèle utilise une approche à base de convolution 1D pour extraire des caractéristiques importantes des signaux de rythme cardiaque. Les couches de MaxPool1D et Flatten sont ensuite utilisées pour réduire la dimension des données et les préparer pour les couches denses qui effectueront la classification finale des rythmes cardiaques. Cette architecture est couramment utilisée dans les tâches de traitement du signal, car elle permet de capturer efficacement les motifs importants dans des données temporelles.

Entrainement du modèle CNN 2D

Le deuxième modèle utilise une architecture similaire à celle du modèle précédent, mais avec une différence clé : il est conçu pour traiter des données d'entrée sous forme d'images. Pour cette raison, les couches de convolution 1D du modèle précédent sont remplacées par des couches de convolution 2D dans ce modèle, et les couches de MaxPool1D sont remplacées par des couches de MaxPool2D. La modification de la dimensionnalité des couches convolutives et de pooling est une adaptation nécessaire pour traiter des données d'entrée présentées sous forme d'images, qui sont des structures bidimensionnelles (matrices de pixels) plutôt que des séquences unidimensionnelles comme les données de rythme cardiaque dans le modèle précédent. Le modèle contient quatre blocs où un bloc comporte les couches suivantes:
  • une couche de convolutions 2D où ils disposent d'un filtre de 32,
  • de MaxPool2D où la valeur maximale de la fenêtre est sélectionnée
  • et d'une couche Flatten qui réduit les valeurs en une dimension
Ensuite, le modèle contient trois couches denses et la dernière couche est la fonction d'activation Softmax qui est utilisée pour renvoyer un score d’appartenance pour chaque classe. Afin de pouvoir utiliser des modèles de type convolution en 2D, il faut transformer la série temporelle en 2D. Pour cela il est possible d’utiliser une méthode appelée Gramian Angular Field. Gramian Angular Field (GAF) est une transformation qui permet de représenter une série temporelle sous forme d'une image. Elle capture les relations angulaires entre les points de la série temporelle. L’image résultante du GAF peut être ensuite utilisée comme entrée pour des modèles basés sur les réseaux de neurones convolutifs 2D. Les avantages de cette méthode sont :
  • Capture les relations angulaires entre les points de données de la série temporelle.
  • Convient aux modèles basés sur les réseaux de neurones convolutifs (CNN).
  • Peut capturer des motifs périodiques et de phase dans la série temporelle.
  • Certaines informations de la série temporelle peuvent être perdues lors de la transformation.
  • Les calculs peuvent être coûteux en termes de temps de calcul et de mémoire.
  • Unicité de la représentation, il n’y a pas de compression avec perte du signal

dragon tiger casino onlineLiên kết đăng nhậpFigure 2: Exemple de transformation de série temporelle en image à l'aide de la méthode GAF

Comparaison des résultats entre conv 1D et conv 2D

Afin de comparer conv 1D et conv 2D nous allons étudier leurs matrices de confusion. La matrice de confusion pour le modèle conv1D révèle que les classes 0, 2 et 4 ont un score de prédiction d'au moins 97%, ce qui indique une bonne précision (appelée « accuracy »). Les classes 1 et 3 ont un score de prédiction d'au moins 78% pour le modèle conv1D, mais inférieur à 80%, ce qui reste acceptable. Cependant, il est important de se demander pourquoi la classe 1 est prédite comme la classe 0 à hauteur de 15%. De même, la classe 3 est prédite comme la classe 0 à hauteur de 11%. Saimple permet d’aider à comprendre ces erreurs de prédiction et pourquoi le réseau confond un rythme cardiaque normal avec des rythmes ectopiques supraventriculaires et des rythmes de fusion. Il permet une meilleure compréhension des raisons pour lesquelles ces confusions se produisent et aide à identifier les motifs spécifiques qui influencent ces prédictions erronées. La matrice de confusion pour le modèle conv 2D révèle que globalement le modèle obtient une accuracy d’au moins 88 % ce qui est mieux que le modèle conv1D.
dragon tiger casino onlineLiên kết đăng nhập Matrice de confusion conv1D.
dragon tiger casino onlineLiên kết đăng nhập Matrice de confusion conv2D.
  Lors de la détection de l'arythmie cardiaque, le choix entre un modèle de convolution 2D (Conv2D) et un modèle de convolution 1D (Conv1D) dépend des caractéristiques spécifiques des données et de la manière dont on souhaite les représenter. Bien que les modèles convolutifs 1D soient spécifiquement conçus pour traiter les données séquentielles, les modèles convolutifs 2D peuvent également exploiter les relations spatiales et temporelles. Ils peuvent capturer des motifs qui se répètent à la fois dans l'axe temporel et l'axe spatial, ce qui peut être utile pour les séries temporelles avec des motifs périodiques ou récurrents. Dans le cas de l'arythmie cardiaque, cela peut être bénéfique pour détecter des motifs complexes dans l'ECG qui indiquent des anomalies cardiaques spécifiques. Cependant, il est important de noter que l'utilisation d'un modèle Conv2D peut également présenter des inconvénients. L'un des inconvénients potentiels est que les modèles Conv2D peuvent nécessiter plus de données et avoir des exigences de calcul plus élevées que les modèles Conv1D, en raison du nombre de paramètres supplémentaires nécessaires pour traiter les données 2D. Or, un modèle Conv1D peut être suffisant pour détecter l'arythmie cardiaque et peut donc permettre de limiter les ressources nécessaires à l’exploitation des résultats. Les entrées étant composées d'un seul signal ECG, les modèles Conv1D peuvent certainement capturer les variations temporelles des signaux 1D de manière suffisamment efficace.

Résultats obtenus avec Saimple

Afin d’évaluer la performance des deux modèles, une étude peut être mené pour mesurer la stabilité de prédiction des modèles. Pour cela l’interprétation abstraite permet de modéliser un ensemble de variation possible d’une série temporelle en un seul objet, appelé enveloppe abstraite. Cela offre l'avantage de regrouper toutes les séries temporelles et d’évaluer le comportement du modèle sur l’ensemble en une seule analyse. Cette enveloppe représente l’ensemble de toutes les perturbations potentielles d'un rythme cardiaque contenu entre deux séries temporelles extrêmes. En rassemblant ces informations essentielles au sein d'une enveloppe unique, il devient possible d'appréhender globalement les variations de comportement du modèle sur des versions même très irrégulières de rythme cardiaque, facilitant ainsi l'analyse et la détection d'anomalies éventuelles. Cette approche simplifiée permet de gagner en efficacité tout en fournissant une vue d'ensemble complète pour une prise de décision éclairée en matière de santé cardiaque.

Exemple de perturbation des entrées

Série temporelle

dragon tiger casino onlineLiên kết đăng nhậpdragon tiger casino onlineLiên kết đăng nhập

L'évaluation des performances des deux modèles, conv1D et conv2D, a été réalisée en utilisant l'intégralité du jeu de données de test, composé de 810 rythmes cardiaques, afin de déterminer leur capacité à prédire avec précision. Pour cette comparaison, trois volumes d'enveloppe abstraite (qui correspondent au volume maximal de bruit considéré) ont été sélectionnées : 1e-6, 1e-5 et 1e-4. Initialement, d'après les résultats de la matrice de confusion, le modèle conv2D semblait légèrement supérieur en termes de performances. Cependant, une question cruciale subsiste : est-ce que, face à différents niveaux de bruit appliqués au modèle, les deux modèles maintiendraient leur niveau de précision ? Cette interrogation essentielle suscite l'intérêt de vérifier comment chaque modèle se comporte avec différentes épaisseurs d'enveloppe et d'évaluer leur robustesse face aux perturbations du signal. Une analyse approfondie de ces aspects permet de fournir des informations utiles pour choisir le modèle le plus adapté aux exigences spécifiques de l'application en question. À l’aide de Saimple, il est possible d’analyser les valeurs de dominance de l'évaluation des prédictions d'un modèle, trois termes sont utilisés : "Dominant", "Dominated" et "Conflict". 1. "Dominant" fait référence à une évaluation où la classe prédite pour l’ensemble des séries temporelles considérées par le modèle correspond exactement à la classe véritable. Cela signifie que le modèle a correctement identifié la catégorie à laquelle appartient l’ensemble des entrées considérées. 2. "Dominated" décrit une évaluation où la classe prédite par le modèle ne correspond pas à la classe véritable. En d'autres termes, le modèle a commis une erreur en prédisant la mauvaise catégorie pour l’ensemble des entrées considérées. 3. "Conflict" désigne une évaluation où les scores des classes prédites par le modèle ont des valeurs équivalentes. Dans cette situation, le modèle peut être incertain quant à la classe appropriée pour l’ensemble des entrées, car plusieurs classes ont des scores similaires. Ces termes aident à évaluer la performance d'un modèle et à comprendre comment il gère les prédictions pour différentes classes d’entrées. L'analyse de ces résultats peut être utile pour améliorer le modèle en identifiant les domaines où il est le plus performant et les aspects où il pourrait nécessiter des ajustements pour l’améliorer.

Résultat sur un volume de 1 e-6

Le graphique ci-dessous offre une vue d'ensemble de la fréquence d'apparition des termes "Dominant", "Dominated" et "Conflict" pour la vraie classe, pour les deux modèles conv1D et conv2D.

dragon tiger casino onlineLiên kết đăng nhập

Une observation importante réside dans le fait que, pour le modèle conv1D, le nombre de rythmes cardiaques correctement classés reste constant. En revanche, pour le modèle conv2D, ce nombre diminue, ce qui suggère que ce modèle éprouve des difficultés à classifier certains rythmes cardiaques. Surtout que le nombre de cas conflictuels augmente également. Il semble que les données d'entrées soient plus sensibles au bruit dans le cas du modèle conv2D, entraînant une précision de classification plus faible pour certains rythmes cardiaques. Ces premiers résultats indiquent que le modèle conv1D présente une stabilité supérieure par rapport au modèle conv2D, du moins dans les conditions d'évaluation actuelles. Cependant, pour parvenir à des conclusions plus définitives, il serait judicieux d'approfondir l'analyse en examinant davantage de paramètres et de scénarios d'évaluation.

Résultat sur un volume de 1 e-5

Dans la deuxième expérimentation, un volume de bruit de 1e-5 a été utilisé.

dragon tiger casino onlineLiên kết đăng nhập

Comme prévu, le modèle conv2D montre une forte diminution du nombre de rythmes cardiaques correctement classés. En revanche, le modèle conv1D maintient un nombre constant de rythmes cardiaques correctement classés malgré ce niveau de bruit. Ces résultats confirment que le modèle conv1D semble être plus stable et résilient face au bruit ajouté aux données que le modèle conv2D. Cependant, la question clé demeure : jusqu'à quel niveau de bruit le modèle conv1D reste stable ? Pour répondre à cette question, il serait pertinent de poursuivre l'expérimentation en augmentant progressivement le volume de bruit et en surveillant comment le modèle conv1D réagit. Cela permettra de déterminer le seuil à partir duquel la précision du modèle conv1D commence à diminuer, fournissant ainsi des informations cruciales pour évaluer les limites de performance de ce modèle dans des conditions de données bruitées. En résumé, malgré les bonnes caractéristiques du modèle conv1D, il est essentiel d'explorer plus en profondeur ses performances en fonction du volume de bruit pour obtenir une évaluation plus précise de sa robustesse.

Résultat sur un volume de 1 e-4

Dans cette troisième expérimentation, un niveau de bruit de 1e-4 a été appliqué aux données.

dragon tiger casino onlineLiên kết đăng nhập

Les résultats montrent que le modèle conv2D n'est plus capable de classer correctement les rythmes cardiaques à ce niveau de bruit, montrant ainsi une dégradation significative de sa performance. En revanche, le modèle conv1D présente des résultats intéressants. Pour les rythmes cardiaques de classe 0 (rythme normal), la proportion de cas correctement classés semble rester constante malgré le bruit. Cependant, une observation intrigante est faite pour les rythmes cardiaques mal classés au départ : le modèle semble ne plus être en mesure de les classer correctement. Quant aux rythmes cardiaques de classe 1, la proportion de correctement classés a fortement diminué, passant de 78% à 20%. Cette baisse significative de performance soulève des questions sur les raisons de ce phénomène. Pour les trois autres classes, on observe une légère baisse du nombre de rythmes cardiaques bien classés, ce qui indique que le modèle conv1D commence également à montrer des signes de sensibilité au bruit à ce niveau. Ces résultats soulignent l'importance de comprendre comment le modèle conv1D réagit face à des niveaux de bruit plus élevés et mettent en évidence la nécessité de déterminer le seuil limite à partir duquel sa performance commence à se dégrader de manière significative. Une analyse plus approfondie de ces résultats pourrait fournir des informations pour évaluer la robustesse du modèle conv1D dans des conditions de données bruitées et identifier les limites de sa performance.

Bilan des expériences précédentes

dragon tiger casino onlineLiên kết đăng nhập

Analyse des faux positifs

Dans cette étude, nous focaliserons notre analyse sur les cas où un rythme cardiaque normal est incorrectement classé comme étant un rythme anormal et les résultats du modèle conv1D. Pour ce faire, nous utiliserons l'outil Saimple pour identifier les rythmes qui ont rencontré des difficultés de classification, caractérisés par les termes "dominated" et "conflict", en fonction d'un niveau de bruit spécifique. L'objectif est de comprendre les raisons sous-jacentes à ces erreurs de prédiction et de déterminer si le modèle présente des vulnérabilités selon les volumes de bruits. En analysant ces cas de classification erronée, nous pourrons identifier les motifs distinctifs qui ont influencé les mauvaises prédictions et évaluer la capacité du modèle à distinguer les rythmes cardiaques normaux des rythmes anormaux dans des conditions bruitées. Cette analyse approfondie permettra d'obtenir des informations essentielles pour améliorer la précision et la fiabilité du modèle de détection d'arythmies cardiaques. Nous allons d’ailleurs pouvoir trouver des erreurs d’annotation grâce à cette approche.

Delta 1e-6 et Delta 1e-5

Pour ces volumes de bruits, un seul rythme est mal classé (dominated) et aucun n'est en conflit.

dragon tiger casino onlineLiên kết đăng nhập

Figure 5: Rythme cardiaque, appartenant à la classe 0, mal classé En analysant visuellement ce rythme cardiaque classé comme normal, il devient évident que sa reconnaissance en tant que rythme cardiaque normal est erronée. En effet, la présence du complexe QRS, qui est essentiel pour identifier un rythme cardiaque normal, est difficile à repérer dans cette séquence. Cette observation soulève des doutes quant à la qualité de l'annotation des données dans le jeu de données. Il est possible que certaines données aient été mal annotées, ce qui entraînerait des erreurs dans les prédictions du modèle d'intelligence artificielle. Une évaluation plus approfondie des annotations et une analyse plus rigoureuse des données pourraient permettre de résoudre ce problème et d'améliorer la précision de la détection des rythmes cardiaques anormaux. Il est crucial d'effectuer une vérification minutieuse de l'ensemble du jeu de données pour s'assurer de la qualité et de la fiabilité des annotations, garantissant ainsi des résultats plus fiables et précis dans le cadre de la détection des arythmies cardiaques.

Delta 1e-4

Pour ce niveau de bruit spécifique, on observe que 18 rythmes cardiaques sont classés en "conflict", ce qui signifie que le modèle d'intelligence artificielle éprouve des difficultés à déterminer avec certitude la classe appropriée pour ces rythmes. Cette situation se produit lorsque les scores de prédiction des différentes classes sont similaires, ce qui rend le modèle incertain quant à la classe à laquelle appartient chaque rythme cardiaque. Ces résultats soulèvent des questions sur la capacité du modèle à traiter les données dans des conditions de bruit élevé et mettent en évidence la nécessité d'améliorer sa robustesse pour mieux gérer ces situations complexes. Une analyse plus approfondie de ces rythmes cardiaques en conflit pourrait fournir des informations importantes pour identifier les défis spécifiques que pose le bruit dans la détection des arythmies cardiaques et permettre d'affiner le modèle pour des performances plus fiables et précises.