Tarjetas de memoria: Analyse comparative des architectures ECG et stratégies d'augmentation — 18 tarjetas

CNN 1D — définition ?

Réseau utilisant des convolutions sur données séquentielles.

Extraction caractéristiques ECG — rôle ?

Identifier automatiquement les motifs morphologiques du signal.

Augmentation données ECG — but ?

Améliorer robustesse et généralisation du modèle.

TTC pour ECG — signification ?

Transformée Temporelle Continue, méthode d’analyse du signal.

LSTM ECG — avantage principal ?

Modélise dépendances temporelles longues.

Comparaison CNN vs LSTM — différence ?

CNN extrait localement, LSTM modélise la séquence longue.

Stratégies augmentation — exemples ?

Fenêtrage, bruit, scaling, décalage.

Taille dataset ECG — seuil critique ?

Environ 1 000 ECG pour stabilité minimale.

Interprétabilité modèles — importance ?

Facilite la confiance et la validation clinique.

CNN 1D — avantage clé ?

Simplicité, stabilité, interprétabilité.

Extraction caractéristiques — modèle TCN ?

Capture dépendances longues avec stabilité.

Augmentation physiologiquement plausible — principe ?

Respecte la morphologie et la dynamique du signal.

Taille dataset — effet sur performance ?

Plus grand, meilleure généralisation, jusqu’à un certain point.

Interprétabilité — méthodes courantes ?

Grad-CAM, SHAP.

LSTM — dépendance longue ?

Oui, grâce à ses mécanismes de portes.

Architectures CNN, TCN, LSTM — choix ?

Selon la tâche, la taille du dataset, et la physiologie.

Fenêtrage ECG — but ?

Augmenter artificiellement le nombre d’échantillons.

Surapprentissage — lien avec taille dataset ?

Trop petit, risque élevé, nécessite augmentation ou transfert.