Lernzettel: Analyse comparative des architectures ECG et stratégies d'augmentation

📋 Plan du Cours

1. Modèles CNN 1D
2. Extraction caractéristiques ECG
3. Augmentation données ECG
4. TTC pour ECG
5. LSTM ECG
6. Comparaison architectures
7. Stratégies augmentation
8. Taille dataset ECG
9. Interprétabilité modèles

📖 1. Modèles CNN 1D

🔑 Notions clés & Définitions

• CNN 1D (Convolutional Neural Network 1D) : réseau de neurones utilisant des couches convolutionnelles appliquées à des données séquentielles ou temporelles, comme le signal ECG brut, pour extraire automatiquement des caractéristiques discriminantes sans transformation en représentation bidimensionnelle.

• Filtre convolutionnel : noyau ou kernel appliqué sur le signal pour détecter des motifs locaux, tels que la morphologie des ondes P, QRS, T dans l’ECG. La convolution permet une extraction efficace des caractéristiques locales.

• Interprétabilité (expliquabilité) : capacité à localiser précisément les segments du signal influençant la prédiction, via des méthodes comme Grad-CAM ou SHAP, essentielle en cardiologie pour la confiance clinique.

• Principe de parcimonie : recommandation selon laquelle des modèles simples (comme CNN 1D) suffisent souvent à obtenir de bonnes performances, évitant la complexité inutile et favorisant l’interprétabilité et la stabilité.

• Augmentation de données : techniques appliquées uniquement à l’entraînement pour augmenter la diversité du signal (bruit, scaling, décalage), afin d’améliorer la robustesse du modèle sans modifier l’étiquette clinique.

📝 Points essentiels

• Les CNN 1D sont particulièrement adaptés à l’analyse de l’ECG brut, exploitant la structure locale des ondes et segments pour une extraction automatique de caractéristiques.

• Leur parallélisation totale facilite l’entraînement sur de larges cohortes, réduisant le temps de convergence et permettant une utilisation efficace dans des dispositifs embarqués ou portables.

• La stabilité et la scalabilité des CNN 1D en font une architecture privilégiée pour l’analyse clinique, notamment dans les contextes où la quantité de données est limitée.

• L’interprétabilité intégrée grâce à des méthodes d’explicabilité renforce l’acceptabilité clinique et la confiance des praticiens.

• La stratégie d’augmentation doit respecter la physiologie du signal, en utilisant des transformations plausibles (bruit, scaling, fenêtrage) pour éviter la dégradation de la performance.

• La taille de l’échantillon influence fortement la stratégie d’entraînement : un dataset de plusieurs milliers d’ECG est idéal, mais le transfer learning permet d’optimiser les résultats avec des petits échantillons.

💡 À retenir

Les CNN 1D offrent un compromis optimal entre performance, simplicité, stabilité et interprétabilité pour l’analyse automatique de l’ECG, en particulier dans des contextes cliniques avec des données limitées.

📖 2. Extraction caractéristiques ECG

🔑 Notions clés & Définitions

• Modèle CNN (Convolutional Neural Network) : réseau de neurones utilisant des couches convolutionnelles pour extraire automatiquement des caractéristiques locales du signal ECG, notamment la morphologie des ondes P, QRS, T. Adapté à l’analyse de signaux bruts, il est robuste, parallélisable et efficace pour la classification multi-label.
• Modèle TCN (Temporal Convolutional Network) : architecture convolutionnelle causale dilatée conçue pour modéliser des dépendances temporelles longues dans les séries chronologiques, combinant la stabilité des CNN avec la capacité de capturer des relations à long terme.
• Modèle LSTM (Long Short-Term Memory) : type de réseau récurrent capable de mémoriser des dépendances temporelles longues grâce à ses mécanismes de portes, particulièrement utile pour analyser la dynamique séquentielle du ECG, comme la variabilité RR ou arythmies intermittentes.
• Augmentation de données : techniques appliquées uniquement à l’entraînement pour augmenter la diversité des signaux ECG, comprenant l’ajout de bruit, le scaling d’amplitude, le décalage temporel, la segmentation fenêtrée, afin de réduire le surapprentissage et améliorer la généralisation.
• Fenêtrage et recouvrement : méthode de segmentation du signal ECG en segments courts (2-3 secondes) avec recouvrement partiel, permettant d’augmenter artificiellement le nombre d’échantillons tout en conservant la structure physiologique.
• Principe d’augmentation physiologiquement plausible : transformation appliquée doit respecter la morphologie et la dynamique du signal ECG, en conservant la cohérence avec les étiquettes cliniques et la physiologie cardiaque.

Points essentiels

• Les CNN 1D exploitent efficacement les caractéristiques morphologiques locales du signal ECG, notamment la forme des ondes et complexes, avec une complexité modérée, une parallélisation facile et une bonne interprétabilité via des méthodes comme Grad-CAM.
• Les TCN offrent un compromis entre CNN et LSTM, capturant à la fois les motifs locaux et les dépendances longues, tout en étant plus stable et moins gourmand en ressources pour de petits datasets.
• Les LSTM sont particulièrement adaptés pour modéliser la dépendance temporelle longue, essentielle pour analyser la variabilité rythmique et détecter des événements transitoires, mais nécessitent plus de données et une augmentation plus conservatrice.
• La stratégie d’augmentation doit respecter la physiologie du signal : ajouter du bruit léger, faire du scaling d’amplitude, segmenter en fenêtres avec recouvrement, tout en évitant de perturber la cohérence temporelle ou morphologique.
• La quantité d’augmentation recommandée dépend de la taille initiale du dataset : un facteur plus élevé (×15–×30) pour petits datasets (<100 ECG), plus modéré (×5–×10) pour datasets intermédiaires, et limité (×1–×3) pour grands ensembles.
• La stabilité et la performance des modèles s’améliorent avec une augmentation contrôlée, surtout dans des contextes à effectif limité, en combinant augmentation et transfer learning.

💡 À retenir

L’extraction efficace de caractéristiques ECG repose sur l’utilisation de modèles convolutionnels ou hybrides, avec une augmentation de données soigneusement calibrée pour préserver la physiologie, afin d’optimiser la performance tout en garantissant la stabilité et l’interprétabilité du modèle.

📖 3. Augmentation données ECG

🔑 Notions clés & Définitions

• Augmentation de données : Technique consistant à générer artificiellement de nouvelles données à partir des données existantes, afin d'améliorer la robustesse et la généralisation des modèles d'apprentissage automatique, notamment en contexte médical avec peu d’échantillons.

• Fenêtrage : Segmenter le signal ECG en fenêtres temporelles (généralement 2-3 secondes) avec recouvrement partiel pour augmenter le nombre d'exemples tout en conservant l'information clinique.

• Transformations physiologiquement plausibles : Modifications appliquées au signal ECG qui respectent la physiologie cardiaque, telles que l’ajout de bruit léger, le scaling d’amplitude, le décalage temporel, ou la dérive de la ligne de base, afin de préserver la validité clinique.

• Transfer learning : Approche consistant à utiliser un modèle pré-entraîné sur une grande base de données (ex. PTB-XL) pour améliorer la performance sur un petit échantillon, en adaptant le modèle à la nouvelle tâche.

• Facteur d’augmentation : Nombre de fois que le volume de données est artificiellement augmenté, par exemple ×10, ×20, en fonction de la taille initiale du dataset et des contraintes physiologiques.

• Impact sur la performance : L’augmentation contrôlée réduit le surapprentissage, augmente la stabilité du modèle, et diminue les faux positifs et négatifs, tout en respectant la physiologie du signal.

📝 Points essentiels

• La quantité d’augmentation doit être adaptée à la taille du dataset : plus il est petit, plus le facteur d’augmentation doit être élevé, sans dépasser ×50 pour éviter la redondance artificielle.

• Les transformations doivent préserver la morphologie et la structure temporelle des ondes P, QRS, T, pour ne pas biaiser l’étiquetage clinique.

• L’augmentation est appliquée uniquement aux données d’entraînement, en séparant bien les ensembles pour éviter toute fuite d’information.

• La fenêtrage en segments de 2-3 secondes avec recouvrement de 50% est une pratique courante pour augmenter la diversité sans perdre d’information clinique.

• La stratégie d’augmentation doit être combinée avec d’autres techniques comme le transfer learning pour optimiser la performance sur petits échantillons.

• La stabilité et la robustesse du modèle s’améliorent avec une augmentation contrôlée, mais la diversité clinique réelle reste essentielle pour une généralisation optimale.

💡 À retenir

L’augmentation de données ECG, réalisée avec des transformations physiologiquement plausibles, est essentielle pour renforcer la robustesse des modèles en contexte limité, tout en respectant la physiologie cardiaque pour garantir la validité clinique.

📖 4. TTC pour ECG

🔑 Notions clés & Définitions

TTC (Transformée Temporelle Continue)
Méthode d’analyse du signal ECG permettant d’extraire des caractéristiques morphologiques et temporelles en utilisant des modèles de deep learning, notamment CNN, TCN, LSTM, pour la classification ou la détection d’arythmies.

CNN (Convolutional Neural Network 1D)
Réseau de neurones convolutifs unidimensionnels adaptés à l’analyse de signaux bruts, exploitant la structure locale du signal pour extraire automatiquement des caractéristiques discriminantes, efficace pour la morphologie des ondes.

TCN (Temporal Convolutional Network)
Architecture convolutionnelle causale dilatée conçue pour modéliser des dépendances longues dans des séries temporelles, offrant une alternative robuste et stable aux LSTM, tout en étant parallélisable.

LSTM (Long Short-Term Memory)
Type de réseau récurrent capable de mémoriser des dépendances temporelles longues grâce à ses mécanismes de portes, particulièrement utile pour analyser la dynamique séquentielle complexe du ECG.

Augmentation de données
Techniques visant à augmenter artificiellement la diversité du dataset (bruit, scaling, décalage) tout en respectant la physiologie, pour améliorer la robustesse et la généralisation des modèles de deep learning.

Transfer learning
Approche consistant à utiliser un modèle pré-entraîné sur un large dataset (ex. PTB-XL) pour améliorer la performance sur un petit dataset spécifique, en évitant un entraînement from scratch.

📝 Points essentiels

• Les modèles CNN 1D sont privilégiés pour leur efficacité dans l’extraction de caractéristiques morphologiques locales, leur stabilité et leur faible coût computationnel, surtout dans les petits datasets.
• Les architectures TCN offrent un compromis entre CNN et LSTM, capturant à la fois la morphologie locale et les dépendances longues, tout en étant parallélisables et robustes.
• Les LSTM sont adaptés pour modéliser la dynamique temporelle longue, notamment pour la détection d’arythmies ou la variabilité RR, mais nécessitent plus de données et une augmentation plus modérée.
• La stratégie d’augmentation doit respecter la physiologie du signal : ajout de bruit, scaling, décalage, fenêtrage, en évitant la perturbation des relations temporelles.
• La quantité d’augmentation recommandée dépend de la taille du dataset : ×10 à ×30 pour petits datasets, moins pour les datasets plus importants.
• La stabilité, la scalabilité et l’interprétabilité sont des critères clés pour choisir l’architecture adaptée à la tâche clinique.

💡 À retenir

Les architectures CNN, TCN et LSTM sont complémentaires pour l’analyse ECG : le CNN excelle dans la morphologie locale, le LSTM dans la modélisation des dépendances longues, et le TCN offre un bon compromis entre stabilité et capacité de modélisation. La stratégie d’augmentation doit être adaptée à la taille du dataset et respecter la physiologie du signal pour optimiser la performance et la fiabilité du modèle.

📖 5. LSTM ECG

🔑 Notions clés & Définitions

• LSTM (Long Short-Term Memory) : Type de réseau de neurones récurrent conçu pour modéliser efficacement les dépendances temporelles longues grâce à ses mécanismes de portes (input, forget, output), permettant de mémoriser ou d’oublier des informations sur plusieurs cycles du signal ECG.

• Dépendances temporelles longues : Relations ou motifs présents dans le signal ECG s’étendant sur plusieurs battements ou segments, essentiels pour détecter des anomalies comme la fibrillation ou la variabilité RR.

• Gate (porte) : Composant de l’architecture LSTM contrôlant le flux d’informations, permettant de retenir ou de libérer des données dans la mémoire interne pour une meilleure modélisation du contexte.

• Vanishing gradient (gradient qui disparaît) : Problème rencontré dans l’apprentissage des réseaux récurrents classiques, où le gradient devient trop faible pour permettre une mise à jour efficace des paramètres, limitant la capacité à apprendre des dépendances longues.

• Transfer learning : Technique consistant à utiliser un modèle pré-entraîné sur une grande base de données pour améliorer la performance sur un petit dataset, en transférant les connaissances acquises.

📝 Points essentiels

• Les LSTM sont particulièrement adaptés pour analyser le contexte séquentiel du signal ECG, notamment pour la détection d’arythmies ou de variabilités prolongées, grâce à leur capacité à mémoriser des informations sur plusieurs cycles.

• Leur complexité accrue nécessite généralement un volume de données plus important pour un entraînement stable, mais ils offrent une meilleure modélisation des dépendances longues que les CNN.

• La quantité d’augmentation de données recommandée pour les LSTM est plus modérée (×5 à ×20) afin de préserver la cohérence temporelle et éviter de perturber la dynamique du signal.

• Sur de petits datasets, un CNN léger peut parfois surpasser un LSTM en stabilité, sauf si une stratégie de transfert learning est appliquée.

• La sensibilité aux distorsions séquentielles impose une augmentation prudente, privilégiant des transformations physiologiquement plausibles comme le bruit léger, le scaling ou le fenêtrage.

💡 À retenir

Les LSTM sont essentiels pour exploiter la dynamique temporelle longue du signal ECG, mais leur entraînement demande une gestion rigoureuse des données et des augmentations pour éviter la perte de cohérence séquentielle.

📖 6. Comparaison architectures

🔑 Notions clés & Définitions

• CNN (Convolutional Neural Network) : Réseau de neurones utilisant des filtres convolutifs pour extraire des motifs locaux dans des données structurées en grille, adapté à l’analyse morphologique des signaux comme l’ECG.
• LSTM (Long Short-Term Memory) : Type de réseau récurrent conçu pour modéliser des dépendances temporelles longues grâce à des mécanismes de portes, idéal pour analyser la dynamique séquentielle du signal ECG.
• TCN (Temporal Convolutional Network) : Réseau convolutionnel causal dilaté permettant de capturer des dépendances longues dans les séries temporelles tout en étant entièrement parallélisable, combinant avantages des CNN et des RNN.
• Augmentation de données : Techniques visant à augmenter artificiellement la diversité des données d’entraînement (ex : bruit, scaling, fenêtrage), essentielles pour améliorer la robustesse des modèles en petits datasets.
• Principe d’Occam : Recommandation selon laquelle, lorsque des modèles simples comme CNN 1D donnent de bonnes performances, il est préférable d’éviter la complexité inutile pour favoriser la stabilité, l’interprétabilité et la généralisation.

📝 Points essentiels

• Les CNN 1D sont privilégiés pour l’analyse morphologique locale du signal ECG, avec une complexité modérée, une parallélisation facile, et une bonne stabilité en petits datasets.
• Les LSTM sont adaptés pour modéliser des dépendances temporelles longues, mais nécessitent plus de données et une augmentation plus conservatrice pour éviter la perturbation de la dynamique séquentielle.
• Les TCN offrent un compromis robuste, capturant à la fois la morphologie locale et la dépendance longue, tout en étant plus stable que les LSTM dans les petits ensembles de données.
• La stratégie d’augmentation doit respecter la physiologie du signal : transformations plausibles, conservation de la morphologie, et cohérence inter-leads.
• La quantité d’augmentation recommandée dépend de la taille du dataset : plus il est petit, plus l’augmentation doit être modérée pour éviter le surapprentissage ou la distorsion du signal.

💡 À retenir

Les architectures CNN, TCN et LSTM présentent des avantages spécifiques pour l’analyse ECG : le CNN pour la morphologie locale, le LSTM pour la dépendance temporelle longue, et le TCN comme un compromis robuste. Le choix de l’architecture et de la stratégie d’augmentation doit s’appuyer sur la nature du signal, la taille du dataset, et l’objectif clinique, en privilégiant la simplicité et la plausibilité physiologique pour garantir la stabilité et la généralisation.

📖 7. Stratégies augmentation

🔑 Notions clés & Définitions

• Augmentation de données : Technique consistant à créer de nouveaux exemples à partir des données existantes en appliquant des transformations contrôlées, afin d'améliorer la robustesse et la généralisation des modèles d'apprentissage profond.

• Fenêtrage : Segmenter un signal continu en sous-ensembles (fenêtres) de durée spécifique, souvent avec recouvrement, pour augmenter artificiellement le nombre d'exemples tout en conservant la structure temporelle.

• Transformations physiologiquement plausibles : Modifications appliquées aux signaux ECG (ex. bruit léger, scaling, décalage temporel) qui respectent la physiologie cardiaque pour ne pas altérer la validité clinique des données augmentées.

• Facteur d’augmentation : Coefficient multiplicateur indiquant combien de fois le volume de données d’origine est augmenté par la duplication et la transformation des exemples (ex. ×10, ×20).

• Transfer learning : Approche où un modèle pré-entraîné sur un grand ensemble de données est adapté à une tâche spécifique avec un petit dataset, permettant de bénéficier de connaissances préalables pour améliorer la performance.

📝 Points essentiels

• La quantité de données nécessaires pour entraîner efficacement un modèle dépend fortement de la complexité de l’architecture et de la taille du dataset initial ; un seuil minimal d’environ 1 000 ECG est souvent requis pour une stabilité acceptable.

• L’augmentation de données est cruciale dans les études à faible effectif, notamment pour réduire le surapprentissage, améliorer la robustesse face aux artefacts et augmenter la diversité des signaux.

• Les transformations doivent préserver la morphologie physiologique des ondes ECG et respecter la cohérence temporelle, notamment en appliquant l’augmentation uniquement sur l’ensemble d’entraînement après séparation des données par patient.

• Le facteur d’augmentation recommandé varie selon la taille du dataset : jusqu’à ×30 pour très petit, entre ×5 et ×10 pour des datasets intermédiaires, et limité à ×3–×5 pour de grands ensembles.

• La stabilité et la performance du modèle s’améliorent généralement avec une augmentation contrôlée, mais une augmentation excessive peut introduire de la redondance et nuire à la généralisation.

💡 À retenir

L’augmentation de données, réalisée avec des transformations physiologiquement plausibles, est essentielle pour renforcer la robustesse des modèles d’analyse ECG, surtout dans les contextes de petits datasets, en permettant une meilleure généralisation tout en respectant la physiologie cardiaque.

📖 8. Taille dataset ECG

🔑 Notions clés & Définitions

• Taille du dataset : nombre total d’enregistrements ECG utilisés pour entraîner un modèle de Deep Learning. Plus la taille est grande, meilleure la capacité de généralisation du modèle.
• Seuil minimal d’entraînement : nombre d’enregistrements nécessaire pour obtenir une performance stable, généralement autour de 1 000 ECG.
• Data augmentation (augmentation de données) : techniques visant à augmenter artificiellement la diversité des signaux ECG d’entraînement en appliquant des transformations physiologiquement plausibles (bruit, scaling, décalage temporel).
• Transfer learning : méthode consistant à utiliser un modèle pré-entraîné sur une grande base de données (ex. PTB-XL) pour améliorer la performance sur un petit dataset.
• Effet de la taille sur la performance : plus le dataset est volumineux (au-delà de 5 000 ECG), plus les modèles atteignent des performances robustes, mais au-delà, l’intérêt de l’augmentation diminue.
• Surapprentissage : phénomène où le modèle apprend trop précisément les données d’entraînement, perdant sa capacité à généraliser, souvent dû à une taille de dataset insuffisante.

📝 Points essentiels

• La performance des modèles Deep Learning appliqués à l’ECG dépend fortement de la taille du dataset, avec un minimum d’environ 1 000 ECG pour une stabilité acceptable.
• Les bases de référence comme PTB-XL (21 837 ECG) sont standard pour l’évaluation des modèles, permettant de garantir une généralisation.
• Lors de petites études (ex. 50–80 ECG), le transfert learning et l’augmentation de données sont indispensables pour compenser la faible taille.
• La croissance du dataset améliore la robustesse et la précision, mais nécessite souvent des ressources importantes.
• La stabilité du modèle augmente avec la taille, réduisant le risque de surapprentissage et améliorant la fiabilité clinique.

💡 À retenir

La taille du dataset ECG est cruciale : au-delà de 5 000 enregistrements, les modèles atteignent une performance robuste, mais pour de petits échantillons, l’utilisation de techniques comme le transfer learning et l’augmentation de données est essentielle pour garantir la stabilité et la fiabilité des résultats.

📖 9. Interprétabilité modèles

🔑 Notions clés & Définitions

• Interprétabilité : Capacité à comprendre et expliquer le fonctionnement d’un modèle d’apprentissage automatique, notamment comment il prend ses décisions.
• Méthodes d’explicabilité : Techniques permettant de visualiser ou quantifier l’impact des différentes parties d’un modèle sur ses prédictions. Exemples : Grad-CAM, SHAP.
• Grad-CAM (Gradient-weighted Class Activation Mapping) : Technique qui localise dans une image ou un signal les régions influençant la décision d’un modèle convolutionnel, en utilisant les gradients.
• SHAP (SHapley Additive exPlanations) : Méthode basée sur la théorie des jeux pour attribuer l’importance de chaque caractéristique dans la prédiction d’un modèle.
• Modèles "black box" : Modèles complexes et peu transparents, comme certains réseaux profonds, difficiles à interpréter.
• Modèles "white box" : Modèles simples ou conçus pour être explicables, comme les arbres de décision ou les règles logiques.

📝 Points essentiels

• L’interprétabilité est cruciale en cardiologie numérique pour renforcer la confiance des cliniciens et assurer la conformité réglementaire.
• Les méthodes comme Grad-CAM et SHAP permettent de localiser précisément les segments du signal ECG ou les caractéristiques qui influencent la décision du modèle, facilitant leur validation clinique.
• Les architectures CNN 1D sont naturellement compatibles avec ces techniques d’explicabilité, car elles permettent de visualiser les zones du signal ayant contribué à la classification.
• La simplicité relative des modèles (ex : CNN 1D) favorise une meilleure compréhension et une acceptabilité clinique accrue, contrairement aux architectures très complexes (Transformers, hybrides).
• La balance entre performance et explicabilité doit guider le choix du modèle, en privilégiant la transparence lorsque la performance est comparable.
• La stabilité et la reproductibilité des méthodes d’explicabilité sont essentielles pour leur intégration dans la pratique clinique.

💡 À retenir

L’interprétabilité des modèles, notamment via Grad-CAM ou SHAP, est indispensable pour assurer la confiance clinique et la validation des décisions automatisées en cardiologie numérique, en particulier avec des architectures convolutionnelles adaptées à l’analyse du signal ECG.

📊 Tableaux de Synthèse

Modèles CNN 1D	Modèles CNN / TCN / LSTM	Stratégies d'augmentation
Utilise des filtres convolutionnels appliqués à des données séquentielles pour extraire des caractéristiques locales.	CNN : extraction locale, TCN : dépendances longues, LSTM : mémoire séquentielle longue.	Fenêtrage, ajout de bruit, scaling, décalage temporel, recouvrement.
Adapté à l’analyse de l’ECG brut, performant, facilement parallélisable.	TCN : stabilité, moins gourmand, capture dépendances longues.	Augmentation contrôlée selon la taille du dataset.
Interprétabilité via Grad-CAM ou SHAP.	LSTM : modélise la variabilité rythmique, nécessite plus de données.	Respect de la physiologie, transformations plausibles.
Favorise la simplicité, stabilité, et interprétabilité.	Transfer learning possible pour petits datasets.	Limiter la factorisation d’augmentation pour éviter la dégradation.

⚠️ Pièges & Confusions Fréquentes

1. Confondre CNN 1D avec CNN 2D : le premier traite des signaux séquentiels, le second des images.
2. Surestimer l’interprétabilité des modèles complexes sans méthodes explicatives (Grad-CAM, SHAP).
3. Appliquer une augmentation non physiologiquement plausible, déformant la morphologie du signal.
4. Négliger la taille du dataset lors du choix de la stratégie d’augmentation : trop peu d’augmentation pour grands datasets.
5. Confondre Fenêtrage et recouvrement : le recouvrement augmente artificiellement la taille des données.
6. Ignorer la dépendance temporelle dans l’analyse ECG, surtout avec LSTM ou TCN.
7. Utiliser des modèles complexes sans considération pour la stabilité ou la robustesse en contexte clinique.

✅ Checklist Examen

• Maîtriser la différence entre CNN 1D, TCN, et LSTM pour l’analyse ECG.
• Connaître les principes d’interprétabilité des modèles CNN appliqués à l’ECG.
• Savoir comment appliquer une augmentation de données physiologiquement plausible.
• Être capable d’expliquer l’intérêt du fenêtrage et du recouvrement dans l’augmentation.
• Identifier les avantages et limites de chaque architecture (CNN, TCN, LSTM).
• Comprendre le principe de parcimonie dans la modélisation ECG.
• Savoir quand utiliser le transfer learning pour petits datasets.
• Connaître la taille recommandée du dataset pour différentes stratégies d’augmentation.
• Identifier les pièges liés à l’interprétation des modèles et à l’augmentation.
• Être capable de comparer l’efficacité des différentes architectures pour une tâche donnée.
• Vérifier la cohérence physiologique lors de l’application des transformations.
• Vérifier la stabilité et la performance du modèle avec des données augmentées.