Evidential mono- and multi-label classification : Application to cardiovascular diseases detection
Classification évidentielle mono- et multi-label : application à la détection de maladies cardio-vasculaires
Résumé
This thesis focuses on the detection of cardiovascular diseases through the monitoring of physiological signals. The objective is to develop mono- and multi-label classification approaches, based on the theory of belief functions, to predict or diagnose a complication linked to one or more cardiovascular diseases. First, an approach providing parameter extraction and information modeling in an evidential framework is developed to predict atrial fibrillation, a cardiac arrhythmia. An extension of this approach uses a reject classification option and alternative information modeling. The thesis then broadens the field of application to cover several cardiovascular diseases at the same time. The problem is thus defined as a multi-label classification where the labels represent features of the diseases. A multi-label classification approach is developed in the evidential domain which makes use of correlations between diseases to increase diagnostic accuracy. Finally, a theoretical approach of multi-label classification, which takes advantage of the correlation between labels, has been proposed. This ensemble method allows for efficient multi-label classification. The proposed approaches are validated using a public medical database, MIMIC III, hosted on Physionet.
Cette thèse porte sur la détection de maladies cardio-vasculaires grâce à la surveillance de signaux physiologiques. L’objectif est de développer des approches de classification mono- et multi-label, basées sur la théorie des fonctions de croyance, pour prédire ou diagnostiquer une complication liée à une ou plusieurs maladies cardio-vasculaires. D’abord, une approche proposant une extraction de paramètres et une modélisation de l'information dans un cadre évidentiel est développée pour prédire la fibrillation atriale, une arythmie cardiaque. Une extension de cette approche utilise une option de rejet de classification et une modélisation alternative de l'information. La thèse élargit par la suite le domaine d’application pour couvrir plusieurs maladies cardio-vasculaires à la fois. Le problème est alors défini comme une classification multi-label où les labels représentent des traits caractéristiques des maladies. Une approche de classification multi-label est développée dans le domaine évidentiel qui se sert des corrélations entre les maladies pour accroître la précision du diagnostic. Enfin, une approche théorique de classification multi-label qui profite de la corrélation entre les labels a été proposée. Cette méthode d’ensemble permet de classifier en multi-label de manière efficace. Les approches proposées sont validées grâce à une base de données médicale publique, MIMIC III, hébergée sur Physionet.
Origine : Version validée par le jury (STAR)