Reconnaissance des formes en présence d'incertitude sur l'expertise : application à l'étude des phases d'activation transitoire du sommeil chez l'homme

Pattern recognition under uncertainty in expertise : application to the phasic arousals in human sleep

• Auteur / Autrice : Geoffroy Viardot
• Direction : Régis Lengellé, Cédric Richard
• Type : Thèse de doctorat
• Discipline(s) : Sûreté des systèmes
• Date : Soutenance en 2002
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube)

Mots clés

Mots clés contrôlés

Acquisition des connaissances (systèmes experts)

Incertitude (théorie de l'information)

Fusion multicapteurs

Mots clés libres

Apprentissage semi-supervisé

Fusion de données

Extraction des paramètres

Caractérisation d'expertise

Information mutuelle

Résumé

L'élaboration d'une règle de décision à partir d'une base d'apprentissage suppose en général que l'étiquetage des données utilisées n'est pas entaché d'erreur, et consiste alors en un problème de régression de la variable à expliquer sur l'espace des observations. Cette situation idéale n'est cependant pas toujours réaliste. En effet, l'expertise humaine est en général entachée d'incertitude. On peut en particulier observer ce phénomène si plusieurs experts sont sollicités pour l'étiquetage des données et que leurs avis divergent, phénomène fréquemment rencontré par exemple dans le domaine du traitement des signaux biomédicaux. La littérature propose un certain nombre de travaux relatifs à la prise en compte d'avis divergents lors de l'élaboration d'une règle de décision. Les méthodes correspondantes reposent en général sur la détermination préalable du avis "de référence", obtenu de manière ad hoc à partir de l'ensemble des avis des divers experts. L'objectif de nos travaux est, d'une part, de proposer une solution au problème de la fusion d'avis divergents d'experts sans faire appel à la détermination d'un avis "de référence" et, d'autre part, de quantifier la pertinence des expertises individuelles. Le principe de la méthode présentée repose sur l'optimisation de l'information mutuelle entre les observations et une fonctionnelle des avis des experts. L'interprétation du résultat obtenu permet alors de quantifier le comportement de chacun des experts. Le résultat de la fusion peut enfin être utilisé en vue de l'élaboration d'une règle de décision. La méthode proposée est appliquée avec succès à l'étude d'un phénomène physiologique du sommeil : les phases d'activation transitoire. Elle permet à la fois d'obtenir un étiquetage unique des données et de caractériser conjointement les expertises et l'événement étudié

Decision rules design from training data generally assumes that true labels of data are available. Then design consists of a regression problem of the variables to explain on observation space measurements. Unfortunately this situation is not always realistic due to the frequently corruption of human expertise by uncertainty. This phenomenon clearly appears when data are labelled by a pool of experts who have differing opinions. This often happens in the field of biomedical signal processing. Many works dealing with the use of differing opinions when designing decision rules have been considered in the literature. The main approach consists in synthesizing a consensual opinion from the differing opinions. Our work proposes a new solution to this problem which allows to characterize each expert relevance. It consists in optimizing the mutual information between the observations and a function of the labels provided by the pool of experts. The analysis of results allows th characterize each expert behavior, and the resulting labels can be used to design decision rules. Our method has been successfully applied to phasic arousals chich are transient events visible in poysomnogram during human sleep