Apprentissage multisource par programmation logique inductive : application à la caractérisation d'arythmies cardiaques

This work belongs to the field of knowledge discovery from data coming from several sources that describe a sole phenomenon. The aim is to improve the quality of monitoring systems. When data are redundant, several sources can help the system to cope with the loss of a signal or the presence of important noise. When sources are complementary, the joint use of all the data coming from the different sources can improve the detection performances of the systems. Our work is applied to cardiac arrhythmia diagnosis. We use a relational learning technique (inductive logic programming) to learn discriminating rules that characterize cardiac arrhythmias from different leads of an electrocardiogram and a measure of arterial blood pressure. To exploit redundant sources, we designed appropriate solutions to learn accurate monosource rules from data coming from each source separately. If the sources are complementary, a naive multisource learning method that consists in aggregating the data of all the sources and then learn globally from the whole set of data with a learning bias as few restrictive as possible, is a first solution to produce rules that contain relationships between events occurring on the different sources. However, this technique is not efficient and the huge search space associated with the set of possible solutions for the multisource problem leads to unsatisfactory solutions when using a relational learner. To solve those dimensionality problems, we have proposed a new multisource learning method that uses monosource rules to bias automatically and efficiently a new learning process from the aggregated data. The work has been done in the context of the Cepica project. The results show that the proposed method is much more efficient than learning directly from the aggregated data. Furthermore, it yields rules having better or equal accuracy than rules obtained by monosource learning. Besides, the learned rules have been transformed into chronicles and implemented in the cardiac monitoring system Calicot and tested with encouraging results on real noisy signal.Ce travail a pour thème l'extraction de connaissances à partir de données provenant de plusieurs sources reflétant un même phénomène. L'objectif visé est l'amélioration de la qualité des systèmes de surveillance. Lorsque les données sont redondantes, l'utilisation de plusieurs sources permet de pallier aux problèmes de perte de signal et de bruit. Lorsque les données sont complémentaires, l'utilisation conjointe des différentes sources permet d'augmenter les performances en détection de ces systèmes. Nous appliquons nos travaux au domaine du diagnostic d'arythmies cardiaques. Nous utilisons une technique d'apprentissage artificiel relationnel (la programmation logique inductive) pour apprendre des règles discriminantes permettant de caractériser les arythmies à partir de plusieurs voies d'un électrocardiogramme et de mesures de pression artérielle. Pour exploiter la redondance des sources, nous apprenons dans un premier temps, des règles à partir des données des différentes sources prises séparément. Pour exploiter la complémentarité des sources, un apprentissage multisource naïf consisterait à apprendre globalement sur l'ensemble des données et avec un langage d'expression des concepts permettant de couvrir toute la richesse des données représentées. En alternative à un tel type d'apprentissage, nous proposons une méthode plus efficace qui s'appuie sur des apprentissages monosources, ie. effectués sur chacune des sources séparément, pour biaiser l'espace de recherche multisource. Le fait de s'appuyer sur les règles monosources permet de restreindre le langage des hypothèses ainsi que le nombre de relations possibles entre les objets représentés sur les différentes sources. Ce travail a été effectué dans le cadre du projet RNTS (Réseau National des Technologies et de la Santé) Cepica. Les résultats montrent que les règles apprises par apprentissage multisource sont au moins aussi bonnes que les règles monosources dans le cas où les données sont redondantes et meilleures dans les cas où les sources sont complémentaires. La technique d'apprentissage biaisé permet en outre d'apprendre des règles de manière beaucoup plus efficace que dans le cas naïf en bénéficiant d'un biais de langage généré automatiquement. Ces nouvelles règles sont incorporées au système Calicot pour la surveillance de patients souffrant de troubles du rythme cardiaque.