Contrôle d’un algorithme d’apprentissage automatique sur des données corrompues, application au diagnostic de la maladie de Parkinson en utilisant des signaux EEG

Abstract

La maladie de Parkinson (MP), caractérisée par une lenteur du mouvement, des tremblements et de la rigidité, est l'une des maladies neurodégénératives la plus courante. Différentes études portent sur l'utilisation des signaux d'électroencéphalogramme (EEG) pour le diagnostic précoce de la MP. Toutefois, leur utilisation pour le diagnostic reste encore difficile. La majorité des travaux reposent sur l'extraction par un expert des discriminants de la maladie, ce qui est coûteux et laborieux. Le présent travail propose un système automatisé de détection de la maladie de Parkinson (MP) utilisant les signaux EEG ainsi qu'un réseau neuronal convolutif (1-D CNN). Nous avons validé notre méthode sur des signaux EEG issue d'un test auditif "3-oddball" réalisé sur 25 malades de Parkinson et 25 individus contrôle appariés selon l'âge et le sexe. Notre modèle arrive à classi er les malades et leurs gurants avec une précision de 88 % et un score F1 de 88.5 %. L'algorithme peut être utilisé pour assister les médecins, mais une plus grande population d'entrainement est souhaitable avant l'utilisation clinique. Nous avons également abordé le problème des mauvaises annotations des données puisque celui-ci est présent dans la majorité des ensembles de données. Notre méthode se base sur un auto-amorçage du réseau permettant ainsi le changement des mauvais labels. Cette dernière approche n'a pas abouti à des résultats concluants.