Approche hybride basée sur les SVM et les algorithmes génétiques en vue du dépistage de la surdité de perception utilisant les potentiels evoqués auditifs

Abstract

Les Potentiels Evoqués Auditifs (PEA) sont de très petits signaux détectés sur la zone du cortex auditif en réponse à un stimulus sonore (ou électrique) de l'oreille interne au cortex cérébral. Ces signaux sont enregistrés à partir d'électrodes fixées au cuir chevelu et sont utilisés pour mesurer la fonction bioélectrique de la voie auditive. Pour caractériser leur comportement dynamique et en raison du comportement complexe des propriétés dynamiques non linéaires des signaux PEA, la méthode de l'Analyse des Fluctuations Redressées (DFA) est choisie pour estimer la Dimension Fractale (DF) à partir des signaux PEA enregistrés des sujets Normo- Entendants (NE) et Mal-Entendants (ME). Cela vise à détecter leur niveau de seuil d'audition. L’objectif de cette étude vise à développer une approche hybride basée sur les Machines à Vecteurs de Support (SVM) et les Algorithmes Génétiques (AG), capable de classer les deux groupes : les sujets NE et les sujets ME en utilisant les DF. Le rôle des AG, à partir des opérateurs génétiques (selection, croisement, mutation et remplacement), est de trouver les valeurs des hyper-paramètres du modèle SVM et le petit nombre de variables qui maximisent le taux de classification. Nos résultats obtenus indiquent que l'hybridation SVM-AG est prometteuse ; l’AG est capable de bien déterminer les paramètres du classifieur SVM les plus appropriés, parmi un grand ensemble de paramètres, ce qui a permis à l’approche proposée d'obtenir un taux de classification supérieure à 98%. L’AG a également pu réduire les dimensions de la Base Données afin de n'utiliser que le sous-ensemble des variables les plus importantes, ce qui a permis à notre approche hybride de réduire le coût de calcul.