Pilotage d’algorithmes

Présentation au sujet: "Pilotage d’algorithmes"— Transcription de la présentation:

1 Pilotage d’algorithmes
Un tour des différents systèmes de monitoring intelligent et de pilotage d’algorithmes Présentation de l’évaluation du contexte signal Compréhension retirée des articles traitant du pilotage et des systèmes de monitoring

2 Sommaire Situation du problème Le monitoring intelligent
Le pilotage d’algorithmes Notre approche L’évaluation du contexte signal

3 Situation du problème Résultats PISE :
les erreurs de détection entraînent encore plus d’erreurs à la reconnaissance Nécessité d’améliorer la détection intégrer la prédiction pour accroître la qualité de la détection (Carrault et al. 1999) Sous contraintes temps-réel Reconfiguration à partir des chroniques susceptibles d’être reconnue -> modifier le TS Dans PISE pas de gestion des bruits

4 Le monitorage intelligent
Définition du monitoring intelligent selon Uckun (1993) dans (Dojat 1996): 1) Collecte des données en temps-réel 2) Diagnostic à partir des observations 3) Prédiction de l’évolution du système 4) Construction d’un plan d’action et génération rapide d’alarmes dans les cas graves 5) Pour les systèmes bouclés, exécution des actions planifiées Monitoring : Ensemble de techniques permettant d'analyser, de contrôler, de surveiller soit, en électronique, la qualité d'un enregistrement, soit, en médecine, les réactions physiopathologiques d'un patient (def. : definition du monitoring intelligent selon Uckun. On peut déja faire un raprochement avec PISE. le 1) correspond au traitement du signal 2 ) correspond à CRS les 3) 4) 5) vont être integré dans CEPICA.

5 Exemples de systèmes (Dojat) Monitoring de patients sous assistance respiratoire
Décomposition de la tâche générique de supervision (Chandrasekaran 1986) en sous tâches (Stefanelli 1992) : diagnostic thérapie monitoring qui sont elles mêmes redécomposées par Dojat et al. Imitation du raisonnement du praticien « Aggregation » et « forgetting » Utilisation des notion temporelles d’état, d’évenements, d’évolutAu cours du temps plusieurs états peuvent être accumulés, le praticien reconnaît les états similaires (aggregates) les interruptions (break) et oublie les événements non-importants (forgetting) L'agrégation et l'oublie permettent de modifier dynamiquement la taille et la location de la fenetre mettant en lumiere les informations temporelles pertinentes ion

6 Modèle de raisonnement
- DP data processing : l'opérateur collecte les infos de plusieurs sources pour characteriser la situation courante. - C1 classification : la situation courante est definit qualtitativement par comparaison avec differents cas - TR1 temporal Reasoning, l'operateur évalue l'évolution du comportement du systeme et apprecie la stabilite ou les changement dans le comportement - C2 la situation est comparer à plusieurs scénarios afin de permettre une prédiction - C3 comparaison entre l'évolution prédite et l'évolution espérée de l'opérateur qui permet une estimation de l'efficacite de l'action precedente AP1 - Action plannig - TR2 Temporal Reasoning : cette étape analyse la coherence entre entre le nouvel état idéal et l'évolution courant - AP2 Action Planning rafinement du premier - AE Action execution

7 Exemples de systèmes : Guardian monitoring des patients après opération chirurgicale cardiaque
Système d'agent autonome Architecture flexible Coopération d’algorithmes Production de diagnostics et des traitements appropriés

8 Algorithmes généraux de Guardian
Focus : mise à jour des paramètres tFPR : paramètres -> signes ReAct : arbre de décision, nœuds -> actions PCT : algorithme de vérification de pattern MFM : utilisation de modèle(s) pour la prédiction SPIN : instanciation de squelettes de plan Chaque algorithme a sa propre représentation et base de connaissance. Les données ont aussi une représentation standard - tFPR(temporal fuzzy pattern recognizer) - ReAct action-based hierarchies, - PVC parsimonious covering theory - MFM (multi-level flow models) - PCT a general pattern-matching algorithm

9 Le pilotage d’algorithmes
Le pilotage, imitation d’un expert (Shekhar 1994) : 1(a) – Sélection, ordonnancement, planification, édition de liens 1(b) – Initialisation des paramètres, exécution et contrôle 2 – Interprétation des résultats, réglage Algorithmes : nature indépendante du domaine mais leur utilisation -> dépendante du domaine Formalisme (signal, algorithme, …) Planification Architecture Base de connaissance et Règles de sélection Suivi de l’exécution Dans chaque vision la notion de domaine dépendant va influencer toute la suite. Les concepts seront differents aussi, la planification va faire appel à plusieurs façon de voir ce qui amenera à une architectruire dif. Quasiment tous les article uitlise des règle et bases

10 Domaines dépendant et indépendant
Formalisme temporel classique (McDermott, Allen, Dechter,…) pas assez puissant pour décrire les situations réelles Les considérations dépendantes du domaine doivent être prise en compte (Dojat, Dalle, Lesser, Larsson, Shekhar,…) tous s'accordent à dire que des considerations dependentes du domaine doivent être integrées dans le raisonnement. Par contre, les façons de lier les deux peuvent être complement differentes. Dans PISE, tous ce qui est dependent du domaine est placé dans le traitement du signal, l'apprentissage un peu (les biais) et CRS pas du tout.

11 Vision de Lesser et al. IPUS Paradigm
IPUS : Integrated Processing and Signal Understanding Implémentation d’un paradigme pour structurer l'interaction entre traitement et interprétation Introduction des notions de « distortion » et « discrepancy » IPUS deux prémisse : 1) la recherche de l ’interprétation correcte des sorties des algorithmes de TS exige la recherche simultanée (concourante) de SPAs et des paramètres de contrôle appropriés à l'environnement et 2) l'interaction entre ces processus de recherche doit être structurée selon une théorie formelle. Comment l'utilisation de SPA inopportune peut déformer la sortie du SPA (signal processing algorithm) distortion : erreur de choix d ’un algo pour une tache et discrepancies : erreur au resultat permettre une interaction de haut niveau entre solutions théorique en TS et heuristiques en interprétation du signal.

12 Architecture générique de IPUS
Données analysées en blocs Deux types d ’hypothèses d ’interprétation du signal sont stockés sur le tableau hiérarchique : les interprétations actuelles des données et interprétations espérées des futures données. SOU : Source of Uncertainty

13 Vision de Shekar et al. Signal processing and signal understanding
SP : choix et réglage des méthodes pour un but donné SU : appariement des « preuves valables » avec un modèle ou une accumulation de preuves pour vérifier une hypothèse

14 Formalisme et concepts
(Dalle et al.) : langage de description à plusieurs niveaux (utilisateur-> bas niveau) Shekhar : concepts de signal, système, but, opérateurs, plan, … Guardian : paramètre, pattern, signe, test, maladie, plan et actions Dojat : formalisme pour l’abstraction temporelle, action, événement, chronique, ... Langage pour faire communiquer les différentes entités

15 L’architecture (Shekhar)
Système basé connaissances qui utilise des frames et des productions de règles comme représentation de la connaissance Il fournit des mécanismes pour : Description du problème (données, contexte, …) Planning Contrôle de l’exécution

16 La planification La planification IA classique non utilisable
Les tâches de TS ont déjà un ordre naturel (squelette de traitement) Règles de choix entre différents opérateurs de même but En image (Dalle, Thonnat et Clément) : Opérateurs à ordonnancer Définition de la requête (à partir des données) Réalisation des liens but-opérateur En image la requete est souvent vu comme venant de l ’utilisateur -> traduction du but de l ’utilisateur en but bas niveau La planification IA classique est non utilisable (les états de transformation ne peuvent être clairement définis). Les tâches de TS ont déjà un ordre naturel (squelette de traitement) (Shekhar). En TS le systeme est plus vu pour évoluer seul cela provient peut être du fait que l ’interpretation du résultat et plus facile en image qu ’en TS.

17 Liens entre les entités lors d’une requête
Exemple tirer de plusieurs articles de Shekhar Moisan Thonnat Déroulement : requête de départ, analyse du but et planification avec les règles de choix, mise en place de la chaîne de traitement des opérateurs de base (connexion entre eux par requête), exécution, évaluations des résultats, ajustement si nécessaire. analyse de la requête : decomposition en sous-but pour arriver aux but elementaires correspondant à l ’opératuer de base.

18 Base de connaissance Opérateurs de base, règles de contrôle et de choix (Shekhar) Modèles de comportements et plans (Guardian) Modèles d’évolutions (Dojat) Modèles de SPA pour « discrepancy » et « distortion » (IPUS)

19 L'exécution Pour contrôler l’exécution et agir sur le système (Shekhar) Règles d’initialisation Règles d’évaluation Règles d’ajustement Ce contrôle périodique ou événementiel Contrôle à l’intérieur même des algorithmes (IPUS) Raisonnement pour le planning et raisonnement pour l’exécution

20 Le contexte Contexte jamais clairement défini mais important dans tous les systèmes Il est fortement dépendant du domaine Pour Shekhar : informations comme les spécifications de l’utilisateur, les types de capteurs, … Pour Dojat : états courants ?

21 L’approche en cours d'élaboration
Utilisation de plans prédéfinis (squelettes) Mise en place d’une prédiction de l’arythmie Concepts de buts, tâches, algorithmes, paramètres, … Contexte dynamique Contexte signal Contexte arythmique Contexte patient ???

22 L ’évaluation ne sera surement pas en continu.

23 L’évaluation du contexte signal
But : évaluer le bruit présent sur la ligne (Soulas et al.) Caractériser le signal Les résultats permettront : Choisir les algorithmes Paramétrer les algorithmes de traitement du signal Envoyer une alarme en cas de perte de ligne

24 Système d’évaluation du contexte signal
Transformation de Soulas et al.

25 Ondulation de la ligne de base
Données cliniques Bruit myoélectrique Ondulation de la ligne de base possède non seulement du bruit BF mais aussi par endroit du bruit myoélectrique (HF)

26 Décomposition-recomposition

27 Calcul des énergies Detection de ruptures

28 Décision Décision en fonction des seuils,

29 Suite des travaux Étudier l’architecture du pilotage, constituer les buts, les tâches,… Finir et valider l’évaluation du contexte signal Étudier et développer la prédiction arythmies (CRS) Constituer la base d’algorithmes Constituer la base de règles

30 Conclusion Vision approchant sensiblement celle de Shekhar et al. mais plus concrète Signaux TS pas évidents à manipuler et difficile de fonctionner par états Certains paramètres peuvent être indépendants du contexte arythmique (seuils, …) Certains autres dépendants (taille de fenêtre de détection, …) Utilisation de squelettes (buts, tâches, …) Certains parametres peuvent etre changé en continue d’autres par à coup Généralisation difficile Squelettes, GUARDIAN, Shekhar

31 Eléments de bibliographie
V. Lesser, H. Nawab et al., Integrated signal processing and signal understanding,TR 91-34, Comp. Science Dept., 1991 C.Shekhar, S.Moisan et M. Thonnat,Towards an intelligent problem-solving environment for signal processing , Mathematics and Computers in Simulation 1994 M. Dojat et C. Sayettat, A realistic model for temporal reasoning in real-time patient monitoring, App. Art. Int., 1996 J.E. Larsson et B. Hayes-Roth, Guardian : an intelligent autonomous agent for medical monitoring and diagnosis, IEEE Intelligent Systems 1998 T. Soulas, G.Le Certen et al., Algorithm switching in real time monitoring, Symposium on Electronics and Telecommunications (ETC), 1998 G. Carrault, M. Cordier et al., A model-based approach for learning to identify cardiac arrhythmias,AIMDN, 1999