Détection des signaux cardiaques anormaux

Description du problème

Dans ce problème, on cherche à développer un modèle de classification d'images capable de distinguer entre des signaux ECG normaux et ECG anormaux, à partir d'un ensemble de données contenant des informations médicales réelles.

Les données fournies dans le cadre de ce problème sont représentées sous forme d'images ECG, chaque image correspondant à un enregistrement complet de l'activité électrique du cœur pour un patient. Les images peuvent être utilisées directement comme données d'entrée pour des modèles de classification d'images.

Qu'est-ce qu'un ECG ?

ECG (Électrocardiogramme) est un examen médical non invasif qui enregistre l'activité électrique du cœur dans le temps.
Chaque battement du cœur est contrôlé par des impulsions électriques, et l'ECG mesure ces signaux en utilisant des électrodes placées sur la surface du corps.

L'ECG est largement utilisé pour :

• détecter les arythmies cardiaques
• identifier l'infarctus du myocarde
• surveiller le rythme cardiaque
• évaluer l'état général du cœur

Les anomalies dans le signal ECG peuvent indiquer des affections cardiaques graves, raison pour laquelle l'automatisation du processus d'analyse est extrêmement importante dans la pratique médicale.

L'ensemble de données

L'ensemble de données utilisé contient des enregistrements ECG prétraités, avec les caractéristiques suivantes :

• Chaque exemple correspond à un patient
• Chaque ECG est composé de 140 points de mesure
• Chaque image est étiquetée avec :
  • 0 – ECG normal
  • 1 – ECG anormal

Les données sont organisées dans des fichiers CSV :

• train.csv – images et étiquettes pour l'entraînement
• test.csv – images sans étiquettes (pour l'inférence)

Objectif du problème

Le but est de construire un modèle de classification d'images qui, sur la base d'une image ECG, prédit si le signal cardiaque est normal ou anormal.

Le modèle doit :

• apprendre des motifs visuels pertinents à partir des signaux ECG
• généraliser correctement sur des données non vues
• obtenir de bonnes performances sur l'ensemble de test

Fichier de soumission

À la fin, vous générerez un fichier submission.csv de la forme :

1image_path,label2images/ecg_000001.png,03images/ecg_000002.png,1

Évaluation

La métrique utilisée pour l'évaluation du modèle est la précision :

1accuracy = (nombre_prédictions_correctes / nombre_total_prédictions)

Barème de notation

• accuracy ≥ 98% → 100 points
• accuracy < 90% → 0 point
• sinon → score proportionnel entre 0 et 100