Deep Learning 1 — ECG200 classification

Projet final de Deep Learning 1 : comparaison de modèles profonds pour classifier des signaux ECG normaux/anormaux sur le dataset ECG200.

Objectif

Comparer plusieurs architectures vues en cours :

• MLP : baseline dense.
• CNN 1D : extraction de motifs locaux dans le signal ECG.
• RNN/LSTM : modèle séquentiel, à ajouter dans src/models.py par le collègue chargé de cette partie.

Le projet sauvegarde automatiquement les métriques, courbes d'entraînement, matrices de confusion et informations de complexité.

Installation

python -m venv .venv
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate   # Windows

pip install -r requirements.txt

Lancer les expériences

Par défaut, les modèles actuellement implémentés sont entraînés : mlp et cnn.

python -m src.train

Pour lancer un seul modèle :

python -m src.train --models mlp
python -m src.train --models cnn

Pour plusieurs seeds :

python -m src.train --models mlp cnn --seeds 0 1 2 3 4

Quand le RNN/LSTM sera implémenté dans src/models.py :

python -m src.train --models mlp cnn rnn --seeds 0 1 2 3 4

Résultats générés

results/
├── metrics.csv
├── confusion_matrices/
└── training_curves/

metrics.csv contient notamment :

• accuracy
• precision
• recall
• f1-score
• nombre de paramètres
• temps d'entraînement
• temps d'inférence
• temps moyen d'inférence par échantillon
• taille du modèle sauvegardé

Structure

DeepLearning/
├── README.md
├── requirements.txt
├── src/
│   ├── data.py
│   ├── models.py
│   ├── train.py
│   ├── evaluate.py
│   └── utils.py
├── results/
│   ├── metrics.csv
│   ├── confusion_matrices/
│   └── training_curves/
└── report/
    └── rapport.pdf

Notes méthodologiques

• Les données ECG200 sont lues avec header=None, car les fichiers TSV n'ont pas d'en-tête.
• Le scaler est ajusté uniquement sur l'ensemble d'entraînement pour éviter toute fuite de données.
• Le split validation est stratifié pour préserver la proportion des classes.
• Le test set n'est utilisé qu'à la fin pour évaluer le modèle sélectionné sur validation.
• Les courbes train/validation permettent de discuter underfitting et overfitting dans le rapport.