Prétraitements

Il faut intégrer le code de Nour dans ce notebook

Lien notedbook : https://colab.research.google.com/drive/13p8E_YmWwedeF0qktLFrJMufNOK9hdsj?usp=sharing

• Si échantillon de données négatif alors multiplier par (-1)

L'idée est d'avoir des données positives sans perdre l'information s'il y a des valeurs négatives qui seront traitées après

• Si les valeurs sont en dehors des bornes pendant 15 min alors le capteur est HS

• Si les données ne sont pas dans l'interval [0, 800] on prend la dernière données valide

Ex : 254;268;235;842;254;269 → 254;268;235;235;254;269

• S'il y a des tous dans les données alors on comble la valeur par la dernière valeur valide
• Python :

def missed_data_process(data:pd.core.frame.DataFrame, freq='10S'):
  time_index = pd.date_range(start=data.index.min(), end=data.index.max(), freq=freq)
  data = data.resample(freq).interpolate(method='nearest')
  return data
data = missed_data_process(data)

• techniquement la valeur est bonne [0, 800] mais physiologiquement impossible
• (règles à déterminer)
• ajouter un champ pour indiquer si les valeurs sont d'origines ou modifiées par un algo

• appliquer la règle et ajouter une colonne “distance” dans la table

• Projeter les données dans un espace [0,1]

• Ajouter des métriques complémentaires
• Etat : filtration / évitement
• Activité : ouverture / fermeture
• Compléter avec d'autres règles / indicateurs