| Titre : | Réalisation d’une architecture CNN pour la classification des signaux EEG des maladies neurologiques pédiatriques |
| Auteurs : | Mohamed Acil Rahmani, Auteur ; Rachida Saouli, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (53 p.) / couv. ill. en coul |
| Langues: | Français |
| Mots-clés: | L’épilepsie , l’électroencéphalogramme (EEG), signaux EEG , réseaux de neurones convolutif (CNN), CHB-MIT,prétraitements , activités cérébrales élevés |
| Résumé : |
L’épilepsie est une maladie qui touche un nombre important de personnes dans monde,sans exception d’âge, mais la majorité des cas recensés sont des sujets âgés ou des enfants. Toutefois, cette maladie est difficile à diagnostiquer car elle présente une variation de manifestations et une irrégularité par rapport aux états de crises. Au cours des dernières décennies, l’électroencéphalogramme (EEG) est devenu un outil essentiel utilisé par les médecins pourdiagnostiquer plusieurs troubles neurologiques du cerveau, en particulier, pour détecter de manière rapide et précise les différents états de crises épileptiques qui ont un impact sévère sur la qualité de vie des patients. Le système de santé algérien souffre d’un manque de médecins neurologues et en particulier dans la sous spécialité qui est l’épilepsie. Dans ce contexte et avec une motivation pour contribuer à l’effort de recherche en regard de cette maladie, nous avons développé un système d’aide au diagnostic CAD des crises épileptiques et ceci pour venir en aide aux les médecins en général et les non spécialistes en particulier, souvent exerçant dans des zones avec peu de moyens et isolées de notre pays. Pour cela nous avons utilisé la base de données CHB-MIT sur laquelle nous avons effectué plusieurs prétraitements afin de générer des images spectrales exploitables par le réseau de neurones convolutif ( CNN).En effet, après plusieurs tests sur le modèle développé, des résultats obtenus sont satisfaisants en comparaissant avec ceux de la littérature vu que nos résultats résolvent le problème de confusion entre les crises épileptiques et les activités cérébrales élevés qui induit le modèle en erreur, grace à une multi classification des signaux . |
| Sommaire : |
Remerciements i Abstract ii Résumé iii Table des figures ii Liste des tableaux iii 1 L’épilepsie et l’électroencéphalographie 3 1.1 Introduction 3 1.2 Définition 3 1.3 l’épilépsie en nombre . 4 1.4 Types de crises épileptiques 5 1.4.1 Les crises généralisées 5 1.4.2 Les crises partielles 5 1.5 Causes de l’épilepsi. 7 1.6 Diagnostique de l’epilepsie . 8 1.7 L’électroencéphalographie 9 1.7.1 La source du signal EEG 10 1.7.2 Les rythmes cérébraux 11 1.7.3 Emplacement des électrodes 11 1.7.4 Signaux EEG épileptique 13 1.8 Conclusion 14 2 Méthodes de classification automatique des signaux EEGs 15 2.1 Introduction . 15 2.1.1 Approches classiques 15 2.1.2 Approches modernes 16 2.1.2.1 Présentation des réseaux de neurones 16 2.1.2.2 Principe de fonctionnement du deep learning 17 2.1.3 Architectures de Réseaux de Neurones Convolutionnels ( CNN ) populaires 20 2.2 Synthèse des traveaux relatifs au sujet . 25 2.3 Conclusion 26 3 Conception du réseau ES-CNN 27 3.1 Introduction 27 3.2 Architecture générale 28 3.3 Architecture détaillée 28 3.3.1 pésentation des données 29 3.3.2 Préparation des données29 3.3.2.1 Suppression des canaux inactifs 29 3.3.2.2 La fragmentation des signaux EEG 30 3.3.2.3 La transformation des signaux EEG en images spectrales 32 3.3.3 répartition des données 33 3.4 Conception détaillée du réseau ES-CNN 35 3.5 Phase de test du modèle 37 3.6 Conclusion 38 4 Implémentation du modèle de détection ES-CNN 39 4.1 Introduction 39 4.2 Environnements et outils de développement 39 4.2.1 Environnement de développement : 40 4.2.2 Bibliothèques et outils de développement : 41 4.3 Préparation des données 44 4.4 Implémentation du modèle ES-CNN 46 4.5 Présentation de l’interface 48 4.6 Les résultats du modèle 48 4.6.1 Présentation graphique de la précision et de l’erreur du modèle .. 49 4.6.2 Évaluation du modèle sur les données de test 50 4.7 Comparaison des résultats 52 4.8 Conclusion 53 Bibliographie 56 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/709 | Mémoire master | bibliothèque sciences exactes | Consultable |
