| Titre : | E-health Platform for Monitoring Human Life |
| Auteurs : | Radja AFREN, Auteur ; Salsabil AHMID, Auteur ; Hajer Zerdoumi, Auteur ; Laïd Kahloul, Directeur de thèse ; Bilal Mokhtari, 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, 2023 |
| Format : | 1vol.(60p.) / ill., couv. ill. en coul / 30cm |
| Langues: | Français |
| Mots-clés: | Santé, Internet des objets médicaux, intelligence artificielle (IA), détection des dommages rétiniens, reconnaissance des émotions, prédiction des maladies cardiaques. |
| Résumé : |
Ce projet présente une plateforme de soins de santé alimentée par l’intelligence artificielle quiutilise des technologies avancées pour révolutionner les soins de santé. La plateforme proposedes services tels que la détect deslésionsrétiniennes, la surveillance de la santé mentale et laprédiction des maladies cardiaques. Le service de classification des lésions rétiniennes atteintune précision de 95% en utilisant DenseNet, un réseau neuronal convolutif (CNN), pour analyserles scanner OCT et catégoriser les maladies rétiniennes (néovascularisationchoroïdienne,oedème maculaire diabétique, multiples drusen).De plus, la plateforme comprend également un service de reconnaissance des émotionsavec une précision de 99.89%. Ilsurveille les états émotionnels des patients en utilisant des signauxd’électrocardiogramme (ECG) et l’Internet des objets médicaux (IoMT). En extrayant descaractéristiques telles que la variabilité du rythme cardiaque (HRV) et en utilisant classifieurRandom Forest.La plate-forme utilise des modèles d’apprentissage en profondeur pour prédire avec précisionles maladies cardiaques à l’aide des informations sur les patients. En tirant parti des capacitésde l’IoMT pour l’extraction de données, la plate-forme intègre un réseau de neuronesprofonds(DNN) atteignant une précision de 91% et un modèle séquence à séquence (Seq2Seq) avecune erreur quadratique moyenne (MSE) de 0,1 et erreur quadratique moyenne racine ( RMSE)de 0,3 pour prédire les données ECG basées sur la séquence. Également un taux de précision de98% dans la classification des données ECG. La plateforme informe également rapidement lesmédecins traitants des soins optimaux aux patients dans des situations critiques.Notre service fournit aux professionnels de la santé des informations précises pour une prisede décision éclairée et des traitements ciblés en ophtalmologie, en problèmes de santé mentaleet dans les maladies cardiaques. De plus, les trois applications que nous avons développéesavec ces modèles ont démontré une précision supérieure, confirmant ainsi leur performance etleur efficacité par rapport aux approches alternatives. |
| Sommaire : |
1 General introduction 1 1.1 Introduction . . . . 1 1.2 Organisation of the dissertation . . 3 2 State of the art 5 2.1 Introduction . .. 5 2.2 Health care definition . . 6 2.3 Health care types . . 6 2.4 Traditional health care problems . . 7 2.4.1 Diagnosis problems . . . . 7 2.4.2 Patient monitoring . . . . . . 8 2.4.3 Surveillance and monitoring problems . .. . . 8 2.5 Applications in healthcare . . 8 2.6 Types of used data . 9 2.6.1 Electrocardiogram . . .. . . . . . . 9 2.6.2 Optical Coherence Tomography . . . . 11 2.7 Internet ofMedical Things . . . . 13 2.8 Internet ofMedical Things architecture ... . 13 2.9 Prediction of heart disease 15 2.9.1 Normal structure and function of the heart anatomy . . .. . . 15 2.9.2 Blood vessels . . . 17 2.9.3 The causes of heart disease . . . . . . . . 17 2.9.4 Types of heart disease . . . . . . . . . . . 18 2.10 Retinal damage .. 20 2.10.1 The retina . . . . . . . . 20 2.10.2 Age-relatedMacular Degeneration . . . . . . . . 21 2.10.3 Choroidal Neovascularization . . . . .. . . . . . . . 22 2.10.4 DiabeticMacular Edema . . . . . . . . . . . . 23 2.10.5 Multiple drusen . . .. . . . . . . . 24 2.11 Emotion recognition . . . . 25 2.11.1 Defining emotion . . . 25 2.11.2 Emotion recognition in human-computer interaction . . . . . .25 2.11.3 Applications of emotion recognition systems using Electrocardiogram .27 2.11.4 Emotionmodels . . . . . . . . . 28 2.12 Related work . 31 2.12.1 Synthesis comparative study .. . . 33 2.13 Conclusion . 36 3 Machine Learning and Deep Learning 39 3.1 Introduction . . 39 3.2 Machine learning . . 39 3.2.1 Random Forest . . . . . . . 40 3.3 Deep Learning . . 40 3.3.1 Artificial Neural Network . . . . 41 3.3.2 Convolution Neural Networks . . . . . 41 3.3.3 The basics of Convolutional Neural Network . . . . 42 3.3.4 Prominent Convolutional Neural Network Architectures . . . .44 3.3.6 Long Short-TermMemory . . . . . . . . . . . . 48 3.3.7 Bidirectional Long Short-TermMemory . . . . . . 48 3.3.8 Sequence to SequenceModels . .. . . . . . 49 3.3.9 Encoder-Decoder . . . . . . . . . . . . . . 49 3.3.10 Transfer learning . 4 Contribution and system design 53 4.1 Introduction . . .. . . . . . . . . . . . . . . . 53 4.2 Analysis of the requirements .. . . . . . 53 4.3 Proposed architecture . . . . . . . . 55 4.4 The proposed approach for Internet ofMedical Things . . . . . . .56 4.5 The proposed approach for prediction of heart disease process . . . . . 59 4.5.1 Data set description . . . . . . . . . . . . 59 4.5.2 The proposed approach for risk assessment of heart diseases . . . . 61 4.5.3 The proposed approach for the prediction of Electrocardiogram . . 65 4.5.4 The proposed approach for Electrocardiogram classification . . . . . .67 4.6 The proposed approach for the retinal Optical Coherence Tomography images classification . . . . . . . . 69 4.6.1 Data set description . . . .. . . . . . . . 70 4.6.2 Preprocessing phase . . . . . . . . . . . . 70 4.6.3 Data splitting . . . . . . .. . . . . . 72 4.6.4 Training phase of our deep learning model . . . . . . . . . 73 4.6.5 Prediction phase . . . . . . . . . . . 74 4.7 The proposed approach for emotion recognition using vital signals . . .75 4.7.1 Data set description . . . . . . . . . . . . . . 77 4.7.2 Augmantation of the DREAMER dataset . . . .. . . . 77 4.7.3 Labels transformation . . . . . . 78 4.7.4 Features extraction . . . . . . . 80 4.7.5 Features selection . . . . . . . . . . 80 4.7.6 Classification . . . . . 84 4.8 Conclusion . . . . . . . . . . . 85 5 Implementation and results 87 5.1 Introduction . . 87 5.2 Devlopement tools and used platforms . . . .. . . . . . 87 5.2.1 Used platforms . . . . . . . . . . . 88 5.2.2 Used IoT board and sensors . . . . . . . 92 5.3 System interfaces and examples . . . . 95 5.3.1 Detecting retinal damage application . . . . .. . . . 95 5.3.2 Prediction of heart disease application . . . . . . .. . . 103 5.3.3 Emotion recognition application . . .. . . . . 116 5.4 Obtained results and discussion . . .. . . . 119 5.4.1 Prediction of heart disease . . . . . . . . . . . . . . 119 5.4.2 Retinal damage classification . . . . . . . . . . . . . 139 5.4.3 Emotion recognition using vital signals . . . . . . . . . . 147 5.5 Challenges encountered . . . . . . . 152 5.6 Conclusion. 153 6 Conclusion and perspectives 154 References |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/842 | Mémoire master | bibliothèque sciences exactes | Consultable |
