Contribution to the prediction, detection and classification of atrial fibrillation : processing of ECG signals using temporal and frequency methods and contribution of artificial intelligence,Early prediction of atrial fibrillation
Titre | Contribution to the prediction, detection and classification of atrial fibrillation : processing of ECG signals using temporal and frequency methods and contribution of artificial intelligence,Early prediction of atrial fibrillation |
Type | Thèse de doctorat |
Auteurs | Serhal Hassan |
Directeurs | Humeau Anne, Oueidat Mohamad, Abdallah Nassib, Marion Jean-Marie, Quafafou Mohamad, Jeannès Régine Le Bouquin, Oster Julien, Nasreddine Kamal |
Année | 2023 |
URL | https://dune.univ-angers.fr/fichiers/92015048/202317547/fichier/17547F.pdf |
Mots-clés | décomposition modale empirique, Electrocardiogramme, fibrillation auriculaire, intelligence artificielle, ondelettes |
Résumé | L’intelligence artificielle (IA) est devenue de plus en plus présente dans la recherche biomédicale, notamment dans la prédiction de la fibrillation auriculaire (FA). Dans cette thèse, nous utilisons des modèles d’IA pour classer les signaux avec et sans FA, ainsi que pour prédire la FA précocement. De nouvelles approches sont proposées pour extraire les caractéristiques importantes, et des couches d’attention sont utilisées pour normaliser les données. Plusieurs bases de données de signaux d’électrocardiogramme (ECG) accessibles au public sont exploitées, et un processus d’harmonisation est mis en place pour prendre en compte les différentes sources d’acquisition. Les caractéristiques des signaux ECG sont analysées sous divers aspects, notamment morphologiques, statistiques, temporels, fréquentiels et à partir d’analyses non linéaires. Les modèles d’IA proposés surpassent les techniques existantes et présentent des résultats prometteurs pour la classification de la FA et la prédiction précoce. |
Résumé en anglais | This thesis explores the use of artificial intelligence (AI) models in biomedical research for predicting atrial fibrillation (AF) and early detection of AF. The study proposes new approaches for extracting important features and utilizes attention layers to normalize data. Multiple publicly available electrocardiogram (ECG) signal databases are used, and a harmonization pipeline is employed to account for differences in acquisition sources. The ECG signals are analyzed for various features, including morphological, statistical, tem poral, frequency, and non-linear features. The proposed AI models outperform existing techniques and demonstrate promising outcomes for AF classification and early prediction. |
Langue de rédaction | Français |
Diplôme | Thèse de doctorat |
Date de soutenance | 2023-07-11 |
Editeur | Université d'Angers |
Place Published | Angers |
Libellé UFR | Collège doctoral |
personnalisé5 | École Doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes) |
personnalisé6 | LARIS. Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) |
personnalisé7 | LARIS. Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) |