Deep Learning for epileptic seizures detection
| Titre | Deep Learning for epileptic seizures detection |
| Type | Thèse de doctorat |
| Auteurs | Abdallah Tala |
| Directeurs | Van Bogaert Patrick, Jrad Nisrine, Abdallah Fahed, Diab Mohamad, Châvez Mario, Honeine Paul, Jeannès Régine Le Bouquin |
| Année | 2024 |
| URL | https://dune.univ-angers.fr/fichiers/21014657/202419060/fichier/19060F.pdf |
| Mots-clés | apprentissage non supervisé, Apprentissage profond, apprentissage supervisé, électroencéphalographie (EEG), Epilepsie |
| Résumé | Cette thèse aborde la détection automatique des crises d’épilepsie. Des algorithmes d’intelligence artificielle adaptés aux déséquilibres entre les classes « crises » et « non-crises » ainsi qu’à la forte variabilité intersujets et inter-sites sont proposés. Deux principales contributions sont présentées. Tout d’abord, dans le domaine supervisé, un modèle hybride combinant des réseaux de neurones convolutifs et un réseau de neurones récurrents à mémoire (LSTM) est proposé, intégrant un mécanisme d’attention (AT). L’originalité de cette approche réside dans l’utilisation de la couche AT pour libérer l’espace latent du LSTM. Les résultats obtenus sur trois bases de données — deux en libre accès et une grande base locale enregistrée au CHU d’Angers — ont montré une grande robustesse face à la variabilité inter-sujets et inter-sites. Ensuite, une contribution dans le domaine non supervisé est présentée avec un modèle à vues multiple. La nouveauté de cette approche réside dans l’introduction de deux vues distinctes et complémentaires : un auto-encodeur et un auto-encodeur variationnel. Les résultats obtenus soulignent la puissance du modèle proposé, particulièrement compte tenu des défis supplémentaires associés à l’apprentissage non supervisé, qui est intrinsèquement plus difficile en raison de l’absence de données annotées pour l’entraînement. |
| Résumé en anglais | This thesis addresses the automatic detection of epileptic seizures. Artificial intelligence algorithms, which address imbalances between “seizure” and “non-seizure” classes, and which are adapted to intersubject variability, are proposed.. This thesis presents two main contributions. First, in the supervised domain, a hybrid model combining convolutional neural networks and a recurrent memory neural network (LSTM) is proposed, integrating an attention mechanism (AT). This approach’s originality lies in using the AT layer to free the latent space of the LSTM. The results obtained on three databases — two open access and a large local database recorded at Angers University Hospital — showed great robustness in inter-subject and inter-site variability. Then, a contribution in the unsupervised domain is presented with a multi-view model. The novelty of this approach lies in introducing two distinct and complementary views : an autoencoder and a variational autoencoder. The obtained results highlight the power of the proposed model, especially considering the additional challenges associated with unsupervised learning, which is inherently more difficult due to the absence of annotated data for training |
| Langue de rédaction | Français |
| Diplôme | Thèse de doctorat |
| Date de soutenance | 2024-09-05 |
| 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 ; 2022-. |
| personnalisé6 | Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) |
| personnalisé7 | Automatique, signal, productique, robotique |