Classification des données EEG par apprentissage profond pour la prédiction des crises d'épilepsie.

Jemal, Imene (2023). Classification des données EEG par apprentissage profond pour la prédiction des crises d'épilepsie. Thèse. Québec, Université du Québec, Institut national de la recherche scientifique, Doctorat en télécommunications, 121 p.

Prévisualisation

PDF Télécharger (7MB) | Prévisualisation

Résumé

L’épilepsie est une maladie chronique qui se caractérise par des crises imprévisibles et récur-rentes. Bien que l’approche principale pour traiter cette maladie soit à travers une médication à long terme, environ un tiers des patients sont résistants à cette thérapie. De plus, les options chi-rurgicales pour l’épilepsie sont limitées en raison des perceptions négatives liées à la chirurgie, des préoccupations concernant les complications subséquentes et des taux de réussite modérés. Actuel-lement, les recherches se concentrent de plus en plus sur l’exploration du potentiel de la prédiction des crises à l’aide d’enregistrements électro-encéphalogrammes (EEG), ce qui pourrait ouvrir de nouvelles voies d’intervention et de traitement. Bien que de nombreux modèles de prédiction des crises épileptiques aient été proposés dans la littérature scientifique, ils ne sont pas encore largement utilisés dans des contextes cliniques en raison de plusieurs limitations. Ces limitations incluent l’efficacité des caractéristiques extraites à partir des signaux EEG, les défis d’interprétation des modèles de prédiction et la difficulté de généraliser les modèles à de nouveaux patients. L’objectif de cette thèse est de développer et d’améliorer des modèles pour la prédiction des crises d’épilepsie en utilisant des données EEG. Dans un premier temps, nous avons mené une étude pour évaluer la complexité des caractéris-tiques extraites à partir des données EEG qui sont utilisées pour la prédiction des crises d’épilepsie. Nous avons déterminé que des méthodes d’apprentissage profond complexes étaient nécessaires pour extraire des caractéristiques plus précises et robustes que celles obtenues manuellement. Ensuite, nous avons proposé une architecture de réseau de neurones interprétable conçue pour la prédiction de crises spécifiques au sujet. Cette architecture a non seulement mieux performé que les méthodes actuelles de l’état de l’art, mais elle a également amélioré et simplifié l’interprétabilité du modèle. Pour résoudre le problème de la généralisation à de nouveaux patients, nous avons étudié les modèles multi-sujets et inter-sujets, qui offrent un niveau supérieur de généralisation et qui sont plus utiles à implémenter dans des situations réelles. L’évaluation de notre modèle multi-sujets a montré des résultats supérieurs à ceux des travaux antérieurs évalués sur les mêmes bases de données. Bien que les performances aient diminué avec le modèle inter-sujets, nous avons intégré des méthodes d’adaptation au domaine qui ont considérablement amélioré les performances du modèle. En conclusion, cette thèse a apporté des contributions significatives pour la prédiction des crises d’épilepsie basées sur l’apprentissage profond à l’aide d’enregistrements EEG. Cependant, plus de travail est nécessaire pour améliorer la généralisation du modèle de prédiction avant la traduction de ces approches en dispositifs commerciaux.

Epilepsy is a chronic illness characterized by the occurrence of repeated unpredictable seizures. Although the primary approach to treating it is through long-term medication, around one-third of patients are resistant to this therapy. Moreover, surgical options for epilepsy are limited due to negative perceptions associated with surgery, concerns regarding complications, and moderate success rates. Research is currently focused on exploring the potential of seizure prediction using electroencephalogram (EEG) recordings, which could open up new intervention avenues. Although numerous models for predicting epileptic seizures have been proposed in literature, they are not yet widely used in clinical settings due to several limitations. These limitations include the effectiveness of features extracted from EEG signals, the challenges of interpreting prediction models, and the difficulty of generalizing models to new patients. The aim of this thesis is to develop and improve accurate models for predicting epilepsy seizures using EEG data. Firstly, we conducted a study to evaluate the complexity of EEG features in predicting epilepsy seizures. We determined that complex deep learning methods were necessary to extract more pre-cise and robust features than those obtained manually. Next, we proposed an interpretable neural network architecture designed for patient-specific seizure prediction. This architecture not only out-performed current state-of-the-art methods but also improved and simplified model interpretability. To address the problem of generalizing to new patients, we studied multi-subject and inter-subject models, which offer a higher level of generalization and are more applicable in real-life situations. The evaluation of our multi-patient model showed superior results compared to previous works evaluated on the same datasets. Although performance decreased with the inter-subject mo-del, we integrated domain adaptation methods that significantly improved the model’s performance. In conclusion, this thesis has made significant contributions to predicting epilepsy seizures based on deep learning using EEG recordings. However, more work is needed to improve the generalization of the prediction model before translating these approaches into commercial devices.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Mitiche, Amar
Co-directeurs de mémoire/thèse:	Mezghani, Neila
Mots-clés libres:	Prédiction des crises d’épilepsie ; Électroencéphalographie; Apprentissage profond ; Réseaux de neurone ; Interprétation des réseaux de neurone ; IA explicable ; Adaptation du domaine ; Généralisation du modèle ; seizure prediction ; Electroencephalography ; Deep learning ; Neural networks ; Neu-ral network interpretability ; Explainable AI ; Domain adaptation ; Model generalization
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	14 déc. 2023 19:00
Dernière modification:	14 déc. 2023 19:00
URI:	https://espace.inrs.ca/id/eprint/13795

Gestion Actions (Identification requise)

Modifier la notice