Titre :	Approche par apprentissage profond pour l’identification de la schizophrénie à partir des signaux EEG
Type de document :	theses et memoires
Auteurs :	Ibrahim Mezdad, Auteur ; Walid Lamani, Auteur ; Sadia Alkama, Directeur de thèse
Editeur :	Tizi-Ouzou : UMMTO F.G.E.I
Importance :	50 p.
Présentation :	ill.
Format :	PDF
Note générale :	Bibliogr.
Langues :	Français
Mots-clés :	Schizophrénie  EEG  Apprentissage profond  CNN-1D  Intelligence artificielle  Classification.
Résumé :	Ce mémoire présente une approche basée sur l’apprentissage profond pour le diagnostic automatisé de la schizophrénie à partir des signaux EEG (électroencéphalogrammes). Contrairement aux méthodes traditionnelles de diagnostic psychiatrique, souvent subjectives et basées sur des entretiens, cette étude propose une solution informatique capable d’identifier des patients schizophrènes en analysant directement les signaux cérébraux. Les auteurs commencent par une exploration détaillée du fonctionnement du cerveau, des neurones, des maladies neurologiques et de la technologie EEG. Ils exposent ensuite les fondements de l’intelligence artificielle, en particulier du deep learning, et présentent les réseaux de neurones convolutifs (CNN), particulièrement sur leur version unidimensionnelle (CNN-1D), bien adaptée aux signaux temporels comme ceux de l’EEG. Pour tester leur approche, les auteurs utilisent une base de données EEG de 28 sujets, et mettent en œuvre un modèle CNN-1D sous Python avec Google Colab. Les résultats expérimentaux montrent que ce modèle permet de classer efficacement les individus en sujets sains ou schizophrènes, avec une précision croissante selon le nombre d’itérations d’apprentissage (epochs). En conclusion, ce travail démontre que les techniques de deep learning peuvent constituer une alternative fiable et rapide pour le diagnostic de troubles psychiatriques comme la schizophrénie.
Diplôme :	Master
Permalink :	./index.php?lvl=notice_display&id=37901

Approche par apprentissage profond pour l’identification de la schizophrénie à partir des signaux EEG [theses et memoires] / Ibrahim Mezdad, Auteur ; Walid Lamani, Auteur ; Sadia Alkama, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, [s.d.] . - 50 p. : ill. ; PDF.
Bibliogr.
Langues : Français

Mots-clés :	Schizophrénie  EEG  Apprentissage profond  CNN-1D  Intelligence artificielle  Classification.
Résumé :	Ce mémoire présente une approche basée sur l’apprentissage profond pour le diagnostic automatisé de la schizophrénie à partir des signaux EEG (électroencéphalogrammes). Contrairement aux méthodes traditionnelles de diagnostic psychiatrique, souvent subjectives et basées sur des entretiens, cette étude propose une solution informatique capable d’identifier des patients schizophrènes en analysant directement les signaux cérébraux. Les auteurs commencent par une exploration détaillée du fonctionnement du cerveau, des neurones, des maladies neurologiques et de la technologie EEG. Ils exposent ensuite les fondements de l’intelligence artificielle, en particulier du deep learning, et présentent les réseaux de neurones convolutifs (CNN), particulièrement sur leur version unidimensionnelle (CNN-1D), bien adaptée aux signaux temporels comme ceux de l’EEG. Pour tester leur approche, les auteurs utilisent une base de données EEG de 28 sujets, et mettent en œuvre un modèle CNN-1D sous Python avec Google Colab. Les résultats expérimentaux montrent que ce modèle permet de classer efficacement les individus en sujets sains ou schizophrènes, avec une précision croissante selon le nombre d’itérations d’apprentissage (epochs). En conclusion, ce travail démontre que les techniques de deep learning peuvent constituer une alternative fiable et rapide pour le diagnostic de troubles psychiatriques comme la schizophrénie.
Diplôme :	Master
Permalink :	./index.php?lvl=notice_display&id=37901