IA Bioméd - Prédiction d'Épilepsie

À propos du projet

IA atteignant 87% de précision pour prédire les crises d'épilepsie 15-30 minutes à l'avance via analyse de signaux EEG en temps réel.

Objectifs

• Développer une méthodologie basée sur l'ensemble d'extracteurs de caractéristiques
• Implémenter un ensemble de classifieurs pour capturer le maximum d'informations des signaux EEG
• Appliquer des techniques de normalisation et SMOTE pour équilibrer les classes avant extraction
• Évaluer les performances avec des métriques d'exactitude, matrices de confusion et rapports de classification
• Exploiter les réseaux de neurones convolutionnels pour capturer des motifs complexes dans les signaux EEG
• Équilibrer les classes de données avec des techniques de suréchantillonnage avancées

Défis techniques

• Mise en œuvre d'algorithmes ML sophistiqués pour la classification des états épileptiques sur données réelles
• Gestion du déséquilibre des classes dans les données médicales
• Comparaison et évaluation des performances des algorithmes classiques vs techniques d'ensemble
• Optimisation des performances de classification avec des techniques d'ensemble
• Intégration de multiples architectures CNN pour l'extraction de caractéristiques
• Combinaison optimale de plusieurs modèles faibles pour créer un modèle fort via Boosting

Fonctionnalités principales

• Ensemble feature extractor avec architectures CNN multiples
• Techniques de normalisation et mise à l'échelle des données EEG
• Implémentation SMOTE pour l'équilibrage des classes
• Ensemble selection avec Random Forest et techniques de Boosting
• Interface web pour la visualisation des résultats et prédictions
• Évaluation complète avec matrices de confusion et rapports de classification

Mise en œuvre

Projet de recherche collaborative ESIEE Paris 2024 sous supervision du Docteur Ahmed Ghazi BLAIECH. Dans ce projet on utilise une approche innovante combinant ensemble d'extracteurs de caractéristiques et ensemble de classifieurs. Les signaux EEG sont prétraités avec des techniques de normalisation avant l'extraction de caractéristiques via des CNN. La technique SMOTE est appliquée pour équilibrer les classes minoritaires. L'ensemble de classifieurs inclut Random Forest et des techniques de Boosting pour maximiser la robustesse des prédictions. Une interface web permet de visualiser les performances des modèles et les résultats de classification en temps réel.