DHIF Imen

doctorant à Sorbonne Université
Équipe : SYEL
https://lip6.fr/Imen.Dhif

Direction de recherche : Patrick GARDA

Co-encadrement : HACHICHA Khalil, PINNA Andrea

Compression, analyse et visualisation des signaux EEG appliqués la télémédecine

Le domaine de traitement des signaux EEG a rapidement progressé au cours de ces dernières années. À l’aide de la télémédecine, les enregistrements EEG peuvent être rapidement transmis entre les hôpitaux et les centres de santé. En raison de la grande quantité d’EEG acquise sur plusieurs journées pour détecter des pathologies telles que l’épilepsie, une technique de compression efficace est nécessaire. De plus, le manque des experts et la courte durée des crises épileptiques encouragent la détection automatique de ces convulsions. Par ailleurs, un affichage uniforme est obligatoire pour assurer l’interopérabilité et la lecture correcte des examens EEG transmis. En tant que technique de compression d’image certifié médicale, le codeur WAAVES fournit des taux de compression élevés, tout en assurant une qualité de diagnostic d’image.
Durant nos travaux, trois défis sont révélés : le premier consiste à adapter le codeur WAAVES à la compression des signaux EEG. Le second défi repose sur l’aide au diagnostic de la maladie d’épilepsie à travers la détection automatique des crises épileptiques dans un signal EEG. Le dernier objectif est d’assurer l’interopérabilité des différents afficheurs d’examens EEG. Nous avons étudié d’abord les caractéristiques des signaux EEG, ainsi que les différents blocs du codeur WAAVES. L’un des principaux défis est que WAAVES est incapable de supprimer la corrélation spatiale entre les signaux EEG, de com- presser directement des signaux monodimensionnels et d’accepter en entrée que des valeurs entières. Par conséquent, notre approche est basée sur l’application de l’Analyse en Composantes Indépendantes pour décorréler les signaux, la mise en échelle pour redimensionner les valeurs décimales et la construction d’image. Pour garder une qualité de diagnostic avec un PDR inférieur à 7%, nous avons codé le résidu et l’ajouté aux signaux codés. L’algorithme de compression EEGWaaves proposé a atteint des taux de compression de l’ordre de 56. Par la suite, nous avons visé à coupler les schémas de compression et de détection des crises épileptiques en réutilisant des blocs de EEGWaaves. Nous avons proposé une nouvelle méthode d’extraction des caractéristiques des signaux EEG basée sur un nouveau modèle de calcul de la mesure de prédiction énergétique (EAM) des signaux. Ensuite, des paramètres statistiques ont été calculés pour diminuer les vecteurs des caractéristiques obtenus et enfin les Réseaux de Neurones ont été appliqués pour classifier et détecter les crises épileptiques. Cette méthode nous a permis d’atteindre de meilleure sensibilité allant jusqu’à 100%, une spécificité de 98.89% et une valeur de précision de 99.44%. Le dernier chapitre détaille le déploiement de notre afficheur multi-plateforme des signaux physiologiques en répondant aux spécifications établies par les praticiens. Le rôle principal de ce logiciel est d’assurer l’interopérabilité et l’échange des examens EEG entre les différents centres de santé.

Soutenance : 13/12/2017

Membres du jury :

Roger Reyanud, Université Paris-Sud [Rapporteur]
Dan Istrate, Université de Technologie de Compiègne [Rapporteur]
Marie-Christine Jaulent, Institut national de la santé et de la recherche médicale INSERM
Sylvain Hochberg, CEO, Cira
Didier Heudes, Praticien Hospitalier Université Paris 5 René Descartes
Khalil Hachicha, Université Pierre et Marie Curie
Andrea Pinna, Université Pierre et Marie Curie
Patrick Garda, Université Pierre et Marie Curie

Date de départ : 25/12/2018

Publications 2014-2017