Veuillez utiliser cette adresse pour citer ce document : http://dspace.univ-tiaret.dz:80/handle/123456789/13619
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorKERIA Amir, Abdelkader-
dc.contributor.authorKAID, Mohamed Riadh-
dc.date.accessioned2023-10-26T08:17:27Z-
dc.date.available2023-10-26T08:17:27Z-
dc.date.issued2023-06-21-
dc.identifier.urihttp://dspace.univ-tiaret.dz:80/handle/123456789/13619-
dc.descriptionThis brief presents a thorough investigation of the classification of ECG signals using artificial intelligence. The focus is on the exploitation of the MIT-BIH database to develop a powerful classification model. The results reveal the ability of the model to effectively discriminate between different categories of heartbeats, offering new perspectives for the early and accurate diagnosis of heart disorders. This research makes a significant contribution to the field of medicine and opens up promising opportunities to improve cardiovascular health careen_US
dc.description.abstractCe mémoire présente une investigation approfondie sur la classification des signaux ECG en utilisant l'intelligence artificielle. L'accent est mis sur l'exploitation de la base de données MIT-BIH pour développer un modèle de classification performant. Les résultats obtenus révèlent la capacité du modèle à discriminer efficacement entre les différentes catégories de battements cardiaques, offrant ainsi de nouvelles perspectives pour un diagnostic précoce et précis des troubles cardiaques. Cette recherche apporte une contribution significative au domaine de la médecine et ouvre des opportunités prometteuses pour améliorer les soins de santé cardiovasculaireen_US
dc.language.isofren_US
dc.publisherUniversité Ibn Khaldounen_US
dc.subjectECGen_US
dc.subjectIntelligences artificiellesen_US
dc.subjectclassificationen_US
dc.subjectDeep Learningen_US
dc.titleClassification des signaux ECG en utilisant l'intelligence artificielleen_US
dc.typeThesisen_US
Collection(s) :Master

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
TH.M.GE.2023.40.pdf1,95 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.