Vers une approche de classification des signaux Électroencéphalographiques par le Deep Learning

Abstract

La compréhension du fonctionnement du cerveau est l‟un des défis majeurs des neurosciences. Pour appréhender cet organe in vivo, de nombreux dispositifs se sont développés, parmi lesquels on trouve l'électroencéphalographie (EEG). Elle mesure directement d‟une manière non invasive les signaux du cerveau avec une haute résolution temporelle et fait le suivi de l'activité cérébrale pendant une tâche spécifique. [1] Ce mémoire s‟inscrit dans le contexte de l‟analyse et de la classification des signaux EEG. En particulier, nous nous intéressons à la classification des crises épileptiques. La problématique principale ici est de garantir le plus haut taux d‟accuracy. L‟étude bibliographique et l‟implémentation de la méthode basée sur le deep learning menées ont permis de mieux comprendre le système de classification des signaux EEG. Dans le cadre, nous avons proposé un nouveau modèle de classification des signaux EEG basé sur les réseaux de neurones de convolution (CNN). Les résultats trouvés avec des données EEG réelles montrent que notre méthode proposée a surpassé plusieurs méthodes de la littérature.