Classification Des Signaux Electroencéphalographie Pour La Détection Des Crises D’épilepsie
| dc.contributor.author | Seraiche, Ibtissam | |
| dc.contributor.author | Hadj Hafsi, Lina | |
| dc.contributor.author | Rapporteur: Benazi, Makhlouf | |
| dc.date.accessioned | 2023-06-26T08:25:53Z | |
| dc.date.available | 2023-06-26T08:25:53Z | |
| dc.date.issued | 2023-06-10 | |
| dc.description.abstract | L'épilepsie est une maladie du cerveau caractérisée par des dysfonctionnements cycliques. L'analyse des signaux EEG est utilisée pour la classification des crises d'épilepsie. Cette étude utilise des algorithmes d'apprentissage automatique (KNN, SVM, Apprentissage Profond) pour classer les signaux EEG et évaluer leur performance. Les résultats montrent que l'apprentissage profond avec 50 neurones dans la couche cachée a obtenu la meilleure précision. L'algorithme KNN a également donné de bons résultats. Les spécificités de chaque base de données EEG doivent être prises en compte pour améliorer la diffusion des résultats. Les travaux futurs peuvent explorer des méthodes avancées, combiner des approches de classification et utiliser des bases de données plus diversifiées pour améliorer le diagnostic et la gestion de l'épilepsie. | en_US |
| dc.identifier.uri | http://dspace.univ-msila.dz:8080//xmlui/handle/123456789/39794 | |
| dc.language.iso | fr | en_US |
| dc.publisher | University of M'sila | en_US |
| dc.subject | Épilepsie, Classification, électroencéphalogramme (EEG), apprentissage automatique, Machine à vecteurs de support, Les k-plus proches voisins, Deep Learning. | en_US |
| dc.title | Classification Des Signaux Electroencéphalographie Pour La Détection Des Crises D’épilepsie | en_US |
| dc.type | Thesis | en_US |