How deep learning can deal with detection, prediction and source localization in epilepsy (Comment l’apprentissage profond peut faciliter la détection, la prédiction et la localisation des sources dans l’épilepsie) Yu, Zuyi - (2024-10-23) / Université de Rennes How deep learning can deal with detection, prediction and source localization in epilepsy Accéder au document :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion...

Langue : Anglais Directeur(s) de thèse:  Albera, Laurent; Le Bouquin Jeannès, Régine Discipline : Signal, image, vision Laboratoire :  Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATISSE Classification : Sciences de l'ingénieur Mots-clés : Détection des crises épileptiques, prédiction des crises épileptiques, localisation des sources électrophysiologiques, apprentissage profond, électroencéphalogramme Épilepsie Apprentissage profond Électroencéphalographie

Résumé : Cette thèse discute de la conception d'algorithmes utilisant des méthodes d'apprentissage profond pour aborder trois questions clés dans le domaine de l'épilepsie. Premièrement, nous avons conçu un algorithme de détection automatique de l'épilepsie basé sur le Transformer et la fonction de perte LDAM afin d'aider les neurologues à identifier avec précision les signaux EEG épileptiques à partir d'enregistrements EEG de longue durée. Deuxièmement, nous avons proposé un algorithme de prédiction automatique de l'épilepsie basé sur l'apprentissage par transfert et la fusion de plusieurs caractéristiques, visant à émettre des avertissements d'épilepsie avant que les crises ne surviennent, minimisant ainsi ou évitant les dommages causés par les crises épileptiques. Enfin, nous avons introduit un algorithme de localisation des sources EEG épileptiques basé sur l'apprentissage multi-échelle et dirigé par la simulation pour analyser les signaux EEG du cuir chevelu et identifier avec précision les foyers épileptiques sur le cortex cérébral. Abstract : This thesis discusses how to design corresponding algorithms using deep learning methods to address three key issues in the field of epilepsy. Firstly, we designed an automatic epilepsy detection algorithm based on Transformer and LDAM loss function to assist neurologists in accurately identifying epileptic EEG signals from long-term EEG recordings. Secondly, we proposed an automatic epilepsy prediction algorithm based on transfer learning and multi-feature fusion, aiming to accurately issue epilepsy warnings before seizures occur, thereby minimizing or avoiding the damage caused by epileptic seizures. Finally, we introduced an epilepsy EEG source localization algorithm based on simulation-driven and multi-scale learning to analyze scalp EEG signals and accurately identify epileptic foci on the cerebral cortex.