Disentangled Representation Learning for Epilepsy EEG

L’épilepsie touche des millions de personnes dans le monde et se manifeste par des crises soudaines qui peuvent être difficiles à prévoir ou à détecter automatiquement. Aujourd’hui, les médecins utilisent principalement l’électroencéphalogramme (EEG) pour analyser l’activité du cerveau et identifier les signes annonciateurs de ces crises. Cependant, l’interprétation des signaux EEG est complexe et nécessite beaucoup de temps, ce qui limite la rapidité et la précision du diagnostic.
Ce projet vise à développer une nouvelle méthode d’analyse automatique des signaux EEG à l’aide de l’intelligence artificielle. L’objectif principal est de créer un modèle capable d’identifier, à partir des signaux cérébraux, les motifs associés aux crises épileptiques, tout en tenant compte des différences entre les patients et des variations liées aux équipements utilisés. Pour cela, le projet utilise des techniques de pointe comme les modèles VQ-VAE et les architectures de type Transformer, reconnues pour leur capacité à extraire des représentations efficaces et interprétables.
À terme, cette recherche pourrait contribuer à améliorer la détection des crises, faciliter le travail des professionnels de la santé et ouvrir la voie à des outils cliniques plus fiables et personnalisés. Elle représente une avancée importante vers une meilleure prise en charge des personnes vivant avec l’épilepsie.

Faculty Supervisor:

Khadidja Henni

Student:

Partner:

École nationale supérieure d'informatique

Discipline:

Computer science

Sector:

Artificial Intelligence; Health and Related Sciences and Technology

University:

Université TÉLUQ

Program: