Détection d’épisodes d’hypoglycémie à travers des signaux ECG par d’IA et approche quantique.

Les épisodes d’hypoglycémie, des baisses dangereuses du taux de sucre dans le sang, constituent un risque majeur pour les personnes atteintes de diabète. Non détectés à temps, ils peuvent entraîner des complications graves comme des pertes de conscience ou des convulsions. Les dispositifs actuels de mesure continue du glucose (CGM), bien que utiles, restent coûteux, invasifs et parfois limités en précision.
Ce projet vise à développer une solution non invasive fondée sur l’analyse des signaux électrocardiographiques (ECG) et l’intelligence artificielle. En étudiant les variations cardiaques associées à l’hypoglycémie, nous proposons d’entraîner des modèles capables de détecter ces épisodes en temps réel, intégrables dans des dispositifs portables tels que des montres connectées.
Pour résoudre ce problème, nous adoptons deux approches complémentaires : 1. Une approche classique d’IA, utilisant des modèles d’apprentissage automatique pour analyser les signaux ECG. 2.Une approche quantique, exploitant le potentiel des algorithmes d’apprentissage quantique pour améliorer le traitement et la précision de détection.
En combinant données cliniques, technologies portables et méthodes computationnelles avancées, classiques et quantiques, ce projet offre une alternative prometteuse pour améliorer la surveillance et la gestion quotidienne du diabète.

Faculty Supervisor:

Khadidja Henni

Student:

Partner:

École nationale supérieure d'informatique

Discipline:

Computer science

Sector:

Health and Related Sciences and Technology; Artificial Intelligence; Quantum Science

University:

Université TÉLUQ

Program: