Apprentissage profond pour la détection des crises d’épilepsie

Cette thèse aborde la détection automatique des crises d’épilepsie. Des algorithmes d’intelligence artificielle adaptés aux déséquilibres entre les classes « crises » et « non-crises » ainsi qu’à la forte variabilité intersujets et inter-sites sont proposés. Deux principales contributions sont présentées. Tout d’abord, dans le domaine supervisé, un modèle hybride combinant des réseaux de neurones convolutifs et un réseau de neurones récurrents à mémoire (LSTM) est proposé, intégrant un mécanisme d’attention (AT). L’originalité de cette approche réside dans l’utilisation de la couche AT pour libérer l’espace latent du LSTM. Les résultats obtenus sur trois bases de données — deux en libre accès et une grande base locale enregistrée au CHU d’Angers — ont montré une grande robustesse face à la variabilité inter-sujets et inter-sites. Ensuite, une contribution dans le domaine non supervisé est présentée avec un modèle à vues multiple. La nouveauté de cette approche réside dans l’introduction de deux vues distinctes et complémentaires : un auto-encodeur et un auto-encodeur variationnel. Les résultats obtenus soulignent la puissance du modèle proposé, particulièrement compte tenu des défis supplémentaires associés à l’apprentissage non supervisé, qui est intrinsèquement plus difficile en raison de l’absence de données annotées pour l’entraînement.