Vers une approche de classification des signaux Électroencéphalographiques par le Deep Learning
Des informations générales:
Le niveau |
Master |
Titre |
Vers une approche de classification des signaux Électroencéphalographiques par le Deep Learning |
SPECIALITE |
Génie Informatique |
Page de garde:
Sommaire:
CHAPITRE I:
1 Introduction:
2 Structure du cerveau :
2.1 Neurone
2.2 Structure des neurones :
2.3 Fonction des neurones :
3 L’électroencéphalographie EEG :
3.1 Historique
3.2 Définition de l’EEG :
3.3 L’appareil EEG:
3.3.1 Les électrodes :
3.3.2 Montage d’électrodes :
3.3.3 Positionnement des électrodes selon le système international 10-20 :
4 Les perturbations :
4.1 Les artefacts :
4.2 Le bruit :
5 Les techniques d’enregistrement d’activité cérébrale :.
5.1 Tomographie par Emission de Positons (TEP) :
5.2 Imagerie par Résonance Magnétique (IRM) :
5.3 Magnétoencéphalographie (MEG) :
5.4 L’Electrocorticographie (ECOG) :
6 L’épilepsie
6.1 Causes et mécanisme biologique de l’épilepsie :
6.2 Les multimodalités pour le diagnostic d’épilepsie:
6.2.1 Données cliniques :
6.2.2 Données anatomiques et électrophysiologiques
6.3 Les traitements possibles :
7 Comparaison entre les différentes techniques de mesures (diagnostic d’épilepsie) :
8 Conclusion:
CHAPITRE II :
1 Introduction:
2 L’intelligence artificielle :.
2.1 Utilisations de l’intelligence artificielle :
3 Machine Learning :
3.1 Mode d’action:
3.2 Son importance:
3.3 L’apprentissage automatique est largement adopté
4 Définition de Deep Learning:.
4.1 Mode d’action:
4.1.1 Types d’apprentissage :
4.1.2 Deep Learning supervisé :
4.1.3 Fonctionnement du Deep Learning supervisé
4.2 Deep Learning non supervisé
4.2.1 Non supervisé Learning.
4.2.2 Utiliser l’apprentissage non supervisé :
4.2.3 Fonctionnement l’apprentissage non supervisé.
4.2.4 Types d’algorithme Apprentissage non supervisé :
5 Les différents types de réseaux de neurones :
5.1 Convolutional Neural Network (CNN) :
5.1.1 Types des couches
5.1.2 Couche de convolution :
5.1.3 Couche de pooling:
5.1.4 Couche fully-connected :
5.2 Réseau de neurones récurrent (Récurrent Neural Network (RNN))
5.3 Long Short-Term Memory (LSTM):
6 La différence entre LSTM, CNN et RNN:.
7 Conclusion:
CHAPITRE III:
1 Introduction:
2 Méthode proposée :
2.1 Acquisition des données :
2.2 Bloc de traitement :
2.2.1 Prétraitement :
2.2.2 La division des données en apprentissage et test
2.2.3 Classification:
3 Présentation des outils de développement
3.1 Matériel:
3.2 Définition du langage Python en informatique :
3.2.1 Définition de l’anaconda:
3.2.2. Définition Jupyter :
4 Les interfaces d’implémentation:
4.1 Chargement des données du Dataset :
4.2 Résultats et discussions
4.2.1 Résultats de CNN
4.3 Apprentissage et test de CNN:
4.2.2 Résultats de RNN:
Apprentissage et test (RNN) : Résultats (LSTM): Apprentissage et test (LSTM):
5 Evaluation de la méthode proposée.
6 Conclusion:
Conclusion Générale
Références:
1 Introduction:
2 Structure du cerveau :
2.1 Neurone
2.2 Structure des neurones :
2.3 Fonction des neurones :
3 L’électroencéphalographie EEG :
3.1 Historique
3.2 Définition de l’EEG :
3.3 L’appareil EEG:
3.3.1 Les électrodes :
3.3.2 Montage d’électrodes :
3.3.3 Positionnement des électrodes selon le système international 10-20 :
4 Les perturbations :
4.1 Les artefacts :
4.2 Le bruit :
5 Les techniques d’enregistrement d’activité cérébrale :.
5.1 Tomographie par Emission de Positons (TEP) :
5.2 Imagerie par Résonance Magnétique (IRM) :
5.3 Magnétoencéphalographie (MEG) :
5.4 L’Electrocorticographie (ECOG) :
6 L’épilepsie
6.1 Causes et mécanisme biologique de l’épilepsie :
6.2 Les multimodalités pour le diagnostic d’épilepsie:
6.2.1 Données cliniques :
6.2.2 Données anatomiques et électrophysiologiques
6.3 Les traitements possibles :
7 Comparaison entre les différentes techniques de mesures (diagnostic d’épilepsie) :
8 Conclusion:
CHAPITRE II :
1 Introduction:
2 L’intelligence artificielle :.
2.1 Utilisations de l’intelligence artificielle :
3 Machine Learning :
3.1 Mode d’action:
3.2 Son importance:
3.3 L’apprentissage automatique est largement adopté
4 Définition de Deep Learning:.
4.1 Mode d’action:
4.1.1 Types d’apprentissage :
4.1.2 Deep Learning supervisé :
4.1.3 Fonctionnement du Deep Learning supervisé
4.2 Deep Learning non supervisé
4.2.1 Non supervisé Learning.
4.2.2 Utiliser l’apprentissage non supervisé :
4.2.3 Fonctionnement l’apprentissage non supervisé.
4.2.4 Types d’algorithme Apprentissage non supervisé :
5 Les différents types de réseaux de neurones :
5.1 Convolutional Neural Network (CNN) :
5.1.1 Types des couches
5.1.2 Couche de convolution :
5.1.3 Couche de pooling:
5.1.4 Couche fully-connected :
5.2 Réseau de neurones récurrent (Récurrent Neural Network (RNN))
5.3 Long Short-Term Memory (LSTM):
6 La différence entre LSTM, CNN et RNN:.
7 Conclusion:
CHAPITRE III:
1 Introduction:
2 Méthode proposée :
2.1 Acquisition des données :
2.2 Bloc de traitement :
2.2.1 Prétraitement :
2.2.2 La division des données en apprentissage et test
2.2.3 Classification:
3 Présentation des outils de développement
3.1 Matériel:
3.2 Définition du langage Python en informatique :
3.2.1 Définition de l’anaconda:
3.2.2. Définition Jupyter :
4 Les interfaces d’implémentation:
4.1 Chargement des données du Dataset :
4.2 Résultats et discussions
4.2.1 Résultats de CNN
4.3 Apprentissage et test de CNN:
4.2.2 Résultats de RNN:
Apprentissage et test (RNN) : Résultats (LSTM): Apprentissage et test (LSTM):
5 Evaluation de la méthode proposée.
6 Conclusion:
Conclusion Générale
Références:
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.