Learning based artifact removal for EEG and PPG signals / Abdelbaki Guir (2024) 

Public ISBD Titre : Learning based artifact removal for EEG and PPG signals : contribution to artifact removal for EEG signals using Learning based methods Type de document : document électronique Auteurs : Abdelbaki Guir, Auteur ; Taous Meriem Laleg, Directeur de thèse ; Hamami Née Mitiche, Latifa, Directeur de thèse Editeur : [S.l.] : [s.n.] Année de publication : 2024 Importance : 1 fichier PDF (6 Mo) Présentation : ill. Note générale : Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Electronique : Alger, École Nationale Polytechnique : 2024 Bibliogr. p. 73 - 76 . - Annexe p. 77 - 80 Langues : Anglais (eng) Mots-clés : Electroencephalogram Photoplethysmogram Deep convolutional neural networks Deep learning Cycle generative adversarial networks Image processing Signal processing Index. décimale : PN00524 Résumé : This study explores the use of deep learning methods, particularly Deep Convolutional Neural Networks (Deep CNN) and Cycle Generative Adversarial Networks (Cycle GAN), to purify neurophysiological signals such as EEG and PPG from unwanted artifacts. EEG signals are often contaminated by EOG and EMG artifacts, while PPG signals suffer from motion artifacts and baseline drifts. Our models have shown a significant improvement in signal quality compared to traditional techniques, highlighting the potential of deep learning architectures to enhance the processing of neurophysiological signals and biomedical applications. Learning based artifact removal for EEG and PPG signals : contribution to artifact removal for EEG signals using Learning based methods [document électronique] / Abdelbaki Guir, Auteur ; Taous Meriem Laleg, Directeur de thèse ; Hamami Née Mitiche, Latifa, Directeur de thèse . - [S.l.] : [s.n.], 2024 . - 1 fichier PDF (6 Mo) : ill. Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Electronique : Alger, École Nationale Polytechnique : 2024 Bibliogr. p. 73 - 76 . - Annexe p. 77 - 80 Langues : Anglais (eng) Mots-clés : Electroencephalogram Photoplethysmogram Deep convolutional neural networks Deep learning Cycle generative adversarial networks Image processing Signal processing Index. décimale : PN00524 Résumé : This study explores the use of deep learning methods, particularly Deep Convolutional Neural Networks (Deep CNN) and Cycle Generative Adversarial Networks (Cycle GAN), to purify neurophysiological signals such as EEG and PPG from unwanted artifacts. EEG signals are often contaminated by EOG and EMG artifacts, while PPG signals suffer from motion artifacts and baseline drifts. Our models have shown a significant improvement in signal quality compared to traditional techniques, highlighting the potential of deep learning architectures to enhance the processing of neurophysiological signals and biomedical applications.

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité	Spécialité	Etat_Exemplaire
EP00747	PN00524	Ressources électroniques	Bibliothèque centrale	Projet Fin d'Etudes	Disponible	Electronique	Téléchargeable

Documents numériques

GUIR.Abdelbaki.pdf URL