Titre : |
Deep learning for predicting epileptic seizures using EEG signals |
Type de document : |
document électronique |
Auteurs : |
Hacène Terbouche, Auteur ; Mourad Adnane, Directeur de thèse ; Youcef Ouadjer, Directeur de thèse |
Editeur : |
[S.l.] : [s.n.] |
Année de publication : |
2020 |
Importance : |
1 fichier PDF (5.9 M) |
Présentation : |
ill. |
Note générale : |
Mode d'accès : accès au texte intégral par intranet.
Mémoire de Projet de Fin d’Études : Électronique : Alger, École Nationale Polytechnique : 2020
Bibliogr. f. 80 -87 |
Langues : |
Anglais (eng) |
Mots-clés : |
EEG
Epileptic seizure prediction
Deep Learning
CNN
LSTM |
Index. décimale : |
PN01520 |
Résumé : |
Epileptic seizure prediction is a challenging problem which consists in identifying a seizureonset using electroencephalogram (EEG) signals, either by an experienced neurologist or automaticallyusing machine learning techniques. In this work, we will take advantage from recent advances of deeplearning techniques and propose two architectures. The first model is based on one dimensional convolutional neural network (1-D CNN) architecture that learns hierarchical representations of EEG with nopreprocessing steps. The second model is based on long term recurrent convolutional network (LRCN)which has the capacity to learn different representations of the spatiotemporal structure of EEG signal.Experimental results demonstrate the reliability of the models by achieving a mean Area Under Curve(AUC) Receiver Operating Characteristics (ROC) of 0.848 for 1-D CNN model, and 0.873 for LRCN model. |
Deep learning for predicting epileptic seizures using EEG signals [document électronique] / Hacène Terbouche, Auteur ; Mourad Adnane, Directeur de thèse ; Youcef Ouadjer, Directeur de thèse . - [S.l.] : [s.n.], 2020 . - 1 fichier PDF (5.9 M) : ill. Mode d'accès : accès au texte intégral par intranet.
Mémoire de Projet de Fin d’Études : Électronique : Alger, École Nationale Polytechnique : 2020
Bibliogr. f. 80 -87 Langues : Anglais ( eng)
Mots-clés : |
EEG
Epileptic seizure prediction
Deep Learning
CNN
LSTM |
Index. décimale : |
PN01520 |
Résumé : |
Epileptic seizure prediction is a challenging problem which consists in identifying a seizureonset using electroencephalogram (EEG) signals, either by an experienced neurologist or automaticallyusing machine learning techniques. In this work, we will take advantage from recent advances of deeplearning techniques and propose two architectures. The first model is based on one dimensional convolutional neural network (1-D CNN) architecture that learns hierarchical representations of EEG with nopreprocessing steps. The second model is based on long term recurrent convolutional network (LRCN)which has the capacity to learn different representations of the spatiotemporal structure of EEG signal.Experimental results demonstrate the reliability of the models by achieving a mean Area Under Curve(AUC) Receiver Operating Characteristics (ROC) of 0.848 for 1-D CNN model, and 0.873 for LRCN model. |
|