Documents disponibles écrits par cet auteur

Deep learning for predicting epileptic seizures using EEG signals / Hacène Terbouche 

Public ISBD 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.

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité	Spécialité	Etat_Exemplaire
EP00085	PN01520	Ressources électroniques	Bibliothèque centrale	Projet Fin d'Etudes	Disponible	Electronique	Téléchargeable

Documents numériques

TERBOUCHE.Hacene.pdf URL