Report [PDF]

Zitiervorschau

Ecole Normale Supérieure de l’Enseignement Technique

Mémoire de projet de fin d’études

‫المدرسة العليا ألساتذة التعليم‬ ‫التقني‬ Pour l’obtention du diplôme de l’ingénierie biomédicale Ecole Normale Supérieure

de l’Enseignement

Technique

Effectué et présenté par : NAAS Yasmine

Encadré par : Pr. Moulay Hachem El Youssfi Alaoui

Sous le titre : Intelligence artificielle pour la prédiction de l’épilepsie

Soutenu le : 04/08/2020, devant le jury composé de : Pr Benaji Brahim

Président

ENSET

Pr Moulay Hachem El Youssfi Alaoui,

Encadrant

ENSET

Pr Nsiri Benayad

Rapporteur

ENSET

Année Universitaire : 2019/2020

DEDICACE A mes parents, Rien ne pourra exprimer le degré d’amour et d’affection que j’éprouve pour vous. Vous m’avez comblé avec votre tendresse et affection tout au long de mon parcours. Vous n’avez cessé de me soutenir et de m’encourager durant toutes les années de mes études, Vous m’avez toujours supporté. Puisse le tout puissant vous donner santé, bonheur et longue vie afin que je puisse vous combler à mon tour.

A ma sœur Maria et son mari, En témoignage de mon affection, de ma profonde tendresse et reconnaissance, je vous souhaite une vie pleine de bonheur et de succès et que Dieu, le tout puissant, vous protège et vous garde.

A Mes chères grands-mères Que ce modeste travail, soit l’expression des vœux que vous n’avez cessé de formuler dans vos prières. Que Dieu vous préserve santé et longue vie. 1

A mes chers cousins et cousines Tayeb, Rafik, Kamal, Amal, Mounia, Sabah, Chadia, Salima, Imad, Chakib, Ilias, Hamza, Meryem, Rim, Ayman, Imane, Hamza, Ali, et Salim ce travail est un témoignage de mon attachement et de mon amour.

A toutes mes tantes et oncles En témoignage de mon affection et respect, puisse Dieu, le tout puissant vous préserver du mal, vous combler de santé, de bonheur et vous procurer une longue vie.

A mes chers amis, Merci sur les bons moments que nous avons passé ensemble, je suis très reconnaissante d’avoir une deuxième famille.

A Monsieur le directeur El Bikri Khalid Mon encadrant Monsieur Moulay Hachem El Youssfi Alaoui Et tous mes enseignants à l’ENSET Il vous revient le mérite de nous avoir prodigué un enseignement profitable et une formation complète. Veuillez accepter mes remerciements les plus sincères. 2

Remerciement : Je tiens à exprimer mon immense gratitude à Monsieur Moulay Hachem El Youssfi Alaoui, mon encadrant de projet ainsi qu’à Monsieur Bouali Abdeltif mon encadrant de stage pour leurs encadrements, leur confiance et bienveillance, ainsi qu’à leurs conseils précieux et directives fructueuses. J’adresse mes remerciements à toute l’équipe technique de l’Hôpital Universitaire International Cheikh Zaid : Monsieur Abdelhaq, Mlle Kaoutar Biad et tout le personnel du département technique pour leur accueil chaleureux et leur bienveillance. J’adresse mes vifs remerciements aux membres du jury pour avoir bien voulu examiner et juger ce travail. Et je profite par le biais de ce rapport, pour exprimer mes vifs remerciements à toute personne ayant contribué de près ou de loin à l’élaboration de cet travail.

3

Table des matières Remerciement : ............................................................................................................................................. 3 Introduction : ................................................................................................................................................ 8 Table de figures ............................................................................................................................................. 6 Chapitre I.

Présentation de l’hôpital Cheikh Zaid: .................................................................................. 9

a.

Introduction :......................................................................................................................................... 9

b.

Historique : ............................................................................................................................................ 9

c.

Missions principales de l’hôpital : ....................................................................................................... 10

d.

Différents pôles de l’hôpital Cheikh Zaid : .......................................................................................... 10

e.

L’organigramme de l’hôpital : ............................................................................................................. 11

f.

Présentation du service technique : ...................................................................................................... 12

i.

L’organigramme de la direction technique .......................................................................................... 12

ii.

La Direction technique : ...................................................................................................................... 12

iii.

Service Maintenance et Travaux : ................................................................................................... 13

iv.

Service informatique:....................................................................................................................... 14



Service commercial. ............................................................................................................................. 14



Service gestion de projet. ...................................................................................................................... 14

i.

Présentation de l’activité biomédicale au sein de l’hôpital Cheikh Zaid :........................................... 16

ii.

Ressources humaines et matérielles ..................................................................................................... 16

iii.

Mission du Service de la maintenance biomédicale : ....................................................................... 16

Chapitre II.

Etat de l’art : ....................................................................................................................... 17

a.

Problématique : ................................................................................................................................... 17

b.

Cahier de charges : .............................................................................................................................. 17

c.

Notions de base : .................................................................................................................................. 19

v.

Epilepsie : ............................................................................................................................................ 19

1.

Définition : .......................................................................................................................................... 19

2.

Etats de crises d’épilepsie : ................................................................................................................... 19

3.

Les origines :........................................................................................................................................ 20

4.

Qui est concerné? ................................................................................................................................. 21

5.

Les différentes formes .......................................................................................................................... 21

d.

Electroencéphalographie : .................................................................................................................... 22

6.

Définition : .......................................................................................................................................... 22

7.

Principe de fonctionnement : ............................................................................................................... 23

8.

Examen EEG : .................................................................................................................................... 23

4

9.

Filtrage par Common Spatial Pattern (CSP) : .................................................................................... 24

10.

Décomposition Modale Empirique (EMD) : ................................................................................... 24

11.

Densité Spectrale de Puissance (PSD) : ........................................................................................... 24

12.

Ecart type (Standard Deviation) Std : ............................................................................................. 25

13.

Classification SVM (support vector machine): ................................................................................ 25

a.

Définition : .......................................................................................................................................... 25

b.

Types d’SVM: ..................................................................................................................................... 27

i.

C’est quoi l’astuce du noyau (kernel) : ................................................................................................ 27

ii.

Linear kernel ....................................................................................................................................... 28

iii.

Polynomial kernel : ......................................................................................................................... 28

iv.

Gaussian kernel :............................................................................................................................. 28

c. 14. e.

Base de données : ................................................................................................................................. 28 Matlab : ........................................................................................................................................... 29 Conclusion : ......................................................................................................................................... 29

Chapitre III.

Implémentation du projet et résultats: ............................................................................. 30

a.

Schéma Bloc : ...................................................................................................................................... 30

b.

Base de données : ................................................................................................................................. 30

c.

Prétraitement :..................................................................................................................................... 31

15.

Filtrage CSP : .................................................................................................................................. 31

16.

Décomposition par EMD :............................................................................................................... 35

d.

Extraction de caractéristiques :............................................................................................................ 37

1.

Densité spectrale de puissance : ........................................................................................................... 37

2.

Ecart type : .......................................................................................................................................... 39

e.

Construction de la matrice de données « Trainingset » : ...................................................................... 39

f.

Classification par SVM (support vector machine): .............................................................................. 40

Conclusion : ................................................................................................................................................ 48 Bibliographie et webographie: ..................................................................................................................... 49 Annexe 1:...................................................................................................... Error! Bookmark not defined. Annexe 2: ...................................................................................................... Error! Bookmark not defined. Annexe 3: ...................................................................................................... Error! Bookmark not defined. Annexe 3: ...................................................................................................... Error! Bookmark not defined. Résumé :...................................................................................................................................................... 50 Abstract:...................................................................................................................................................... 51

5

Table de figures Figure 1: Hopital Cheikh Zaid Rabat .............................................................................................. 9 Figure 2: Organigramme de l'hôpital ............................................................................................ 11 Figure 3: l’organigramme de la DTH ........................................................................................... 12 Figure 4: les synergies entre les différentes structures ainsi que leurs interactions avec les différents intervenants externes .................................................................................................... 15 Figure 5: les différents intervenants du SB ................................................................................... 16 Figure 6: Exemple des 23 canaux d'un signal EEG ...................................................................... 18 Figure 7: Illustration d'épilepsie ................................................................................................... 19 Figure 8: Etat de crise épileptique ................................................................................................ 19 Figure 9: Comparaison entre état normal et épileptic ................................................................... 20 Figure 10: Types d'épilepsie ......................................................................................................... 20 Figure 11: EEG ............................................................................................................................. 22 Figure 12: Premier EEG enregistré en 1929 par Hans Berger ...................................................... 23 Figure 13: Examen EEG sur un patient ........................................................................................ 23 Figure 14: Algorithm CSP ............................................................................................................ 24 Figure 15: Exemple d'SVM .......................................................................................................... 26 Figure 16: Classification SVM ..................................................................................................... 26 Figure 17: Logiciel Matlab ........................................................................................................... 29 Figure 18: Exemple du signal original en cas de crise.................................................................. 31 Figure 19: Utilisation de readEDF ................................................................................................ 31 Figure 20: Programme de découpage de cellules ......................................................................... 33 Figure 21: Résultat de NewArray ................................................................................................. 33 Figure 22: Signal avec détection de phases .................................................................................. 33 Figure 23: Avant le redimensionnement ....................................................................................... 34 Figure 24: Erreur CSP ................................................................................................................... 34 Figure 25: Programme CSP .......................................................................................................... 34 Figure 26: Redimensionnement des matrices ............................................................................... 34 Figure 27: Résultat du redimensionnement .................................................................................. 34 Figure 28: Résultat du CSP ........................................................................................................... 35 Figure 29: Résultat de l'EMD ....................................................................................................... 36 Figure 30: Résulta de l'EMD au niveau de la fenêtre de commande ............................................ 36 Figure 31: Programme EMD ........................................................................................................ 36 Figure 32: Signal final après prétraitement ................................................................................... 37 Figure 33: Programme de construction de signal ......................................................................... 37 Figure 34: Résultat PSD................................................................................................................ 38

6

Figure 35: Programme PSD .......................................................................................................... 38 Figure 36: Résultat std .................................................................................................................. 39 Figure 37: Programme std ............................................................................................................. 39 Figure 38: Trainingset ................................................................................................................... 39 Figure 39: Etape 1 ......................................................................................................................... 40 Figure 40: Choix du type d'SVM .................................................................................................. 41 Figure 41: Scatter plot ................................................................................................................... 42 Figure 42: Matrice de confusion ................................................................................................... 42 Figure 43: Matrice de confusion en général ................................................................................. 43 Figure 44: Courbe ROC ................................................................................................................ 44 Figure 45: Exporter le model SVM .............................................................................................. 45 Figure 46: TrainedModel .............................................................................................................. 45 Figure 47: Prediction de nouveaux cas ......................................................................................... 45 Figure 48: Entrer le signal............................................................................................................. 46 Figure 49: Test 1 ........................................................................................................................... 46 Figure 50: Test 2 ........................................................................................................................... 47 Figure 51: Test 3 ........................................................................................................................... 47

7

Introduction : La maladie dans laquelle les patients souffrent de crises provoquées par un trouble de la fonctionnalité cérébrale est appelée « épilepsie ». Plus de cinquante millions de personnes dans le monde présentent un trouble cérébral du type épilepsie, c’est la troisième pathologie cérébrale la plus courante. Prévenir une crise d'épilepsie avant le début de l'apparition des signes, est très utile dans la prise en charge de la pathologie. Des techniques d'apprentissage automatique et des méthodes de calcul

sont

utilisées

pour

prévenir

une

crise

d'épilepsie

à

partir

de

signaux

d'électroencéphalogrammes (EEG). Cependant, le prétraitement des signaux EEG pour la suppression du bruit et l'extraction des fonctionnalités sont deux problèmes majeurs qui ont un effet négatif sur le temps d'anticipation et le taux de prédiction positif réel. Pour cette raison, dans le cadre du projet de fin d’études, j’ai opté pour le projet « Intelligence artificielle pour la prédiction des crises d’épilepsie». Ce projet va permettre aux personnes atteintes d’épilepsie de prévenir la crise dans le but de pouvoir prendre les mesures adéquates et les médicaments nécessaires. Ce projet de fin d’étude réalisé au niveau du logiciel Matlab est basé sur la décomposition en mode empirique (EMD), le filtrage par CSP (Common Spatial Patterns) pour le prétraitement et extraction des caractéristiques par PSD (Power Spectral Density) et Std (Standard Deviation) afin de faire une classification par SVM (Support Vector Machine). Ce projet académique, est complémenté par un stage au sein de l’Hôpital Universitaire International Cheikh Zaid à Rabat. Le présent rapport est structuré en 3 chapitres principaux dont le contenu est comme suit : Le premier chapitre consiste à présenter d’une façon générale l’organisme d’accueil Le deuxième chapitre présente la problématique générale, le contexte du projet et son cahier de charges et résume quelques notions de base utilisées dans le projet. Le troisième chapitre explore l’implémentation du projet au niveau de Matlab en plus des résultats de la classification et discussion. Puis à la fin conclusion. 8

Chapitre I.

Présentation de l’hôpital Cheikh Zaid:

a. Introduction : Dans ce chapitre, je vais présenter l’organisme d’accueil l’Hôpital Cheikh Zaid pour mieux comprendre l’environnement dans lequel nous avons travaillé pendant cette période de stage, puis nous allons mettre la lumière sur la description du projet ainsi que sur le cahier de charge.

b. Historique : L’hôpital Universitaire International Cheikh Zaïd été créé le 18 Juillet 1998 par la fondation Cheikh Zaïd Ibn Soltan, sous la présidence de Feu son altesse Cheikh Zaïd et Feu sa majesté Hassan II. Il a connu des débuts modestes jusqu’en 2003,

année pendant laquelle il a eu

un tournant important avec une augmentation de 40% du taux de fréquentation, et ce grâce à une révision de sa stratégie de développement, d’un recrutement des meilleurs professionnels de santé dans tous les domaines de médecine. En effet, la qualité des soins offerts par ce centre hospitalier est comparable aux meilleurs hôpitaux européens. L'augmentation du taux de fréquentation (plus de 40% par an entre 2003 et 2006) et l'excellente réputation de l'hôpital témoignent croissant que l'Hôpital joue dans le paysage médical

du Royaume.

Figure 1: Hopital Cheikh Zaid Rabat

9

du rôle

Entre 2008 et 2012 l’hôpital a connu une modernisation du mode organisationnel ainsi qu’une extension de 20 000m² de l’hôpital et en fin ouverture de l’université internationale Abulcasis des sciences de la santé en 2014.

c. Missions principales de l’hôpital : L’hôpital a pour missions d’offrir des prestations médicales aux malades telles que le diagnostic (analyse) et traitement, poursuivre et développer les travaux de recherche et de soins et formation du personnel scientifique, technique et administratif dans le domaine de la santé.

d. Différents pôles de l’hôpital Cheikh Zaid : L’hôpital dispose d’un plateau technique pluridisciplinaire de dernière technologie. Il comprend différentes structures:  Structure ambulatorie 

Consultations diverses spécialités



Service d’urgence 24h/24 et 7jr/7



Unités d’examens d’imagerie médicale et de laboratoire



Bloc Endoscopie



Hémodialyse



Chimiothérapie et Radiothérapie

 Structure Hospitalization 

Ophtalmologie



Chirurgie viscérale



Chirurgie traumatologique



Médecine



Gynécologie obstétrique



Cathétérisme



Réanimation Pédiatrique



Réanimation Adulte



Réanimation CCV



Cardiologie

10



Pédiatrie



ORL



Pneumologie

 Structure de Soutien 

Pharmacie



Buanderie



Cuisine



Services techniques

e. L’organigramme de l’hôpital :

Figure 2: Organigramme de l'hôpital

11

f. Présentation du service technique : i. L’organigramme de la direction technique

Figure 3: l’organigramme de la DTH

ii. La Direction technique : Elle comporte plusieurs services enchaines entre eux parmi ces services :  Service étude conception et ordonnancement : Le service étude conception et ordonnancement comporte :

12



La planification des interventions et la programmation des arrêts ;



L’élaboration et la mise en application de plans de maintenance préventive ;



La mise en œuvre de la fonction de GMAO ;



L’élaboration, la mise en œuvre et le suivi du budget d’investissements de l’Hôpital ;



L’élaboration des cahiers des charges pour les interventions sous-traitées ;



L’élaboration des contrats de maintenance ;



L’analyse des reportings édité par le service maintenance ;



Le développement du plan de réduction des consommations d’énergies ;



L’optimisation et la réduction des dépenses ;



L’optimisation et la rationalisation de l’utilisation des moyens nécessaires (les pièces de rechange et l’outillage…) ;



La mise en place des procédures de travail avec une mise à jour systématique ;



L’élaboration et la mise en place d'un tableau de bord d'indicateurs de maintenance ;



La gestion de l’ensemble de la documentation technique (modes d’emplois, plans de recollement, gammes de maintenance...) nécessaires à tous les intervenants de l’activité maintenance ;



La coordination avec le magasin, les demandeurs, le bureau de contrôle, les sociétés externes ;



La réception technique du nouveau matériel et des travaux neufs ;



L’établissement et la mise en œuvre des plans de formation annuels.

iii. Service Maintenance et Travaux : Le service maintenance et travaux a pour vocation d’utiliser ses moyens suivant les procédures imposées, pour remettre le matériel dans l’état spécifié et en temps voulu par le service méthodes et en respectant les consignes de sécurité. Ces missions sont précisées ci-après : 

L’exécution des travaux de la maintenance préventive et curative ;



La rédaction et l’édition des reportings ;



L’élaboration des rapports d’intervention (RE) ;



Les relevés journaliers (eau potable, gasoil, fluides médicaux, électricité) ;



L’assistance aux travaux exécutés par des sociétés externes ;



La participation à l’élaboration des cahiers des charges ; 13



La réception des prestations externes.

iv. Service informatique: L’organigramme du service informatique a pour missions : 

L’administration des systèmes et réseaux ;



La Maintenance du parc informatique ;



La planification des interventions d'installation, de configuration et de dépannage et la gestion des priorités ;



L’établissement de l'inventaire du parc informatique et des logiciels en service dans tout l'établissement ;



La gestion du réseau informatique et l’amélioration de l'infrastructure matérielle ;



L’établissement des schémas du réseau informatique ;



La gestion des serveurs d'annuaires et la fourniture des services numériques aux usagers (messagerie électronique, réseau sans fil, ...) ;



La gestion du site Internet institutionnel et la mise à jour des informations qui s'y trouvent ;



La mise en place des mécanismes concernant la sécurité informatique et l’assurance de la veille sur l'évolution des risques ;



La mise en place d’une politique de sauvegarde et d'archivage des données ;



La maintenance et l’amélioration des systèmes d'information ;



La formation des utilisateurs.

 Service commercial.  Service gestion de projet.

14

Service conception et ordonnancement

Service commercial -Analyse du travail ordonnancement -programmation

Demandeur

-suivi et contrôle d’avancement des travaux

Figure 4: les synergies entre les différentes structures ainsi que leurs interactions avec les différents intervenants externes

Le plateau technique de l’hôpital comporte toutes les structures de soins nécessaires pour répondre à temps et de manière organisée et efficace aux besoins des usagers. Le service des urgences, le bloc opératoire, le service de radiologie et les laboratoires, entretiennent des liaisons fonctionnelles et organisationnelles de manière à satisfaire toutes les exigences d’un établissement hospitalier de haut niveau. Les équipements technologiques et biomédicaux : En matière d’équipements, l’hôpital est doté d’une technologie pluridisciplinaire de dernière génération en matière d’exploration, de diagnostic et de traitement.

15

i.

Présentation de l’activité biomédicale au sein de l’hôpital Cheikh Zaid :

Figure 5: les différents intervenants du SB

ii.

Ressources humaines et matérielles

L’activité biomédicale au sein de la direction technique est assurée par un ingénieur biomédical et 4 techniciens biomédicaux, il dispose 3 bureaux administratifs et d’un atelier biomédical, outillages, GMAO et des équipements d’essai.

iii.

Mission du Service de la maintenance biomédicale :

La mission d’un service de maintenance biomédicale est de maintenir en bon état de fonctionnement les dispositifs médicaux, à moindre cout. L’objectif étant d’assurer le mieux possible la disponibilité des équipements pour les services cliniques et médicotechniques.

g. Conclusion : Dans ce chapitre nous avons présenté l’Hôpital Cheikh Zaid qui est mon lieu de stage.

16

Chapitre II.

Etat de l’art :

h. Problématique : Dans le Maroc entre 600.000 et 700.000 personnes à travers tout le Royaume sont atteint d’épilepsie soit un pourcentage de la population compris entre 3 et 5% selon l’OMS. Bien que la cause principale de l'épilepsie reste inconnue, un diagnostic précoce peut être utile pour bien traiter. Le traitement est médicale parfois peut être chirurgicale. Cependant, ces méthodes ne sont pas pleinement efficaces. Malheureusement, les crises qui ne peuvent être complètement traitées médicalement limitent la vie active du patient. Dans ces cas, les patients ne peuvent pas travailler indépendamment et faire une certaine activité. Cela conduit à l'isolement social des individus et à des difficultés économiques. La prédiction d’une crise d'épilepsie est très utile puisqu’elle nous permet d’éviter l'attaque par un protocole médicamenteux. Les modèles d'apprentissage automatique sont utilisés pour prédire les crises d'épilepsie. Ces modèles d'apprentissage automatique incluent l'acquisition de signaux EEG, le prétraitement des signaux, l'extraction des caractéristiques des signaux et enfin la classification entre les différents états de crise. Dans notre projet nous avons converti le signal EEG à canaux multiples en signal de substitution, puis la décomposition en mode empirique (EMD) a été appliquée pour augmenter le rapport signal / bruit (SNR). Nous avons extrait deux caractéristiques qui sont la densité spectrale de puissance et l'écart type puis Support Vector Machine (SVM) a été utilisé pour la classification entre l'état préictal et l'état interictal.

i. Cahier de charges : Pour réaliser ce projet on va utiliser la base de données du site www.physionet.com collectés à l'Hôpital d’enfants de Boston, se compose d'enregistrements EEG de sujets pédiatriques avec des crises intraitables. Les sujets ont été suivis jusqu'à plusieurs jours après le retrait des médicaments antiépileptiques afin de caractériser leurs crises et d'évaluer leur candidature à une intervention chirurgicale. J’ai utilisé pour l’entrainement du classificateur la base de données d’une

17

patiente fille de 9 ans constituée de 42 enregistrements qui durent une heure chacun, dont 7 contiennent des crises, chacun de ces enregistrements se compose de 23 canaux prises par les 23 capteurs de l’EEG:                       

Channel 1: FP1-F7 Channel 2: F7-T7 Channel 3: T7-P7 Channel 4: P7-O1 Channel 5: FP1-F3 Channel 6: F3-C3 Channel 7: C3-P3 Channel 8: P3-O1 Channel 9: FP2-F4 Channel 10: F4-C4 Channel 11: C4-P4 Channel 12: P4-O2 Channel 13: FP2-F8 Channel 14: F8-T8 Channel 15: T8-P8 Channel 16: P8-O2 Channel 17: FZ-CZ Channel 18: CZ-PZ Channel 19: P7-T7 Channel 20: T7-FT9 Channel 21: FT9-FT10 Channel 22: FT10-T8 Channel 23: T8-P8

Figure 6: Exemple des 23 canaux d'un signal EEG

Tout d’abord on doit commencer par le prétraitement : 1. 2. 3. 4.

Définir la partie Interictale et la partie Préictale afin de filtrer le signal par CSP, Décomposer le résultat de CSP par EMD et puis construire le signal final, Extraction des caractéristiques en calculant la PSD et l’écart-type Classification par SVM :   

Entrainement de la base de données dans l’application de Matlab « Classification Learner » Extraction du code à Matlab Prédiction et test d’une nouvelle base de données

18

j. Notions de base : i. Epilepsie : 1. Définition : L'épilepsie se caractérise par une augmentation soudaine de l'activité électrique dans le cerveau,

entraînant

une

perturbation

temporaire

de

la

communication

entre

les

neurones. Habituellement, elles sont de courte durée. Elles peuvent avoir lieu soit dans une zone précise du cerveau, soit dans son ensemble. Ces influx nerveux anormaux peuvent se mesurer durant un électro-encéphalogramme (EEG), un examen

qui

permet

d’enregistrer

l’activité

cérébrale.

Figure 7: Illustration d'épilepsie

2. Etats de crises d’épilepsie : Les crises épileptiques ont quatre états différents: l'état préictal, qui est un état qui apparaît avant le début de la crise, l'état ictal qui commence avec le début de la crise et se termine par une attaque, l'état postictal qui commence après l'état ictal et état interictal qui commence après l'état postictal de la 1ère crise et se termine avant le début de l'état préictal de la crise consécutive. De plus, les crises peuvent être prédites en détectant le début de l'état préictal.

Figure 8: Etat de crise épileptique

19

3. Les origines : 

Les épilepsies symptomatiques

Elles sont dues à une lésion cérébrale : malformation congénitale, encéphalite, séquelles d’une souffrance à la naissance, traumatisme crânien, accident vasculaire cérébral, tumeur, infections du Système Nerveux Central, maladies neurologiques évolutives, anomalies des chromosomes, malformations cérébrales… 

Les épilepsies cryptogéniques

Lorsque qu’une cause est suspectée, mais ne peut être prouvée par les moyens diagnostiques actuels, on parle d’épilepsie cryptogénique dont le nombre est en constante diminution du fait de l’évolution permanente

des

techniques Figure 9: Comparaison entre état normal et épileptic

d’exploration. 

Les épilepsies idiopathiques

Elles présentent un caractère génétique plus ou moins démontrable et concernent des sujets le plus souvent sans lésion cérébrale. La prédisposition génétique n’induit pas que l’épilepsie soit une maladie héréditaire donc transmissible (de manière simple et facile). La transmission de l’épilepsie est très complexe et ne concerne qu’un petit nombre de cas. De plus, la même anomalie peut avoir des conséquences différentes selon les personnes. Les cas d’épilepsie provoqués par une maladie, transmise elle-même génétiquement, sont à considérer Figure 10: Types d'épilepsie

différemment.

20

Les épilepsies idiopathiques de l’adulte sont toujours généralisées. Ce sont essentiellement des épilepsies, datant de l’enfance ou de l’adolescence, n’ayant pas guéri mais le plus souvent en rémission durable sous traitement. Les épilepsies symptomatiques ou cryptogéniques sont le plus souvent partielles. Elles représentent près de 80% des épilepsies de l’adulte. L’épilepsie peut être ancienne, en relation avec une atteinte cérébrale qui s’est produite dans l’enfance ; elle peut être récente, nécessitant la pratique d’un bilan à la recherche d’une cause séquellaire ou évolutive.

4. Qui est concerné? L’épilepsie peut apparaître à n’importe quel âge, mais elle survient plus fréquemment aux âges extrêmes de la vie, chez les enfants et adolescents, ou bien chez les personnes âgées. Dans le monde, plus de 40 millions de personnes sont concernées. En France, environ 600 000 personnes sont répertoriées dont 250 000 jeunes de moins de 20 ans. 5 % de la population est ainsi susceptible de faire une crise, un jour. De fait, chaque jour, 100 personnes présentent une première crise, soit près de 40 000 par an. Une fois sur deux, cette crise peut inaugurer une maladie épileptique qui est, après la migraine, la première raison de consultation d’un neurologue. L’épilepsie ne connaît pas de frontières géographiques, raciales ou sociales.

5. Les différentes formes La manifestation visible de l’épilepsie est la crise. Mais on restreint à tort ces crises à la crise tonicoclonique convulsive généralisée, qui se traduit par une perte de connaissance brutale souvent inaugurée par un cri, une contraction musculaire globale, des secousses de l’ensemble du corps, une reprise sonore de la respiration puis un retour progressif à une conscience normale après une période de confusion puis d’abattement. C’est cette crise que retient l’imaginaire collectif, c’est celle qui fait le plus peur par son côté spectaculaire. En réalité, les symptômes cliniques – la manifestation de la crise – varient selon la fonction du cortex cérébral intéressé par la décharge responsable de la crise mais aussi selon que cette décharge a un point de départ localisé sur le cortex (on parle alors d’épilepsie partielle) ou non.

21

On observe ainsi des symptômes aussi divers que : 

Des absences : le sujet semble coupé du monde et ne réagit plus aux stimuli extérieurs ;



Des contractions musculaires involontaires : les myoclonies ;



Des mouvements anormaux (les automatismes) : mâchonnements, mouvements plus ou moins coordonnés des membres, rotation de la tête et des yeux ;



Des hallucinations sensorielles : visuelles, auditives, olfactives, gustatives ;



Des impressions de « déjà vu », de rêve ; Et même des crises de contenu purement psychique ou émotionnel : brève peur, accès de

rire, pensée forcée, etc. Compte tenu des multiples formes d’expression des crises et de leur évolution, il n’y a pas une mais des épilepsies.

k. Electroencéphalographie : 1. Définition : L'électroencéphalographie (EEG) est une méthode d'exploration cérébrale qui mesure l'activité électrique du cerveau par des électrodes placées sur le cuir chevelu souvent représentée sous

la

forme

d'un

tracé

appelé

électroencéphalogramme. Comparable à l'électrocardiogramme qui permet d'étudier le fonctionnement du cœur, l'EEG est un examen

indolore

et

non-invasif

qui

renseigne sur l'activité neurophysiologique du cerveau au cours du temps et en particulier du cortex cérébral soit dans un but diagnostique en neurologie, soit dans la recherche en neurosciences cognitives. Le

Figure 11: EEG

signal électrique à la base de l'EEG est la résultante de la sommation des potentiels postsynaptiques

synchrones

issus

d'un

grand

22

nombre

de

neurones.

On

parle

aussi

d'électroencéphalographie intracrânienne (iEEG), sous-durale ou stéréotaxique (sEEG) pour désigner des mesures de l'activité électrique du cerveau effectuées à partir d'électrodes implantées sous la surface du crâne, soit à la surface soit en profondeur du tissu cérébral.

2. Principe de fonctionnement : Étant donné la faiblesse du signal électrique produit par les neurones, il est nécessaire d'amplifier le potentiel électrique mesuré à la surface du cuir chevelu. Historiquement les courbes d'EEG étaient tracées sur des rouleaux de bandes de papier millimétré afin d'être relus ensuite par les médecins neurologues pour y déceler d'éventuels signes. Aujourd'hui, le signal est capté sans contact converti numériquement et traité par ordinateur.

Figure 12: Premier EEG enregistré en 1929 par Hans Berger

3. Examen EEG : On enregistre un électroencéphalogramme standard chez un patient éveillé, en position allongée, détendu ou en position assise. On peut alors étudier l'influence de l'ouverture des yeux par rapport aux yeux fermés, de périodes d'hyperpnée, de la stimulation lumineuse intermittente. Sur un tracé EEG, il est possible d'identifier des activités électriques cérébrales rythmiques. Ces rythmes

cérébraux

sont classés selon leur fréquence

et

permettent,

par

exemple, d'identifier ou de caractériser des états psychologiques en

neurosciences

fondamentales,

ou

pathologiques,

en

neurologie clinique. Figure 13: Examen EEG sur un patient

23

4. Filtrage par Common Spatial Pattern (CSP) : L'algorithme de modèles spatiaux communs (CSP) est une méthode d'extraction d'entités qui utilise des filtres spatiaux pour maximiser la discriminabilité de deux classes. L'algorithme CSP a été largement utilisé pour l'extraction de caractéristiques dans les systèmes basés sur EEG. Comme les signaux EEG ont des problèmes de bruit et de sur-ajustement, divers algorithmes CSP régularisés sont introduits pour répondre à ces problèmes. Figure 14: Algorithm CSP

5. Décomposition Modale Empirique (EMD) : Décomposition modale empirique- ou EMD pour Empirical Mode Decomposition -est une méthode algorithmique de décomposition adaptative du signal : au lieu d’analyser le signal dans une base fixe comme avec Fourier, on construit au fur et à mesure les fonctions de base, appelées Fonction Mode Intrinsèque en anglais Intrinsic Mode Function (IMF). Elle a été introduite pour traiter de manière relativement souple des données quelconques, pouvant être non-stationnaires et non-linéaires. En effet, le gros défaut de cette méthode a longtemps été l’absence de théorie, notamment pour le processus de tamisage, qui extrait les IMFs, appelé Sifting Process (SP). En cela s’ajoute le problème du mélange de modes et la présence d’intermittence. Des versions bidimensionnelles de l’EMD ont vu le jour, mais restent pour la majorité très couteuse en complexité algorithmique.

6. Densité Spectrale de Puissance (PSD) : On définit la densité spectrale de puissance (DSP en abrégé, Power Spectral Density ou PSD en anglais) comme étant le carré du module de la transformée de Fourier, divisé par la largeur de bande spectrale, elle-même égale à l'inverse du temps d'intégration T (ou, plus rigoureusement,

24

la limite quand T tend vers l'infini de l'espérance mathématique du carré du module de la transformée de Fourier du signal - on parle alors de densité spectrale de puissance moyenne). Ainsi, si x est un signal et X sa transformée de Fourier, la densité spectrale de puissance vaut Elle représente la répartition fréquentielle de la puissance d'un signal suivant les fréquences qui le composent (son unité est de la forme Ux2/Hz, où Ux représente l'unité physique du signal x, soit par exemple V2/Hz). Elle sert à caractériser les signaux aléatoires gaussiens stationnaires et ergodiques et se révèle indispensable à la quantification des bruits électroniques.

7. Ecart type (Standard Deviation) Std : En statistique, l'écart type est une mesure du degré de variation ou de dispersion d'un ensemble de valeurs. Un faible écart type indique que les valeurs ont tendance à être proches de la moyenne de l'ensemble, tandis qu'un écart type élevé indique que les valeurs sont réparties sur une plage plus large.

8. Classification SVM (support vector machine): a. Définition : Les machines à vecteurs de support ou séparateurs à vaste marge (en anglais support vector machine, SVM) sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Les SVM sont une généralisation des classifieurs linéaires. Considérons l’exemple suivant. On se place dans le plan, et l’on dispose de deux catégories : les ronds rouges et les carrés bleus, chacune occupant une région différente du plan. Cependant, la frontière entre ces deux régions n’est pas connue. Ce que l’on veut, c’est que quand on lui présentera un nouveau point dont on ne connaît que la position dans le plan, l’algorithme de classification sera capable de prédire si ce nouveau point est un carré rouge ou un rond bleu.

25

Voici notre problème de classification : pour chaque nouvelle entrée, être capable de déterminer à quelle catégorie cette entrée appartient. Autrement dit, il faut être capable de trouver la frontière entre les différentes catégories. Si on connaît la frontière, savoir de quel côté de la frontière appartient le point, et donc à quelle catégorie il appartient.

Figure 15: Exemple d'SVM

Le SVM est une solution à ce problème de classification. Le SVM appartient à la catégorie des classificateurs linéaires (qui utilisent une séparation linéaire des données), et qui dispose de sa méthode à lui pour trouver la frontière entre les catégories. Pour que le SVM puisse trouver cette frontière, il est nécessaire de lui donner des données d’entraînement. En l’occurrence, on donne au SVM un ensemble de points, dont on sait déjà si ce sont des carrés rouges ou des ronds bleus. A partir de ces données, le SVM va estimer l’emplacement le plus plausible de la frontière : c’est la période d'entraînement, nécessaire à tout algorithme d’apprentissage automatique.

Figure 16: Classification SVM

Une fois la phase d’entraînement terminée, le SVM a ainsi trouvé, à partir de données d’entraînement, l’emplacement supposé de la frontière. En quelque sorte, il a « appris » 26

l’emplacement de la frontière grâce aux données d’entraînement. Qui plus est, le SVM est maintenant capable de prédire à quelle catégorie appartient une entrée qu’il n’avait jamais vue avant, et sans intervention humaine (comme c’est le cas avec le triangle noir dans la Figure 2) : c’est là tout l’intérêt de l’apprentissage automatique. Comme vous pouvez le constater dans la figure ci-dessus, pour notre problème le SVM a choisi une ligne droite comme frontière. C’est parce que, comme on l’a dit, le SVM est un classificateur linéaire. Bien sûr, la frontière trouvée n’est pas la seule solution possible, et n’est probablement pas optimale non plus. Cependant, il est considéré que, étant donné un ensemble de données d’entraînement, les SVM sont des outils qui obtiennent parmi les meilleurs résultats. En fait, il a même été prouvé que dans la catégorie des classificateurs linéaires, les SVM sont ceux qui obtiennent les meilleurs résultats. Un des autres avantages des SVM, et qu’il est important de noter, est que ces derniers sont très efficaces quand on ne dispose que de peu de données d’entraînement : alors que d’autres algorithmes n’arriveraient pas à généraliser correctement, on observe que les SVM sont beaucoup plus efficaces. Cependant, quand les données sont trop nombreuses, le SVM a tendance à baisser en performance.

b. Types d’SVM (Support Vector Machine): i. C’est quoi l’astuce du noyau (kernel) : Pour en venir à la majeure partie du SVM pour laquelle il est le plus célèbre, l'astuce du noyau. Le noyau est une manière de calculer le produit scalaire de deux vecteurs x et y dans un certain espace de caractéristiques (de très grande dimension), c'est pourquoi les fonctions du noyau sont parfois appelées «produit scalaire généralisé». L'application de l'astuce du noyau signifie simplement remplacer le produit scalaire de deux vecteurs par la fonction du noyau.

27

ii. Linear kernel Le noyau linéaire est utilisé lorsque les données sont séparables linéairement, c'est-à-dire qu'elles peuvent être séparées à l'aide d'une seule ligne. C'est l'un des noyaux les plus couramment utilisés.

iii. Polynomial kernel : En général le noyau polynomial est défini par:

b = degré du kernel & a = constante. Dans le noyau polynomial, nous calculons simplement le produit scalaire en augmentant la puissance du noyau.

iv. Gaussian kernel : Gaussian RBF (Radial Basis Function) est une autre méthode de noyau populaire utilisée dans les modèles SVM pour plus. Le noyau RBF est une fonction dont la valeur dépend de la distance depuis l'origine ou d'un point. Le noyau gaussien est du format suivant;

||X1 — X2 || = Distance euclidienne entre X1 & X2 En utilisant la distance dans l'espace d'origine, nous calculons le produit scalaire (similarité) de X1 & X2.

c. Base de données : SVM est un exemple de modèle de classification qui est un exemple de modèle d'apprentissage supervisé. Un modèle supervisé suppose que vous disposez d'un ensemble de données avec une réponse donnée pour n'importe quelle ligne et que vous devez entraîner votre algorithme (ses paramètres) à s'adapter à ces réponses de l'ensemble de données. Pour pouvoir estimer le succès de votre entraînement, l'ensemble de données doit être divisé en deux parties: une grande, appelée données d'entraînement, que vous utilisez pour l'entraînement, et une petite (par exemple, 20%), appelée données de test, pour vérifier les résultats d'un modèle entraîné. 28

Il est important de vérifier les performances sur des données de test distinctes qui ne font pas partie des données d'entraînement pour être sûr que le modèle entraîné se généralise bien et non seulement "se souvient" des bonnes réponses pour les données sur lesquelles il a été formé.

9. Matlab : MATLAB (« matrix laboratory ») est un langage de script2 émulé par un environnement de développement du même nom ; il est utilisé à des fins de calcul numérique. Développé par la société The MathWorks, MATLAB permet de manipuler des matrices, d'afficher des courbes et des données, de mettre en œuvre des algorithmes, de créer des interfaces utilisateurs, et peut s’interfacer avec d’autres langages comme le C, C++, Java, et Fortran. Les utilisateurs de MATLAB (environ 4 millions en 2019) sont de milieux très différents comme l’ingénierie, les sciences et l’économie dans un contexte aussi bien industriel que pour la recherche. Matlab peut s’utiliser seul ou bien avec des toolboxes (« boîte à outils »).

Figure 17: Logiciel Matlab

l. Conclusion : Dans ce chapitre nous avons présenté le cahier de charges du projet et dévoilé les notions de base utilisés dans ce projet.

29

Chapitre III.

Implémentation du projet et résultats:

a. Schéma Bloc :

Signal EEG

Filtrage CSP

EMD

Extraction de caractéristiques

Classification par SVM

Voici le schéma bloc du projet, on va d’abord commencer par avoir notre base de données depuis le site web www.physionet.com, la filtrer par modèle spatiale commun après avoir définit la partie interictale et préictale, la décomposer par EMD, extraire les données de la densité spectrale de puissance et l’écart type, tout ça entre dans la partie d’entrainement de base donnée qui va nous donner une matrice dont on va utiliser pour la classification par SVM puis tester de nouveaux cas.

b. Base de données : On va utiliser la base de données publique CHB-MIT trouvée sur le site physionet et qui est recueillies à l’hôpital pour enfants de Boston, se compose d’enregistrements EEG de sujets pédiatriques présentant des crises épileptiques insurmontables. Les enregistrements, regroupés en 23 cas, ont été collectés auprès de 22 sujets (5 hommes, âgés de 3 à 22 ans et 17 femmes, âgés de 1,5 à 19 ans). Chaque cas (chb01, chb02, etc.) contient entre 9 et 42 fichiers .edf continus d'un seul sujet. Les limitations matérielles entraînaient des écarts entre les fichiers .edf numérotés consécutivement, pendant lesquels les signaux n'étaient pas enregistrés; dans la plupart des cas, les intervalles sont de 10 secondes ou moins, mais parfois il y a des intervalles beaucoup plus longs. Dans la plupart des cas, les fichiers .edf contiennent exactement une heure de signaux EEG numérisés, parfois les fichiers dans lesquels les crises sont enregistrées sont plus courts. Tous les signaux ont été échantillonnés à 256 échantillons par seconde avec une résolution de 16 bits. La plupart des fichiers contiennent 23 signaux EEG (24 ou 26 dans quelques cas). Le système international 10-20 des positions et de la nomenclature des électrodes EEG a été utilisé pour ces enregistrements.

30

Pour ouvrir les fichiers EEG .edf j’ai dû utiliser la fonction readEDF.m. Figure 19: Utilisation de readEDF

Figure 18: Exemple du signal original en cas de crise (chb01_03)

c. Prétraitement : On a besoin du prétraitement car chaque signal EEG contient 23/24 canaux donc il faut le transformer en un canal de substitution et aussi pour minimiser le bruit causé par le mouvement des yeux ou bien d’autres mouvements corporels.

1. Filtrage CSP : Le filtre à motif spatial commun (CSP) peut être utilisé pour convertir le signal de plusieurs canaux dans le canal de substitution, car il donne un rapport signal / bruit élevé. Il fonctionne également mieux en cas de signaux EEG car il augmente le rapport signal / bruit et l'intervalle de variance entre deux variables de classe.

31

Si X1 et X2 sont les signaux de deux états d'épilepsie différents, c'est-à-dire l'état préictal et l'état interictal, alors vous obtenez R1 et R2 lorsque vous divisez les carrés des signaux par la trace en (1) et (2), respectivement.

R1 et R2 sont ajoutés en (3) et la décomposition des valeurs propres est effectuée en (4), ce qui donne les valeurs propres Eval et le vecteur propre Evec. Supposons que D est une matrice qui contient tous les éléments diagonaux du vecteur propre.

Le poids 𝜔 est calculé dans (5) et S1 et S2 est calculé dans (6) et (7). La décomposition des valeurs propres est effectuée dans (8) pour obtenir le vecteur propre B et les valeurs propres D. Ces valeurs sont triées par ordre décroissant afin d'obtenir un filtre dans l'équation suivante:

L'équation (9) montre les coefficients du filtre Common Spatial Pattern (CSP). On a utilisé une fonction CSP2.m pour filtrer notre signal après avoir choisi X1 comme phase interictale et X2 comme phase préictale. Parceque notre signal se compose de 23 canaux alors il donne une cellule de 23 matrices, et pour cela on peut la découper de la manière suivante :

32

Figure 20: Programme de découpage de cellules

J’ai extrait depuis mon signal, une marge de 1 jusqu’à 456000 qui représente la phase interictale et même chose pour la partie 456000 à 764000 qui est la phase préictale

Figure 22: Signal avec détection de phases

Figure 21: Résultat de NewArray

Puis j’ai dû changer la composition de la matrice car le CSP (common spatial pattern) n’accepte pas une matrice de taille pareille:

33

Figure 23: Erreur CSP

Figure 24: Avant le redimensionnement

Pour cela j’ai redimensionné la matrice pour obtenir :

Figure 26: Redimensionnement des matrices

Figure 27: Résultat du redimensionnement

Figure 25: Programme CSP

34

Figure 28: Résultat du CSP

2. Décomposition par EMD : Après le filtrage CSP (common spatial pattern) on passe à la décomposition par EMD. Dans la décomposition en mode empirique (EMD), un signal dans le domaine temporel est divisé en un certain nombre de fonctions oscillatoires appelées fonctions en mode intrinsèque (IMF). Ce processus de décomposition du signal en plusieurs IMF tout en restant dans le domaine temporel est comparable à la décomposition en ondelettes et à la transformée de Fourier. L'EMD décomposition en mode empirique est un processus très utile pour analyser des signaux non stationnaires et non linéaires. Lorsque la décomposition en mode empirique est appliquée au signal EEG, elle filtre le bruit du signal d'origine. Les composants de haute fréquence contiennent du bruit, tandis que les basses fréquences contiennent le signal original et des informations sur les crises. Les quatre dernières fonctions en mode intrinsèque IMFs obtenus après l'application EMD contiennent un maximum d'informations sur les états de crises. Par conséquent, nous avons combiné les quatre derniers IMF, qui sont utilisés pour l'extraction de caractéristiques.

35

Figure 31: Programme EMD

Figure 30: Résultat de l'EMD au niveau de la fenêtre de commande

Figure 29: Résultat de l'EMD

Comme on peut observer, les 4 derniers IMFs contiennent le maximum d’information, c’est la raison pour laquelle je les ai combiné, afin de créer mon signal final.

36

Figure 33: Programme de construction de signal

Figure 32: Signal final après prétraitement

Ceci a été un exemple, utilisant le cas de notre base de données chb01_03 qui est un cas de crise épileptique, cependant dans le programme preprocessing.m je vais faire le même traitement sur 16 autre cas diversifiés entre, 8 cas d’épilepsies et 9 cas normaux.

d. Extraction de caractéristiques : 1. Densité spectrale de puissance : Dans le logiciel Matlab l’estimation de la densité spectrale de puissance (PSD) via la méthode du périodogramme. Pxx = periodogramme (X) renvoie l'estimation PSD, Pxx, d'un signal, X. Lorsque X est un vecteur, il est converti en vecteur de colonne et traité comme un seul canal. Lorsque X est une matrice, la PSD est calculée indépendamment pour chaque colonne et stockée dans la colonne correspondante de Pxx.

37

Dans notre cas j’ai utilisé 'centred' qui renvoie la densité spectrale de puissance (PSD) bilatéral centré pour X réel ou complexe. Pxx a une longueur NFFT et est calculé sur l'intervalle (-pi, pi] pour la longueur paire NFFT et (-pi, pi) pour la longueur impaire NFFT. Lorsque Fs est spécifié, les intervalles deviennent (-Fs / 2, Fs / 2] et (-Fs / 2, Fs / 2) pour NFFT pair et impair, respectivement.

Figure 35: Programme PSD

Figure 34: Résultat PSD

 Résultat : Après plusieurs essais j’ai remarqué qu’en cas de crise, le maximum de la densité spectrale de puissance PSD est supérieure à 600 et peut atteindre jusqu’à plus 4000, par contre pour le cas normal il reste inférieur à 200 sauf dans de rares cas.

38

2. Ecart type : Pour les vecteurs, Y = std (X) renvoie l'écart type. Pour les matrices, Y est un vecteur de ligne contenant l'écart type de chaque colonne. Pour les tableaux N-D, std opère le long de la première dimension non singleton de X. Std normalise Y par N-1 si N> 1, où N est la taille de l'échantillon. Il s'agit du carré d'un estimateur sans biais de la variance de la population à partir de laquelle X est tiré, tant que X se compose d'échantillons indépendants et distribués de manière identique. Pour N = 1, Y est normalisé par N.

Figure 37: Programme std Figure 36: Résultat std

 Résultat : En calculant l’écart type (STD) j’ai remarqué qu’en cas de crise, la valeur est beaucoup plus importante, par rapport au cas normal dont la valeur ne dépasse pas 4,5.

e. Construction de la matrice de données « Trainingset » : J’ai affecté pour chaque cas de crise le nombre ‘2’ et pour chaque cas normal le nombre

‘1’

comme

sortie

pour

la

classification. La colonne 1 représente les résultats de la PSD, la colonne 2 représente les résultats de la STD et la colonne 3 montre le nombre de classes, qui est deux (Normale/Epilepsie). J’ai utilisé 8 cas qui ont une crise épileptique et 9 cas normaux. Figure 38: Trainingset

39

f.

Classification par SVM (support vector machine):

Pour la classification j’ai utilisé l’application Matlab « Classification Learner ». Elle entraîne des modèles pour classer les données. Grâce à cette application, vous pouvez explorer l'apprentissage automatique supervisé à l'aide de divers classificateurs. Vous pouvez explorer vos données, sélectionner des fonctionnalités, spécifier des schémas de validation, entraîner des modèles et évaluer les résultats. Vous pouvez effectuer une formation automatisée pour rechercher le meilleur type de modèle de classification. Vous pouvez effectuer un apprentissage automatique supervisé en fournissant un ensemble connu de données d'entrée et des réponses connues aux données (par exemple, des étiquettes ou des classes). Vous utilisez les données pour entraîner un modèle qui génère des prédictions pour la réponse aux nouvelles données. Pour utiliser le modèle avec de nouvelles données ou pour en savoir plus sur la classification par programmation, vous pouvez exporter le modèle vers l'espace de travail ou générer du code MATLAB pour recréer le modèle entraîné. 

Etape1 : Ouvrir l’application et entrer la matrice des données Trainingset :

Figure 39: Etape 1

40



Etape2 : Choix du meilleur type de classificateur SVM :

Figure 40: Choix du type d'SVM

 Résultat : Après avoir essayé tous les types d’SVM, celui avec le kernel « Fine Gaussian » a donné la plus grande accuracy=88.2%, c’est-à-dire le pourcentage de précision, c’est est une métrique pour évaluer les modèles de classification. De manière informelle, la précision est la fraction des prédictions que notre modèle a obtenues. Formellement, l’accuracy a la définition suivante :

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =



𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑝𝑟é𝑑𝑖𝑐𝑡𝑖𝑜𝑛𝑠 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑒𝑠 𝑛𝑜𝑚𝑏𝑟𝑒 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑟é𝑑𝑖𝑐𝑡𝑖𝑜𝑛𝑠

Etape 3 : « Scatter plot » qui représente le résultat de l’SVM Fine Gaussian

41

Figure 41: Scatter plot

 Résultat : On remarque qu’on a 1 point sur 8 incorrect pour la classe 1 (Epilepsie) et un autre incorrecte sur 9 pour la classe 2 (Normal) ce qui explique le pourcentage d’accuracy. 

Etape 3 : Matrice de confusion

Figure 42: Matrice de confusion

42

Une matrice de confusion est un résumé des résultats de prédiction sur un problème de classification. Le nombre de prédictions correctes et incorrectes est résumé avec des valeurs de comptage et ventilé par classe. C'est la clé de la matrice de confusion. La matrice de confusion montre les façons dont votre modèle de classification est confus lorsqu'il fait des prédictions. Cela nous donne un aperçu non seulement des erreurs commises par un classificateur, mais surtout des types d'erreurs qui sont commises. 

Positif (P): L'observation est positive (par exemple: est une pomme).



Négatif (N): L'observation n'est pas positive (par exemple: n'est pas une pomme). Figure 43: Matrice de confusion en général



Vrai positif (TP): L'observation est positive et devrait être positive.



Faux négatif (FN): L'observation est positive, mais est prédite négative.



Vrai Négatif (TN): L'observation est négative et devrait être négative.



Faux positif (FP): L'observation est négative, mais est prédite positive.  Résultat : Dans notre cas on a un seul cas FP (faux positif) qui est négatif mais prédit positif et un seul FN (faux négatif) qui est positif et prédit négatif Dans ce cas on va calculer les mesures suivantes:

1. Recall : nous donne une idée du moment où il est réellement oui, à quelle fréquence il prédit oui. Recall = TP / (TP + FN) = 8/ (8 + 1) = 0.889 2. Précision: La précision nous indique quand elle prédit oui, à quelle fréquence est-elle correcte. Precision = TP / (TP + FP) =8/ (8+1) = 0.889 3. F-measure : Elle utilise la moyenne harmonique à la place de la moyenne arithmétique car elle punit davantage les valeurs extrêmes. F-measure = (2 * Recall * Precision) / (Recall + Precision) = (2 * 0.889 * 0.889) / (0.889 + 0.889) = 0.889

43



Etape 4: Courbe ROC

Figure 44: Courbe ROC

La courbe ROC (receiver operating characteristic) – AUC (area under curve) est une mesure de performance pour un problème de classification à divers réglages de seuils. ROC est une courbe de probabilité et AUC représente le degré ou la mesure de la séparabilité. Il indique dans quelle mesure le modèle est capable de distinguer les classes. Plus l'AUC (area under curve) est élevée, meilleur est le modèle pour distinguer les patients atteints d'une maladie de l'absence de maladie.  Résultat : Notre AUC=0.88, un excellent modèle a une AUC proche de 1, ce qui signifie qu'il a une bonne mesure de séparabilité.

44

Etape 5 : Exportation du model à Matlab pour le test

Figure 45: Exporter le model SVM

Figure 46: TrainedModel

 Résultat : l’exportation du trainedModel nous a donné une structure composée de ClassificationSVM et de predictFcn selon le besoin. 

Etape 6 : Prédiction de nouveaux cas

Figure 47: Prediction de nouveaux cas

45



Etape 7 : test de nouveaux cas :

D’abord le programme svm2.m vous demande d’entrer votre fichier (.edf):

Figure 48: Entrer le signal

Puis il affiche le signal avec un message qui donne automatiquement si c’est un cas normal ou cas épileptique.  Exemple1 : Cas épileptique data prise depuis le chb04_28

Figure 49: Test 1

46

Exemple 2 : Cas normal data prise depuis le chb04_01

Figure 50: Test 2

Exemple 3 : Cas épileptique data prise depuis le chb04_05

Figure 51: Test 3

47

Conclusion : Ce travail, en plus de sa nature enrichissante aux programmes pédagogiques et aux cursus des étudiants de la formation génie biomédical à l’ENSET Rabat, a été pour moi dans sa totalité une formidable expérience pour effectuer la transition entre le monde académique et le monde professionnel. Dans ce projet qui vise la prédiction de crises d’épilepsie par intelligence artificielle, j’ai utilisé l'ensemble de données CHB-MIT qui a été enregistré en plaçant des électrodes sur le cuir chevelu des sujets pour prédire la crise d'épilepsie. J’ai testé mon modèle proposé sur l'ensemble de données, et il a été montré dans les résultats qu’il fonctionne avec une précision de 88% de prédiction des crises d'épilepsie. Par conséquent, avec l'aide de ce modèle proposé, les patients atteints d'épilepsie auront plus de temps pour prendre les médicaments appropriés nécessaires pour prévenir la crise avant qu'elle ne se produise réellement. À l'avenir, le prétraitement du signal EEG peut être encore amélioré pour obtenir une sensibilité accrue de la prédiction des crises. D'autres méthodes de prétraitement peuvent être essayées, y compris les méthodes de prétraitement hybrides. De plus, le système peut être adopté en ligne ou en une application mobile avec un EEG portable dont les capteurs seront sans fils et mis dans une casquette par exemple pour pouvoir offrir une prédiction quotidienne des crises d'épilepsie afin de diminuer le risque de blessure des malades et de leur permettre d’exercer leur vie normale. Ce projet m’a permis, d’améliorer mon sens d’analyse, mon engagement et mon initiative pour atteindre les objectifs voulus, concrétiser mes acquis théoriques durant mes trois ans de formation et pouvoir participer dans la recherche, la modélisation et le développement de solutions dans le domaine médical.

48

Bibliographie et webographie: [1] Ali Shoeb. Application of Machine Learning to Epileptic Seizure Onset Detection and Treatment. PhD Thesis, Massachusetts Institute of Technology, September 2009.

[2] Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P. C., Mark, R., ... & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online]. 101 (23), pp. e215–e220.

[3] Epileptic seizures prediction using machine learning methods SM Usman, M Usman, S Fong - Computational and mathematical …, 2017 - hindawi.com

[4] Filter bank common spatial pattern algorithm on BCI competition IV datasets 2a and 2b KK Ang, ZY Chin, C Wang, C Guan… - Frontiers in …, 2012 - frontiersin.org

[5] www.frcneurodon.org/comprendre-le-cerveau/le-cerveau-malade-et-ses-maladiesneurologiques/lepilepsie/?cn-reloaded=1

[6] tel.archives-ouvertes.fr/tel-01372335/document

49

Résumé : Les troubles neurologiques ayant pour effet des activités électriques anormales au niveau du système nerveux provoquent chez un patient des crises d’épilepsie. Ces crises se manifestent de manière imprévisible et peuvent causer des dégâts considérables allant jusqu’au décès du patient. La prévision des crises d'épilepsie avant leur début est très utile pour permettre au patient la prise des médicaments et les éviter. Ceci est possible grâce à la surveillance et au diagnostic des signaux électroencéphalographiques (EEG) du patient. Des techniques d'apprentissage automatique et des méthodes de calcul sont utilisées pour prédire les crises d'épilepsie à partir des signaux EEG, cependant, le prétraitement de ces signaux pour la suppression du bruit et l'extraction des fonctionnalités sont deux problèmes majeurs qui ont un effet négatif sur le temps d'anticipation et le taux de prédiction positif réel. Le présent projet de fin d’étude intitulé « Intelligence artificielle pour la détection automatique des crises d’épilepsie» a pour but de traiter cette problématique. L’objectif est de pouvoir prédire très tôt l’arrivée d’une éventuelle crise d’épilepsie afin de permettre au patient (et au médecin) de prendre les médicaments et les précautions nécessaires et éviter ses conséquences négatives. Etant donné la nature des signaux non déterministes et les artefacts situés sur la même bande de fréquence de ces derniers, un filtrage spatial est nécessaire. Nous commençons alors par le filtrage CSP (Common Spatial Patterns) pour le prétraitement et la décomposition en mode empirique (EMD) pour le débruitage, puis, l’extraction des caractéristiques d’intérêt; la densité spectrale de puissance PSD (Power Spectral Density) et la déviation standard Std (Standard Deviation) utilisées pour l'apprentissage d'un modèle de prédiction basé sur Les machines à vecteurs de support SVM (Support Vector Machine). Ce projet académique, est complémenté par un stage au sein de l’Hôpital Universitaire International Cheikh Zaid à Rabat.

50

Abstract: Neurological disorders resulting in abnormal electrical activities in the nervous system cause a patient to have epileptic seizures. These seizures manifest themselves in an unpredictable way and can cause considerable damage, including death. Predicting epileptic seizures before they start is very helpful in enabling the patient to take the medications and avoid them. This is possible through monitoring and diagnosis of the patient's electroencephalographic (EEG) signals. Machine learning techniques and computational methods are used to predict epileptic seizures from EEG signals, however, preprocessing these signals for noise cancellation and feature extraction are two major issues that have a negative effect on the anticipation time and the actual positive prediction rate. This end-of-study project entitled "Artificial intelligence for the automatic detection of epileptic seizures" aims to address this issue. The aim is to be able to predict the onset of a possible epileptic seizure very early in order to allow the patient (and the doctor) to take the necessary medications and precautions and avoid its negative consequences. Given the nature of the non-deterministic signals and the artefacts located on the same frequency band of the latter, spatial filtering is necessary. We then start with CSP (Common Spatial Patterns) filtering for preprocessing and empirical mode decomposition (EMD) for denoising, then extracting the characteristics of interest; the PSD (Power Spectral Density) and the Std (Standard Deviation) used for training a prediction model based on Support Vector Machine (SVM) machines. This academic project is complemented by an internship at the Cheikh Zaid International University Hospital in Rabat.

51