Prévision du risque neuro-développemental du nouveau-né prématuré par classification automatique du signal EEG
Auteur / Autrice : | Yasser Alhajjar |
Direction : | Pierre Chauvet, Bassam Daya |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 24/10/2017 |
Etablissement(s) : | Angers |
Ecole(s) doctorale(s) : | École doctorale Sciences et technologies de l'information et mathématiques (Nantes) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) - Laboratoire angevins de recherche en ingénierie des systèmes (EA 7315) / LARIS |
Jury : | Président / Présidente : Sylvie Nguyen The Tich |
Examinateurs / Examinatrices : Anne Humeau, Patrick Van Bogaert | |
Rapporteurs / Rapporteuses : François Jouen, Rafic Hage Chehadeh |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
L’électroencéphalogramme (EEG), mesure de l'activité électrique du cerveau, reste une des meilleures méthodes de prévision non-invasive des résultats neurologiques. L'objectif de notre travail est de développer un système de classification automatique qui prévoit des risques sur la maturation cérébrale, se traduisant par un état pathologique à 2 ans. Les caractéristiques du signal EEG, qui sont utiles à la prévision automatisée, sont traitées via un module appelée EEGDiag, et sont appliquées sur un ensemble de données issues de 397 dossiers de nouveau-nés prématurés. Chaque dossier comprend un enregistrement EEG, et un rapport concernant les informations et les diagnostics de l’enfant à la naissance et 2 ans plus tard (normal, pathologique ou douteux). Pour aider les médecins à prévenir l’état neurologique anormal du nouveau-né prématuré, nous avons développé plusieurs modèles de classification qui s’appliquent sur différentes séries de caractéristiques du signal EEG inspirées des annotations des neuropédiatres. Plusieurs modèles de classification et d’aide à la décision sont testés sur différentes extractions de la base de données afin de fournir aux médecins le système de classification le plus performant. Notre système proposé permet de détecter automatiquement des pronostics sur l’état pathologique du nouveau-né prématuré. Notre travail a consisté à subdiviser l’amplitude des bouffées du signal EEG en trois catégories : faible, moyenne et forte. Cette étude de subdivision a permis de choisir les intervalles associés à ces trois catégories permettant d’augmenter considérablement la performance de notre système de classification automatique. Une analyse de corrélation a permis de détecter des relations d’indépendance et de redondance entre certaines données, ce qui permet de réduire le nombre de variables décisives et de sélectionner ainsi la meilleure série de variables qui ramènent notre système à devenir optimal et plus efficace. Ces études nous ont permis d’atteindre un système de classification automatique basé sur une série de 17 variables avec une exactitude 93.2%. Ce système peut apporter une bonne sensibilité à la prévision de l’état neurologique du nouveau-né prématuré et peut servir comme aide à la décision dans le traitement clinique.