Prédiction d'un accouchement prématuré par l'analyse des Hypergraphes et classification avec des réseaux de neurones convolutionnels sur le signal EHG

Prediction of preterm delivery by Hypergraph analysis and classification with convolutional neural networks on EHG signal

• Auteur / Autrice : Hadi Ammar
• Direction : Mircea-Dan Istrate, Mohamad Khalil
• Type : Projet de thèse
• Discipline(s) : Bioingénierie
• Date : Inscription en doctorat le 11/12/2023
• Etablissement(s) : Compiègne en cotutelle avec Université libanaise
• Ecole(s) doctorale(s) : Sciences pour l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Biomécanique et bioingénierie

Mots clés

Mots clés libres

Biosignal

Traitement du signal

Ia

Machine learning

Signal processing

Ai

Machine learning

Biosignal

Résumé

L'accouchement prématuré, défini comme l'accouchement avant la fin de la 37e semaine de gestation, est toujours la complication obstétricale la plus fréquente pendant la grossesse, avec 20% de toutes les femmes enceintes à haut risque d'accouchement prématuré. L'électrohysterographie (EHG) est la mesure non invasive de l'activité électrique sous-jacente de l'utérus. Les études ont montré que le signal EHG peut non seulement remplacer les méthodes invasives ou inexactes qui sont actuellement employées pour la surveillance des contractions pendant la grossesse ou le travail, mais pourrait également fournir un outil pour prédire l'accouchement. L'objectif global de cette thèse est d'étudier le phénomène de la propagation de l'activité électrique utérine par une approche basée sur la théorie de graphe et le généraliser en des hypergraphes puis appliquer une classification par un réseau de neurone convolutionnel. L'approche par hypergraphes pourrait être combiner avec l'approche classique d'extraction de caractéristiques pour obtenir un système plus fiable. Les méthodes seront évalués sur 2 bases de données existantes dans le laboratoire BMBI.Les résultats attendus seront utilisés à la fois à enrichir les connaissances scientifiques dans ce domaine et d'essayer d'améliorer les performances de prédiction d'un accouchement prémature.

Preterm delivery, defined as delivery before the end of the 37th week of gestation, is still the most common obstetric complication during pregnancy, with 20% of all pregnant women at high risk of premature delivery. Electrohysterography (EHG) is the non-invasive measure of the underlying electrical activity of the uterus. Studies have shown that the EHG signal can not only replace the invasive or inaccurate methods currently used to monitor contractions during pregnancy or labor, but could also provide a tool for predicting childbirth. The overall objective of this thesis is to study the phenomenon of the propagation of uterine electrical activity by an approach based on graph theory and generalize it into hypergraphs and then apply a classification by a convolutional neural network. The hypergraph approach could be combined with the conventional feature extraction approach to achieve a more reliable system. The methods will be evaluated on 2 existing databases in the BMBI laboratory. The expected results will be used both to enrich the scientific knowledge in this field and to try to improve the prediction performance of a premature delivery.