Return to search

Classification automatique d'enregistrements de sommeil humain combiant l'identification d'artefacts et la sélection de caractéristiques pertinentes

Cette thèse porte sur la classification automatique de sommeil humain et plus précisément le développement d'un système automatique de classification d'enregistrements polysomnographiques composés de trois signaux: EEG, EOG et EMG. Le système développé est conçu pour prendre en compte l'occurrence d'artéfacts polluant ces signaux en utilisant les caractéristiques les plus discriminantes issus de ces signaux.<br />La première partie de la thèse présente une procédure permettant l'identification automatique, sur des plages de signaux de 2 secondes, de 8 types d'artéfacts parmi les plus courants ainsi qu'une stratégie permettant d'évaluer la qualité globale d'un signal sur une période de 20 secondes. <br />Dans une deuxième partie, une méthode de sélection de caractéristiques est proposée puis appliquée sur une base de signaux, afin de sélectionner les caractéristiques qui serviront d'entrées au classifieur.<br />Enfin, en conséquence des deux premières parties, un système de classification automatique à deux étapes est proposé. Dans une première étape, un système de détection d'artéfacts permet de sélectionner les signaux ne présentant pas d'artéfacts au cours de l'epoch à classer. Dans la deuxième étape, les caractéristiques les plus discriminantes sont extraites et classées à l'aide d'un réseau de neurones sélectionné parmi un ensemble de quatre classifieurs, chaque classifieur utilisant des caractéristiques d'entrées extraites de combinaisons de signaux différentes. Le système proposé permet la classification des enregistrements de nuits de sommeil à partir de caractéristiques extraites de signaux non pollués par des artefacts, sans perdre un trop grand nombre d'epochs.

Identiferoai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00283929
Date21 May 2008
CreatorsZoubek, Lukas
Source SetsCCSD theses-EN-ligne, France
LanguageEnglish
Detected LanguageFrench
TypePhD thesis

Page generated in 0.0021 seconds