Repository logo
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
Repository logo
  • Communities & Collections
  • All of DSpace
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "BENZAID , Amel"

Now showing 1 - 1 of 1
Results Per Page
Sort Options
  • Loading...
    Thumbnail Image
    Item
    Analyse et traitement des signaux physiologiques et Application
    (Université 20 Août 1955 Skikda, 2025-05-29) BENZAID , Amel; DJEMILI , Rafik
    Cette thèse porte sur l’analyse des signaux physiologiques, avec un focus particulier sur les signaux d’électroencéphalographie (EEG) et d’électrocardiographie (ECG), après avoir présenté un état de l’art détaillé concernant ces deux types de signaux. Pour l’EEG, le signal est segmenté en échantillons d’une seconde chacun, puis filtré selon les bandes de fréquence caractéristiques de l’activité cérébrale. Des caractéristiques non linéaires sont ensuite extraites afin de permettre une classification des segments en deux catégories : activité normale ou activité de crise (épileptique). En ce qui concerne les signaux ECG, le traitement commence par l’extraction des complexes QRS. À partir de ces segments, des caractéristiques non linéaires sont calculées dans le but de différencier les phases systoliques normales des extrasystoles. Pour les deux types de signaux, plusieurs classificateurs ont été utilisés, notamment des méthodes d’apprentissage automatique et profond : KNN, DNN, LSTM, et d’autres approches de machine learning, afin d’optimiser la détection et la classification des anomalies

DSpace software copyright © 2002-2025 LYRASIS

  • Cookie settings
  • Privacy policy
  • End User Agreement
  • Send Feedback