DSpace 7
DSpace is the world leading open source repository platform that enables organisations to:
- easily ingest documents, audio, video, datasets and their corresponding Dublin Core metadata
- open up this content to local and global audiences, thanks to the OAI-PMH interface and Google Scholar optimizations
- issue permanent urls and trustworthy identifiers, including optional integrations with handle.net and DataCite DOI
Join an international community of leading institutions using DSpace.
The test user accounts below have their password set to the name of this software in lowercase.
- Demo Site Administrator = dspacedemo+admin@gmail.com
- Demo Community Administrator = dspacedemo+commadmin@gmail.com
- Demo Collection Administrator = dspacedemo+colladmin@gmail.com
- Demo Submitter = dspacedemo+submit@gmail.com
Communities in DSpace
Select a community to browse its collections.
- Architecture
- Histoires et Arts
Recent Submissions
Détection et classification d'anomalies duodénales associées à la maladie cœliaque à partir d'images endoscopiques à l'aide d'un modèle CNN interprétable
(University of Tlemcen, 2026-06-03) Berrezoug, Asma
La maladie cœliaque est une affection auto-immune chronique déclenchée par
l'ingestion de gluten, dont le diagnostic conventionnel basé sur la sérologie et la biopsie
endoscopique reste invasif et subjectif. Face à la prévalence croissante de cette maladie
en Algérie, ce travail propose un cadre CNN léger et interprétable, adapté aux bases de
données médicales de petite taille. En s'appuyant sur un dataset de 160 images
endoscopiques duodénales réparties en trois classes (Normal, Cœliaque, Douteuse), un
pipeline de prétraitement rigoureux combinant filtrage bilatéral, CLAHE et
normalisation ainsi qu'une stratégie d'augmentation des données ont été mis en place.
Une étude comparative par transfert d'apprentissage entre ResNet50, VGG16 et
Xception, évaluée par validation croisée à 5 folds, a désigné Xception comme
architecture optimale, atteignant 91% d'accuracy en multiclasse et 93% en binaire. Une
phase d'interprétabilité visuelle, intégrant les méthodes Grad-CAM et Score-CAM, a
permis de valider qualitativement la pertinence clinique des décisions du modèle,
confirmant qu'un système performant, transparent et cliniquement cohérent est
réalisable sans données massives ni architectures lourdes
Développement et évaluation d’un système intelligent non invasif d’estimation de la glycémie basé sur les signaux PPG et l’intelligence artificielle, intégré à une application mobile
(University of Tlemcen, 2026-06-27) Belati, Kawther
Le suivi glycémique régulier est essentiel pour la gestion du diabète, mais les méthodes invasives
actuelles limitent l’observance des patients. Ce projet propose une solution non -invasive
innovante basée sur les signaux photopléthysmographie (PPG) couplée à l’intelligence
artificielle.
Notre démarche s’est articulée autour d’une approche incrémentale. Dans un premier temps,
nous avons évalué des modèles de base (XGBoost, Random Forest).Malgré une ingénierie
avancée des caractéristique et une optimisation rigoureuse des hyperparamètres, ces modèles ont
révélé des limites face à la variabilité interindividuelle, avec une erreur absolue moyenne (MAE)
oscillant autour 13 à 14 mg/dl.
Pour surmonter ce verrou technique, nous avons développé un système hybride personnalisé. Ce
système combine le modèle globale de base avec un correcteur local adaptatif en temps réel,
conçu pour ajuster les prédictions en fonction de la signature PPG spécifique du patient. Les
résultats expérimentaux confirment la pertinence de cette approche, avec une réduction de
l’erreur de prediction supérieure à 60% par rapport aux modèles classiques lors de situations
d’hyperglycémie. Ce système intégré à une application mobile, offre une perspective
prometteuse pour une surveillance glycémique continue, confortable et accessible.
Détection et classification de l’ostéoporose à partir d’images médicales par Deep Learning
(University of Tlemcen, 2026-06-22) Mezouar, Sarra; Ould Arezki, Zahia
L'ostéoporose est une pathologie osseuse systémique et dégénérative, définie par une diminution
progressive de la masse osseuse et une détérioration de la microarchitecture osseuse. Sa forme localisée
au genou exige un dépistage précoce pour optimiser la prise en charge médicale. Ce travail propose
une solution d'apprentissage profond pour automatiser la détection de l'ostéoporose du genou à partir
de radiographies, dans un objectif d'aide au diagnostic. Cinq architectures de réseaux de neurones (un
CNN personnalisé, DenseNet121, ResNet50, InceptionV3 et EfficientNetB0) ont été rigoureusement
comparées sur un ensemble issu de la fusion de trois bases de données : OKXD-MM-2024, OKD-SK
2023 et OKXD-SP-2021.
En classification binaire, notre CNN personnalisé, entraîné de zéro, atteint une accuracy de 96,64%.
Une validation externe sur la base indépendante MCKOX-MG-2024 confirme sa robustesse avec une
accuracy de 91,95 %. En classification multiclasse visant à identifier les stades Normal, Ostéopénie et
Ostéoporose, l'intégration de la fonction de perte Focal Loss permet de gérer le déséquilibre des classes
et conduit à une accuracy globale de 88,03 % et un F1 score de 88,09 %. Ces résultats sont tout à fait
comparables à ceux rapportés dans l'état de l'art. La méthode d'explicabilité Grad-CAM valide le
recours à des biomarqueurs anatomiques réels. Enfin, l'application web interactive OstéoDiag Pro
concrétise ces résultats en vue d'une intégration clinique aisée.
Development of a UV Air Sterilization Box for Safer Healthcare Environments
(University of Tlemcen, 2026-06-27) Sebti, Abderrahim
The thesis proposes an intelligent UV-C sterilization system to reduce energy consumption and
inefficiencies in maintenance of indoor air treatment. The device relies on a Raspberry Pi
microcomputer and a pre-trained YOLO algorithm for real-time human occupancy detection
and switch from continuous to dynamic and context-aware operation. A zero tolerance opto
electronic interlock guarantees total optical containment of UV-C radiation. The system has
two software interfaces: one for easy home use and one for tracking compliance in a multi
zone healthcare setting. The empirical validation of the prototype resulted in an 80-90%
reduction in bacterial colonies and a 66.6% reduction in active energy consumption. The
project combines physical sterilization with intelligent algorithms to design a responsive and
energy-efficient biomedical device and future iterations will mitigate initial aerodynamic
limitations.
Classification de la fatigue musculaire par des signaux EMG
(University of Tlemcen, 2026-06-22) Salama, abdelkarim; Medjdoub, djamel eddine
La fatigue musculaire constitue un phénomène physiologique complexe altérant les capacités
motrices et représentant un facteur de risque notable dans l'apparition des troubles musculo
squelettiques. Ce travail porte sur le développement d'un système de classification automatique
de la fatigue musculaire à l'aide de signaux d'électromyographie de surface (sEMG). La
méthodologie repose sur l'extraction de descripteurs temporels, tels que la valeur efficace
(RMS), la moyenne absolue de l'amplitude (MAV), le nombre de passages par zéro (ZC) et la
longueur de forme d'onde (WL), ainsi que de paramètres fréquentiels, incluant la fréquence
moyenne (MNF) et la fréquence médiane (MDF). L'étude s'appuie sur les données de la base
Zenodo documentée par Cerqueira et al. (2024), laquelle regroupe les enregistrements de 13
sujets effectuant 12 mouvements dynamiques. Bien que la fatigue y soit initialement étiquetée
selon trois niveaux, une approche de classification binaire a été privilégiée dans le cadre de
cette analyse préliminaire. L'évaluation a porté sur les machines à vecteurs de support (SVM)
avec noyau RBF et les k-plus proches voisins (KNN). Les résultats démontrent une
performance supérieure du modèle SVM, qui obtient une exactitude de 87,9 %, une sensibilité
de 88,8 % et une aire sous la courbe (AUC) de 91,3 %. L'observation d'une augmentation de la
RMS et d'une diminution de la MDF et de la MNF valide la cohérence des résultats avec les
observations physiologiques établies. Parallèlement, une interface web nommée FatigAI a été
conçue pour permettre la visualisation et la classification des signaux en temps réel. Ces
résultats ouvrent des perspectives pour le passage à une classification multiclasse et
l'intégration de modèles d'apprentissage profond de type CNN-LSTM.