Prédiction des Crises d’Épilepsie à l’aide des Séries Temporelles Multivariées - EEG -

Abstract

Les crises d’épilepsie, imprévisibles et potentiellement dangereuses, représentent un défi clinique majeur en neu rologie. L’électroencéphalogramme (EEG) constitue un outil central pour la surveillance cérébrale, mais son analyse manuelle, fastidieuse et sujette à l’interprétation, limite son efficacité en contexte de détection précoce. L’intelligence ar tificielle, et en particulier l’apprentissage profond, offre une alternative puissante en automatisant l’analyse des signaux EEG et en permettant l’extraction de motifs complexes. Ce travail propose une approche basée sur le deep learning pour la prédiction des crises d’épilepsie à partir des signaux EEG, en s’appuyant sur le jeu de données CHB-MIT. Il explore un modèle hybride combinant CNN, Bi-LSTM et Transformer afin d’extraire efficacement les caractéristiques spatiales et temporelles des signaux EEG. Le modèle a montré une capacité prometteuse à distinguer les états cérébraux interictal et préictal. En complément, une application mobile a été développée afin d’intégrer ce système de prédiction dans un outil accessible et réactif. Bien que des améliorations restent possibles, ces résultats mettent en lumière le potentiel des approches d’apprentissage profond pour renforcer les systèmes de surveillance intelligents, et ouvrir la voie à une prise en charge plus anticipative et personnalisée de l’épilepsie