| Titre : | Surveillance non-invasive de la glycémie utilisant des méthodes d'apprentissage automatique |
| Auteurs : | DAHANI Ameur, Directeur de thèse ; MEJDOUB Fatima Zohra+MEBARKI Marwa Manel, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Université de Saida Dr Tahar Moulay Faculté des sciences et technologie Génie Biomédical, 2024/2025 |
| Format : | 86 p |
| Accompagnement : | CD |
| Langues: | Français |
| Langues originales: | Français |
| Catégories : | |
| Mots-clés: | Glycémie non invasive ; ECG ; apprentissage automatique ; K-Nearest Neighbors ; Random Forest ; Decision Tree |
| Résumé : |
Cette étude présente le développement d’un système d’apprentissage automatique pour la
prédiction non invasive de la glycémie, en exploitant le signal physiologique ECG et les paramètres cliniques collectés. Les signaux vitaux et les données cliniques de cette base de données sont recueillis à l’aide de l’appareil HealthyPi v3. Après prétraitement, une segmentation du signal a permis de localiser les ondes caractéristiques du cœur (P, Q, R, S, T), essentielles à l’extraction des caractéristiques physiologiques. L’ensemble des caractéristiques extraites du signal ECG, combinées aux caractéristiques cliniques, a servi de variables indépendantes pour l’entraînement de trois algorithmes de régression supervisée : K-Nearest Neighbors (KNN), Decision Tree et Random Forest. Les performances des modèles ont été évaluées à l’aide des métriques MAE, MSE, RMSE et du coefficient de détermination R². Les résultats obtenus montrent que le modèle Random Forest offre la meilleure précision par rapport aux autres modèles étudiés, avec un R² = -0,015. Les performances sont moins précises pour le modèle KNN, et plus faibles encore pour le modèle Decision Tree, ce qui suggère une sensibilité accrue à la sélection des hyperparamètres et des caractéristiques, et souligne la nécessité d’une base de données plus large, d’un nettoyage plus rigoureux des données, ainsi que l’exploration d’algorithmes plus avancés, notamment ceux issus de l’apprentissage profond. Ce travail démontre la faisabilité d’une approche non invasive de la prédiction de la glycémie à partir du signal ECG, tout en mettant en évidence les défis à relever en termes de précision et de généralisation. |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
Surveillance non-invasive de la glycémie utilisant des méthodes d'apprentissage automatique Adobe Acrobat PDF |
