Intégration de modalités cliniques et physiologiques dérivées de l'ECG pour le diagnostic de l'apnée du sommeil par apprentissage automatique
Integration of clinical and ECG-derived physiological modalities for machine learning-based sleep apnea diagnosis
Jury
Directeur de these_DJERMOUNE_EL HADI _Université de Lorraine
Rapporteur_ZARZOSO_Vicente_Université Côte d'Azur
Rapporteur_CHAVEZ_Mario_CNRS
Examinateur_RIZKALLAH_Mira_Centrale Nantes
Examinateur_CLAUSEL_Marianne_Université de Lorraine
Co-encadrant de these_BOUGRAIN_Laurent_Université de Lorraine
école doctorale
IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire
CRAN - Centre de Recherche en Automatique de Nancy
Mention de diplôme
Automatique, Traitement du signal et des images, Génie informatique
C005
LORIA (Laboratoire Lorrain de Recherche en Informatique et ses Applications)
615 rue du Jardin Botanique, 54600 Villers-Lès-Nancy
Mots clés
apprentissage automatique,réseau de neurones,traitement du signal,apnées du sommeil,électrocardiogramme,
Résumé de la thèse
Le syndrome d'apnées du sommeil (SAS) est l'un des troubles respiratoires nocturnes les plus répandus. Il présente de fortes répercussions sur la qualité de vie des patients à court terme et peut également favoriser l'apparition de pathologies cardiovasculaires sur le long terme. Bien que sa prévalence à l'échelle mondiale soit élevée, il est estimé que près de 80% des personnes atteintes ne soient pas diagnostiquées. Les examens actuels de diagnostic sont contraignants pour le patient, coûteux pour les assurances maladies nationales et parfois infructueux.
Keywords
machine learning,neural network,signal processing,sleep apnea,electrocardiogram,
Abstract
Sleep apnea syndrome (SAS) is one of the most widespread nocturnal breathing disor-
ders. It has a significant short-term impact on patients' quality of life and can also contribute to the development of cardiovascular diseases in the long term. Although its global prevalence is high, it is estimated that nearly 80% of those affected remain undiagnosed. Current diagnostic examinations are burdensome for patients, costly for national health insurance systems, and sometimes unreliable.
