Rapport mini projet

Demandé par:
Mr.ZIDANE
Année universitaire :2021 /2022
Université Mohammed V Rabat
École Nationale Superieur des Arts et Métiers
Master Génie Electrique
Elaboré par:
Aizi achraf
Dahdouh sami
Sehnani Abderrahmane
Application : Reconnaissance des
crises d’epilepsie par analyse des
signaux EEG
Rapport du mini projet Data Scientist
Python

1
Table des matières
Table des matières .................................................................................................................... 1
Table des figures ....................................................................................................................... 2
Introduction .............................................................................................................................. 3
I. Epilepsie ......................................................................................................................... 4
1. Introduction ................................................................................................................. 4
2. Crise d’épilepsie .......................................................................................................... 4
3. L’épilepsie et EEG ....................................................................................................... 5
4. Conclusion ................................................................................................................... 6
II. Machine learning ........................................................................................................... 7
1. Introduction ................................................................................................................. 7
2. Définition ..................................................................................................................... 7
3. L’utilité de l’apprentissage automatique ..................................................................... 7
4. Principe de fonctionnement de l’apprentissage automatique ...................................... 8
5. Approches de l'apprentissage automatique .................................................................. 8
6. Algorithmes d’apprentissage supervisé ..................................................................... 10
7. Conclusion ................................................................................................................. 13
III. Programme pas à pas .................................................................................................. 14
1. Introduction ............................................................................................................... 14
2. Importation des bibliothèques ................................................................................... 14
3. Charger et vérifier les données .................................................................................. 15
4. Analyse des données .................................................................................................. 15
5. Entrainement, test et résultat ..................................................................................... 18
6. Comparaison des résultats ......................................................................................... 22
7. Conclusion ................................................................................................................. 23
Conclusion ............................................................................................................................... 24
Webographie ........................................................................................................................... 25

2
Table des figures
Figure 1: Cerveau d'un cas épilepsie ...................................................................................... 4
Figure 2: Méthode d'extraction d'un signal EEG ................................................................. 5
Figure 3: Les avantages de l’apprentissage automatique ..................................................... 7
Figure 4: Principe de fonctionnement de l’apprentissage. ................................................... 8
Figure 5: Différence entre apprentissage supervisé et non supervisé ................................. 9
Figure 6:Graphe de la régression linéaire simple ............................................................... 11
Figure 7: Graphe de la régression logistique ....................................................................... 11
Figure 8: Principe de fonctionnement du KNN ................................................................... 12
Figure 9: Graphe du SVM ..................................................................................................... 13
Figure 10: Importation des bibliothèques. ........................................................................... 14
Figure 11: Chargement des données. .................................................................................... 15
Figure 12: traçage des signaux EEG. ................................................................................... 16
Figure 13: Exemples des signaux 'epileptic' et 'non epileptic'. .......................................... 16
Figure 14: Programme pour transformer les y>1 en 0. ...................................................... 16
Figure 15: Programme pour calculer les cas sains et les cas épileptique. ......................... 17
Figure 16: Histogramme présentant les cas sain (bleu) et les cas épileptique (orange). .. 17
Figure 17: Programme pour tracer l'intersection des points maximaux et minimaux de
chaque signal. .......................................................................................................................... 18
Figure 18: Résultat du programme de la figure 9. .............................................................. 18
Figure 19: Séparation des données en données d'apprentissage et de test. ...................... 18
Figure 20: La sortie vraie des signaux de test. ..................................................................... 19
Figure 21: Taux d'adaptation du modèle LR. ..................................................................... 19
Figure 22: Résultat de prédiction en utilisant le modèle LR. ............................................. 19
Figure 23: La matrice de confusion (LR). ............................................................................ 20
Figure 24: Taux d'adaptation du modèle KNN. .................................................................. 20
Figure 25: Résultat de prédiction en utilisant le modèle KNN. ......................................... 20
Figure 26: La matrice de confusion (KNN).......................................................................... 21
Figure 27: Taux d'adaptation du le modèle SVC. ............................................................... 21
Figure 28: Résultat de prédiction en utilisant le modèle SVC. .......................................... 21
Figure 29: La matrice de confusion (SVC). ......................................................................... 22
Figure 30: Comparaison des taux d'adaptation. ................................................................. 22

3
Introduction
La prédiction des crises d'épilepsie a toujours été extrêmement difficile dans le domaine
médical. Cependant, au fur et à mesure du développement de la technologie informatique,
l'application de l'apprentissage automatique a introduit de nouvelles idées pour la prévision des
crises. L'application d'un modèle d'apprentissage automatique à la prédiction d'une crise
d'épilepsie pourrait nous aider à obtenir un meilleur résultat et de nombreux scientifiques ont
effectué de tels travaux afin qu'il y ait suffisamment de données médicales fournies aux
chercheurs pour former des modèles d'apprentissage automatique.
Dans nos recherches, nous avons appliqué des algorithmes d'apprentissage automatique
traditionnels, tels que SVC, Logistic Regression et KNN (K Nearest Neighbors). L'accent de
notre recherche est de comparer la précision de divers modèles. Le résultat de la recherche
indique que l'apprentissage automatique peut faire de la prédiction des crises d'épilepsie une
réalité réalisable. Cette prédiction peut aider les patients à réprimer la crise d'épilepsie avant
que les symptômes ne se manifestent. Par conséquent, il permet un traitement à temps des
patients, réduit la pression de travail pour le personnel médical et apporte un contrôle plus
efficace pour l'épilepsie.
Le but de ce travail est de distinguer le meilleur modèle et savoir si la base de données
utilisée est suffisante pour bénéficier du travail en réalité ou bien elle nécessite encore des
modifications, si oui, savoir quelle sont ces modifications.
Dans ce cadre, notre travail sera composé de trois partie, d’emblé on va commencer par
définir la crise d’épilepsie ainsi que le signal EEG qui représente l’activité du cerveau humain,
en suite on passera à la définition de l’apprentissage automatique et on citera les modèles qu’on
va utiliser. La dernière sera la programmation dans laquelle on va charger la base de données
afin de tester les modèles et comparer les résultats.

4
I. Epilepsie
1. Introduction
L’épilepsie est une maladie chronique caractérisée par la répétition de manifestations
cliniques paroxystiques. Ces crises se traduisent par une modification brutale de la conscience
et du comportement du malade. Elles sont la conséquence d’un dysfonctionnement cérébral
généralisé ou localisé dû à une décharge électrique anormale. L’épilepsie peut être d’origine
génétique ou lésionnelle. Toute les lésions cérébrales, tumeurs, dysplasie, infections, peuvent
provoquer des crises d’épilepsie.
2. Crise d’épilepsie
Une crise correspond à l'événement et à l'encombrement clinique primaire d'un état
épileptique actif. Il pourrait être difficile de donner une spécification élaborée des phénomènes
cliniques subjectifs et objectifs au cours d'une crise d'épilepsie, en raison du large éventail
d'apparitions possibles. La façon dont la crise se présente dépend, entre autres, de la localisation
de son apparition dans le cerveau, du cycle veille sommeil et de la maturité du cerveau.
Lors d'une crise d'épilepsie, une décharge anormale d'un groupe de neurones à lieu. Pour les
crises partielles, le point de départ de la crise est localisé dans un hémisphère cérébral. Dans le
cas des crises généralisées, un plus grand nombre de cellules nerveuses est touché. Ces deux
types de crises permettent de poser le diagnostic de la forme de l'épilepsie : épilepsie généralisée
ou épilepsie focale (ou partielle).
Figure 1: Cerveau d'un cas épilepsie