Implantation sur circuit FPGA d'un système de détection automatique de crises d'épilepsie par analyse de signaux EEG en utilisant l'apprentissage machine

RÉSUMÉ : La crise épileptique est un dérèglement neuronal dangereux qui touche plus de cinquante millions de personnes dans le monde. En plus des conséquences néfastes sur la vie sociale de ses victimes, de nombreux chercheurs s’entendent sur le risque potentiel de mortalité prématurée que cause cette maladie. Au Canada, la diminution de l’épilepsie se faisait surtout remarquer par un diagnostic précoce et sa prise en charge qui ont favorisé le traitement approprié et le rétablissement du malade. Ce diagnostic était jadis réalisé par l’inspection visuelle d’un expert sur les signaux cérébraux du patient et s’avérait inefficace dans plusieurs situations, coûteux en temps et en ressources matérielles et humaines. Pour remédier aux problèmes de subjectivité de l’analyse du médecin traitant tout en lui fournissant une aide plus objective dans son diagnostic et en minimisant en même temps les coûts, des systèmes se basant sur l’intelligence artificielle sont proposés. Ce projet consiste à réaliser un système de détection de crises épileptiques par analyse des signaux EEG pré-enregistrés dans les bases de données de CHB-MIT et de l’Université de Bonn afin de classer automatiquement un patient comme : soit malade (épileptique), soit sain (non-épileptique). Ce système opère en trois étapes principales : l’extraction des caractéristiques, la réduction de la dimensionnalité, et enfin la classification. Il sera implémenté à la fois en logiciel et en matériel. Pour atteindre l’objectif visé, quarante-cinq systèmes, obtenus à partir des différentes combinaisons de trois techniques d’extraction des caractéristiques (la transformée en ondelette discrète et stationnaire (DWT et SWT) et le modèle d’estimation spectrale de Burg), trois techniques de réduction de dimensionnalité (l’analyse en composante principale (PCA), l’analyse en composante indépendante (ICA) et sans réduction de dimensionnalité (SRD)) et cinq techniques de classification (l’analyse discriminante linéaire (LDA), le k-plus proche voisin (KNN), la forêt aléatoire (RF), les machines à vecteurs de support (SVM) et le réseau de neurones (ANN)) ont été analysés. Un ensemble d’apprentissage formé de la meilleure combinaison de chacun des cinq classificateurs a été réalisé afin de détecter l’épilepsie par un vote de majorité dans le cas de l’implémentation logicielle. L’implantation matérielle quant à elle, teste l’efficacité des classificateurs SVM et ANN lorsqu’ils sont combinés avec la SWT comme méthode d’extraction des caractéristiques sur circuit FPGA, en utilisant l’outil de programmation de haut niveau Xilinx System Generator (XSG). Une phase de prétraitement a été réalisée tout au début sur les signaux EEG avant de les utiliser par les techniques susmentionnées. Les meilleures combinaisons pour les cinq classificateurs du projet ont été surtout obtenues pour la base de données CHB-MIT avec une exactitude moyenne de 99.63% et pour la base de données de l’Université de Bonn avec une exactitude moyenne de 96.55%. Quoique les cinq meilleures combinaisons des cinq classificateurs n’ont pas pu identifier et séparer à 100% tous les patients malades de ceux qui ne le sont pas, en revanche, le vote a prouvé son utilité dans la détection efficace et robuste de la crise épileptique, car l’exactitude mesurée dans la catégorisation des patients par le vote de majorité est de 100% pour la base de données CHB-MIT et de 99.79% pour la base de données de l’Université de Bonn. L’implantation matérielle a donné elle aussi des résultats très satisfaisants pour les deux bases de données utilisées. En dépit des contraintes du système matériel, les machines à vecteurs de support (SVM) ont atteint une exactitude de 99% en logiciel et de 99% en matériel, tandis que le réseau de neurones (MLP) a atteint une exactitude de 99% en logiciel et de 99.5% en matériel pour la base de données CHB-MIT. Pour la base de données de l’Université de Bonn, les SVM ont donné une exactitude de 97.5% en logiciel et de 97.5% en matériel, et le réseau de neurones (MLP) a obtenu une exactitude de 99% en logiciel et de 98.5% en matériel. Ainsi, les performances des classificateurs SVM et MLP en matériel, mesurées sur les deux bases de données, sont proches de celles déterminées en logiciel, avec une erreur maximale de 0.5%. En somme, la performance moyenne des modèles SVM et ANN du système en matériel est d’environ 99.25% pour la base de données CHB-MIT et de 98% pour celle de l’Université de Bonn, comparée aux résultats obtenus en logiciel qui sont de 99% pour la base de données CHB-MIT et de 98.25% pour la base de données de l’Université de Bonn. -- Mot(s) clé(s) en français : Crise épileptique, signaux EEG, extraction des caractéristiques, DWT, SWT, estimation spectrale, Réduction de dimensionnalité, PCA, ICA, ANN, SVM, k-NN, forêt aléatoire, LDA, FPGA. -- ABSTRACT : Epileptic seizures are a dangerous neuronal disorder affecting over fifty million people worldwide. In addition to the detrimental effects on the social lives of its victims, many researchers agree on the potential risk of premature mortality caused by this disease. In Canada, the reduction in the incidence of this disease was mainly due to early diagnosis and management, which led to appropriate treatment and recovery. In the past, this diagnosis was made by expert visual inspection of the patient's brain signals, and proved ineffective in many situations, costing time and material and human resources. To overcome the problems of subjectivity in the treating physician's analysis, while at the same time providing more objective help in diagnosis and minimizing costs, systems based on artificial intelligence are proposed. This project involves the development of a system for detecting epileptic seizures by analyzing EEG signals pre-recorded in the databases of CHB-MIT and the University of Bonn, in order to automatically classify a patient as either sick (epileptic) or healthy (non-epileptic). The system operates in three main stages: feature extraction, dimensionality reduction and classification. It will be implemented in both software and hardware. To achieve this objective, forty-five systems, obtained from different combinations of three feature extraction techniques (discrete and stationary wavelet transform (DWT and SWT) and Burg's spectral estimation model), three dimensionality reduction techniques (principal component analysis (PCA), independent component analysis (ICA) and without dimensionality reduction (SRD)) and five classification techniques (linear discriminant analysis (LDA), k-nearest neighbor (KNN), random forest (RF), support vector machines (SVM) and neural network (ANN)) were analyzed. A training set consisting of the best combination of each of the five classifiers was created to detect epilepsy by majority voting in the case of the software implementation. The hardware implementation tests the effectiveness of the SVM and ANN classifiers when combined with SWT as an FPGA-based feature extraction method, using the Xilinx System Generator (XSG) high-level programming tool. An initial pre-processing phase was carried out on the EEG signals before using them with the above-mentioned techniques. The best combinations for the project's five classifiers were mainly obtained for the CHB-MIT database, with an average accuracy of 99.63%, and for the University of Bonn database, with an average accuracy of 96.55%. Although the best five combinations of the five classifiers were not able to identify and separate 100% of all ill patients from those who were not, voting proved its worth in the efficient and robust detection of epileptic seizures, as the accuracy measured in patient categorization by majority voting was 100% for the CHB-MIT database and 99.79% for the University of Bonn database. The hardware implementation also produced very satisfactory results for the two databases used. Despite the constraints of the hardware system, the support vector machines (SVM) achieved an accuracy of 99% in software and 99% in hardware, while the neural network (MLP) achieved an accuracy of 99% in software and 99.5% in hardware for the CHB-MIT database. For the University of Bonn database, SVM gave an accuracy of 97.5% in software and 97.5% in hardware, while the neural network (MLP) achieved an accuracy of 99% in software and 98.5% in hardware. Thus, the performance of the SVM and MLP classifiers in hardware, measured on both databases, is close to that determined in software, with a maximum error of 0.5%. In sum, the average performance of the system's SVM and ANN models in hardware is around 99.25% for the CHB-MIT database and 98% for the University of Bonn database, compared with the results obtained in software, which are 99% for the CHB-MIT database and 98.25% for the University of Bonn database. -- Mot(s) clé(s) en anglais : Epileptic seizure, EEG signals, feature extraction, DWT, SWT, spectral estimation, dimensionality reduction, PCA, ICA, ANN, SVM, k-NN, random forest, LDA, hardware implementation, FPGA, Xilinx System Generator.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.