UN RESEAU DE NEURONES CONVOLUTIF POUR LA DETECTION DE L’APNEE DU SOMMEIL

Abstract

This thesis presents the development and evaluation of a sleep apnea detection system based on the analysis of electrocardiographic (ECG) signals. Sleep apnea is a serious disorder characterized by repeated interruptions of breathing during sleep, which has negative effects on the health of affected individuals. Early and accurate detection of this disorder is crucial for effective management. In this work, we use recent advances in machine learning, notably convolutional neural networks (CNN) and the k-nearest neighbors (KNN) algorithm. We have designed a combination CNN KNN model, combining the data processing power of CNNs with the simplicity and efficiency of KNNs to improve the accuracy of classifying apneic events. The results show that our combination CNN-KNN approach offers improved accuracy compared to using CNN or KNN alone. In conclusion, this thesis makes a significant contribution to the detection of sleep apnea, proposing a non-invasive and effective solution that could improve the quality of life for patients. The advancements made open new perspectives for the application of machine learning in healthcare, particularly for the diagnosis and management of sleep disorders. Ce mémoire de fin d'études présente le développement et l'évaluation d'un modèle de détection de l'apnée du sommeil basé sur l'analyse de signaux électrocardiographiques (ECG). L'apnée du sommeil est un trouble grave caractérisé par des interruptions répétées de la respiration pendant le sommeil, ayant des effets délétères sur la santé des individus affectés. La détection précoce et précise de ce trouble est cruciale pour une prise en charge efficace. Dans ce travail, nous exploitons les avancées récentes en apprentissage automatique, notamment les réseaux de neurones convolutionnels (CNN) et l'algorithme des k plus proches voisins (KNN). Nous avons conçu un modèle combine CNN-KNN, combinant la puissance de traitement de données des CNN avec la simplicité et l'efficacité des KNN pour améliorer la précision de la classification des événements apnéiques. Finalement les résultats montrent que notre approche combine CNN-KNN offre une précision améliorée par rapport à l'utilisation de CNN ou de KNN seuls. En conclusion, ce mémoire apporte une contribution significative à la détection de l'apnée du sommeil, proposant une solution non invasive et efficace qui pourrait améliorer la qualité de vie des patients. Les avancées réalisées ouvrent de nouvelles perspectives pour l'application de l'apprentissage automatique dans le domaine de la santé, en particulier pour le diagnostic et la gestion des troubles du sommeil.