https://repository.esi-sba.dz/jspui/handle/123456789/605 2026-10-19T19:33:36Z https://repository.esi-sba.dz/jspui/handle/123456789/1079 Titre: Class Imbalance in EEG-Based Epileptic Seizure Detection: A Comparative Study of Classical, Deep Learning, and Quantum-Inspired Approaches Auteur(s): TERKI, MEriem Résumé: Epilepsy is a major neurological disorder, and the electroencephalogram (EEG) remains the primary modality for seizure monitoring. Automated detection from continuous recordings is nevertheless difficult, largely because of severe class imbalance: on clinically realistic corpora such as the Temple University Hospital Seizure Corpus (TUH-SZ), seizure windows form only a small minority of labelled data. Under this skew, accuracy alone is a poor indicator of clinical utility. This report is a literature review organised in four chapters. It first establishes the physiological and instrumental foundations of the EEG, then describes epilepsy, the classification of seizures, and the annotated corpora available for research. It next reviews the methods proposed for automated detection, from handcrafted features with shallow classifiers to convolutional, recurrent, hybrid, and attention-based architectures, together with the effect of class imbalance on both learning and measurement and the validation protocols that separate credible results from optimistic ones. The final chapter reviews data augmentation, deep generative modelling, latent-space generation, and quantum machine learning, including the hybrid and latent quantum generative designs compatible with near-term hardware. Each methodological chapter closes with a comparative study of representative work. The synthesis highlights recurring limitations: heterogeneous benchmarks, window-wise rather than patientwise validation, metrics that conceal minority-class failure, classical baselines that are not capacitymatched in quantum comparisons, and the frequent treatment of a single downstream gain as evidence that a generative model learned the distribution. These gaps define what a rigorous empirical study in this area would have to establish: patient-disjoint evaluation on the corpus’s own partitions, generation and detection on separately justified timescales, a documented augmentation dose, capacity-matched controls that count any hybrid readout, a shared critic, a reconstruction gate, and distributional, signal-level, and downstream evidence kept as separate claims. This document reports no original experiments; the corresponding implementation and evaluation are the subject of a companion engineering report*** L’épilepsie constitue un trouble neurologique majeur, et l’électroencéphalogramme (EEG) demeure la modalité principale de surveillance des crises. La détection automatique à partir d’enregistrements continus reste néanmoins difficile, principalement en raison d’un déséquilibre de classes marqué : dans des corpus cliniquement réalistes tels que le Temple University Hospital Seizure Corpus (TUHSZ), les fenêtres de crise ne représentent qu’une faible minorité des données étiquetées. Dans ce régime, la seule précision (accuracy) est un indicateur clinique insuffisant. Ce mémoire est une revue de la littérature organisée en quatre chapitres. Il établit d’abord les fondements physiologiques et instrumentaux de l’EEG, puis décrit l’épilepsie, la classification des crises et les corpus annotés disponibles. Il examine ensuite les méthodes proposées pour la détection automatique, des caractéristiques conçues manuellement associées à des classifieurs peu profonds jusqu’aux architectures convolutives, récurrentes, hybrides et attentionnelles, ainsi que l’effet du déséquilibre de classes sur l’apprentissage comme sur la mesure, et les protocoles de validation qui distinguent un résultat crédible d’un résultat optimiste. Le dernier chapitre traite de l’augmentation de données, des modèles génératifs profonds, de la génération en espace latent et de l’apprentissage automatique quantique. Chaque chapitre méthodologique se termine par une étude comparative des travaux représentatifs. La synthèse met en évidence des limites récurrentes : benchmarks hétérogènes, validation par fenêtres plutôt que par patient, métriques masquant l’échec de la classe minoritaire, baselines classiques à capacité non égalisée dans les comparaisons quantiques, et assimilation fréquente d’un simple gain en aval à une preuve que le modèle génératif a appris la distribution. Ces lacunes définissent ce qu’une étude expérimentale rigoureuse devrait établir : partitions patient-disjointes du corpus, échelles de temps distinctes pour la génération et la détection, dose d’augmentation documentée, contrôles à capacité égale (y compris tout déploiement hybride), critique partagé, seuil de reconstruction, et preuves distributionnelles, signal et aval traitées séparément. Ce document ne rapporte aucune expérience originale ; l’implémentation et l’évaluation correspondantes font l’objet d’un rapport d’ingénierie compagnon. Description: Supervisor : Dr Chaib Souleyman / Co-Supervisor : Pr Henni Khadidja / Co-Supervisor : Pr Benabdeslem Khalid / Co-Supervisor : Dr Hakimi Yacine 2026-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/1078 Titre: Intelligent Alarm Management for Telecom Networks: Real-Time Correlation, Root Cause Identification, and Cascade Prediction Using Graph Neural Networks Auteur(s): RAMLA, YAssine Résumé: The fault management of a mobile network produces a large flow of alarms. One fault is often reported by many alarms on several elements, and the engineers of the network operations center must find which alarms belong together and where the fault lies. This work, carried out at Ooredoo Algeria, studies three tasks on one export of the operator’s alarm log: next-alarm prediction, alarm correlation and root-cause identification. The topology of the network links the three tasks. We first present the background of these tasks: mobile networks and alarms, the data mining methods used for correlation, and the sequence and graph models used for prediction. We then build two network graphs from the alarms themselves, one between managed elements and one between sites. For prediction, we train sequence models of the next alarm code and add graph information to them in three forms: static graph embeddings, dynamic graph features, and attention over the active alarms of neighbouring elements, all under the same leakage controls. Predicting the next element instead was tried and paused after a negative result. For correlation, we mine a catalogue of statistically tested rules between alarm codes at several topological distances and use it in a correlator that groups the alarm stream into incidents. For root cause, we name the root site and the root alarm of each incident. The export covers about 11 hours: 99% of its alarms fall on one day. On this data, no graph model beat the sequence model by more than the measured noise floor of 0.015 macro F1, and diagnostics trace this negative result to the small number of examples per alarm code, not to the models. The graph is useful instead for grouping and locating alarms. On the test period, the correlator reduces the number of items to handle by a factor of 9.0 and keeps 89.1% of the vendor’s root–child links inside one incident. The root-cause method names the right site in 18 of 19 labelled incidents, against 13 for the site of the earliest alarm. We also design the application that would run these methods in the network operations center. Description: Encadreur : Dr. KHALDI Belkacem 2026-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/1077 Titre: Intelligent Energy Routing in the Energy Internet: Reinforcement Learning and Federated Learning Auteur(s): OUCHENE, HIbet El RAhmane Résumé: The Energy Internet is the next step after the smart grid. It turns the power network into a decentralised mesh of intelligent Energy Routers that exchange both electricity and information. In this kind of network, power is no longer pushed along fixed radial lines. It has to be routed, hop by hop, over a graph whose line ratings, background traffic and node efficiencies change all the time. The routing task that follows from this is called the Energy-Efficient Path problem, and it asks for the multi-hop path that loses the least active power while respecting thermal limits and router capacities. Classical solvers have been applied to this problem for more than a decade. Deterministic shortest-path algorithms need a complete and fresh view of the whole grid. Population-based metaheuristics such as Ant Colony Optimization and Particle Swarm Optimization spend far too much time per decision. Tabular Q-routing is fast at run time but breaks down as soon as the topology changes. None of the three families meets the three requirements of a real Energy Internet at once, namely low decision latency, low communication cost, and the ability to work on a grid that was never seen before. This thesis reviews how Reinforcement Learning and Federated Learning have been used to answer these limits, and asks what the combination of the two could offer to energy routing. Reinforcement Learning provides a single-pass decision mechanism that is trained offline and that runs in milliseconds during operation. Federated Learning provides a way to train that decision mechanism across many grid operators without moving any local measurement out of its own site. We survey the main works in three groups, namely learning-based energy routing, Federated Learning applied to smart grids, and Federated Reinforcement Learning applied to energy systems. We compare them along latency, communication cost, generalisation and privacy, and we discuss the open problems that a federated routing agent would still have to solve. The main one is that grid topologies differ in shape across participants, which makes plain model averaging a weak answer. The contribution of this work is a structured and critical reading of a field that is still fragmented. It maps the existing methods onto the physical requirements of the Energy Internet, it names the gaps that are not yet covered by any published system, and it proposes a set of directions for future research.*** L’Internet de l’énergie constitue l’étape qui suit le réseau intelligent. Il transforme le réseau électrique en un maillage décentralisé de routeurs d’énergie intelligents qui échangent à la fois de l’électricité et de l’information. Dans ce type de réseau, la puissance n’est plus envoyée le long de lignes fixes. Elle doit être acheminée, saut après saut, sur un graphe dont les limites thermiques, le trafic de fond et les rendements des noeuds changent en permanence. Le problème de routage qui en découle est appelé problème du chemin énergétiquement efficace, et il consiste à trouver le chemin multi-sauts qui perd le moins de puissance active tout en respectant les limites thermiques et les capacités des routeurs. Les solveurs classiques sont appliqués à ce problème depuis plus de dix ans. Les algorithmes déterministes de plus court chemin exigent une vision complète et actualisée de tout le réseau. Les métaheuristiques à population, telles que l’optimisation par colonies de fourmis et par essaims particulaires, consomment beaucoup trop de temps par décision. Le Q-routing tabulaire est rapide en exécution mais s’effondre dès que la topologie change. Aucune de ces trois familles ne satisfait en même temps les trois exigences d’un véritable Internet de l’énergie, à savoir une faible latence de décision, un faible coût de communication et la capacité de fonctionner sur un réseau jamais rencontré. Ce mémoire examine la manière dont l’apprentissage par renforcement et l’apprentissage fédéré ont été utilisés pour répondre à ces limites, et s’interroge sur ce que leur combinaison pourrait apporter au routage d’énergie. L’apprentissage par renforcement fournit un mécanisme de décision en une seule passe, entraîné hors ligne et exécuté en quelques millisecondes pendant l’exploitation. L’apprentissage fédéré offre un moyen d’entraîner ce mécanisme auprès de plusieurs opérateurs de réseau sans déplacer la moindre mesure locale hors de son site. Nous passons en revue les principaux travaux selon trois groupes, à savoir le routage d’énergie fondé sur l’apprentissage, l’apprentissage fédéré appliqué aux réseaux intelligents et l’apprentissage par renforcement fédéré appliqué aux systèmes énergétiques. Nous les comparons ensuite en matière de latence, de coût de communication, de généralisation et de confidentialité, puis nous discutons des problèmes ouverts qu’un agent de routage fédéré devrait encore résoudre. Le principal tient au fait que les topologies de réseau diffèrent par leur forme d’un participant à l’autre, ce qui rend la simple moyenne des modèles peu efficace. La contribution de ce travail est une lecture structurée et critique d’un domaine encore fragmenté. Elle relie les méthodes existantes aux exigences physiques de l’Internet de l’énergie, elle nomme les lacunes qu’aucun système publié ne couvre encore, et elle propose un ensemble de directions pour la recherche future. Description: Supervisor : Dr. Souleyman Chaib /Co-Supervisor : Dr. Khadidja Henni / Co-Supervisor : Dr. Khalid Benabdeslem 2026-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/1076 Titre: Methods and Approaches for Predictive Maintenance in the Oil and Gas Industry Auteur(s): OULAD SAID, MOhamed LAmine Résumé: This master’s thesis presents a literature-based review of predictive maintenance in the oil and gas industry, with particular attention to gas-well operations and the use of deep learning for time-series analysis. It connects industrial monitoring, operational data, and degradation processes with data-driven maintenance approaches. The review first establishes the industrial context through production wells, monitoring technologies, maintenance strategies, and major degradation processes, including scale deposition, wax accumulation, sand production, and corrosion. It then examines recurrent, convolutional, temporal convolutional, Transformer-based, and hybrid architectures. A comparative analysis of published studies considers statistical, machine learning, and deep learning approaches, distinguishing operational-value forecasting from fault classification, anomaly detection, and remaining useful life estimation. The reviewed literature also highlights limitations involving data quality and integration, model interpretability, scalability, validation in industrial environments, cybersecurity, and compatibility with existing infrastructure. The contribution of this thesis consists of a synthesis of existing modeling approaches and the main research gaps. This synthesis identifies important considerations for developing and evaluating predictive maintenance solutions for gas-well operations.*** Ce mémoire présente une revue de la littérature sur la maintenance prédictive dans l’industrie pétrolière et gazière, avec une attention particulière portée aux puits de gaz et à l’utilisation de l’apprentissage profond pour l’analyse des séries temporelles. Il met en relation la surveillance industrielle, les données opérationnelles et les mécanismes de dégradation avec les approches de maintenance fondées sur les données. La revue décrit d’abord les puits de production, les technologies de surveillance, les stratégies de maintenance et les principaux processus de dégradation, notamment les dépôts minéraux, l’accumulation de paraffine, la production de sable et la corrosion. Elle examine ensuite les architectures récurrentes, convolutives, convolutives temporelles, fondées sur les Transformers et hybrides. Une analyse comparative des études publiées couvre les méthodes statistiques, l’apprentissage automatique et l’apprentissage profond, en distinguant la prévision des variables opérationnelles, la classification des défauts, la détection des anomalies et l’estimation de la durée de vie utile restante. Les principales limites relevées concernent la qualité et l’intégration des données, l’interprétabilité des modèles, le passage à l’échelle, la validation dans des environnements industriels, la cybersécurité et la compatibilité avec les infrastructures existantes. La contribution de ce mémoire consiste en une synthèse des approches existantes et des principales lacunes de recherche. Cette synthèse met en évidence plusieurs considérations importantes pour le développement et l’évaluation de solutions de maintenance prédictive appliquées aux puits de gaz. Description: Supervisor ; Mr. KHALDI Belkacem 2026-01-01T00:00:00Z