DC Field | Value | Language |
dc.contributor.author | DERRAR, AChraf NEdjmeddine | - |
dc.date.accessioned | 2024-09-23T10:07:56Z | - |
dc.date.available | 2024-09-23T10:07:56Z | - |
dc.date.issued | 2024 | - |
dc.identifier.uri | https://repository.esi-sba.dz/jspui/handle/123456789/633 | - |
dc.description | Supervisor : Ms. DIF Nassima Co-Supervisor : Ms. MEHRI Maroua | en_US |
dc.description.abstract | Pattern matching plays a crucial role in the analysis of electrocardiogram (ECG) signals,
as it enables the identification of irregular heart rhythms and the diagnosis of various cardiovascular
conditions. Given the critical importance of accurate ECG interpretation in clinical
settings, the demand for reliable and efficient pattern recognition methods is ever-increasing.
However, as the volume and complexity of ECG data grow, traditional methods of pattern
recognition are increasingly challenged in terms of both accuracy and efficiency. These limitations
have prompted the exploration of AI-driven approaches, which offer the potential to
significantly enhance the precision, speed, and scalability of ECG pattern matching.
This thesis focuses on the development and implementation of a deep learning based
approach for Pattern matching. It is structured into two main parts, each addressing different
aspects of the topic. The first part focuses on the fundamental concepts of ECG signals,
exploring their characteristics and interpretation as time series data. This section provides
a thorough overview of the underlying principles of ECG analysis, including the various
features that are critical for accurate diagnosis. It also delves into the challenges associated
with manual interpretation, highlighting the need for automated, AI-driven solutions.
The second part of this thesis delves into the proposed approach, which encompasses the
practical aspects of preprocessing raw ECG signals, extracting relevant features, and classifying
ECG signals. This section discusses the methodologies employed, ensuring that the
most significant features are accurately identified and utilized for effective classification. The
implementation of these processes is thoroughly explored, highlighting the challenges encountered
and the solutions devised to optimize the performance of the ECG signal classification
system. ***
La correspondance de motifs joue un rôle crucial dans l’analyse des signaux électrocardiographiques
(ECG), car elle permet l’identification des rythmes cardiaques irréguliers et
le diagnostic de diverses affections cardiovasculaires. Étant donné l’importance cruciale de
l’interprétation précise des ECG dans les milieux cliniques, la demande de méthodes fiables
et efficaces de reconnaissance de motifs est en constante augmentation. Cependant, à mesure
que le volume et la complexité des données ECG augmentent, les méthodes traditionnelles
de reconnaissance de motifs sont de plus en plus mises à l’épreuve en termes de précision
et d’efficacité. Ces limitations ont incité à l’exploration des approches basées sur l’intelligence
artificielle, qui offrent la possibilité d’améliorer de manière significative la précision, la
rapidité et l’évolutivité de la correspondance de motifs ECG.
Cette thèse se concentre sur le développement et la mise en oeuvre d’une approche basée
sur l’apprentissage profond pour la correspondance de motifs. Elle est structurée en deux parties
principales, chacune abordant différents aspects du sujet. La première partie se concentre
sur les concepts fondamentaux des signaux ECG, explorant leurs caractéristiques et leur interprétation
en tant que données temporelles. Cette section fournit un aperçu approfondi
des principes sous-jacents de l’analyse des ECG, y compris les différentes caractéristiques
essentielles pour un diagnostic précis. Elle examine également les défis associés à l’interprétation
manuelle, soulignant la nécessité de solutions automatisées basées sur l’intelligence
artificielle.
La deuxième partie de cette thèse se penche sur l’approche proposée, qui englobe les aspects
pratiques du prétraitement des signaux ECG bruts, de l’extraction des caractéristiques
pertinentes et de la classification des signaux ECG. Cette section aborde les méthodologies
employées, en veillant à ce que les caractéristiques les plus significatives soient identifiées et
utilisées avec précision pour une classification efficace. La mise en oeuvre de ces processus
est explorée en profondeur, mettant en lumière les défis rencontrés et les solutions élaborées
pour optimiser les performances du système de classification des signaux ECG. | en_US |
dc.language.iso | en | en_US |
dc.subject | Cardiovascular Monitoring | en_US |
dc.subject | Pattern Matching | en_US |
dc.subject | Classification | en_US |
dc.subject | 12-Lead ECG | en_US |
dc.subject | 3D VCG | en_US |
dc.subject | Deep Learning | en_US |
dc.subject | GRU | en_US |
dc.title | AI driven system for low latency pattern matching in disturbed electrocardiograms | en_US |
dc.type | Thesis | en_US |
Appears in Collections: | Ingenieur
|