1. Représentations EEG
EEG brut, caractéristiques temporelles et fréquentielles, Welch PSD, spectrogrammes et Constant-Q Transform (CQT).
Objectif
Problématique
L'objectif était d'étudier la classification automatique des stades du sommeil à partir d'EEG, en comparant des représentations du signal et plusieurs familles de modèles. Les classes cibles sont Wake, N1, N2, N3 et REM.
Le travail combine traitement du signal, extraction de caractéristiques, apprentissage automatique, architectures de Deep Learning et analyse détaillée des performances.
Méthodologie
Du signal brut à la classification
2. Modèles explorés
SVM, CNN 1D, CNN 2D, BiLSTM, Temporal Convolutional Networks (TCN) et architectures multi-branches.
3. Fusion & expérimentation
Fusion de caractéristiques, expérimentation d'hyperparamètres et comparaison de plusieurs approches pour exploiter des informations complémentaires.
4. Évaluation
Validation croisée groupée par patient, gestion du déséquilibre des classes, analyse par classe, matrices de confusion, balanced accuracy et macro-F1.
Résultats
Mesures principales
La configuration de référence retenue atteint une balanced accuracy d'environ 0,752 et un macro-F1 d'environ 0,727.
Ces métriques sont affichées comme des scores d'évaluation et non comme une accuracy classique.
Diffusion
Code et données
Le code EEG n'est pas publié pour le moment. Aucun dataset EEG privé, fichier interne au laboratoire ni donnée patient n'est intégré à ce portfolio. La publication du code reste conditionnée à l'autorisation de l'encadrant.