Please use this identifier to cite or link to this item: http://univ-bejaia.dz/dspace/123456789/23430
Full metadata record
DC FieldValueLanguage
dc.contributor.authorAfia, Sihem-
dc.contributor.authorAbbaci, Mayssa-
dc.contributor.authorAit Hetrit, Fatima ; promotrice-
dc.date.accessioned2024-05-16T13:13:59Z-
dc.date.available2024-05-16T13:13:59Z-
dc.date.issued2023-
dc.identifier.other004MAS/1230-
dc.identifier.urihttp://univ-bejaia.dz/dspace/123456789/23430-
dc.descriptionOption : Intelligence Artificielleen_US
dc.description.abstractL'électrocardiogramme (ECG) est un test crucial pour évaluer l'activité électrique du coeur en enregistrant les variations des ondes électriques résultant de la polarisation et de la dépolarisation des ventricules et des oreillettes. Il joue un rˆole essentiel dans le domaine médical en permettant la détection de divers problèmes cardiaques. Dans ce contexte, notre étude aborde la problématique de la détection des anomalies de rythme cardiaque en utilisant des techniques de deep learning, plus précisément les réseaux neuronaux convolutifs (CNN). Notre approche se base sur l'utilisation du transfert learning, o`u nous exploitons un mod`ele pré-entraˆiné sur des images d'ECG pour classifier les arythmies cardiaque. Les performances de notre algorithme ont été évaluées sur des signaux ECG provenant de patients différents de la base de données " MIT-BIH Arrhythmia" et " PTB Diagnostic ECG ". Cette approche novatrice ouvre de nouvelles perspectives dans le domaine de la classification des arythmies cardiaques en exploitant les avancées du deep learning.en_US
dc.language.isofren_US
dc.publisherUniv.Abderrahmane Mira- Bejaiaen_US
dc.subjectCNN : Deep learning (DL) : Electrocardiogramme (ECG) : MIT-BIH : PTB Diagnostic ECGen_US
dc.titleClassification des arythmies cardiaques à partir d'images d'ECG en utilisant des techniques de machine Learning.en_US
dc.typeThesisen_US
Appears in Collections:Mémoires de Master

Files in This Item:
File Description SizeFormat 
PFE_FINAL.pdf3.18 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.