Canada Spends Logo

Explorez notre analyse du budget 2026

Grant: Master's Award: Canada Graduate Scholarships

Université de Montréal

$27,000.00

Redéfinir l'analyse de l'EEG dans l'épilepsie : Une approche synergique utilisant le couplage multi-fréquences et l'apprentissage auto-supervisé

EF 2024-25

Résumé
L'épilepsie, trouble neurologique chronique, touche des millions de personnes et se caractérise par des crises imprévisibles. Le diagnostic repose traditionnellement sur l'identification visuelle de biomarqueurs dans les enregistrements EEG, notamment les décharges épileptiformes interictales. Bien que cette méthode soit efficace, elle est limitée par l'interprétation humaine, risquant de manquer des signaux subtils mais pertinents. D'où le besoin de méthodes de diagnostic plus précises et automatisées où l'IA peut jouer un rôle crucial. En intégrant des marqueurs computationnels basés sur l'IA, il est possible d'automatiser le diagnostic, améliorant ainsi sa précision pour une détection plus fiable de l'épilepsie.Léquipe du laboratoire a déjà posé les bases avec des techniques d'apprentissage profond pour identifier des marqueurs computationnels, facilitant la prédiction et classification des crises. Ma recherche de master explorera spécifiquement les biomarqueurs avancés de couplage multi-fréquences (CFC), qui capturent les interactions non linéaires entre les composants du signal EEG, offrant une compréhension enrichie des dynamiques neuronales au-delà des biomarqueurs linéaires classiques. Un volet clé de cette recherche sera l'intégration de l'apprentissage auto-supervisé (SSL) pour affiner la détection des biomarqueurs. Le SSL permet aux modèles de capter des représentations significatives sans annotations manuelles, capturant ainsi les dynamiques temporelles et spatiales complexes du signal EEG. Cette approche est adaptable aux schémas propres à chaque patient, réduisant le besoin d'algorithmes dédiés. En somme, ce projet alliera IA et EEG pour automatiser le diagnostic de l'épilepsie, offrant une alternative plus précise aux méthodes traditionnelles.
Programme
Master's Award: Canada Graduate Scholarships
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
CIHR Funding Decisions Database

Tel que publié

Id
529740
Name
Chebaane Sarra
Region
Québec
Country
Canada
Orgtype
Institution Paid; Research Institution
Prcname2
Special Cases - Awards Programs
Projecttitle
Redéfinir l'analyse de l'EEG dans l'épilepsie : Une approche synergique utilisant le couplage multi-fréquences et l'apprentissage auto-supervisé
Programtype2
Studentship Programs
Orgnameinp2
Université de Montréal
Cihramount2
$27,000
Cihrequipment2
$0
Programname2
Master's Award: Canada Graduate Scholarships
Keyworddelim
Apprentissage Auto-Supervisé (Ssl); Biomarqueurs; Diagnostic Automatisé; Eeg; Épilepsie
Abstract
L'épilepsie, trouble neurologique chronique, touche des millions de personnes et se caractérise par des crises imprévisibles. Le diagnostic repose traditionnellement sur l'identification visuelle de biomarqueurs dans les enregistrements EEG, notamment les décharges épileptiformes interictales. Bien que cette méthode soit efficace, elle est limitée par l'interprétation humaine, risquant de manquer des signaux subtils mais pertinents. D'où le besoin de méthodes de diagnostic plus précises et automatisées où l'IA peut jouer un rôle crucial. En intégrant des marqueurs computationnels basés sur l'IA, il est possible d'automatiser le diagnostic, améliorant ainsi sa précision pour une détection plus fiable de l'épilepsie.Léquipe du laboratoire a déjà posé les bases avec des techniques d'apprentissage profond pour identifier des marqueurs computationnels, facilitant la prédiction et classification des crises. Ma recherche de master explorera spécifiquement les biomarqueurs avancés de couplage multi-fréquences (CFC), qui capturent les interactions non linéaires entre les composants du signal EEG, offrant une compréhension enrichie des dynamiques neuronales au-delà des biomarqueurs linéaires classiques. Un volet clé de cette recherche sera l'intégration de l'apprentissage auto-supervisé (SSL) pour affiner la détection des biomarqueurs. Le SSL permet aux modèles de capter des représentations significatives sans annotations manuelles, capturant ainsi les dynamiques temporelles et spatiales complexes du signal EEG. Cette approche est adaptable aux schémas propres à chaque patient, réduisant le besoin d'algorithmes dédiés. En somme, ce projet alliera IA et EEG pour automatiser le diagnostic de l'épilepsie, offrant une alternative plus précise aux méthodes traditionnelles.
Competitiondate
202412
Approvedterm2
1 yr 0 mth
Pinamesdelim
Chebaane, Sarra
Approvedterm
1 an 0 mois
Cihrcontribution2
~ $27,000~ $0~