Intitulé complet : Détection et classification de phénomènes liés à la prédiction de crises d'épilepsie en utilisant des approches de machine learning

Les différentes thérapies liées à l'épilepsie visent à contrôler les crises. En arrivant à prédire ces crises de manière fiable, on pourrait mettre en place des systèmes en boucle fermée et tenter de diminuer, voire de supprimer les crises. Ce stage se propose d'étudier des approches de machine learning afin de prédire les crises d'épilepsie, notamment à travers l'investigation des spikes interictaux (IED). L'étude portera sur : 1) l'optimisation de la détection de spikes interictaux 2) la possibilité d'utiliser ces spikes en tant que prédicteur de crises 3) la classification de ces spikes (HFO, Interictal spikes, fast ripples) en utilisant entre autres le critère de couplage de phase.

Cette étude permettra de définir quels sont les types de spikes pertinents pour la prédiction de crises d'épilepsie. Les signaux sont fournis par les projets POC EpiCool et FORECASTING. Il s'agit de signaux ECoG et EEG qui sont synchronisés avec la vidéo ainsi que des capteurs de température.

Détenteur d'un BAC+3, le/la candidat(e) doit préparer un Master.

De bonnes connaissances en Machine learning, Deep learning et traitement du signal en temps réel sont attendues (big data serait un plus).

Le/la candidat(e) doit avec des compétences sur Python et/ou Matlab.