Mémoire: Amine HLEL Kholoud GHANMI

République Tunisienne Cycle de Formation d’Ingénieurs
Ministère de l’Enseignement Supérieur dans la Discipline Génie électrique

et de la Recherche Scientifique
ST-EN07/00
Université de Sfax Projet de Fin d’Etudes N° d’ordre :

2021 / DGE-011
Ecole nationale d’ingénieurs
de Sfax
MÉMOIRE
Présenté à
École nationale d’ingénieurs

de Sfax
En vue de l’obtention
Diplôme National d’Ingénieur en
Génie Électrique
Par
Amine HLEL
Kholoud GHANMI
Un système portable pour la prédiction des crises

épileptiques
Soutenue le 09/12/2021, devant la commission d’examen :
Mr. Mohamed MASMOUDI Président

Mme. Nawel JMAIL Examinatrice
Mr. Abdennaceur KACHOURI Encadrant Académique
Mme. Régine LE BOUQUIN JEANNES Encadrant LTSI
Mr. Thierry VAL Encadrant LTSI
i
Dédicaces
C’est grâce à Allah que tout a commencé, et c’est à lui que je
rends grâce.
Le reste n’est que dédicaces
A mon cher père Salem
A qui je dois tout, Qui a cru en moi et m’a soutenu par ses
précieux conseils, Puisse Dieu te garder et te permettre de
jouir du produit de tes efforts.
A ma chère mère Faiza
Pour ses sacrifices, sa tendresse et sa patience illimitée, que

ce travail soit le Témoignage de mon grand amour et qu’il
fasse l’objet de ta fierté.
A mes chères sœurs Arwa, Asma et Oumeyma
Qui m’aiment beaucoup, je les dédie ce travail pour leurs

encouragements.
A toute la famille
A mes chers amis
A tous mes professeurs que je respecte et j’aime
A tous ceux qui m’aiment et que j’aime
Je dédie ce projet de fin d’étude
Amine HLEL
ii
Dédicaces
A mon père
Aucune dédicace ne saurait exprimer l’amour, l’estime, le
dévouement et le respect que j’ai toujours eu pour toi. Rien
au monde ne vaut les efforts fournis pour mon éducation et
bien être.
Ce travail est le fruit de tes sacrifices que tu as consentis
pour mon éducation et ma formation.
A ma mère
Symbole de la bonté par excellence, la source de tendresse et
l’exemple du dévouement qui n’a pas cessé de m’encourager
et de prier pour moi.
Ta prière et ta bénédiction m’ont été d’un grand secours
pour mener à bien mes études.
Aucune dédicace ne saurait être assez éloquente pour
exprimer ce que tu mérites pour tous les sacrifices que tu
n’as cessé de me donner.
A ma chère sœur
Ma chère petite sœur présente dans tous mes moments
d’examens par son soutien moral et ses belles surprises
sucrées.
iii
Je te remercie pour ton aide sans égal et ton affection si
sincère. Je t’exprime à travers ce travail mes sentiments de
fraternité et d’amour.
A tous ceux qui m'aiment.

A tous ceux qui ne cessent de m'encourager.
A tous ceux qui ont confiance en moi.
Kholoud GHANMI
iv
Remerciements
Au terme de ce travail, nous tenons à exprimer notre profonde gratitude et

nos sincères remerciements à nos tuteurs de projet pour tout le temps qu’ils
nous ont consacré, leurs directives précieuses, et pour la qualité de leur suivi
durant toute la période de notre stage.
Nous tenons à traduire ici notre gratitude à notre cher professeur et encadreur
académique M. Abdennaceur Kachouri professeur à l’école nationale
d’ingénieurs de Sfax d’avoir accepté de nous encadrer pour notre projet de fin
d’études, ainsi que pour son soutien, et son encouragement, ses interventions
enrichissantes, ses conseils judicieux et ses critiques pertinentes qu’ont
contribué d’une façon importante à l’élaboration de ce projet.
Nous tenons à remercier infiniment Mme. Régine le bouquin jeannes,

encadrante du laboratoire LTSI pour son précieux travail d’accompagnement
ayant abouti à la réussite de notre projet avec beaucoup de patience,
d'indulgence et de disponibilité à chaque étape.
Nous ne pouvons, également, oublier de remercier M. Thierry Val, notre

encadreur pour son précieux travail d’accompagnement ayant abouti à la
réussite de notre projet, ainsi que pour son soutien, et son encouragement, ses
interventions enrichissantes.
Ainsi Nous tenons à remercier infiniment nos chers amis Fatma krikid, Helmi
ben Hnia et Aymen Abid pour leurs soutiens et pour leurs aides durant notre
période de stage.
Enfin, nous exprimons avec enthousiasme et fierté l’honneur aux membres du

Jury pour avoir daigné accepter l’évaluation de notre projet de fin d’études
Kholoud & Amine
v
Glossaire
ECG L'électrocardiogramme
IOT Internet Of Things
PAN Personal Area Network
MAC Medium Access Control
LPWAN Low Power Wide Area Network
MQTT Message Queuing Telemetry Transport
MAC Medium Access Control
CSMA Carrier Sense Multiple Access
M2M Machine to Machine
HRV La variabilité de la fréquence cardiaque (VFC)
EMG L’électromyogramme
EEG L’électroencéphalogramme
BPM Le battement par minute
ACM Accélérométrie
FC Fréquence cardiaque
SAN Le nœud sinusal
AVN Le nœud auriculo-ventriculaire
vi
TABLE DES MATIÈRES
Liste des figures ........................................................................................................................ x
Introduction générale ............................................................................................................... 1
Cadre du travail ....................................................................................................................... 3
Chapitre 1 : Bracelets et épilepsie ........................................................................................... 4
1.1 Introduction ................................................................................................................. 5
1.2 Généralité sur les bracelets connectés ......................................................................... 5
1.2.1 Historiques et évolution ....................................................................................... 5
1.2.2 Les différentes utilités .......................................................................................... 6
1.3 Internet des objets ........................................................................................................ 7
1.3.1 Architecture de l’IOT ........................................................................................... 8
1.3.2 Les applications de l’IOT ..................................................................................... 9
1.3.3 Soins de santé à distance ...................................................................................... 9
1.4 Protocoles de liaisons de données pour L’IOT :........................................................ 10
1.4.1 IEEE 802.15.4 .................................................................................................... 10
1.4.2 Bluetooth basse énergie BLE ............................................................................. 10
1.4.3 LoRa ................................................................................................................... 10
1.5 Modalités de détection automatique des crises épileptiques ..................................... 10
1.5.1 EEG .................................................................................................................... 11
1.5.2 Accélérométrie ................................................................................................... 12
1.5.3 Electromyographie ............................................................................................. 12
1.5.4 Physiologie de cœur ........................................................................................... 13
1.5.5 Électrocardiographie .......................................................................................... 14
1.5.6 Les travaux réaliser pour la détection de l’épilepsie à partir l’ECG .................. 15
1.6 Architecture du système portable pour la prédiction d’épilepsie .............................. 16
1.7 Conclusion ................................................................................................................. 17
Chapitre 2 : Extraction des caractéristiques et détection de la crise épileptique ............. 18
vii
2.1 Introduction ............................................................................................................... 19
2.2 Les caractéristiques du domaine temporel d’un signal ECG ..................................... 19
2.3 Base de données......................................................................................................... 21
2.4 Algorithme de détection des crises par l’analyse de HRV ........................................ 22
2.4.1 Etude de l’algorithme de détection ..................................................................... 23
2.4.2 Calcul des performances .................................................................................... 27
2.5 Conclusion ................................................................................................................. 33
Chapitre 3 : Architecture du bracelet connecté et étude du réseau .................................. 34
3.1 Introduction ............................................................................................................... 35
3.2 Architecture du système ............................................................................................ 35
3.2.1 LoRaWAN ......................................................................................................... 37
3.2.1.1 L’intérêt du SF de LoRa (Spreading Factor) .................................................. 38
3.2.1.2 Le Rapport cyclique ........................................................................................ 38
3.2.1.3 Le niveau MAC de LoRaWAN ...................................................................... 39
3.2.2 Le protocole MQTT ........................................................................................... 40
3.2.2.1 Mise en place d’un broker MQTT .................................................................. 41
3.3 Matériels et méthodes ................................................................................................ 45
3.3.1 Nœud émetteur du bracelet ................................................................................ 45
3.3.1.1 Capteur de fréquence cardiaque ..................................................................... 46
3.3.1.2 Module GPS Adafruit ..................................................................................... 46
3.3.1.3 La carte ESP-32 .............................................................................................. 47
3.3.1.4 Module LoRa RFM95 .................................................................................... 47
3.3.2 Station de base .................................................................................................... 48
Circuit de station de base ....................................................................................... 48
3.3.3 Communication entre bracelets et station de base ............................................. 49
Débit de données .................................................................................................... 50
3.4 Amélioration de réseau LoRa par le Protocole Listen Before Talk (LBT) ............... 50
viii
3.4.1 Carrier Sense Multiple Access (CSMA) - Évitement de coalition..................... 51
Adaptation du protocole 802.11 ............................................................................. 52
3.4.2 Les algorithmes de récepteur/ émetteur pour le protocole LBT ......................... 53
3.4.2.1 Algorithme de récepteur ................................................................................. 53
3.4.2.2 Algorithme de l’émetteur................................................................................ 53
3.4.3 Le simulateur CupCarbon .................................................................................. 54
3.4.3.1 Caractéristique de CupCarbon ........................................................................ 55
3.4.3.2 Environnement CupCarbon ............................................................................ 55
3.4.4 Test sur le simulateur CupCarbon ...................................................................... 56
3.4.4.1 Test 1 .............................................................................................................. 56
3.4.4.2 Test 2 : ............................................................................................................ 58
3.5 Conclusion ................................................................................................................. 59
Conclusion générale et perspectives ..................................................................................... 60
REFERENCES ....................................................................................................................... 62
ix
Liste des figures
Figure 1 : Bracelet connecté. ...................................................................................................... 5
Figure 2 : bracelet connecté pour le suivi des activités quotidiennes. ....................................... 6
Figure 3 : Bracelet connecté pour la mesure du rythme cardiaque ............................................ 7
Figure 4 : Architecture Globale de l’IOT. .................................................................................. 8
Figure 5 : Exemple de signaux EEG pendant une crise d'épilepsie ......................................... 11
Figure 6 : Exemple de changements dans l'accélérométrie le long des différents axes pendant
une crise tonico-clonique généralisée. ..................................................................................... 12
Figure 7 : Vue d'ensemble de la physiologie du cœur.............................................................. 13
Figure 8 : un court segment d’un signal ECG .......................................................................... 14
Figure 9 : Algorithme de détection. ......................................................................................... 15
Figure 10 : Architecture générale du système portable pour la prédiction d’épilepsie. ........... 16
Figure 11 : Signal ECG et intervalle R-R. ............................................................................... 19
Figure 12 : Deux signaux de la base de données ...................................................................... 22
Figure 13 : Algorithme de détection de la crise épileptique..................................................... 22
Figure 14 : Segmentation du signal ECG ................................................................................. 23
Figure 15 : Détection des pics R. ............................................................................................. 23
Figure 16 : Détermination des pics R ....................................................................................... 24
Figure 17 : Valeurs moyennes des intervalles RR ................................................................... 25
Figure 18 : Nombre de battements par minute. ........................................................................ 26
Figure 19 : Détection de la crise ............................................................................................... 27
Figure 20 : Diagramme des performances des deux cas de segmentation ............................... 32
Figure 21 : Architecture de réseau du bracelet ......................................................................... 35
Figure 22 : Le lien LoRaWAN du bracelet .............................................................................. 37
Figure 23 : Impact du facteur d’étalement sur la portée et le débit. ......................................... 38
Figure 24 : rapport cyclique en fonction des différentes fréquences. ...................................... 39
Figure 25 : fonctionnement des différentes classes de niveau MAC. ...................................... 40
Figure 26 : Modèle Publisher / Subscriber du protocole MQTT ............................................. 41
Figure 27 : Test du protocole MQTT ....................................................................................... 42
Figure 28 : Mise en place d’un Publisher et d’un Subscriber MQTT ...................................... 42
Figure 29 : Création d’un client MQTT (Subsciber)................................................................ 43
Figure 30 : Envoie d’un message par MQTTBox .................................................................... 44
Figure 31 : Reçu de message dans MqttDashboard. ................................................................ 44
Figure 32 : Architecture du nœud émetteur du bracelet ........................................................... 45
x
Figure 33 : capteur de fréquence cardiaque. ............................................................................ 46
Figure 34 : Module GPS Adafruit ............................................................................................ 46
Figure 35 : La carte ESP-32. .................................................................................................... 47
Figure 36 : Module LoRa RFM96............................................................................................ 48
Figure 37 : Câblage de circuit de station de base. .................................................................... 48
Figure 38 : Signal ECG ............................................................................................................ 50
Figure 39 : Processus de travail LoRaWAN-CSMA. .............................................................. 52
Figure 40 : Algorithme de réception ........................................................................................ 53
Figure 41 : Algorithme d’émission .......................................................................................... 54
Figure 42 : Interface graphique de CupCarbon. ....................................................................... 56
Figure 43 : Simulation de 1er cas. ............................................................................................ 57
Figure 44 : Scripts implémentés dans les nœuds. ..................................................................... 57
Figure 45 : Simulation de 2éme test. ........................................................................................ 58
Figure 46 : Scripts implémentés dans les nœuds. ..................................................................... 58
xi
Liste des tableaux
Tableau 1 : L'heure de début des crises enregistrée pour chaque patient. ................................ 21
Tableau 2: les résultats de la détection ..................................................................................... 29
Tableau 3 : Les performances de détection .............................................................................. 30
Tableau 4 : les résultats de la détection avec un chevauchement dans la segmentation. ......... 31
Tableau 5 : les performances de détection avec un chevauchement dans la segmentation...... 32
xii
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Introduction générale
L'épilepsie est une maladie neurologique qui touche environ 1 % de la population mondiale.
Les patients dont les crises ne peuvent être contrôlées par les traitements actuellement
disponibles souffrent d'une qualité de vie fortement diminuée en raison du caractère
imprévisible de ces crises. La surveillance de ces patients à domicile peut améliorer cette
situation, car elle leur permet de se sentir plus en sécurité dans leur vie quotidienne. Le suivi de
ces patients peut également accroître l'efficacité du traitement, en permettant de donner des
mesures plus objectives de l'état de santé du patient.
Ce projet s’inscrit dans la contribution à la détection des crises épileptiques à travers l’analyse
de rythme cardiaque. L’idée sous-jacente est de pouvoir faire un système portable pour la
prédiction de l’épilepsie et améliorer ainsi la qualité de vie des patients affectés par cette
maladie.
L'internet des objets (IoT) a de nombreuses applications dans le domaine médical. Grâce à la
collecte d'informations à distance, les professionnels de santé peuvent évaluer, diagnostiquer et
traiter des patients dans des endroits éloignés en utilisant la technologie des
télécommunications.
Cette étude visait alors à développer un bracelet connecté qui mesurera les fréquences
cardiaques et enverra les données à l’aide de trois technologies différentes, WiFi, BLE, LoRa
vers un serveur WEB pour être traitées par un algorithme qui fait l’extraction de différentes
caractéristiques de domaine temporel puis l’utilisation de ces derniers pour la classification
binaire crise non-crise et avoir une alerte avant la crise épileptique.
Le mémoire se décompose en trois chapitres, dont le premier chapitre, nous positionnons notre
travail dans son contexte général, puis nous présentons une généralité sur les bracelets
connectés, ses différentes utilités et les protocoles de communication dans l’IOT. Nous donnons
également les modalités de détection des crises épileptiques et les travaux réalisés pour la
détection des crises épileptique à travers les signaux ECG. Ensuite nous proposant une
architecture globale pour notre système.
Dans le deuxième chapitre, nous étudions la partie d’extraction des caractéristiques du domaine
temporel pour les signaux ECG et la détection des crises épileptiques utilisant une base de
données pour le calcul des performances de détection.
Page | 1
Dans le troisième chapitre, il y a une proposition de nouvelle architecture réseau de notre

bracelet connecté. Puis l’architecture matériel de ce système. En finissant par une amélioration
de réseau par un protocole Listen Before Talk (LBT).
Nous terminons notre rapport par des conclusions et des perspectives.
Page | 2
Cadre du travail
Ce stage s’inscrit dans le cadre d’un projet de fin pour l’obtention d’un diplôme d’ingénieur
électrique de l’école Nationale d’ingénieur de Sfax. Notre stage a été effectué au sein du
laboratoire traitement du signal et de l’image « LTSI, France ».
Le sujet est intitulé « Système portable pour la prédiction d’épilepsie ».
Présentation de l’organisme d’accueil

• LTSI
LTSI est un laboratoire de l’université de Rennes 1, il est à l’origine de création en 2006 du

centre de recherche en l’information Biomédicale sino-français (CRIBs), laboratoire
Internationale Associé à l’Inserm, à l’Université de Rennes 1 et à l’Université du Sud-est
(Nankin, chine).
Les recherches du LTSI sont à l’interface des disciplines relevant des domaines des sciences et
technologies de l’information et de la santé. Leurs visées sont à la fois méthodologiques,
technologiques et cliniques et leurs finalités sont l’interprétation et l’aide à la discision. Elles
s’articulent autour du noyau ‘signal-modèle-image’.
Ces recherches sont organisées autour de cinq axes :
1- Système neuronaux dans l’épilepsie.
2- Stimulation thérapeutique et le monitoring personnalisés pour l’insuffisance cardiaque et les

apnées-bradycardies.
3- Mettre des méthodes de métrologie et de l’instrumentation dédiée dans les domaines de

l’imagerie et de la spectroscopie par résonance magnétique.
4- Mettre des méthodes de métrologie et de l’instrumentation dédiée dans les domaines de

l’imagerie et de la spectroscopie par résonance magnétique.
5- Aider à la décision par l’image et la modalisation pour la planification et l’assistance

chirurgicale et thérapeutique spécifique-patient sur tissu mous.
Page | 3
Chapitre 1 : Bracelets et épilepsie
Page | 4
1.1 Introduction
L’épilepsie est une maladie difficile à gérer puisqu’elle survient à n’importe quel moment, et
souvent en cas de stress ou d’émotion forte. Il y a environ 50 millions de personnes dans le
monde sont touchées par cette maladie. L’épilepsie touche tous les âges, et toutes les régions
du monde.
Dans ce chapitre, nous allons présenter en premier lieu les bracelets connectés et leur
importance pour la santé. Ensuite, nous allons faire une étude sur leurs utilités, architectures et
protocoles de communications. Enfin nous présentons sur les modalités de détection d’épilepsie
et finissions par une explication de quelques algorithmes dédiés pour la prédiction de l’épilepsie
à travers l’ECG.
1.2 Généralité sur les bracelets connectés

Un bracelet d'activité ou bracelet connecté, aussi appelé traqueur d'activité, est un accessoire
vestimentaire couplé à une application qui suit et mesure les signaux liés à une activité physique
comme distance parcourue en marchant ou en courant, nombre de pas effectués dans une
journée, calories dépensées et, pour certains, rythme cardiaque et qualité du sommeil. Dans la
plupart des cas, ces appareils se synchronisent avec un smartphone par liaison sans fil. La figure
1 présente un exemple d’un bracelet connecté.
Figure 1 : Bracelet connecté.
1.2.1 Historiques et évolution

C'est dans le monde du sport qu'est né ce concept de suivi de l'activité physique. Dès le début
des années 1980, les athlètes ont eu recours à des détecteurs de rythme cardiaque.
Vinrent ensuite dans les années 1990 les premières montres, destinées aux cyclistes, qui la
mesuraient la vitesse, la distance parcourue, la vitesse moyenne, etc.
Page | 5
Au cours de la décennie suivante, les appareils d'entraînement utilisés dans les salles de sport
commencèrent à intégrer des capteurs, notamment de rythme cardiaque. [1]
1.2.2 Les différentes utilités

Le bracelet connecté s'adresse à tout le monde. Du sportif qui désire enregistrer et augmenter
ses performances à celui qui souhaite se maintenir en forme, en passant par la personne qui
cherche à être épaulée durant un régime ou une reprise sportive, chacun peut y trouver une
utilité. Même ceux qui veulent tout simplement améliorer leur bien-être, en étant à l'écoute de
leur corps.
Les données enregistrées peuvent être consultées en ligne ou depuis votre smartphone (via une
application proposée avec l’objet), afin de suivre facilement vos performances dans le temps,
vous fixer des objectifs personnels.
▪ Le bracelet connecté pour le suivi des activités quotidiennes :
Le bracelet connecté est avant tout utilisé pour mesurer les activités physiques effectuées au
cours de la journée. Il y a entre les calories dépensées, le nombre de pas réalisés pendant un
jour, la distance parcourue, ce traqueur a donc comme rôle de synthétiser toutes les données
reçues et de les transformer en un bilan détaillé. La figure 2 illustre le bracelet connecté pour le
suivi des activités quotidiennes
Figure 2 : bracelet connecté pour le suivi des activités quotidiennes.

Grâce à cet accessoire technologique, il devient donc plus facile de mieux connaître le niveau
d’activités physiques qu’on a pu effectuer en une journée. C’est aussi une façon de se motiver
de bouger encore plus pour rester en bonne santé. Les bracelets connectés se présentent aussi
comme un coach personnel qui motive à atteindre des objectifs.
Page | 6
▪ Mesurer le rythme cardiaque avec un bracelet connecté :
Le bracelet connecté est également utilisé pour mesurer le rythme cardiaque d’un sportif ou
d’une simple personne en activité. Le capteur est en contact avec la peau du poignet pour
connaître l’activité cardiaque de l’utilisateur. Le calcul peut se faire en permanence que
l’utilisateur soit en activité ou non.
Figure 3 : Bracelet connecté pour la mesure du rythme cardiaque

▪ Le bracelet connecté pour analyser le sommeil :
Pendant la nuit, ce traqueur d’activité est aussi essentiel. En effet, il permet d’analyser la qualité
du sommeil. En d’autres termes, cet accessoire permet de définir le temps de sommeil, de
détecter les mouvements, de déterminer les caractéristiques du sommeil et également d’émettre
une alarme qui se déclenche au bon moment. Certains modèles peuvent même faire plus comme
mesurer la fréquence et le rythme cardiaque, les ronflements, les respirations, la température
corporelle durant la nuit.
Le bracelet est un objet connecté capable de se connecter à un réseau par des moyens qui gèrent
la communication d’une façon autonome. Passant alors à une explication bien détaillée sur
l’internet des objets (IOT).
1.3 Internet des objets

L'Internet des objets est l'Internet du futur, il représente une révolution de l'informatique et des
réseaux de communication. Il constitue un monde d’objets en réseaux, où tous sont
interconnectés. Les objets du quotidien se transforment en objets intelligents capables de
détecter, interpréter et réagir à l'environnement grâce à la combinaison de l'internet et des
Page | 7
technologies émergentes telles que l'identification par radiofréquence, la localisation en temps

réel, les capteurs embarqués [2] et l’IA.
1.3.1 Architecture de l’IOT

La figure 4 montre une architecture des systèmes IOT, qui est composée de trois domaines : le
domaine de périphérique M2M, le domaine réseau et le domaine applicatif.
Dans le domaine des périphériques, le périphérique fournit une connectivité directe au domaine
réseau via des réseaux d'accès, qui peuvent inclure des technologies PAN à portée limitée telles
que Bluetooth, ZigBee, etc. ou via une passerelle qui agit comme un proxy réseau pour le
domaine réseau.
Le domaine réseau comprend différents réseaux d'accès, qui fournissent une connectivité à
travers diverses technologies, telles que xDSL, FO Satellite, etc. vers des dispositifs et / ou des
passerelles.
Enfin, le domaine applicatif inclut les applications IOT et les infrastructures serveur / cloud.
Ces derniers doivent partager leurs contenus, éventuellement les sauvegarder sur d'autres
appareils, implémenter des programmes d'analyse et / ou prendre appui sur des personnes pour
surveiller la réponse en temps réel. [3]
Figure 4 : Architecture Globale de l’IOT [3].
Page | 8
1.3.2 Les applications de l’IOT

À l'heure actuelle, l'IOT est devenu l'une des technologies d'avenir les plus attrayantes pouvant
être utilisées à différentes fins. Par exemple, de nos jours, presque tous les appareils
électroniques embarqués ont besoin de capteurs et d'opérateurs pour faire fonctionner ces
appareils. Ces capteurs peuvent bénéficier de la connectivité IOT et peuvent être gérés plus
efficacement. L'IOT est désormais en mesure de connecter la plupart des appareils de l'industrie
et est devenu un réseau mondial pour les appareils et les machines.
Pour des cas d’usage industriels, mais aussi pour d'autres cas, l’IOT peut également être utilisé
pour garder une trace des fonctionnements des appareils électroniques domestiques. De la
même manière, l'IOT joue désormais un rôle important pour des dispositifs portables intelligent,
et pour le concept de ville intelligente, de réseaux intelligents, de systèmes de santé intelligents,
d'agriculture intelligente et de services de logistiques intelligentes. Par exemple, un capteur de
température intelligent IOT peut être utilisé pour suivre la température du conteneur de fret, ce
qui aide l'utilisateur à prendre des mesures en temps réel pour maintenir les marchandises en
bon état [3].
1.3.3 Soins de santé à distance

La notion d’E-santé, désignée également par E-health, télésanté ou cyber santé, est utilisée pour
la première fois en 1999 par Jhon Mitchelle. La définition la plus connue et la plus utilisée est
celle proposée par Eysenbach [4] : « E-health est un domaine émergeant créé par l'intersection
entre les domaines de l'informatique médicale, la santé publique et le secteur privé. Ce domaine
fait référence au service de santé et les informations en matière de santé à travers Internet ou
d'autres technologies connexes...".
L'intégration des nouvelles technologies dans le domaine de la santé publique est la clé qui a
permis d'ouvrir une nouvelle époque d'évolution au niveau matériel afin de fournir une
multitude d'informations qui n'étaient pas disponibles par le passé. Cette évolution est à l'origine
de l'amélioration de la qualité des données fournies aux équipes médicales pour les aider à
prendre des décisions qui seront de plus en plus précises et concrètes dans le futur. L'émergence
des technologies médicales, telles que les technologies de suivi et de contrôle, dans le monde
entier, a permis à de nouvelles applications d'être installées et utilisées dans de nombreux
environnements. L'exploitation de cette technologie dans les domiciles et les résidences
représente une bonne solution pour le bien-être des personnes malades puisque les garder dans
le même environnement assure la stabilité psychologique et en même temps un meilleur suivi
Page | 9
tout en gardant les services offerts par les centres médicaux et les hôpitaux. La détection des
situations anormales se fait d'une manière instantanée et l'intervention humaine s'exécute en cas
de besoin.
1.4 Protocoles de liaisons de données pour L’IOT :

Dans cette partie, nous détaillons les principales normes de protocole des couches basses. Il
comprend les protocoles de couche physique (PHY) et MAC qui sont combinées par la plupart
des normes.
1.4.1 IEEE 802.15.4

IEEE 802.15.4 est une des normes de couche MAC les plus utilisées pour l’IoT. Il définit un
format de trame, des en-têtes, y compris les adresses source et de destination, et comment les
nœuds peuvent communiquer entre eux.
1.4.2 Bluetooth basse énergie BLE

Bluetooth basse énergie ou Bluetooth intelligent est un protocole de communication à courte
portée avec les couches PHY et MAC largement utilisé dans les réseaux embarqués. Sa faible
énergie peut être dix fois moindre que le Bluetooth classique. Son contrôle d'accès utilise une
MAC sans conflit avec une faible latence et une transmission rapide [5].
1.4.3 LoRa
LoRa est la couche physique et une modulation sans fil utilisée pour créer le lien de
communication à longue portée. De nombreux autres systèmes sans fil traditionnels utilisent la
modulation FSK (Frequing Keying Keying) comme couche physique car il s'agit d'une
modulation très efficace pour atteindre une consommation d'énergie faible. LoRa est basé sur
une modulation à spectre étalé en modulation, qui maintient les mêmes caractéristiques de faible
puissance que la modulation FSK, tout en augmentant considérablement la portée de la
communication.
LoRaWAN ™ définit le protocole de communication et l'architecture du système pour le réseau

tandis que la couche physique LoRa® permet uniquement la liaison de communication radio à
longue portée [6].
1.5 Modalités de détection automatique des crises épileptiques

Dans ce paragraphe nous présentons les modalités qui peuvent être utilisées pour la détection
automatique des crises.
Page | 10
1.5.1 EEG
La plupart des recherches sur la détection automatique des crises dans la littérature ont porté
sur l'analyse des signaux EEG [7] avec l'intention de les utiliser dans un environnement
hospitalier lors de la surveillance pour le diagnostic de l'épilepsie ou l'évaluation pré-
chirurgicale.
L'EEG permet généralement d'obtenir des performances relativement bonnes pour tous les types
de crises, car il analyse les signaux qui sont également utilisés dans les hôpitaux qui sont
également utilisés par les cliniciens experts pour le diagnostic et l'annotation.
En raison de la grande quantité de signaux dans les différentes parties du cerveau, l'EEG permet
d'inclure à la fois des données spatiales et des données temporelles ce qui permet d'obtenir de
bonnes performances de détection des crises (voir la figure 5). L'utilisation de l’EEG complet
dans un environnement domestique pour une surveillance à long terme n'est cependant pas
confortable et est stigmatisant pour le patient et n'est donc presque jamais proposé comme
solution de pour la détection en temps réel dans un environnement domestique [8].
Figure 5 : Exemple de signaux EEG pendant une crise d'épilepsie

Pour résoudre le problème du confort, des variantes plus faciles à porter d'un système EEG
complet sont proposées. Les EEG mobiles sont des casquettes EEG plus faciles à porter, ne
Page | 11
contenant généralement qu'un nombre limité d'électrodes EEG afin d'augmenter la portabilité
pour une surveillance à long terme. L'EEG mobile reste toutefois moins facile à porter que la
plupart des autres solutions de détection des crises alternatives pour la détection des crises, et
la plupart des patients considèrent toujours qu'il est stigmatisant de le porter en public.
1.5.2 Accélérométrie
Les accéléromètres mesurent l'accélération de l'appareil selon trois axes. Ils sont idéaux pour la
détection de mouvements forts (atypiques), comme on peut en trouver par exemple dans les
crises tonico-cloniques, cloniques et hyperkinétiques focales. Ces mouvements sont
généralement de forte amplitude et contiennent souvent des motifs rythmiques (voir la figure 6
pour un exemple) [9].
Les crises myocloniques peuvent également être détectées, mais les performances sont plutôt
faibles pour ce type de crises en raison de leur courte durée. Les accéléromètres sont
généralement attachés aux poignets du patient, mais ils sont parfois aussi fixés à la tête du
patient, mais sont parfois placés sur les bras, les chevilles ou le torse du patient.
Figure 6 : Exemple de changements dans l'accélérométrie le long des différents axes pendant
une crise tonico-clonique généralisée.
Le signal de l'accéléromètre est acquis du poignet dans cet exemple. La phase clonique de la
crise commence environ 5 s après le début
1.5.3 Electromyographie
L'électromyogramme (EMG) mesure la tension musculaire en fonction du temps. Il est donc
adapté à la détection des crises incluant un raidissement musculaire, telles que les crises
Page | 12
toniques et tonico-cloniques. Typiquement, soit le muscle deltoïde ou le muscle biceps est

analysé pour la détection automatique des crises dans la littérature, ce qui donne lieu à un
dispositif porté sur le bras ou près de l'épaule [10].
Les études et les recherches sur la détection des crises épileptiques affirme que la crise à une
relation avec le cœur le rythme cardiaque. Dans cette partie on s’intéresse à comprendre la
physiologie de cœur et les travaux réaliser pour la détection d’épilepsie à travers l’ECG.
1.5.4 Physiologie de cœur
Figure 7 : Vue d'ensemble de la physiologie du cœur.

La figure 7 illustre la différente partie de la physiologie du cœur :
• RA : Atrium droit.
• LA : Atrium gauche.
• RV : Ventricule droit.
• LV : Nentricule gauche.
• SAN : Noeud sinusal.
• AVN : Nœud auriculo-ventriculaire.
La physiologie du cœur est illustrée dans la figure 7, le cœur peut être divisé en deux pompes,
une gauche et une droite. Elles fournissent une pression suffisante pour pomper le sang oxygéné
dans tout le corps. Chaque chambre comporte une oreillette et un ventricule. Le sang
désoxygéné provenant du reste de l'organisme entre dans le cœur par l'oreillette droite, qui le
pompe vers le ventricule droit. Le ventricule droit transmet le sang aux poumons afin qu'il soit
oxygéné, puis l'envoie ensuite vers l'oreillette gauche. L'oreillette gauche envoie le sang vers le
Page | 13
ventricule gauche, qui pompe le sang vers le reste du corps. Ce cycle cardiaque peut être divisé
en deux parties : la phase de diastole (remplissage du cœur par le sang) et la phase de systole
(la contraction du cœur pour pomper le sang hors du cœur).
Ce cycle cardiaque est contrôlé par le nœud sinusal (SAN), qui initie le cycle cardiaque
mentionné ci-dessus Il donne une impulsion électrique vers le nœud auriculo-ventriculaire
(AVN), qui est ensuite acheminé vers les ventricules du cœur.[11]
La fréquence à laquelle les cycles cardiaques se produisent (donc la fréquence cardiaque) est
déterminée par le SAN, qui peut être considéré comme le pacemaker du cœur. Le SAN contient
des cellules qui permettent l'auto excitation, ce qui signifie qu'il permet une fréquence
d'allumage intrinsèque. Cependant, il est normalement constamment modifié par le système
nerveux autonome.
1.5.5 Électrocardiographie
Figure 8 : un court segment d’un signal ECG

La figure 8 montre un court segment d'un signal ECG. En raison de la nature quasi-périodique
d'un cœur sain, le signal consiste en une répétition quasi-périodique de différentes ondes
caractéristiques, qui peuvent toutes être reliées aux actions originales effectuées dans le cœur.
Chaque cycle cardiaque commence par un stimulus électrique provenant du SAN, qui se
propage dans les oreillettes, provoquant une contraction et une dépolarisation (onde P).
La fréquence cardiaque peut être extraite de l'ECG en calculant les différences entre les pics R
suivants (intervalle RR).
La fréquence cardiaque immédiate (HR) est alors définie par l’équation (1.1) :
Page | 14
60
𝐻𝑅 = (1.1)
𝑅𝑅
Où l'intervalle RR est exprimé en secondes
1.5.6 Les travaux réaliser pour la détection de l’épilepsie à partir l’ECG

Pour que la détection des crises épileptiques soit mieux confortable pour les patients, des
chercheurs réalisent des bracelets pour la prédiction d’épilepsie à travers le signal ECG.
Le bracelet MIO ALPHA est une montre utilisée dans les applications de fitness pour mesurer
la fréquence cardiaque et la détection des crises épileptique [12]. Elle utilise la photo-
pléthysmographie pour mesurer la fréquence cardiaque FC (battements par minute (BPM)) via
deux LED vertes et une photodiode. Ce dispositif utilise la technologie Bluetooth à basse
énergie (en anglais : Bluetooth Low Energy — BLE) pour la communication entre le bracelet
et l’application Android qui contient l’algorithme de détection présenté par la figure 1.9.
Figure 9 : Algorithme de détection.

La figure 9 illustre l'algorithme de détection des crises qui consiste à comparer la moyenne de
la FC dans une fenêtre temporelle avec un seuil supérieur (TH₁ = 120 BPM) et un seuil inférieur
(TH₂ = 40 BPM). La longueur de la fenêtre et le TH1 peuvent être définis par l'utilisateur. Les
paramètres standards sont une fenêtre temporelle de 10 secondes. Chaque fois que le téléphone
reçoit la FC, la valeur est transférée dans un tampon circulaire d'une longueur définie par
Page | 15
l'utilisateur. A chaque seconde après que le premier tampon soit rempli, la moyenne des FC
dans le tampon est calculée et vérifiée par rapport aux seuils (TH1 et TH2).
• Les limites de MIO ALPHA
Le système de la montre MIO ALPHA combiné à l'application de détection des crises

d'épilepsie présente plusieurs limites. Cela est dû à des limites intrinsèques de MIO ALPHA et
du téléphone intelligent ainsi que les types de crises. La montre n'est pas un dispositif médical.
Elle a pour but de fournir des valeurs moyennes de la FC et les signaux sont donc lissés et
interpolés.
L'autre limite vient de l'instabilité des dispositifs BLE, ce qui est particulièrement le cas dans
les versions antérieures des téléphones intelligents avec BLE.
Nous avons bien présenté les différentes technologies liées aux bracelets connectés avec ces
différentes utilités, les protocoles de communications utilisés et les différentes modalités de
détection d’épilepsie.
Passant maintenant à notre architecture globale proposée pour ce travail.
1.6 Architecture du système portable pour la prédiction d’épilepsie

Dans cette partie nous présentons notre architecture générale proposée pour le système de
prédiction d’épilepsie représenté dans la fig.10.
Figure 10 : Architecture générale du système portable pour la prédiction d’épilepsie.
Page | 16
La figure 10 illustre les trois parties principales de notre système, la partie bracelet contient les
matériels utilisés, une partie serveur pour le traitement de données et la détection des crises
épileptiques et une partie réseau qui concerne la communication entre le bracelet et le serveur.
Les différentes étapes de traitement de signaux effectués dans le bracelet et le cloud sont
présentés dans le chapitre 2. Pour la partie communication, l’architecture et les protocoles sont
présentés et discutés dans le chapitre 3.
1.7 Conclusion
Dans ce chapitre, nous avons élaboré une étude sur les bracelets connectés, l’internet des objets,
les modalités de détection d’épilepsie. Ensuite nous avons étudié la physiologie du cœur et ses
caractéristiques et l’algorithme de détection des crises épileptiques par l’exemple de MOI
ALPHA. Enfin nous avons présenté l’architecture générale pour notre système.
Dans le chapitre 2 et chapitre 3 nous allons détaller notre architecture du système.
Page | 17
2.Chapitre 2 : Extraction des

caractéristiques et détection de la crise
épileptique
Page | 18
2.1 Introduction
Dans ce chapitre nous commençons dans un premier lieu par la définition de différentes
caractéristiques du domaine temporel d’un signal ECG. Dans un second lieu nous faisons une
description de la base de données utilisée dans ce travail. Puis nous présentons notre algorithme
proposé pour l’extraction des caractéristiques et la détection des crises épileptiques.
2.2 Les caractéristiques du domaine temporel d’un signal ECG

Le tracé ECG typique du cycle cardiaque (battement de cœur) représenté par la fig.11 est
composé d'une onde P (dépolarisation de l'oreillette), d'un complexe QRS (dépolarisation
ventriculaire), d'une onde T (repolarisation ventriculaire), d'une onde U (repolarisation
ventriculaire) et les intervalles de temps entre les battements cardiaques consécutifs appelés
Intervalles Inter-Battements (IBI). Chaque onde et les distances qui les séparent sont liées à
différentes parties du cœur.
Différentes parties du cœur peuvent être utilisées pour évaluer la santé cardiaque, mais l'onde
R est plus significative que les autres ondes.[13]
Figure 11 : Signal ECG et intervalle R-R.

Dans la méthode du domaine temporel, les intervalles R-R montrent, dans lesquels diverses
caractéristiques peuvent être extraites comme suit : intervalle moyen R-R, écart-type des
intervalles R-R (SDNN), la moyenne quadratique des différences successives (RMSSD), le
nombre de différences dans les intervalles R-R consécutifs supérieurs à 50 ms (NN50), le
rapport obtenu en divisant le nombre total d'intervalles NN50 au R-R (pNN50).
Page | 19
• SDNN
La SDNN est un indice global de la HRV qui reflète toutes les composantes à long terme et les
rythmes circadiens responsables de la variabilité dans la période d'enregistrement. Le calcul du
SDNN est donné par l’équation (2.1).
1
𝑆𝐷𝑁𝑁 = √𝑁−1 ∑𝑁 ̅̅̅̅
𝑖=1(𝑅𝑅𝑖 − 𝑅𝑅 ) ² (2.1)
Où N est le nombre total des intervalles R-R, 𝑅𝑅𝑖 est le ième intervalle RR
• RMSSD
La moyenne quadratique des différences successives entre les battements cardiaques normaux
(RMSSD) est obtenue en calculant d'abord chaque différence de temps successive entre les
battements cardiaques en ms. Ensuite, chacune des valeurs est mise au carré et le résultat est
moyenné avant d'obtenir la racine carrée du total. Le calcul du RMSSD est donné par l’équation
(2.2).
1
𝑅𝑀𝑆𝑆𝐷 = √𝑁−1 ∑𝑁
𝑖=1(𝑅𝑅𝑑𝑖𝑓𝑓𝑖) ² (2.2)
Où N est le nombre total de la différence entre les RR successives, 𝑅𝑅𝑑𝑖𝑓𝑓𝑖 la différence entre
deux intervalles RR successives.
• NN50
Le nombre d'intervalles RR adjacents qui diffèrent les uns des autres de plus de 50 ms. Le calcul
de NN50 est donné par l’algorithme suivant :
𝐼𝑛𝑝𝑢𝑡 ∶ 𝐿𝑖𝑠𝑡 𝑜𝑓 𝑅𝑅 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙
𝑁𝑁50 ← 0
𝐹𝑜𝑟 𝑖 = 0 𝑡𝑜 𝑙𝑒𝑛𝑔𝑡ℎ(𝑅𝑅) ∶
𝑖𝑓 |𝑅𝑅𝑗+1 − 𝑅𝑅𝑗 | > 50 ∶
𝑁𝑁50 ← 𝑁 + 1 ;
𝑅𝑒𝑡𝑢𝑟𝑛 𝑁𝑁50 ;
Page | 20
• pNN50
Le pourcentage d'intervalles RR adjacents qui diffèrent les uns des autres de plus de 50 ms, il
est déterminé à travers la division de NN50 par le nombre total d’intervalles RR. Le calcul de
pNN50 est donné par l’équation (2.3)
𝑁𝑁50
𝑝𝑁𝑁50 = 𝐿𝑒𝑛𝑔𝑡ℎ(𝑅𝑅) (2.3)
2.3 Base de données

Pour ce travail nous avons utilisé la base de données en libre accès intitulée "Post-Ictal Heart
Rate Oscillations in Partial Epilepsy" (PIHROPE). Elle comprend les signaux ECG de 7
patients (2 hommes et 5 femmes) âgés de 31 à 48 ans, où un total de 10 crises d'épilepsie
enregistrées pendant leur surveillance. Il convient de noter qu'une équipe d'experts en
cardiologie a confirmé que les patients participant à l'étude ne présentaient pas de signes
cliniques de maladie cardiaque et qu'ils présentaient des crises partielles avec ou sans
généralisation secondaire à partir de foyers frontaux ou temporaux.[14]
Dans la base de données utilisé il est possible de trouver deux patients ont souffert de plus d'une
crise épileptique à savoir les patients n° 2, n° 3 et n° 6) au cours de leur suivi comme illustré
dans le tableau 1.
Tableau 1 : L'heure de début des crises enregistrée pour chaque patient.
Les signaux d'électrocardiogramme examinés dans ce travail ont été surveillés pendant 3 h en
moyenne en utilisant une fréquence d'échantillonnage de 200 Hz.
Pour mieux comprendre la différence entre les cas épileptiques et ceux qui ne sont pas
épileptique on a observé les enregistrements de chaque cas. La Figure 12 présente un
Page | 21
enregistrement du rythme cardiaque pour un patient. La Figure (a) présente l’enregistrement

d’un patient qui n’a pas une crise, la Figure (b) présente l’enregistrement d’un patient qui ait
une crise.
(a) pas de crise. (b) crise.
Figure 12 : Deux signaux de la base de données
2.4 Algorithme de détection des crises par l’analyse de HRV

Dans ce paragraphe nous présentons l’algorithme de détection des crises par l’analyse de HRV,
la figure.13 présente les différentes parties de notre algorithme qui seront expliquées dans la
suite.
Figure 13 : Algorithme de détection de la crise épileptique
Page | 22
2.4.1 Etude de l’algorithme de détection

Dans ce paragraphe nous étudions d’une manière explicative les différentes parties de
l’algorithme de détection de la crise épileptique.
• Segmentation
La partie de segmentation consiste à segmenter le signal ECG en des fenêtres utilisant la fenêtre
rectangulaire glissante. La durée de cette fenêtre est de 10 secondes, soit 2000 échantillons,
sachant que la fréquence d’échantillonnage est de 200 Hz comme montre la figure 14.
Figure 14 : Segmentation du signal ECG
• Détection des pics R
La détection des pics R consiste à localiser la plus grande valeur dans le signal segmenté
supérieur au moyen local.
Figure 15 : Détection des pics R.

La Figure 15 illustre la détection des pics R présentés par les points rouges. Le principe de cette
partie est de faire un moyen local pour chaque fenêtre présentée par la ligne verte dans la figure
Page | 23
15 et pour que nous garantit que la détection ne détecte pas de faux pics on a ajouté un seuil de
20% à la valeur de moyen local.
• Détermination des intervalles R-R
Après la localisation des pics R, les positions de ces derniers sont enregistrées dans un tableau
sous python qui nous permet de calculer la distance entre chaque deux points successifs.
Figure 16 : Détermination des pics R

Le calcul des intervalles RR présentés dans la figure 16 se fait par l’équation (2.5).
𝑅𝑅𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 = 𝑅ⱼ₊₁ − 𝑅ⱼ (2.5)
Les intervalles RR obtenus sont encore enregistrés pour déterminer les différentes
caractéristiques.
• Extraction des caractéristiques
Afin d’enregistrer les intervalles RR dans la partie précédente, on peut maintenant faire
l’extraction des caractéristiques de HRV à travers les équations (2.1), (2.2) et (2.3) présentées
dans la partie 2.2.
Les caractéristiques à déterminer sont :
➢ La moyenne de tous les intervalles R-R de chaque segment (RR_mean)
➢ L’écart type des intervalles R-R (SDNN)
➢ La moyenne quadratique des différences successives entre les battements cardiaques

(RMSSD)
Page | 24
➢ Le nombre d'intervalles RR adjacents (NN50)
➢ Le pourcentage d'intervalles RR adjacents (pNN50)
➢ Le nombre de battements par minute (Bpm).
• Analyse de l’HRV
Pour la parie d’analyse de HRV nous faisons l’extraction des caractéristiques pour tous les
patients de la base de données dans le cas où il n’y a pas de crise et celle où il y a la crise.
La figure 17 représente un histogramme qui montre la différence entre la valeur moyenne des
intervalles R-R une minute avant la crise et pendant la crise pour tous les 7 patients.
Valeurs moyennes de R-R
1000
800
600
400
200
0
SZ01 SZ02 SZ03 SZ04 SZ05 SZ06 SZ07
Une minute Avant la crise Pendant la crise La deuxième crise
Figure 17 : Valeurs moyennes des intervalles RR
La figure 17 illustre que les valeurs moyennes des intervalles RR une minute avant la crise pour
les 7 patient et entre 750 ms et 1021 ms qui sont des valeurs normales pour un rythme cardiaque
sain, mais on remarque bien lorsqu’on a une crise les valeurs moyennes des intervalles RR
démunies d’une manière remarquable et prennent des valeurs inférieures à 600 ms.
Par la suite l’histogramme présenté dans la figure 18 montre la différence entre le nombre de
battements par minute (BPM) une minute avant la crise et pendant la crise pour tous les patients.
Page | 25
Nombre de battement par minute (Bpm)

180
160
140
120
100
80
60
40
20
0
SZ01 SZ02 SZ03 SZ04 SZ05 SZ06 SZ07
Une minute Avant la crise Pendant la crise La deuxième crise
Figure 18 : Nombre de battements par minute.

La figure 18 illustre que le BPM (battement par minute) une minute avant la crise pour les 7
patient et entre 60 bpm et 85 bpm qui sont des valeurs normales pour un rythme cardiaque sain,
mais on remarque bien lorsqu’on a une crise une augmentation anormale s’effectuer pour ces
valeurs et prennent des valeurs entre 115 bpm et 175 bpm.
• La classification
La classification consiste à la détection de la crise. Cette détection est basée sur deux
caractéristiques qui sont le nombre de battements par minute (BPM) et la valeur moyenne des
intervalles RR.
Les deux histogrammes présentés dans les deux figures fig.17 et fig.18, les études et les
recherches réalisées sur la détection de l’épilepsie à travers l’ECG et la variabilité de rythme
cardiaque (VRC) [15], montrent que pendant la crise, le nombre de battements par minute est
supérieur à 100 et que la valeur moyenne des intervalles R-R est inférieure à 600 ms.
Sur ce principe nous faisons un algorithme qui prend la décision entre l’existence d’une crise
épileptique dans un signal ECG ou non.
On désigne la présence d’une crise dans l’algorithme par ‘’ 1 ‘’ et par ‘’ 0 ’’ un signal ECG
sain.
Page | 26
La fig.19. (a) montre le cas où il n’y a pas une crise et la fig.19. (b) le cas où il y a la crise.
(a) Pas de crise. (b) Crise.
Figure 19 : Détection de la crise
2.4.2 Calcul des performances

Pour évaluer la performance da la détection, les évènements des crises détectés doivent être
comparés à ceux marqués visuellement par les experts dans la base de données. Dans cette étude
nous avons utilisé 3 métriques couramment utilisées :
➢ Sensibilité : la sensibilité (𝑆𝑒) est la probabilité qu'un test réalisé sur un segment
contient une crise se révèle positif, autrement dit que le test soit positif sachant que
segment contient la crise. Pour calculer la sensibilité il faut appliquer l’équation (2.6)
𝑉𝑃
𝑆𝑒 = (2.6)
𝑉𝑃+𝐹𝑁
Où VP est le nombre de Vrais Positifs, VN est le nombre de Vrais Négatifs.
➢ Spécificité : la spécificité (𝑆𝑝) est la probabilité qu'un test réalisé sur un segment sain
se révèle négatif, autrement dit que le test soit négatif sachant que le segment n'est
contenu pas une crise. L’expression de la spécificité est donnée par l’équation (2.7) :
𝑉𝑁
𝑆𝑝 = (2.7)
𝑉𝑁+𝐹𝑃
Où FP est le nombre de Faux Positifs et FN est le nombre de Faux négatifs.
Page | 27
➢ Précision : la précision (Pr) est l'un des critères permettant d'évaluer les modèles de
classification. Dans notre cas nous avons utilisé une classification binaire, donc la
précision est donnée par l’équation (2.8) :
𝑉𝑃+𝑉𝑁
𝑃𝑟 = (2.8)
𝑉𝑃+𝑉𝑁+𝐹𝑃+𝐹𝑁
Par la suite nous allons présenter les résultats obtenus présenté dans le tableau 2 qui contient le
début de la crise et le nombre de segment épileptique pour chaque patient et d’une autre part
les résultats trouvées par l’algorithme de détection.
Nous avons conservé les noms des patients épileptiques dans le tableau 2 comme il est indiqué
dans la base de données.
On note :
✓ SZ01 la première crise patient 1.
✓ SZ02-1 pour la première crise du patient 2.
✓ SZ02-2 la deuxième crise pour le patient 2.
✓ SZ03-1 pour la première crise du patient 3.
✓ SZ03-2 la deuxième crise pour le patient 3.
✓ SZ04 pour la crise du patient 4.
✓ SZ05 pour la crise du patient 5.
✓ SZ07 pour la crise pour du patient 7.
Page | 28
Tableau 2: les résultats de la détection
Le début de crise Début de crise Le nombre de Le nombre de

segments segments d’après
Patient D’après la D’après
d’après
L’algorithme
Description L’algorithme
La Description
(H : M : S) (H : M : S)
SZ01 00:14:36 00:14:39 10 13
SZ02-1 01:02:43 01:02:33 6 9
SZ02-2 02:55:51 02:55:40 3 5
SZ03-1 01:24:34 01:24:23 11 12
SZ03-2 02:34:27 02:34:27 12 12
SZ04 00:20:10 00:20:15 10 11
SZ05 00:24:07 00:24:17 8 10
SZ07 01:08:02 01:08:01 9 12
Le tableau 2 illustre les valeurs trouvées pour les débuts de la crise et le nombre des segments
épileptiques par l’algorithme et les valeurs données par les experts de la base de données. Pour
les débuts de la crise on trouve dans des cas (SZ02 et SZ03-2) que l’algorithme détecte les
Page | 29
débuts de la crise avant 10 seconds de celui mentionné dans la base de données, et un second
avant pour le patient SZ07. On détecte aussi après 3 seconds du début de la crise pour le patient
SZ01 et 10 seconds pour le patient SZ05 et dans le même instant pour la deuxième crise du
patient SZ03.
Pour le nombre des segments épileptiques détectés on trouve que pour la plupart des patient, le
nombre détecté par l’algorithme est supérieur à celui donné par la description de la base de
données (voir le tableau 2).
Les performances de cet algorithme sont situées dans le tableau 3.3 ci-dessous.
Tableau 3 : Les performances de détection
Sensibilité Précision Spécificité
84.2 % 80,67 % 79.86 %
D’après le tableau 3 ces performances de détection sont faibles devant les autres modalités de
détection des crises épileptiques, et ne répondent pas à nos besoins.
Pour améliorer ces résultats de performances nous avons gardé le même type de la fenêtre mais
on a changé la durée, de 10 secondes à 30 secondes avec un chevauchement de 80%.
Les nouveaux résultats sont présentés dans le tableau 4.
Page | 30
Tableau 4 : les résultats de la détection avec un chevauchement dans la segmentation.
Le début de crise Début de crise Le nombre de Le nombre de

segments d’après
Patient D’après la D’après segments
L’algorithme D’après L’algorithme
Description
(H : M : S) La Description
(H : M : S)
SZ01 00:14:36 00:14:35 17 19
SZ02-1 01:02:43 01:02:36 11 13
SZ02-2 02:55:51 02:55:47 5 6
SZ03-1 01:24:34 01:24:26 19 20
SZ03-2 02:34:27 02:34:27 18 18
SZ04 00:20:10 00:20:14 19 21
SZ05 00:24:07 00:24:13 15 17
SZ07 01:08:02 01:08:01 16 18
D’après le tableau 4 on peut remarquer, que la détection de début de la crise est améliorée avec
la segmentation avec chevauchement, et d’une part on remarque une amélioration pour le
Page | 31
nombre des segments épileptiques détectés par apport au celle qui décris dans la description de
la base de données.
Les performances sont présentes dans le tableau 5.
Tableau 5 : les performances de détection avec un chevauchement dans la segmentation.
90.75 % 90.25% 89.57 %
Les résultats de performances obtenus par la segmentation sans chevauchement et par

chevauchement sont présentés par le diagramme de la Figure 20.
100
90
80
70
60
50
40
30
20
10
0
Segmentation Sans chevauchement Segmentation Avec chevauchement
Figure 20 : Diagramme des performances des deux cas de segmentation

D’après ce diagramme on peut conclure que les valeurs de la sensibilité, la précision et la
spécificité augmentent de 10 % dans le cas où on a utilisé une segmentation avec
chevauchement.
Page | 32
2.5 Conclusion
Dans ce chapitre, les informations sur notre base de données ont été présentées, puis les étapes
de préparation et de prétraitement des données ont été introduites. Par la suite, les
caractéristiques (features) les plus adaptées dans le contexte de détection des crises épileptiques
ont été extraites. Enfin la segmentation du signal en 10 secondes par une fenêtre rectangulaire
glissante sans chevauchement donne une Sensibilité de 84.2%, une Précision de 80.67% et une
Spécificité de 79.86%.
Nous avons ensuite étudié la détection des crises épileptiques en nous basant sur une
segmentation de 30 secondes par une fenêtre rectangulaire glissante avec chevauchement avec
le même type de fenêtre qui nous donne une Sensibilité de 90.75%, une Précision de 90.25 %
et une Spécificité de 89.57 %
Page | 33
3.Chapitre 3 : Architecture du bracelet

connecté et étude du réseau
Page | 34
3.1 Introduction
Plusieurs projets sont proposés dans le domaine de l'industrie médicale, parmi eux, le projet
Bracelet connecté qui vise à la prédiction des crises épileptique via des capteurs et des cartes.
Dans ce cadre s'inscrit le contexte général de notre système.
L'un des problèmes médicaux, très courant et nécessitant un suivi régulier, est la fréquence
cardiaque. La fréquence cardiaque désigne le nombre de battements du cœur par minute (BPM).
Cette activité électrique peut être enregistrée sous forme d'ECG ou d'électrocardiogramme.
Grace à cet enregistrement se fait la prédiction d’épilepsie par des algorithmes bien déterminés.
Notre système consiste en un nœud émetteur les capteurs et une carte qui transmet les données
relatives à la position et à l'état des personnes à une station de base (Gatway) via trois
technologies, Wifi, BLE et LoRa. Cette Gatway utilise ensuite le protocole MQTT pour
interagir avec l'environnement de surveillance avant qu’une crise épileptique soit survenue, ceci
nécessite une amélioration du réseau LoRa avec de protocole Listen Before Talk (LBT) pour
avoir une bonne transmission de donnée rapide et régulière.
3.2 Architecture du système

L’architecture du réseau du bracelet est décrite dans la figure 21 ci-dessous. Il s'agit d’un
bracelet connecté spécialement conçu pour la prédiction des crises d’épilepsie en transmettent
les données relatives à l'état des personnes épileptiques (suivi GPS, détection de rythme
cardiaque) via trois liens de communication radio : WiFi, BLE et Lora.
Figure 21 : Architecture de réseau du bracelet
Page | 35
Ces technologies peuvent être utilisées simultanément, ou indépendamment, suivant les besoins
et les situations :
• WiFi : offre l’accès au réseau IP sans contrainte de rapport cyclique, avec un débit de
l’ordre du Mb/s sur une portée de quelques dizaines de mètres. Elle est la plus coûteuse
des 3 technologies en termes d’énergie. Cette technologie sera préférée lors des
échanges, éventuellement bidirectionnels, de grosses quantités de données, en IP, afin
d'accéder éventuellement à Internet ou au LAN de l'habitat [16].
• BLE : offre un débit plus faible sur une portée de quelques mètres. Avoir une liaison
BLE activée va permette des échanges à moyen débit avec une application dédiée dans
le Smartphone, ou éventuellement avec une passerelle BLE dans l’habitat ou associée à
des équipements dans une ville intelligente comme des ascenseurs, des portes de bus…
Sa faible consommation lui permet d'être allumée en permanence sans nuire à la durée
de vie de la batterie embarquée dans le bracelet qui doit au moins durer une journée
(recharge nocturne) [16].
• LoRaWAN : afin d’assurer une connectivité permanente, en dehors de la couverture

Wi-Fi et BLE (si la personne n’a pas de Smartphone par exemple, ou si on limite
l’utilisation du partage de connexion Internet à cause du coût des forfaits 4/5G), il
semble indispensable de prévoir une liaison LPWAN (Low Power Wide Area Network)
de type LoRaWAN. Nous avons envisagé d’étendre ces simples liaisons sans fil entre
Bracelet et nœud LoRa, en rendant compatible le bracelet avec LoRaWAN, et donc en
rajoutant la partie WAN Internet aux liens sans fil. Nous imaginons alors d’installer au
moins une Gateway LoRaWAN (passerelle) chez le particulier. Cette Gateway offrira
une zone de couverture radio de plusieurs centaines de mètres, voir même plusieurs
kilomètres de rayon. La connexion de cette passerelle à Internet permettra de propager
les messages issus du bracelet sur des services distants, sur le cloud, vers des centres de
surveillance médicale, vers le personnel soignant, le médecin, la famille, en fonction
des choix de la personne épileptique. Les informations pourront être visualisées sur
ordinateur, tablette, Smartphone… LoRaWAN impose dans la bande 866 MHz des
contraintes en termes de rapport cyclique d’émission (généralement 1% du temps). La
figure 22 explique le lien LoRaWAN [17].
Page | 36
Figure 22 : Le lien LoRaWAN du bracelet
En fait, le système conçu est conçu de manière à permettre aux utilisateurs de visualiser l’état
de rythme cardiaque afin de prédire les crises épileptiques et d’être prêt pour détecter le
problème avant qu’il se produise.
3.2.1 LoRaWAN
LoRaWAN fonctionne dans le spectre radio sans licence dans les bandes industrielles,
scientifiques et médicales (ISM) avec des fréquences porteuses et des configurations de
paramètres PHY spécifiques à la région. Il se caractérise par une topologie en étoile sans
association dans laquelle les terminaux utilisent une transmission sans fil à spectre étalé à un
saut radio pour atteindre une ou plusieurs passerelles qui relayent les messages vers un serveur
réseau central dans le backend. La couche physique LoRaWAN est basée sur Long Range
(LoRa TM), une technique de modulation propriétaire Chirp Spread Spectrum (CSS) développée
par Semtech.
La portée et la consommation d'énergie des terminaux dépendent de l'efficacité du système de

contrôle d'accès au support (MAC) et de quatre paramètres au niveau de la couche physique :
- la bande passante du canal (BW), qui définit l'amplitude dans le domaine fréquentiel du canal
utilisé.
- le facteur d'étalement (SF).
- le taux de codage (CR), qui définit la redondance de la correction d'erreur directe (FEC)
éventuellement ajoutée aux messages LoRa.
Page | 37
- la puissance d’émission (Pt x). [18]
3.2.1.1 L’intérêt du SF de LoRa (Spreading Factor)

La portée d’une communication LoRa est déterminée par sa bande passante, la puissance de
sortie du signal ainsi que par le facteur d’étalement utilisé – Spreading Factor (SF), qui indique
« de combien » le signal de référence est étalé dans le temps (plus le SF est élevé, plus la portée
de transmission est longue mais aussi plus le taux de transmission est faible).
Figure 23 : Impact du facteur d’étalement sur la portée et le débit. [19]

Un réseau LoRaWAN, s'appuyant sur une modulation LoRa dans la bande de fréquence de 868
MHz, supporte 6 facteurs d'étalement (SF7, SF8, SF9, SF10, SF11, SF12) comme le montre le
schéma ci-dessus. Sachez que l'orthogonalité des SF permet la réception de plusieurs signaux
en parallèle sur le même canal. Par défaut, le réseau doit au minimum supporter les trois canaux
suivants (de 125 KHz de bande passante chacun) : 868,10 ; 868,30 et 868,50 MHz.
3.2.1.2 Le Rapport cyclique

C’est la portion de temps pendant laquelle un dispositif peut émettre. En LoRa, il est calculé
sur une heure glissante et exprimé en pourcentage.
Page | 38
Figure 24 : rapport cyclique en fonction des différentes fréquences [20].

Un duty cycle de 1% veut donc dire que pendant les 3600 dernières secondes, un dispositif ne
doit jamais avoir émis pendant plus de 36 secondes au total. La règle de base en LoRa, de fait,
est un duty cycle de 1%.
3.2.1.3 Le niveau MAC de LoRaWAN

Le niveau MAC définit trois classes d'équipements terminaux : Les équipements de classe A
transmettent en liaison montante en utilisant par défaut un protocole d'accès aléatoire simple basé
sur ALOHA et ne peuvent recevoir du trafic en liaison descendante qu'après une transmission en
liaison montante. Les appareils de classe B peuvent se réveiller périodiquement pour recevoir le
trafic de données de liaison descendante programmé. Les appareils de classe C écoutent en continu
et sont généralement alimentés par le secteur. Les appareils de classe A sont, à l'heure où nous
écrivons, ceux qui existent le plus sur le marché. [18]
Page | 39
Figure 25 : fonctionnement des différentes classes de niveau MAC.
3.2.2 Le protocole MQTT

MQTT est un protocole léger qui permet de s’abonner à des flux de données. Plutôt que
l’architecture Client / Serveur classique qui fonctionne avec des Requêtes / Réponses, MQTT
est basé sur un modèle Publisher / Subscriber. Une donnée sera donc directement transmise au
Subscriber dès lors que celle-ci a été reçue dans le Broker (serveur central).
Page | 40
Figure 26 : Modèle Publisher / Subscriber du protocole MQTT [21].
3.2.2.1 Mise en place d’un broker MQTT

Afin de bien comprendre le fonctionnement du protocole de MQTT, on a réalisé un test.
Le Broker MQTT est commun à tout le monde. Nous pouvons soit le réaliser nous-même, soit
utiliser un Broker MQTT public de test. Nous utiliserons le Broker de test de Mosquitto.
Nous allons mettre en place :
■ Un Broker : Mosquitto
■ Un client Publisher : MQTT Box sur Windows
■ Un client Subscriber : MQTT Dashboard sur Android.
Page | 41
Figure 27 : Test du protocole MQTT
❖ 1ère étape : Mise en place d’un Publisher et d’un Subscriber MQTT

➢ Lancer le logiciel MQTTBox.
➢ MQTTBox > Create MQTT Client.
➢ Dans ce client les seuls champs indispensables sont :
• Protocol: MQTT /TCP
• Host: test.mosquitto.org
➢ On va tester l’envoi et la réception par un valeur de température.
Figure 28 : Mise en place d’un Publisher et d’un Subscriber MQTT
Page | 42
❖ 2ème étape : Création d’un client MQTT (Subsciber) :
➢ Lancer l’application Mqtt Dashboard sur Android.
➢ Mqtt Dashboard > Gérer les brokers.
➢ Dans ce champ, il faut indiquer :
• Nom du broker.
• Adresse TCP//.
• Le Port.
➢ Modifier l’interface d’envoie en choisissant :
• Nom de sujet à envoyer.
• Le Topic d’abonnement.
Figure 29 : Création d’un client MQTT (Subsciber)
• 3ème étape : Envoie d’un message
➢ Envoyer un message « température 25 » de MqttBox sur Windows vers

L’application Mqtt Dashboard sur le Smartphone.
Page | 43
Figure 30 : Envoie d’un message par MQTTBox
• 4ème étape : Reçu de message
➢ Dans le journal d’évènement, on trouve « Reçu température 25 depuis

mosquito public. »
Figure 31 : Reçu de message dans MqttDashboard.
Page | 44
Une nouvelle architecture de réseau a été proposée pour notre bracelet connecté. Ce dernier
peut fonctionner à travers trois technologies de communication différents Wifi, BLE, LoRa.
Ensuite il y a une étude de protocole MQTT. Pour mieux comprendre ce protocole un test avec
le broker public « Mosquitto » a été établie en envoyant et recevoir un simple message. Le
résultat obtenu explique bien le modèle Publisher / Subscriber sur lequel se base ce protocole.
Après l’étude d’architecture réseau du bracelet, la suite sera concentrée sur le côté matériel de
notre système.
3.3 Matériels et méthodes
3.3.1 Nœud émetteur du bracelet

Le nœud émetteur est responsable de la collecte des données relatives au bracelet (la position
de la personne et l’alerte en cas de crise épileptique) ainsi que de la transmission de ces données.
À cet effet, un capteur ECG et un module GPS Adafruit Ultimate, ainsi que la carte ESP-32 et
un module radio RFM95 (module d’émetteur-récepteur LoRa) sont utilisés pour les fins de
transmission de données. Ces éléments sont entièrement alimentés par une petite batterie LiPo.
L'architecture détaillée du nœud est illustrée à la fig.32.
Figure 32 : Architecture du nœud émetteur du bracelet
Page | 45
3.3.1.1 Capteur de fréquence cardiaque

• Capteur de pouls peut être placé sur la main, via une ligne interconnectée peut
être connecté à l'Arduino, pour évaluer la fréquence cardiaque.
• Diamètre : 16 mm.
• Longueur d'onde LED : 609 nm
• La tension d’alimentation : 3.3V ~ 5 v
Figure 33 : capteur de fréquence cardiaque.

3.3.1.2 Module GPS Adafruit
Le module GPS est construit autour du chipset MTK3339, un module de grande qualité qui
peut suivre jusqu’à 22 satellites sur 66 canaux, avec une haute sensibilité (suivi à -165 dBm )
et d’un capteur intégré.
Figure 34 : Module GPS Adafruit
Page | 46
3.3.1.3 La carte ESP-32

ESP-32 est une Carte de développement Wi-Fi double mode 2,4 GHz + Bluetooth. Elle est de
très faible consommation d'énergie, et fonctionne parfaitement avec l'Arduino IDE. Cette carte
Prend en charge le protocole LWIP, Freertos. De plus, elle prend en charge trois modes : AP,
STA, et AP + STA. ESP32 est sûr, fiable et évolutif pour une variété d'applications.
Figure 35 : La carte ESP-32.

3.3.1.4 Module LoRa RFM95
Le RFM95 est un module LoRa à utiliser avec Arduino / ESP32 / Raspberry Pi et bien d'autres.
Dans des conditions idéales, on peut obtenir des portées jusqu'à 2km+ tout en ayant une faible
consommation d'énergie.
Il est équipé du modem longue portée LoRa qui fournit une communication à spectre étalé à
ultra longue portée et une grande immunité aux interférences.
En utilisant la technique de modulation LoRa™ brevetée, le RFM95 peut atteindre une

sensibilité de plus de -148dBm en utilisant un cristal et une nomenclature à faible coût.
La haute sensibilité combinée à l'amplificateur de puissance intégré de +20 dBm permet

d'obtenir un budget de liaison de premier ordre, ce qui le rend optimal pour toute application
nécessitant une portée ou une robustesse.
Page | 47
Figure 36 : Module LoRa RFM96
3.3.2 Station de base

En ce qui concerne la station de base, elle consiste en une carte ESP-32 équipée d’un module
LoRa RFM95 utilisé comme passerelle LoRa.
Les spécifications techniques de ces deux éléments sont déjà illustrées dans le paragraphe
précédent.
❖ Circuit de station de base

Voici un circuit de passerelle ESP32 LoRa Module RFM95. Cette partie fonctionne comme un
récepteur. En premier lieu, Le bracelet transmet les données du capteur de rythme cardiaque et
la position indiquée par le GPS à la station de base via LoRa. En second lieu, la station de base
transmet ces données via MQTT à un sujet spécifique pour être traiter.
Figure 37 : Câblage de circuit de station de base [22].
Page | 48
Voici les connexions entre le module émetteur-récepteur RFM95 LoRa et l'ESP32 :

• ANA : Antenne
• GND : GND
• DIO3 : ne pas se connecter
• 3,3 V : 3.3V
• DIO0 : GPIO 2
• GND : ne pas se connecter
• RÉINITIALISER : GPIO 14
• NSS : GPIO 5
• SCK : GPIO 18
• MOSI : GPIO 23
• MISO : GPIO 19
• GND : ne pas se connecter
Nous avons détaillé l’architecture du bracelet avec ses différents composant, qui sont
responsables à la collecte des données (fréquence cardiaque et position GPS) et les envoyés à
la station de base. Cette dernière consiste en une carte ESP32 avec un module LoRa RFM95.
Son circuit de câblage aussi a été bien expliqué avec un schéma détaillé. Passant alors à l’étude
de communication entre ces deux parties.
3.3.3 Communication entre bracelets et station de base

L'émetteur positionné au bracelet est programmé pour envoyer des données à la station de base
au moyen de LoRa.
La transmission radio, comme le suppose notre étude de cas, applique une bande de fréquences
à 866 MHz.
Page | 49
❖ Débit de données
➢ Théorème de Shannon
En théorie de l'information, le deuxième théorème de Shannon dit de codage de canal montre

qu'il est possible de transmettre des données numériques sur un canal même bruité presque sans
erreur à un débit maximum calculable.
La limite ou capacité de Shannon d'un canal est le débit théorique maximal de transfert
d'information sur ce canal pour un certain niveau de bruit.
Figure 38 : Signal ECG
• 2000 échantillons dans 10 sec Fe=200 Hz

• Pour une carte Esp32, un convertisseur ADC = 12 bits
Alors le débit de transfert est :
12*200 = 2,4 Kb/s
3.4 Amélioration de réseau LoRa par le Protocole Listen Before Talk

(LBT)
Les protocoles LoRaWAN standards utilisent une MAC ALOHA pur au niveau de la couche
de contrôle d'accès au support, ce qui s'avère être un goulot d'étranglement en termes de
performance lorsque la taille du réseau augmente. C’est expliquer par le fait que La technologie
Page | 50
LoRa est destinée aux applications de réseau étendu basse consommation (LPWAN). Elle
affiche une portée de plus de 15 kilomètres et une capacité jusqu'à 1 million de nœuds. La
combinaison de la faible consommation et de la longue portée limite le débit de données
maximal à 50 kilobits par seconde (Kbps). De plus, il est impossible à cause du rapport cyclique
de 1% d’émettre à 2.4 Kbits/s. Stimulé par ce fait, il faut étudier une nouvelle couche MAC
offrant plus de débit et n’étant plus contrainte par le rapport cyclique de 1%. La norme
Subgigahertz permet en effet si on n’émet pas sur un médium occupé, de ne pas être contraint
par ce rapport cyclique. L’idée est donc de se baser sur le protocole Listen Before Talk (LBT)
dans le contexte des LoRaWAN [23].
Nous allons donc dans les parties suivantes étudier les MAC adaptées à ce principe.
3.4.1 Carrier Sense Multiple Access (CSMA) - Évitement de coalition

Carrier Sense Multiple Access (CSMA) est une technique de couche MAC qui peut être utilisée
au-dessus de LoRa. Dans le CSMA, avant l'envoi, les noeuds vérifient s'il y a des activités de
canal qui se déroulent dans le canal. Cette méthode est également appelée Listen Before Talk
(LBT). Si des transmissions se produisent dans le canal, l'appareil annule l'envoi du paquet,
puis attend un temps aléatoire avant de vérifier toute autre transmission dans le canal.
La figure 39 explique ce processus de travail CSMA où, dans le canal 1, l'appareil vérifie le
Clear Channel Access (CCA). Comme il n'y a pas d'autres paquets dans le canal 1, le paquet
sera transmis avec succès à la passerelle. Dans le canal 2, l'appareil recherche le CCA mais
détecte que le canal est occupé, il interrompt donc la transmission pendant un intervalle de
temps aléatoire et vérifie le canal pour le CCA par la suite. [24]
Page | 51
Figure 39 : Processus de travail LoRaWAN-CSMA [24].

❖ Adaptation du protocole 802.11
Vers un protocole CSMA pour LoRa, on adapte le protocole 802.11 CSMA et non le protocole
802.15.4, bien que 802.15.4 soit largement utilisé dans la mise en œuvre WSN et au début de
l'IoT, pour 2 raisons :
• La première raison est que l'architecture du réseau LoRa est principalement une
topologie en étoile à saut unique allant des appareils à la passerelle, ce qui est très
similaire à la topologie WiFi avec une station de base. Par conséquent, le concept et
la gestion du temporisateur d'interruption aléatoire du 802.11 après un canal occupé
semblent efficaces pour un tel environnement.
• La deuxième raison pour ne pas partir du 802.15.4 vient de sa méthode initiale

d'attente aléatoire sans écoute de canal qui est plus adaptée aux réseaux à faible
densité qu'aux réseaux à haute densité ce qui sera certainement le cas pour les
réseaux LoRa [25].
➢ IEEE 802.15.4
Plus proche du domaine de l’IoT, très populaire pour les réseaux de capteur sans fil (WSN),
propose à la fois un mode sans balise avec mécanisme d'accès au canal CSMA/CA non slotté
et des réseaux avec balise avec CSMA/CA slotté. Ici, nous décrivons le mode sans balise car la
balise a besoin d'un coordinateur pour être émise et d'un niveau de synchronisation plus élevé
qui n'est certainement pas adapté aux réseaux LoRa IoT [26].
Page | 52
3.4.2 Les algorithmes de récepteur/ émetteur pour le protocole LBT

3.4.2.1 Algorithme de récepteur
Le récepteur se met en écoute, il attend la réception, s’il y a reçu une trame, le récepteur envoie
un ACK et retourne à l’écoute de nouveau. S’il n’y a pas reçu de trame, on revient à l’attende
de réception.
Figure 40 : Algorithme de réception

3.4.2.2 Algorithme de l’émetteur
On commence par l’écoute de réseau, si le canal est non libre on attend un temps aléatoire 1
puis on commence à réécouter. Si le canal est libre, il y a émission de donnée et en même temps,
il faut armer un chien de garde (cdg). On attend durant un délai maximum lié à ce chien de
garde, si on a reçu durant cette attente un ACK, c’est qu’il n’y a pas de collision, on annule le
cdg et on a alors succès de transmission de données.
Si le cdg expire sans avoir reçu l’ACK, on considère qu’il y a eu collision, on attend un temps
aléatoire pour désynchroniser les concurrents et on retente depuis le début (en ayant incrémenté
un nombre de tentative, si le nombre dépasse une limite, on abandonne et la transmission de
données sera échouée).
Page | 53
Figure 41 : Algorithme d’émission

➢ Pour implémenter et faire un premier test de ces algorithmes, on va utiliser le
simulateur « CupCarbon ».
3.4.3 Le simulateur CupCarbon

CupCarbon est un simulateur WSN open source qui permet aux utilisateurs de vérifier de
nouvelles idées et de comparer les futures solutions proposées dans un environnement virtuel
plus réaliste pour les applications de réseau de capteurs sans fil. Ce simulateur fonctionne sous
l'environnement Java et peut être téléchargé sur Internet. Il prend en charge les modèles
d'interférence de communication sans fil et les modèles de propagation du signal comme les
modèles gaussiens et alpha-stables [26].
Page | 54
3.4.3.1 Caractéristique de CupCarbon

• CupCarbon propose un Framework de simulation multi-agents.
• Il nous permet d'exécuter des simulations et de surveiller différents événements

et changements au fil du temps.
• Il fournit l'intégration d'environnement d'OpenStreetMap, qui offre une interface

numérisée et un référentiel de données de géolocalisation telles que les rues, les
positions des logements, etc.
• CupCarbon nous permet de configurer n'importe quel agent système virtuel sans
utiliser de programmation de bas niveau. Les agents système pour scripter leurs
interactions peuvent être connectées à des fichiers de script. [26]
3.4.3.2 Environnement CupCarbon

▪ CupCarbon (GUI) est composé des parties suivantes :
▪ Carte
▪ Barre de menu
▪ Barre d'outils
▪ Menu Paramètres
▪ Barreau d'État
▪ Console
Page | 55
Figure 42 : Interface graphique de CupCarbon [26].
3.4.4 Test sur le simulateur CupCarbon

Comme une première étape, nous faisons des tests simples sur CupCarbon afin de mieux
comprendre son comportement et les style de scripts qu’il accepte.
3.4.4.1 Test 1
Après réglage des différents paramètres sur le simulateur tel que les paramètres radios (LoRa,
Wifi…) et les paramètres de simulations (temps de simulation…), on choisit des nœuds simples,
un récepteur et deux émetteurs, présenté dans la figure 34. On commence par un envoi d’un
simple message « Hello Word ».
Page | 56
Figure 43 : Simulation de 1er cas.

On a remarqué qu’il y a transmission de message des deux émetteurs en même temps. Dans ce
cas on ne peut pas vérifier s’il y a des collisions dans le réseau ou non vu que les deux émetteurs
transmettent les données en même temps sans l’un écoute l’autre c’est à dire il n’y a pas
vérification si le canal est libre ou non.
Voici les deux scripts implémentés dans les nœuds :
Figure 44 : Scripts implémentés dans les nœuds.
Page | 57
3.4.4.2 Test 2 :
Dans un deuxième test, on va utiliser des nœuds IOT qui peuvent être codés en scripts Python.
La figure 45 présente ces nœuds.
On commence tout d’abord par un test simple sur les nœuds ; avec émission d’une variable. On
remarque que le récepteur reçoit un message de deux émetteurs comme le cas dans le 1er test.
Figure 45 : Simulation de 2éme test.

Voici les deux scripts implémentés dans les nœuds :
Figure 46 : Scripts implémentés dans les nœuds.
Page | 58
L’idée ici (choix des nœuds IOT) est avoir un programme Python pour détecter le canal occupé,
c’est-à-dire avoir une solution pour mettre les deux émetteurs en relation d’écoute, l’un peut
écouter l’autre pour éviter la collision.
Mais on n’est pas arrivé à trouver une solution car chaque nœud émetteur dans ce simulateur à
son propre fichier scripts qui ne peut pas être lu par l’autre émetteur. De plus, le script de
CupCarbon est un script simple qui n’accepte pas des fonctions et des variables Globale pour
avoir un programme python efficace permettent de résoudre notre problème. La solution est de
modifier les modèles MAC au niveau du logiciel CupCarbon, en code source Java.
3.5 Conclusion
Dans ce chapitre, une nouvelle architecture pour un bracelet connecté de prédiction de
l’épilepsie a été proposée, qui utilise Wifi et BLE pour les communications à courte portée et
LoRa pour les communications à longue portée et faible consommation, ainsi que le protocole
MQTT pour assurer les échanges. En premier lieu, le bracelet transmet des données relatives à
son état (position GPS, alerte de crise épileptique) à la station de base via LoRa. En second lieu,
la station de base transmet ces données via MQTT via un topic spécifique. Nous avons équipé
le bracelet d’un nœud d’émetteur composé d’une carte 3.2 et d’un capteur de fréquence
cardiaque avec module GPS, et d’un émetteur-récepteur LoRa connecté à une station de base
(carte ESP32 avec module Lora), servant à envoyer des messages à différents objets via les
protocoles MQTT. De plus, pour assurer une bonne transmission de donnée par le réseau LoRa,
le protocole Listen Before Talk (LBT) a été étudié en utilisant un Simulateur IOT
« CupCarbon » pour une première approche.
Page | 59
Conclusion générale et perspectives
Ce projet consiste à une étude d’un système portable sous forme de bracelet connecté a pour
but de prédire les crises épileptiques.
Nous avons présenté en 1er lieu le choix de l’architecture d’un nouveau bracelet connecté
associant trois technologies de communications complémentaires : BLE, WiFi et LoRAWAN.
Ce bracelet permet de collecter des données (position et rythme cardiaque) en temps réel à des
personnes épileptiques qui sont traitées par un algorithme qui fait l’extraction de différentes
caractéristiques de domaine temporel puis l’utilisation de ces derniers pour la classification
binaire crise non-crise et avoir une alerte avant la crise épileptique.
Pour avoir une technique de détection d’épilepsie à travers l’ECG, nous avons utilisé une base
de données en accès libre.
Les informations sur notre base de données ont été présentées dans le chapitre3, les étapes de
préparation et de prétraitement des données ont été introduites. Par la suite, les caractéristiques
(features) les plus adaptées dans le contexte de détection des crises épileptiques ont été extraites.
Enfin la segmentation du signal en 10 seconds par une fenêtre rectangulaire glissante sans
chevauchement donne une Sensibilité de 84.2%, une Précision de 80.67% et une Spécificité de
79.86%.
Nous avons ensuite étudié la détection des crises épileptiques en nous basant sur une
segmentation de 30 seconds par une fenêtre rectangulaire glissante avec chevauchement avec
le même type de fenêtre qui nous donne une Sensibilité de 90.75%, une Précision de 90.25 %
et une Spécificité de 89.57 %. Ces dernières performances on peut les améliorés avec
l’utilisation de techniques d’intelligence artificielles comme l’apprentissage profonde et les
réseaux de neurones avec une base de données assez plus riche qui contient plusieurs
caractéristiques de rythme cardiaques.
En deuxième lieu nous avons présenté l’étude de l’architecture réseau du bracelet LoRaWAN,
WiFi et BLE utilisant le protocole MQTT qui a nécessité la mise en place d’un broker
Mosquitto, et un test basique utilisant un client Publisher « Mqttbox » et un client Subscriber
« MqttDashboard (application Android) ». Puis nous avons présenté l’architecture du nœud du
Page | 60
bracelet basée sur une carte ESP32 et des capteurs, mais aussi la station de base avec son circuit
de câblage.
Par la suite, nous proposons l’amélioration du réseau LoRa avec le protocole Listen Before Talk
qui a été introduite. Des algorithmes de ce protocole ont été développés pour être implémenté
ensuite dans un simulateur IOT « CupCarbon ». Dans notre travail, nous avons débuté par des
tests basiques initiaux pour mieux comprendre le comportement de ce simulateur et les scripts
qui peuvent être acceptés par ce simulateur.
Page | 61
REFERENCES
[2] Dr. Ovidiu Vermesan and Dr. Peter Friess, “Internet of Things: Converging Technologies
for Smart Environments and Integrated Ecosystems”, River Publishers, 2013 - 364 pages.
Networks Journal, Elsevier, Vol. 79C N. doi.org/10.1016/j.adhoc.2018.0, octobre 2018
[3] (Lachtar, 2020) Lachtar A. Intégration et interopérabilité des objets connectes de l’internet
des objets de l’E-santé, thèse de doctorat, L’École Nationale d’Ingénieurs de Sfax, Tunisie
2020.
[4] G. Eysenbach. What is e-health? Journal of Medical Internet Research, 3(2):e20, 2001.
[5] J. Decuir, "Bluetooth 4.0: Low Energy", Presentation slides, 2010
[6] LoRa Alliance, "LoRaWAN specification," 2015
[7] Tzallas, A. T., Tsalikakis, D. G., Karvounis, E. C., Astrakas, L., Tzaphlidou, M., Tsipouras,
M. G., and Konitsiotis, S. Automated epileptic seizure detection methods: a review study.
INTECH Open Access Publisher, 2012.
[8] Bergmann, J. H., Chandaria, V., and McGregor, A. Wearable and implantable sensors: the
patient’s perspective. Sensors 12, 12 (2012), 16695–16709.
[9] Milošević, M., Van de Vel, A., Bonroy, B., Ceulemans, B., Lagae, L., Vanrumste, B., and
Van Huffel, S. Automated detection of tonic–clonic seizures using 3-d accelerometry and
surface electromyography in pediatric patients. IEEE journal of biomedical and health
informatics 20
[10] Larsen, S. N., Conradsen, I., Beniczky, S., and Sorensen, H. B. Detection of tonic epileptic
seizures based on surface electromyography. In Engineering in Medicine and Biology Society
(EMBC), 2014 36th Annual International Conference of the IEEE (2014)
[11] Klabunde, R. E. Normal heart rhythm. https://www.cvphysiology.com/Arrhythmias/A002
[12] (MIO-ALPHA) Vlad-Mihai Teohari , Constantin Ungureanu , Vinh Bui , Johan Arends
and Ronald M. Aarts (2021)
[13] Kołodziej, M., Majkowski, A., Rak, R.J. et al. System for automatic heart rate calculation
in epileptic seizures. Australas Phys Eng Sci Med 40, 555–564 (2017).
[14] MIT/BIH-PIHROPE. Available online: https://physionet.org/content/szdb/1.0.0/

(accessed on 5 juin 2021).
Page | 62
[15] Maeike Zijlmans,Danny Flanagan,Jean Gotman, Heart Rate Changes and ECG
Abnormalities During Epileptic Seizures: Prevalence and Definition of an Objective Clinical
Sign. [Epilepsia publishes]
[16] Khwala LTIFI, Rejane DALCE, Imen MEGDICHE, Thierry VAL, « Une
canne connectée LoRaWAN, WiFi et BLE pour le suivi des personnes âgées », JETSAN
2021, Poster, May 2021, Blagnac, France 2021.
[17] Thierry VAL, Rejane DALCE, Imen MEGDICHE,, Oussema FAKHAKH, Khawla LTIFI,
« Etude, conception, réalisation et tests d'une nouvelle canne connectée intelligente multi-
technologie radio », CNRIUT 2021, Jun 2021, Lyon, France.
[18] Ortín, M. Cesana et A. Redondi, "How do ALOHA and Listen Before Talk Coexist in
LoRaWAN?", 2018 IEEE 29th Annual International Symposium on Personal, Indoor and
Mobile Radio Communications (PIMRC), 2018,
[23] Ortín, M. Cesana and A. Redondi, "Augmenting LoRaWAN Performance With Listen
Before Talk," in IEEE Transactions on Wireless Communications, vol. 18, no. 6, pp. 3113-
3128, June 2019,
[24] M. Baddula, B. Ray and M. Chowdhury, "Performance Evaluation of Aloha and CSMA
for LoRaWAN Network," 2020 IEEE Asia-Pacific Conference on Computer Science and Data
Engineering (CSDE), 2020.
[25] C. Pham, "Investigating and experimenting CSMA channel access mechanisms for LoRa
IoT networks," 2018 IEEE Wireless Communications and Networking Conference (WCNC),
2018.
[26] R. Johari et S. Adhikari, "Routing in IoT Network using CupCarbon Simulator," 7th
International Conférence on Signal Processing and Integrated Networks (SPIN), 2020.
Page | 63
Webographie
[1] https://www.futura-sciences.com/tech/definitions/smartphone-bracelet-connecte-15042/
[Consulté le 22/09/2021]
[19] https://www.frugalprototype.com/technologie-lora-reseau-lorawan/ . [Consulté le

03/10/2021]
[20] http://iot-strasbourg.strataggem.com/ref/duty-cycle.html .[consulté le 10/11/2021]
[21] https://scem-eset.univ-smb.fr/wp-content/uploads/2017/02/Cours-LORA-
LORAWAN.pdf. [Consulté le 16/09/2021]
[22] https://randomnerdtutorials.com/esp32-lora-rfm95-transceiver-arduino-ide/.
[Consulté le 26/08/2021]
Page | 64
Un système portable pour la prédiction des crises

épileptiques
‫الخالصة‬
‫ مما دفع العديد من الباحثين إلى البحث عن طرق للتنبؤ‬، ‫ من سكان العالم‬٪1 ‫الصرع مرض عصبي يصيب حوالي‬
‫بالنوبات قبل حدوثها‬.
‫يتمثل مشروعنا في اققتراح بنية جديدة لساعة ذكية متصلة بثالثة تقنيات اتصالت تكميلية وهم‬
WiFi, BLE, LoRAWAN.
‫يقوم هذا السوار بجمع البيانات (معدل ضربات القلب والموقع) من االشخاص المصابين بالصرع وتستخم هذه البيانات التي‬
‫يتم جمعها في خوارزمية تستخرج خصائص المجال الزمني الشارة تخطيط القلب ثم استخدامها للتصنيف ومعرفة حالة‬
‫الشخص ان كان مريض او ال وفي حالة ثبوت النوبه العصبية تقوم الساعة بتنبيه صاحبها عن طريق اشارة صوتية‬
Résumé :
L'épilepsie est une maladie neurologique qui touche environ 1 % de la population mondiale,
cela à inciter de nombreux chercheurs à faire des recherches pour trouver des moyens de prédire
les crises épileptiques avant qu’elles surviennent.
Notre projet consiste à proposer une nouvelle architecture pour un bracelet connecté associant
trois technologies de communications complémentaires : BLE, Wi-Fi et LoraWAN. Ce bracelet
permet de collecter des données (position et rythme cardiaque) en temps réel des personnes
épileptiques. Ces données sont traitées par un algorithme d’extraction de différentes
caractéristiques de domaine temporel du signal ECG. Les caractéristiques extraites servent à
la classification binaire crise non-crise ce qui permet d’avoir une alerte avant la crise
épileptique.
Abstract:
Epilepsy is a neurological disease that affects about 1% of the world's population, which has
prompted many researchers to look for ways to predict epileptic seizures before they occur.
Our project consists in proposing a new architecture for a connected bracelet combining three
complementary communication technologies: BLE, Wi-Fi and LoraWAN. This bracelet allows
to collect data (position and heart rate) in real time from epileptic people. These data are
processed by an algorithm to extract different time domain features from the ECG signal. The
extracted features are used for the binary classification seizure no-seizure which allows to have
an alert before the epileptic seizure.
ECG, WiFi, BLE, LoRAWAN ,‫ضربات القلب‬,‫ الصرع‬: ‫كلمات مفاتيح‬
Mots clés: Epilepsie, ECG, BLE, WiFi, LoRAWAN.
Keywords: Epilepsy, ECG, BLE, WiFi, LoRAWAN.
Page | 65
En vérité, le chemin importe peu, la volonté

d’arriver suffit à tout »
Albert Camus
Page | 66

Mémoire: Amine HLEL Kholoud GHANMI

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mémoire: Amine HLEL Kholoud GHANMI

Transféré par

Droits d'auteur :

Formats disponibles

République Tunisienne Cycle de Formation d’Ingénieurs

Ministère de l’Enseignement Supérieur dans la Discipline Génie électrique

Université de Sfax Projet de Fin d’Etudes N° d’ordre :

École nationale d’ingénieurs

Un système portable pour la prédiction des crises

Soutenue le 09/12/2021, devant la commission d’examen :

Mr. Mohamed MASMOUDI Président

Le reste n’est que dédicaces

A mon cher père Salem

A ma chère mère Faiza

Pour ses sacrifices, sa tendresse et sa patience illimitée, que

A mes chères sœurs Arwa, Asma et Oumeyma

Qui m’aiment beaucoup, je les dédie ce travail pour leurs

A mes chers amis

A tous mes professeurs que je respecte et j’aime

A tous ceux qui m’aiment et que j’aime

Je dédie ce projet de fin d’étude

dévouement et le respect que j’ai toujours eu pour toi. Rien

au monde ne vaut les efforts fournis pour mon éducation et

Ce travail est le fruit de tes sacrifices que tu as consentis

pour mon éducation et ma formation.

l’exemple du dévouement qui n’a pas cessé de m’encourager

et de prier pour moi.

Ta prière et ta bénédiction m’ont été d’un grand secours

pour mener à bien mes études.

Aucune dédicace ne saurait être assez éloquente pour

exprimer ce que tu mérites pour tous les sacrifices que tu

n’as cessé de me donner.

d’examens par son soutien moral et ses belles surprises

sincère. Je t’exprime à travers ce travail mes sentiments de

A tous ceux qui m'aiment.

Au terme de ce travail, nous tenons à exprimer notre profonde gratitude et

Nous tenons à remercier infiniment Mme. Régine le bouquin jeannes,

Nous ne pouvons, également, oublier de remercier M. Thierry Val, notre

Enfin, nous exprimons avec enthousiasme et fierté l’honneur aux membres du

Kholoud & Amine

IOT Internet Of Things

PAN Personal Area Network

MAC Medium Access Control

LPWAN Low Power Wide Area Network

MQTT Message Queuing Telemetry Transport

MAC Medium Access Control

CSMA Carrier Sense Multiple Access

M2M Machine to Machine

HRV La variabilité de la fréquence cardiaque (VFC)

BPM Le battement par minute

SAN Le nœud sinusal

AVN Le nœud auriculo-ventriculaire

Introduction générale ............................................................................................................... 1

Cadre du travail ....................................................................................................................... 3

Chapitre 1 : Bracelets et épilepsie ........................................................................................... 4

1.1 Introduction ................................................................................................................. 5

1.2 Généralité sur les bracelets connectés ......................................................................... 5

1.2.1 Historiques et évolution ....................................................................................... 5

1.2.2 Les différentes utilités .......................................................................................... 6

1.3 Internet des objets ........................................................................................................ 7

1.3.1 Architecture de l’IOT ........................................................................................... 8

1.3.2 Les applications de l’IOT ..................................................................................... 9

1.3.3 Soins de santé à distance ...................................................................................... 9

1.4 Protocoles de liaisons de données pour L’IOT :........................................................ 10

1.4.1 IEEE 802.15.4 .................................................................................................... 10

1.4.2 Bluetooth basse énergie BLE ............................................................................. 10

1.4.3 LoRa ................................................................................................................... 10