Académique Documents
Professionnel Documents
Culture Documents
MÉMOIRE
Présenté à
Amine HLEL
Kholoud GHANMI
i
Dédicaces
C’est grâce à Allah que tout a commencé, et c’est à lui que je
rends grâce.
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 toute la famille
Amine HLEL
ii
Dédicaces
A mon père
Aucune dédicace ne saurait exprimer l’amour, l’estime, le
bien être.
A ma mère
Symbole de la bonté par excellence, la source de tendresse et
A ma chère sœur
Ma chère petite sœur présente dans tous mes moments
sucrées.
iii
Je te remercie pour ton aide sans égal et ton affection si
fraternité et d’amour.
Kholoud GHANMI
iv
Remerciements
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.
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.
v
Glossaire
ECG L'électrocardiogramme
EMG L’électromyogramme
EEG L’électroencéphalogramme
ACM Accélérométrie
FC Fréquence cardiaque
vi
TABLE DES MATIÈRES
Liste des figures ........................................................................................................................ x
1.5.6 Les travaux réaliser pour la détection de l’épilepsie à partir l’ECG .................. 15
vii
2.1 Introduction ............................................................................................................... 19
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
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 2
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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 ».
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’.
Page | 3
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 4
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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]
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 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
Page | 6
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
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).
Page | 7
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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]
Page | 8
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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].
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
1.4.3 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.
Page | 10
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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].
Page | 11
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
• RA : Atrium droit.
• LA : Atrium gauche.
• RV : Ventricule droit.
• LV : Nentricule gauche.
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
60
𝐻𝑅 = (1.1)
𝑅𝑅
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.
Page | 15
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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).
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.
Page | 16
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
Page | 17
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 18
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
Différentes parties du cœur peuvent être utilisées pour évaluer la santé cardiaque, mais l'onde
R est plus significative que les autres ondes.[13]
Page | 19
Un système portable pour la prédiction des crises épileptiques ENIS 2021
• 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 :
𝑁𝑁50 ← 0
𝐹𝑜𝑟 𝑖 = 0 𝑡𝑜 𝑙𝑒𝑛𝑔𝑡ℎ(𝑅𝑅) ∶
𝑁𝑁50 ← 𝑁 + 1 ;
𝑅𝑒𝑡𝑢𝑟𝑛 𝑁𝑁50 ;
Page | 20
Un système portable pour la prédiction des crises épileptiques ENIS 2021
• 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)
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.
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 22
Un système portable pour la prédiction des crises épileptiques ENIS 2021
• 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.
La détection des pics R consiste à localiser la plus grande valeur dans le signal segmenté
supérieur au moyen local.
Page | 23
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
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.
Les intervalles RR obtenus sont encore enregistrés pour déterminer les différentes
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.
Page | 24
Un système portable pour la prédiction des crises épileptiques ENIS 2021
• 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.
1000
800
600
400
200
0
SZ01 SZ02 SZ03 SZ04 SZ05 SZ06 SZ07
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
160
140
120
100
80
60
40
20
0
SZ01 SZ02 SZ03 SZ04 SZ05 SZ06 SZ07
• 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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
➢ 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
➢ 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
Page | 27
Un système portable pour la prédiction des crises épileptiques ENIS 2021
➢ 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 :
Page | 28
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
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%.
Page | 30
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
nombre des segments épileptiques détectés par apport au celle qui décris dans la description de
la base de données.
100
90
80
70
60
50
40
30
20
10
0
Sensibilité Précision Spécificité
Page | 32
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 34
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
Page | 35
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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].
Page | 36
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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 bande passante du canal (BW), qui définit l'amplitude dans le domaine fréquentiel du canal
utilisé.
- le taux de codage (CR), qui définit la redondance de la correction d'erreur directe (FEC)
éventuellement ajoutée aux messages LoRa.
Page | 37
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 38
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 39
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 40
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
■ Un Broker : Mosquitto
Page | 41
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 42
Un système portable pour la prédiction des crises épileptiques ENIS 2021
• Nom du broker.
• Adresse TCP//.
• Le Port.
• Le Topic d’abonnement.
Page | 43
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 44
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
Page | 45
Un système portable pour la prédiction des crises épileptiques ENIS 2021
• Diamètre : 16 mm.
Page | 46
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
Page | 47
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Les spécifications techniques de ces deux éléments sont déjà illustrées dans le paragraphe
précédent.
Page | 48
Un système portable pour la prédiction des crises épileptiques ENIS 2021
La transmission radio, comme le suppose notre étude de cas, applique une bande de fréquences
à 866 MHz.
Page | 49
Un système portable pour la prédiction des crises épileptiques ENIS 2021
❖ Débit de données
➢ Théorème de Shannon
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.
Page | 50
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
• 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.
➢ 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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 54
Un système portable pour la prédiction des crises épileptiques ENIS 2021
• 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]
▪ Carte
▪ Barre de menu
▪ Barre d'outils
▪ Menu Paramètres
▪ Barreau d'État
▪ Console
Page | 55
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Page | 57
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
Page | 58
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
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.
[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)
[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).
Page | 62
Un système portable pour la prédiction des crises épileptiques ENIS 2021
[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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Webographie
[1] https://www.futura-sciences.com/tech/definitions/smartphone-bracelet-connecte-15042/
[Consulté le 22/09/2021]
[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 ENIS 2021
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
Un système portable pour la prédiction des crises épileptiques ENIS 2021
Albert Camus
Page | 66