Uterine synchronization analysis during pregnancy and labor using graph theory, classification based on machine learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Uterine synchronization analysis during pregnancy and labor using graph theory, classification based on machine learning

Caractérisation des réseaux de connectivité en utilisant les graphes : application à la détection de l'accouchement prématuré

Kamil Bader El Dine
  • Fonction : Auteur
  • PersonId : 1162435
  • IdRef : 264181875

Résumé

The overall objective of this thesis is to study the phenomenon of the propagation of uterine electrical activity by a approach based on graph theory. The first step in this thesis is to find new parameters extracted from the graphs which are suitable to represent the physio-pathological evolutions of the uterus. These parameters will be tested directly on th EHG signals recorded at the level of the abdomen then at the level of the sources identified from the EHGs. This analysis will be applied to the EHG signal i) globally (using the entire contraction) and ii) dynamically (using time windows in the contraction to characterize each time the corresponding graph). The second step will be to develop a new method based on neural networks and apply it on all the parameters already used in order to select the best parameters that can differentiate pregnancy and labor contractions. The expected results will be used both to enrich scientific knowledge in this field and to try to improve the performance of the prediction of prematurity in women.
L'objectif global de cette thèse est d'étudier le phénomène de la propagation de l'activité électrique utérine par une approche basée sur la théorie de graphe. La première étape dans cette thèse est de trouver de nouveaux paramètres extraits des graphes qui conviennent pour représenter les évolutions physio-pathologiques de l'utérus. Ces paramètres seront testés directement sur les signaux EHG enregistrés au niveau de l'abdomen puis au niveau des sources identifiées à partir des EHG. Cette analyse sera appliquée sur le signal EHG i) globalement (en utilisant toute la contraction) et ii) dynamiquement (en utilisant des fenêtres temporelles dans la contraction pour caractériser à chaque fois le graphe correspondant). La deuxième étape sera de développer une nouvelle méthode basée sur les réseaux de neurones et de l'appliquer sur tous les paramètres déjà utilisés afin de sélectionner les meilleurs paramètres qui peuvent différencier les contractions de grossesse et de travail. Les résultats attendus seront utilisés à la fois pour enrichir les connaissances scientifiques dans ce domaine et pour essayer d'améliorer les performances de la prédiction de la prématurité chez les femmes.
Fichier principal
Vignette du fichier
These_UTC_Kamil_Bader_El_Dine.pdf (10.82 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03772330 , version 1 (08-09-2022)

Identifiants

  • HAL Id : tel-03772330 , version 1

Citer

Kamil Bader El Dine. Uterine synchronization analysis during pregnancy and labor using graph theory, classification based on machine learning. Bioengineering. Université de Technologie de Compiègne; Université Libanaise, 2022. English. ⟨NNT : 2022COMP2680⟩. ⟨tel-03772330⟩
80 Consultations
70 Téléchargements

Partager

Gmail Facebook X LinkedIn More