Soutenance de thèse de Manef BEN MBAREK

Cette thèse a exploré deux aspects importants de l'épilepsie à travers des techniques avancées d'analyse de signaux. La première partie du travail s'est concentrée sur l'analyse des altérations du signal ECG pendant la période pré-ictale, dans le but d'établir un modèle automatisé fiable pour prédire les crises épileptiques. En utilisant l'écart type (STD) comme opérateur statistique appliqué aux caractéristiques calculées de la variabilité de la fréquence cardiaque (HRV), nous avons employé dans cette partie une technique de seuillage pour quantifier et prédire les crises épileptiques dans les signaux ECG pré-ictaux. Pour évaluer la performance de prédiction de l'approche proposée, des données ECG provenant de deux bases de données publiques ainsi qu'une base de données local comprenant 31 patients épileptiques ont été utilisées. De plus, l'algorithme de Mann-Whitney U a été utilisé pour étudier les disparités entre les signaux ECG des populations épileptiques et saines. En outre, nous avons exploré la corrélation entre les activités cérébrales et cardiaques en exploitant des approches validées de prédiction EEG-ECG. La deuxième partie de cetravail a exploré la connectivité causale dynamique entre les signaux EEG et ECG chez les patients atteints d'épilepsie du lobe temporal, en mettant l'accent sur les analyses temporelles et fréquentielles pendant les périodes pré-ictale et inter-ictale. En utilisant l'analyse de causalité de Granger, la recherche a identifié des relations causales significatives bidirectionnelles, mettant particulièrement en évidence l'effet causal robuste de l'EEG sur l'ECG. Ces résultats ouvrent des perspectives précieuses sur les interactions complexes entre les signaux cérébraux et cardiaques dans la TLE, soulignant la nature dynamique de ces relations.

This thesis investigated two important aspects of epilepsy through advanced signal analysis techniques. The first part of the work focused on the analysis of ECG signal alterations during the pre-ictal period, aiming to establish a reliable automated model for predicting epileptic seizures. Using standard deviation (STD) as a statistical operator applied on calculated heart rate variability (HRV) features, we employed a thresholding technique to quantify and predict epileptic seizures in pre-ictal ECG signals.. To assess the prediction performance of the proposed approach, ECG data from two publicly available databases and a local dataset comprising 31 epileptic patients were used. Furthermore, the Mann-Whitney U algorithm was employed to investigate disparities between ECG signals of epileptic and healthy populations. Additionally, the correlation between brain and heart activities was investigated, leveraging validated EEG-ECG prediction approaches. The second part of this project explored the dynamic causal connectivity between EEG and ECG signals in patients with temporal lobe epilepsy, emphasizing temporal and frequency analyses during pre-ictal and inter-ictal periods. Granger causality analysis was used to identify significant bidirectional causal relationships, particularly highlighting the robust causal effect of EEG on ECG. These findings provided valuable insights into the complex interactions between brain and heart signals in TLE, underscoring the dynamic nature of these relationships.