Stage PFE Recherche | Deep Neural Networks pour ECG et problèmes inverses cardiaques

Contexte et objectifs:

Le stage a pour objectif d’explorer l’exploitation de réseaux de neurones profonds appliqués aux données ECG, avec une progression structurée en trois phases successives et dépendantes :

Phase 1 :  État de l’art des données ECG ouvertes 
Le stagiaire commencera par réaliser un recensement et une analyse critique des grandes bases de données publiques ECG (MIT-BIH, PTB-XL, PhysioNet, Chapman, CODE, etc.).
L’objectif est d’établir une cartographie des sources de données utiles pour l’entraînement des modèles deep learning et de cerner leurs contraintes.

Phase 2: Benchmark d’architectures deep sur données ouvertes
Dans un deuxième temps, différentes architectures seront entraînées et évaluées sur ces bases publiques. Cette phase vise à déterminer empiriquement quelles architectures capturent le mieux les patterns caractéristiques du cycle cardiaque (complexes P-QRS-T, dérivations multiples, variabilité inter-individus…).

Phase 3 : Articulation avec un modèle PDE développé au labo de l’école
En troisième phase, on connectera ces approches data-driven avec le modèle inverse développé au labo, le but final est d’étudier si des patterns réguliers dans les signaux ECG peuvent guider ou stabiliser la résolution du problème inverse.

Les résultats attendus :

• Une revue de littérature structurée sur les datasets ECG ouverts, documentée et comparative.

• Un benchmarking quantitatif d’architectures DNN sur différentes bases publiques
  (ex : accuracy, F1-score, RMSE sur paramètres, performance multi-lead vs single-lead).

• Un rapport d’analyse des patterns ECG détectables par ML et leur lien potentiel avec les paramètres biophysiques du modèle PDE.

• Une proposition finale d’intégration du deep learning dans le schéma global du problème inverse (pré-conditionnement, régularisation, contrainte physique).