Le projet « Implantation FPGA d’un détecteur d’épilepsie EEG par apprentissage machine », est un système automatique implanté sur circuit FPGA qui analyse des signaux EEG préenregistrés dans les bases de données de l’hôpital des enfants de Boston (CHB-MIT) et de l’université de Bonn afin de diagnostiquer de manière robuste et fiable la crise épileptique en utilisant différentes combinaisons de différents outils de l’apprentissage machine.

Le projet se subdivise en deux parties : une se concentre sur l’implantation du système de détection de la crise par software et l’autre par hardware, et se réalise en trois étapes principales : extraction de caractéristiques, réduction de dimensionnalité et enfin classification. Pour concrétiser l’objectif visé, ce projet combine treize systèmes obtenus à partir de l’utilisation de cinq techniques d’extractions de caractéristiques (l’ondelette discrète et stationnaire (DWT et SWT), les spectres de burg, de covariance et de yule-walker), trois techniques de réduction de dimensionnalité (l’analyse en composante principale (PCA), l’analyse discriminante linéaire (LDA) et l’analyse en composante indépendante (ICA), et cinq techniques de classification (le réseau de neurone (ANN),  les machines à vecteurs de support (SVM), le k-plus proche voisin (k-NN), la forêt aléatoire et l’analyse discriminante linéaire (LDA)  afin de trier et de regrouper ensemble les meilleures techniques à utiliser dans le futur pour diagnostiquer l’épilepsie à partir d’un vote de majorité. L’idée derrière le vote majoritaire c’est que les cinq modèles utilisés dans le projet prennent la forme de cinq experts (cinq médecins) qui analysent chacun de leur côté les signaux cérébraux du patient afin de conclure sur la santé exacte de celui-ci ; puis le résultat qui est le plus répété d’entre ces modèles-là est pris comme le verdict définitif de l’ensemble des médecins. De cette manière, la fiabilité et la précision de la détection de la crise sont augmentées puisque l’erreur de jugement (ou de prédiction) d’un seul expert (ou modèle) peut être compensée par les performances (ou succès) des autres médecins (ou modèles). L’implantation par hardware quant à elle, teste sur circuit FPGA, à partir de l’IDE (environnement de conception d’intégrateur) Xilinx System Generator (XSG), l’efficacité réelle et pratique des classificateurs SVM et ANN lorsqu’ils sont combinés avec les méthodes d’extraction de caractéristiques se basant sur les ondelettes comme SWT et DWT, et PCA comme méthodes de réduction de dimensionnalité. Une phase de prétraitement a été réalisé tout au début sur les signaux EEG avant de les faire passer par les techniques susmentionnées.

La sélection des meilleurs triplets pour détecter la crise épileptique donne d’excellents résultats. Les meilleures combinaisons ont été surtout obtenues pour la base de CHB-MIT avec une exactitude moyenne de 100 % et pour la base de Bonn, une exactitude moyenne de 97.8 %. Quoique tous les cinq modèles n’ont pas pu identifier et séparer à 100% tous les patients malades de ceux qui ne le sont pas, par contre, le vote majoritaire a rectifié le tir et prouve son utilité dans la détection efficace de la crise épileptique car l’exactitude mesurée dans la catégorisation des patients par vote hard est de 100% pour les deux bases utilisées. Enfin, l’implémentation matérielle de la crise est inachevée mais les résultats sont à venir et s’annoncent déjà très prometteurs.