1. Bouira University Digital Space
2. Thèses Doctorat
3. Faculté des Sciences et des Sciences Appliquées

Titre:	Sur les performances des Applications de E-Santé dans les villes intelligentes
Auteur(s):	Brahimi, Farida
Mots-clés:	Santé intelligente ; Apprentissage automatique ; K-plus proches voisins ; Apprentissage profond ; Sélection des attributs ; Algorithme génétique ; Algorithme génétique rival ; Maladies cardiovasculaires
Date de publication:	2025
Editeur:	Université de BOUIRA جامعة البويرة
Référence bibliographique:	ace aux mutations profondes du secteur de la santé telles que la pénurie persistante de personnel médical, le vieillissement accéléré de la population et la prévalence croissante des maladies chroniques cette thèse s’inscrit dans le domaine de la santé intelligente. Elle explore l’intégration synergique des capteurs biomédicaux, des dispositifs connectés et des méthodes d’intelligence artificielle dans le but de concevoir des systèmes prédictifs réactifs, personnalisés et efficaces, notamment pour la détection précoce et la prise en charge des maladies cardiovasculaires. Dans ce contexte, Le choix des algorithmes de classification représente un enjeu clé, influençant à la fois la précision des prédictions et leur interprétabilité. Parmi les méthodes explorées, l’algorithme des k-plus proches voisins (KNN) se distingue par sa simplicité conceptuelle et sa capacité à traiter des données multidimensionnelles sans phase d’apprentissage explicite. Toutefois, son mécanisme de vote majoritaire non pondéré présente plusieurs limites, en particulier dans les contextes biomédicaux : sensibilité à la densité locale des classes, absence de pondération des voisins selon leur proximité, négligence de la structure locale des données et dépendance forte au choix du paramètre k. Ces limitations peuvent conduire à des biais de classification, en particulier dans les zones frontières ou les cas ambigus. Ces limitations justifient le recours à des variantes améliorées du KNN, intégrant des mécanismes de pondération adaptative et une prise en compte de la distribution statistique locale, afin de renforcer la robustesse des systèmes d’aide à la décision médicale. Par ailleurs, la sélection d’attributs joue un rôle central dans l’optimisation des performances des modèles prédictifs en santé. Elle permet de réduire la dimensionnalité, de limiter le sur-apprentissage et d’améliorer l’interprétabilité en mettant en évidence les biomarqueurs cliniques les plus pertinents. À cet effet, les algorithmes génétiques se révèlent particulièrement efficaces grâce à leur capacité d’exploration évolutive, bien qu’ils souffrent de certaines limites telles que la sensibilité aux hyperparamètres, la complexité computationnelle et une convergence parfois instable. Pour répondre à ces défis, cette thèse propose trois contributions majeures : 1. Le développement d’une version améliorée de l’algorithme KNN, nommée E-KNN, intégrant une pondération probabiliste et un ajustement dynamique des distances, couplée à une plateforme d’Internet des objets pour la collecte en temps réel de données physiologiques issues du domaine biomédical, vise à améliorer les performances du modèle. Dans le cadre de cette étude, cette approche est appliquée à la prédiction des maladies cardiovasculaires. 2. La conception d’un système hybride combinant un réseau de neurones densément connecté (Dense-DNN) avec un algorithme génétique (GA) de sélection d’attributs, visant à accroître la précision diagnostique tout en optimisant les variables pertinentes. 3. L’implémentation d’un algorithme génétique rival (RGA) pour pallier les limites de l’algorithme génétique classique lors de la sélection d’attributs, grâce à une stratégie compétitive et une mutation adaptative.
URI/URL:	http://dspace.univ-bouira.dz:8080/jspui/handle/123456789/19518
Collection(s) :	Faculté des Sciences et des Sciences Appliquées

Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.