Soutenance de thèse : Faustine FACCIN (NEURORHYTHMS)
8 juin 2026 @ 9:30 am - 12:30 pm
Le 8 juin 2026, Faustine FACCIN, (NEURORHYTHMS), soutiendra sa thèse CIFRE, réalisée dans le cadre de la collaboration entre la start-up NOVIGA ainsi que les laboratoires CRAN et LORIA et intitulée :
» Intégration de modalités cliniques et physiologiques dérivées de l’ECG pour le diagnostic de l’apnée du sommeil par apprentissage automatique »
Un pot de convivialité sera organisé à l’issue de la soutenance, dans le hall C du Loria, pour celles et ceux qui souhaitent y assister.
Composition du jury :
- Présidente : Marianne Clausel, Professeure à l’Université de Lorraine
- Rapporteur : Vicente Zarzoso, Professeur à l’Université Côte d’Azur
- Rapporteur : Mario Chavez, Directeur de Recherche CNRS à l’Institut du Cerveau
- Examinatrice : Mira Rizkallah, Maîtresse de Conférences à Centrale Nantes
- Directeur : El-Hadi Djermoune, Professeur à l’Université de Lorraine
- Co-directeur : Laurent Bougrain, Maître de Conférences à l’Université de Lorraine
- Co-encadrante : Pauline Guyot, Ex-présidente de la start-up NOVIGA
Résumé :
Le syndrome d’apnées du sommeil (SAS) est l’un des troubles respiratoires nocturnes les plus fréquents. Malgré une prévalence mondiale élevée, il demeure largement sous-diagnostiqué. Dans ce contexte, des approches alternatives de diagnostic ont été proposées, s’appuyant sur des signaux tels que l’électrocardiogramme (ECG). L’objectif de cette thèse est d’explorer l’apport des modalités cliniques et physiologiques dérivées de l’ECG en vue de développer un outil de diagnostic du SAS reposant sur des méthodes d’apprentissage automatique robustes, indépendamment du profil clinique des patients. Ce travail a fait l’objet de plusieurs contributions. La première consiste en la constitution d’un jeu de données élargi, dérivé de la base de données STAGES (National Sleep Research Resource), reflétant davantage la diversité clinique des profils de patients. La deuxième repose sur l’évaluation comparative des modèles existants sur ce nouveau jeu de données et celui de référence (Apnea-ECG de PhysioNet), montrant les limites de généralisation des approches actuelles face à des données plus hétérogènes. Ainsi, la troisième contribution porte sur l’intégration des données cliniques dans le processus d’apprentissage. Les variations de caractéristiques physiologiques extraites de l’ECG sont d’abord analysées en fonction des profils cliniques, montrant des différences physiopathologiques marquées. Puis, l’apport de mécanismes de fusion entre données physiologiques et cliniques au sein de modèles d’apprentissage profond est évalué. Enfin, un modèle basé sur des méthodes d’ensemble et probabilistes, a permis d’obtenir des premiers résultats prometteurs sur la base de données élargie.
Mots-clés : apprentissage automatique, réseau de neurones, traitement du signal, apnées du sommeil, électrocardiogramme.
___________________________________
Faustine FACCIN is pleased to invite you to my PhD thesis defense. This research was carried out as part of a collaboration between the start-up NOVIGA and the CRAN and LORIA laboratories.
Title: « Integration of clinical and ECG-derived physiological features for sleep apnea diagnosis using machine learning. »
Special arrangements:
The thesis defense will be in French.
The thesis defense is open to the public; however, due to the confidential nature of part of the presented work, attendees will be required to sign a confidentiality agreement prior to entering the room.
A reception wil be held following the defense in Hall C of LORIA, and all attendees are warmly welcome to join.
Defense committee:
- President: Marianne Clausel, Professor at University of Lorraine
- Reviewer: Vicente Zarzoso, Professor at University Côte d’Azur
- Reviewer: Mario Chavez, CNRS Research Director at Institut du Cerveau
- Examiner: Mira Rizkallah, Associate Professor at Centrale Nantes
- Supervisor: El-Hadi Djermoune, Professor at University of Lorraine
- Co-supervisor: Laurent Bougrain, Associate Professor at University of Lorraine
- Co-supervisor : Pauline Guyot, Ex-CEO of start-up NOVIGA
Abstract:
Sleep apnea syndrome (SAS) is one of the most widespread nocturnal breathing disorders. Despite its high global prevalence, it remains largely underdiagnosed. In this context, alternative diagnostic approaches have been proposed, relying on signals such as the electrocardiogram (ECG). The objective of this PhD is to explore the contribution of clinical and physiological modalities derived from ECG in order to develop a diagnostic tool for SAS based on robust machine learning methods, regardless of the patient’s clinical profile. This work has involved several contributions. The first consists of creating an expanded dataset, derived from the STAGES database (National Sleep Research Resource), which better reflects the diversity of clinical profiles. The second is based on the comparative evaluation of existing models on this new dataset and on the reference database (PhysioNet’s Apnea-ECG), highlighting the limitations of current approaches in generalizing to more heterogeneous data. Thus, the third contribution focused on integrating clinical data into the learning process. First, variations in physiological characteristics extracted from ECGs are analyzed according to patients’ clinical profiles, revealing significant physiopathological differences. Subsequently, contribution of fusion mechanisms between physiological and clinical data within deep learning models is evaluated. Finally, an approach based on ensemble methods and probabilistic model, yielded promising initial results on the expanded dataset.
Keywords: machine learning, neural network, signal processing, sleep apnea, electrocardiogram.
