Contexte et objectif

• Développer un modèle d'intelligence artificielle capable d'analyser des images ECG et des enregistrements audio cardiaques pour détecter précocement des anomalies cardiovasculaires.
• Objectif clinique : permettre une intervention médicale rapide avant l'apparition des symptômes et prévenir les complications graves.

Principales missions

• Collecte et prétraitement des données ECG (images) et des signaux audio cardiaques en utilisant des bibliothèques spécialisées (WFDB, Neurokit2).
• Conception, entraînement et validation de modèles Deep Learning (PyTorch) pour la détection et la classification des anomalies cardiovasculaires.
• Évaluation des performances (métriques clinico-techniques : sensibilité, spécificité, AUC) et optimisation du pipeline.

Livrables attendus

• Code reproductible en Python incluant le pipeline de prétraitement, le modèle entraîné et les scripts d'évaluation.
• Rapport technique détaillé décrivant les architectures testées, les jeux de données, les métriques et les recommandations cliniques possibles.

Technologies et outils

• Langage et frameworks : Python, PyTorch.
• Bibliothèques et formats : WFDB pour les signaux ECG, Neurokit2 pour l'analyse du signal, outils de traitement audio.
• Environnements : notebooks pour exploration, scripts pour entraînement et évaluation, possibilité d'utiliser GPU pour l'entraînement.

Compétences requises

• Bonnes connaissances en apprentissage automatique / Deep Learning et en traitement du signal.
• Expérience pratique avec Python et bibliothèques mentionnées (WFDB, Neurokit2, PyTorch) ou volonté d'apprendre rapidement.

Modalités de candidature

• Pour postuler, envoyer un CV et une lettre de motivation en indiquant clairement "SUJET 5" et le titre du PFE.
• Contact pour candidatures : contact@eitainnov.tn .