Modèle révolutionnaire utilisant l'architecture Transformer pour détecter les troubles cognitifs légers (MCI) à partir de signaux EEG et fNIRS. Précision de 85% surpassant les méthodes traditionnelles.
Spécialisé en Machine Learning et Deep Learning 🧠✨
Passionné par l'innovation et les technologies émergentes en IA
Je suis Haroun Hassan BRAHIM, ingénieur en Intelligence Artificielle.
Double diplôme en IA à Aix-Marseille Université et en technologies de santé mentale à l'Université de Sfax.
Mes travaux portent sur l'analyse EEG pour la détection précoce de troubles cognitifs et la perception de la parole chez les nourrissons.
J'aime relever des défis complexes et concevoir des solutions intelligentes adaptées à différents secteurs. Curieux et polyvalent, je m'intéresse à l'ensemble des applications de l'intelligence artificielle, de la science des données à l'automatisation, en passant par l'optimisation de processus et la création d'outils numériques utiles au quotidien.
Transformers, CNN, pour l'analyse de signaux complexes
EEG, fNIRS, neuroimagerie
Python, TensorFlow, PyTorch
Mon parcours dans la recherche en IA
Travail d'Etude et de Recherche (TER) sur l'analyse de la perception de la parole chez les nourrissons utilisant des techniques d'apprentissage automatique
Recherche de pointe sur l'analyse de signaux EEG pour la détection précoce de troubles cognitifs. Développement d'algorithmes de deep learning révolutionnaires pour l'analyse neurophysiologique.
Un parcours d'excellence en IA
Formation d'excellence en IA avec spécialisation en IA : Machine Learning et Deep Learning. Projet de recherche sur l'analyse EEG de la perception de la parole chez les nourrissons.
Master de recherche axé sur l'application des technologies numériques en santé mentale et physique. Développement d'outils diagnostiques basés sur l'IA.
Formation solide en informatique fondamentale. Base technique robuste pour les développements en IA.
Des solutions IA qui repoussent les limites
Modèle révolutionnaire utilisant l'architecture Transformer pour détecter les troubles cognitifs légers (MCI) à partir de signaux EEG et fNIRS. Précision de 85% surpassant les méthodes traditionnelles.
Analyse avancée de la perception des phonèmes /ba/ et /da/ chez les nourrissons pour comprendre les mécanismes neuronaux de l'acquisition du langage.
Implémentation complète d'un système de tunneling IPv6 sur IPv4 avec interfaces TUN virtuelles pour la communication inter-réseaux.
Système OCR intelligent pour convertir automatiquement des algorithmes Scratch visuels en code Python exécutable.
Contributions scientifiques à l'état de l'art
Cette recherche révolutionnaire présente une nouvelle approche pour la détection du trouble cognitif léger (MCI) en utilisant l'architecture Transformer adaptée aux signaux EEG. Nos résultats montrent une amélioration significative de 15% par rapport aux méthodes existantes.
Technologies maîtrisées et niveau d'expertise
Deep Learning, ML, Computer Vision
Signaux cérébraux, EEG, fNIRS
Langages, Frameworks, Libraries
DevOps, Cloud, Collaboration
Téléchargez mon parcours complet
Découvrez l'intégralité de mon parcours académique et professionnel, mes compétences techniques détaillées et mes projets de recherche dans le domaine de l'Intelligence Artificielle.
Collaborons ensemble sur des projets innovants
Que ce soit pour une collaboration de recherche, un projet innovant ou simplement pour échanger sur l'IA, n'hésitez pas à me contacter !
Timezone: UTC+1 • Remote OK
Envoyez-moi directement un message