marinedde/somnia-dashboard

🧠 SleepAI — Pipeline MLOps pour l'Analyse Polysomnographique

Pipeline MLOps complet pour la classification automatique des stades de sommeil (Wake, N1, N2, N3, REM) à partir de signaux EEG polysomnographiques.

Jedha Bootcamp — AIA 2026 | Marine Deldicque

🚀 Démos en ligne

🏗️ Architecture

sleepai/
├── app/                        # API FastAPI
│   └── main.py                 # Endpoints REST + monitoring drift
├── dashboard/
│   └── streamlit_app.py        # Dashboard (EEG + ECG + rapport IA + validation clinique)
├── models/                     # Modèles entraînés (.joblib)
├── notebooks/                  # Exploration et entraînement
├── tests/                      # Tests unitaires
├── mlruns/                     # Tracking MLflow
├── data/demo/                  # Signaux démo (.npy)
├── Dockerfile                  # Containerisation
├── requirements.txt            # Dépendances
└── .github/workflows/          # CI/CD GitHub Actions

🖥️ Fonctionnalités du Dashboard

Page Analyse EEG — Classification des stades du sommeil

• —Visualisation du signal EEG brut + densité spectrale de puissance (bandes δ, θ, α, β)
• —Prédiction du stade (Wake / N1 / N2 / N3 / REM) avec probabilités
• —Validation clinique médecin : confirmation, correction, commentaire libre

Page Analyse ECG — Détection des apnées

• —Visualisation du signal ECG + indicateurs SpO₂, AHI
• —Prédiction binaire (Normal / Apnée) avec probabilités
• —Données cliniques complémentaires (ronflement, somnolence diurne)
• —Validation clinique médecin intégrée

Page Rapport complet

• —Synthèse EEG + ECG combinée
• —Rapport clinique généré par IA (Claude — Anthropic) en < 5 secondes
• —Export .txt et .json
• —Mode hors-ligne si clé API non disponible

Page Monitoring

• —Statistiques d'utilisation en temps réel (total, EEG, ECG, confiance moyenne)
• —Détection de drift du modèle
• —Historique des 10 dernières prédictions

🤖 Modèles

Modèle 1 — Classification des stades du sommeil (EEG)

• —Algorithme : Random Forest (scikit-learn)
• —Dataset : Sleep-EDF Database (PhysioNet) — signaux EEG polysomnographiques
• —Features : 16 features temporelles et spectrales extraites du signal EEG
• —Classes : Wake, N1, N2, N3, REM
• —Endpoint API : POST /predict/sleep-stage

Modèle 2 — Détection des apnées du sommeil (ECG)

• —Algorithme : Random Forest (scikit-learn)
• —Dataset : Apnea-ECG Database (PhysioNet) — signaux ECG avec annotations minute par minute
• —Features : features spectrales et temporelles extraites du signal ECG
• —Classes : Normal, Apnée
• —Endpoint API : POST /predict/apnea

Tracking des expériences : MLflow

⚙️ Pipeline MLOps

Signal EEG brut                Signal ECG brut
      ↓                               ↓
Extraction de features         Extraction de features
(16 features EEG)              (features ECG)
      ↓                               ↓
StandardScaler → RF            StandardScaler → RF
(stades sommeil)               (détection apnée)
      ↓                               ↓
      └──────────────┬────────────────┘
                     ↓
         API FastAPI (Docker)
                     ↓
         Dashboard Streamlit
                     ↓
    CI/CD GitHub Actions → HuggingFace Spaces

🛠️ Stack technique

📂 Données

Les données ne sont pas incluses dans ce repo.

Placer les fichiers .edf dans le dossier data/raw/ avant de lancer les notebooks.

▶️ Installation locale

git clone https://github.com/marinedde/sleepai
cd sleepai
pip install -r requirements.txt

# Lancer l'API
uvicorn app.main:app --reload

# Lancer le dashboard
streamlit run dashboard/streamlit_app.py

Auteure

Marine Deldicque — Jedha Bootcamp CDSD/AIA 2026