Hava Chaptoukaev
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Hava Chaptoukaev has a total of 17 co-authors. Here are the top co-authors by number of shared publications:
- Maria Alejandra Zuluaga
EURECOM
3 shared publications - Daniele Falcetta
EURECOM
2 shared publications - Benjamin Lemasson
Université Grenoble Alpes, Inserm, U1216, Grenoble Institut Neurosciences, Grenoble, France
1 shared publication - Bjoern Menze
Department of Quantitative Biomedicine, University of Zurich, Zurich, Switzerland
1 shared publication - Fabrizio Capitano
University Cote d’Azur, Institute of Molecular and Cellular Pharmacology, Valbonne-Sophia Antipolis 06560, France
1 shared publication - Francesco Galati
EURECOM
1 shared publication
Latest Publications
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
AI for e-Health : Robust Artificial Intelligence Models for the Analysis of Wearable Medical Devices Data
L'IA pour la e-santé : conception d'outils d'Intelligence Artificielle robustes pour l'analyse de données de dispositif médicaux portables: L'analyse basée sur l'intelligence artificielle (IA) des données multimodales collectées à l'aide de capteurs portables, peu coûteux et accessibles, apparaît comme une opportunité prometteuse pour démocratiser l'accès aux soins de santé. Elle faciliterait la prévention de divers problèmes de santé et réduirait la nécessité d'examens cliniques coûteux, difficilement accessibles à une grande partie de la population. Toutefois, la fiabilité et la robustesse des algorithmes d'IA, souvent négligées dans la recherche sur les soins de santé, suscitent encore des inquiétudes. D'une part, les algorithmes existants sont entraînés sur des données peu représentatives du monde réel, et d'autre part, leurs architectures les rendent vulnérables aux diverses perturbations couramment rencontrées une fois déployés. L'objectif de ce doctorat est de développer des méthodes innovantes, robustes et fiables pour l'analyse des données de capteurs portables - avec un accent particulier sur la robustesse aux données manquantes. Nous voulons proposer des méthodes multimodales évaluées sur données réelles et conçues pour être adaptées à diverses applications médicales - allant de l'analyse des signaux physiologiques à l'analyse d'imagerie multimodale. Nous proposons 5 contributions pour atteindre cet objectif. (1) Nous présentons StressID, un jeu de données conçu pour l'identification du stress à partir de données unimodales et multimodales, que nous avons rendu public. Il contient des vidéos, des enregistrements audio et des signaux physiologiques collectés à l'aide de capteurs portables. Il comprend les données de 65 participants, et donc un large éventail de réponses. Il s'agit d'un support précieux pour la création d'applications fiables et robustes pour l'identification du stress. (2) Nous proposons une suite de modèles pour l'analyse de StressID, qui est représentative de l'état de l'art actuel dans le domaine, et a pour but de faciliter les contributions futures en fournissant un point de départ pour les chercheurs. Nous analysons les limitations des modèles existants, et identifions la robustesse aux données manquantes comme un aspect essentiel pour exploiter les avantages des données multimodales. (3) Nous examinons si la riche littérature existante sur les valeurs manquantes peut être exploitée pour remédier à ce problème. Nous étudions les méthodes existantes pour traiter les données manquantes, et évaluons leur fiabilité dans les applications de soins de santé. Cela nous permet d'identifier les forces et les limites des approches existantes, pour finalement dériver un ensemble de recommandations pour traiter correctement et de manière responsable les valeurs manquantes dans les applications de santé. (4) Sur la base des considérations ainsi identifiées, nous proposons PicMi, un modèle sans imputation pour l'apprentissage supervisé avec des valeurs manquantes dans des données tabulaires. Il utilise une architecture invariante par permutation pour traiter des entrées de dimensions variables ; intègre les motifs de valeurs manquantes comme condition dans son apprentissage pour assurer la robustesse à divers scénarios de valeurs manquantes ; et est localement interprétable. (5) Nous étendons notre approche à l'apprentissage multimodal avec des modalités manquantes et présentons HyperMM, une méthode conçue pour traiter les modalités manquantes sans utiliser de reconstruction - contrairement aux solutions existantes. Nous proposons une stratégie pour l'entraînement d'un extracteur de caractéristiques universel en utilisant un hypernetwork conditionnel, et proposons un réseau neuronal invariant par permutation qui peut gérer des entrées de dimensions variables pour traiter les caractéristiques extraites. Notre méthode est intégrée de bout-en-bout et peut être utilisée dans diverses applications, contribuant ainsi au développement de systèmes d'intelligence artificielle plus fiables et plus robustes dans le domaine des soins de santé.
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
AI for e-Health : Robust Artificial Intelligence Models for the Analysis of Wearable Medical Devices Data
L'IA pour la e-santé : conception d'outils d'Intelligence Artificielle robustes pour l'analyse de données de dispositif médicaux portables: L'analyse basée sur l'intelligence artificielle (IA) des données multimodales collectées à l'aide de capteurs portables, peu coûteux et accessibles, apparaît comme une opportunité prometteuse pour démocratiser l'accès aux soins de santé. Elle faciliterait la prévention de divers problèmes de santé et réduirait la nécessité d'examens cliniques coûteux, difficilement accessibles à une grande partie de la population. Toutefois, la fiabilité et la robustesse des algorithmes d'IA, souvent négligées dans la recherche sur les soins de santé, suscitent encore des inquiétudes. D'une part, les algorithmes existants sont entraînés sur des données peu représentatives du monde réel, et d'autre part, leurs architectures les rendent vulnérables aux diverses perturbations couramment rencontrées une fois déployés. L'objectif de ce doctorat est de développer des méthodes innovantes, robustes et fiables pour l'analyse des données de capteurs portables - avec un accent particulier sur la robustesse aux données manquantes. Nous voulons proposer des méthodes multimodales évaluées sur données réelles et conçues pour être adaptées à diverses applications médicales - allant de l'analyse des signaux physiologiques à l'analyse d'imagerie multimodale. Nous proposons 5 contributions pour atteindre cet objectif. (1) Nous présentons StressID, un jeu de données conçu pour l'identification du stress à partir de données unimodales et multimodales, que nous avons rendu public. Il contient des vidéos, des enregistrements audio et des signaux physiologiques collectés à l'aide de capteurs portables. Il comprend les données de 65 participants, et donc un large éventail de réponses. Il s'agit d'un support précieux pour la création d'applications fiables et robustes pour l'identification du stress. (2) Nous proposons une suite de modèles pour l'analyse de StressID, qui est représentative de l'état de l'art actuel dans le domaine, et a pour but de faciliter les contributions futures en fournissant un point de départ pour les chercheurs. Nous analysons les limitations des modèles existants, et identifions la robustesse aux données manquantes comme un aspect essentiel pour exploiter les avantages des données multimodales. (3) Nous examinons si la riche littérature existante sur les valeurs manquantes peut être exploitée pour remédier à ce problème. Nous étudions les méthodes existantes pour traiter les données manquantes, et évaluons leur fiabilité dans les applications de soins de santé. Cela nous permet d'identifier les forces et les limites des approches existantes, pour finalement dériver un ensemble de recommandations pour traiter correctement et de manière responsable les valeurs manquantes dans les applications de santé. (4) Sur la base des considérations ainsi identifiées, nous proposons PicMi, un modèle sans imputation pour l'apprentissage supervisé avec des valeurs manquantes dans des données tabulaires. Il utilise une architecture invariante par permutation pour traiter des entrées de dimensions variables ; intègre les motifs de valeurs manquantes comme condition dans son apprentissage pour assurer la robustesse à divers scénarios de valeurs manquantes ; et est localement interprétable. (5) Nous étendons notre approche à l'apprentissage multimodal avec des modalités manquantes et présentons HyperMM, une méthode conçue pour traiter les modalités manquantes sans utiliser de reconstruction - contrairement aux solutions existantes. Nous proposons une stratégie pour l'entraînement d'un extracteur de caractéristiques universel en utilisant un hypernetwork conditionnel, et proposons un réseau neuronal invariant par permutation qui peut gérer des entrées de dimensions variables pour traiter les caractéristiques extraites. Notre méthode est intégrée de bout-en-bout et peut être utilisée dans diverses applications, contribuant ainsi au développement de systèmes d'intelligence artificielle plus fiables et plus robustes dans le domaine des soins de santé.
- 20 September 2025
- Published by Springer Nature
- p. 655-665
VesselVerse: A Dataset and Collaborative Framework for Vessel Annotation
- 20 September 2025
- Published by Springer Nature
- p. 655-665
VesselVerse: A Dataset and Collaborative Framework for Vessel Annotation
- 19 September 2025
- Published by Springer Nature
- p. 470-480
One-Shot Active Learning for Vessel Segmentation
- 19 September 2025
- Published by Springer Nature
- p. 470-480
One-Shot Active Learning for Vessel Segmentation
- Open Access
- 29 May 2024
- Published by National Academy of Sciences in Proceedings of the National Academy of Sciences
- Vol. 121 (23)
Preictal dysfunctions of inhibitory interneurons paradoxically lead to their rebound hyperactivity and to low-voltage-fast onset seizures in Dravet syndrome
Epilepsies have numerous specific mechanisms. The understanding of neural dynamics leading to seizures is important for disclosing pathological mechanisms and developing therapeutic approaches. We investigated electrographic activities and neural dynamics leading to convulsive seizures in patients and mouse models of Dravet syndrome (DS), a developmental and epileptic encephalopathy in which hypoexcitability of GABAergic neurons is considered to be the main dysfunction. We analyzed EEGs from DS patients carrying a SCN1A pathogenic variant, as well as epidural electrocorticograms, hippocampal local field potentials, and hippocampal single-unit neuronal activities in Scn1a +/− and Scn1a RH/+ DS mice. Strikingly, most seizures had low-voltage-fast onset in both patients and mice, which is thought to be generated by hyperactivity of GABAergic interneurons, the opposite of the main pathological mechanism of DS. Analyzing single-unit recordings, we observed that temporal disorganization of the firing of putative interneurons in the period immediately before the seizure (preictal) precedes the increase of their activity at seizure onset, together with the entire neuronal network. Moreover, we found early signatures of the preictal period in the spectral features of hippocampal and cortical field potential of Scn1a mice and of patients’ EEG, which are consistent with the dysfunctions that we observed in single neurons and that allowed seizure prediction. Therefore, the perturbed preictal activity of interneurons leads to their hyperactivity at the onset of generalized seizures, which have low-voltage-fast features that are similar to those observed in other epilepsies and are triggered by hyperactivity of GABAergic neurons. Preictal spectral features may be used as predictive seizure biomarkers.
- 29 May 2024
- Published by National Academy of Sciences in Proceedings of the National Academy of Sciences
- Vol. 121 (23)
Open AccessPreictal dysfunctions of inhibitory interneurons paradoxically lead to their rebound hyperactivity and to low-voltage-fast onset seizures in Dravet syndrome
Epilepsies have numerous specific mechanisms. The understanding of neural dynamics leading to seizures is important for disclosing pathological mechanisms and developing therapeutic approaches. We investigated electrographic activities and neural dynamics leading to convulsive seizures in patients and mouse models of Dravet syndrome (DS), a developmental and epileptic encephalopathy in which hypoexcitability of GABAergic neurons is considered to be the main dysfunction. We analyzed EEGs from DS patients carrying a SCN1A pathogenic variant, as well as epidural electrocorticograms, hippocampal local field potentials, and hippocampal single-unit neuronal activities in Scn1a +/− and Scn1a RH/+ DS mice. Strikingly, most seizures had low-voltage-fast onset in both patients and mice, which is thought to be generated by hyperactivity of GABAergic interneurons, the opposite of the main pathological mechanism of DS. Analyzing single-unit recordings, we observed that temporal disorganization of the firing of putative interneurons in the period immediately before the seizure (preictal) precedes the increase of their activity at seizure onset, together with the entire neuronal network. Moreover, we found early signatures of the preictal period in the spectral features of hippocampal and cortical field potential of Scn1a mice and of patients’ EEG, which are consistent with the dysfunctions that we observed in single neurons and that allowed seizure prediction. Therefore, the perturbed preictal activity of interneurons leads to their hyperactivity at the onset of generalized seizures, which have low-voltage-fast features that are similar to those observed in other epilepsies and are triggered by hyperactivity of GABAergic neurons. Preictal spectral features may be used as predictive seizure biomarkers.