- Accueil
- L'UTT
- Actualités
E-santé : Israa Bayad, doctorante au LIST3N, reçoit le prix "Best Women in Engineering" à IEEE MEMEA 2025
Publié le 12 juin 2025
–
Mis à jour le 12 juin 2025
Date(s)
le 5 juin 2025
Lors de la conférence internationale IEEE MEMEA 2025 (Medical Measurements and Applications), qui s’est tenue du 28 au 30 mai à La Canée, en Grèce, Israa Bayad, doctorante en cotutelle entre l’Université de technologie de Troyes (unité de recherche LIST3N) et l’Université Libanaise, a reçu le prix de "Best Women in Engineering". Cette distinction a été remise lors du gala de clôture de l’événement, en reconnaissance de la qualité scientifique de ses travaux présentés.
La conférence IEEE MEMEA constitue un rendez-vous majeur pour la communauté scientifique travaillant sur les dispositifs de mesure et les technologies médicales. Elle rassemble chaque année des chercheurs, des ingénieurs et des cliniciens autour des avancées en instrumentation, traitement du signal biomédical, capteurs intelligents et systèmes de surveillance de la santé.
Le travail primé d’Israa Bayad, intitulé Adaptive Fall Detection Using WiFi CSI for Unseen Environments and New Individuals, propose un modèle de détection de chutes basé sur l’analyse des informations d’état des canaux WiFi (Channel State Information - CSI). Le système repose sur une architecture de réseau convolutif conçu pour s’adapter à des environnements inconnus et à de nouveaux profils d’utilisateurs, sans recours à des capteurs portés. Cette approche vise à offrir une solution de détection à bas coût, non intrusive, et utilisable en conditions réelles.
La recherche s’inscrit dans le cadre d’une thèse co-dirigée par Farah Chehade (LIST3N – Axe MSAD) et Hassan Amoud (Université Libanaise), avec le co-encadrement de Sandy Mahfouz et Khouloud Al-Samrouth. Elle témoigne de la dynamique de collaboration internationale autour des problématiques de santé connectée, portée par l’équipe MSAD (Modélisation des Systèmes Autonomes et Décisionnels) au sein de l’unité de recherche LIST3N de l'UTT.
Le travail primé d’Israa Bayad, intitulé Adaptive Fall Detection Using WiFi CSI for Unseen Environments and New Individuals, propose un modèle de détection de chutes basé sur l’analyse des informations d’état des canaux WiFi (Channel State Information - CSI). Le système repose sur une architecture de réseau convolutif conçu pour s’adapter à des environnements inconnus et à de nouveaux profils d’utilisateurs, sans recours à des capteurs portés. Cette approche vise à offrir une solution de détection à bas coût, non intrusive, et utilisable en conditions réelles.
La recherche s’inscrit dans le cadre d’une thèse co-dirigée par Farah Chehade (LIST3N – Axe MSAD) et Hassan Amoud (Université Libanaise), avec le co-encadrement de Sandy Mahfouz et Khouloud Al-Samrouth. Elle témoigne de la dynamique de collaboration internationale autour des problématiques de santé connectée, portée par l’équipe MSAD (Modélisation des Systèmes Autonomes et Décisionnels) au sein de l’unité de recherche LIST3N de l'UTT.
mise à jour le 12 juin 2025