Photo de Khadidja Henni

Khadidja Henni est professeure régulière en informatique au Département de Science et Technologie de la TÉLUQ. Elle détient un baccalauréat en informatique, une maîtrise en informatique spécialisée en Ingénierie des systèmes d’information, ainsi qu'un doctorat en informatique obtenu en 2017 et spécialisé en apprentissage machine.

En 2017, Khadidja Henni a rejoint la TÉLUQ en tant que chercheuse post-doctorale, travaillant sur divers projets impliquant l'intelligence artificielle. En 2020, elle a commencé à travailler pour le Département de Science et Technologie de la TÉLUQ en tant que professeure substitut en informatique.

Khadidja travaille sur deux volets essentiels de la recherche en technologie de l'information. D'une part, elle a précédemment consacré son expertise à la recherche fondamentale en développant de nouveaux algorithmes d'apprentissage machine, notamment en matière de clustering (ClusterMPP) et de sélection de caractéristiques (GraphRank). De plus, son intérêt s'étend également aux nouvelles architectures neuronales, y compris les réseaux de neurones génératifs, ainsi qu'à leur optimisation, dans le but de repousser les limites de la recherche en intelligence artificielle.

D'autre part, en recherche appliquée, elle contribue activement à l'avancement de l'IA en appliquant des techniques d'analyse de données et d'apprentissage automatique à des domaines importants tels que la médecine. Dans ce domaine, Khadidja s'est spécialisée dans l'analyse de signaux biomédicaux pour l'aide à la décision clinique, notamment dans l'évaluation des pathologies du genou assistée par l’IA, l'analyse des signaux biomédicaux pour la détection des crises d'épilepsie, et la reconnaissance des émotions par l'analyse des signaux EEG. De plus, elle s'intéresse à la bioinformatique pour la découverte de gènes liés aux maladies et à la conception de nouveaux médicaments assistée par l'IA, accélérant ainsi le processus de découverte de médicaments. En parallèle, elle s'attaque aux défis liés aux énergies vertes en abordant des problématiques d'optimisation de l'énergie et de gestion des réseaux électriques intelligents.

Formation

  • Postdoctorat en science des données à l'Université TÉLUQ. 
  • Ph. D. en informatique avec une spécialisation en apprentissage machine de l'Université des Sciences et de la Technologie d'Oran. 
  • M. Sc. en informatique avec une spécialisation en ingénierie des systèmes d'information de l'Université des Sciences et de la Technologie d'Oran. 
  • B. Sc. en informatique de l'Université de Mostaganem.

Champs d'expertise

  • Science des données.
  • Apprentissage non supervisé.
  • Apprentissage par renforcement.
  • Intelligence artificielle appliquée.
  • Bioinformatique et découverte de médicament assistée par l'ordinateur.
  • Analyse des signaux biomédicaux.
  • Réseau électrique intelligent (Smart grid).

Enseignement

Cours en préparation

  • SCI 1060 - Apprentissage par Renforcement

Publications et communications

Voici, s'il y a lieu, les documents disponibles dans R-libre, le répertoire de publications de recherche de la TÉLUQ.

Articles de revues avec comité de lecture

Jemal, Imene; Abou-Abbas, Lina; Henni, Khadidja; Mitiche, Amar et Mezghani, Neila (2024). Domain adaptation for EEG-based, cross-subject epileptic seizure prediction. Frontiers in Neuroinformatics, 18, 1303380. https://doi.org/10.3389/fninf.2024.1303380

Abou-Abbas, Lina; Henni, Khadidja; Jemal, Imene; Mitiche, Amar et Mezghani, Neila (2023). Patient-independent epileptic seizure detection by stable feature selection. Expert Systems with Applications, 232, 120585. https://doi.org/10.1016/j.eswa.2023.120585

Abou-Abbas, Lina; Jemal, Imene; Henni, Khadidja; Ouakrim, Youssef; Mitiche, Amar et Mezghani, Neila (2022). EEG oscillatory power and complexity for epileptic seizure detection. Applied Sciences, 12 (9), 4181. https://doi.org/10.3390/app12094181

Henni, Khadidja; Mezghani, Neila et Mitiche, Amar (2020). Cluster density properties define a graph for effective pattern feature selection. IEEE Access, 8, 62841-62854. https://doi.org/10.1109/ACCESS.2020.2981265

Henni, Khadidja; Mezghani, Neila et Gouin-Vallerand, Charles (2018). Unsupervised graph-based feature selection via subspace and pagerank centrality. Expert Systems with Applications, 114, 46-53. doi: 10.1016/j.eswa.2018.07.029

Henni, Khadidja; Mezghani, Neila; Gouin-Vallerand, Charles; Ruer, Perrine; Ouakrim, Youssef et Vallières, Évelyne F. (2018). Feature selection for driving fatigue characterization and detection using visual- and signal-based sensors. Applied Informatics, 5 (7), 1-15. https://doi.org/10.1186/s40535‑018‑0054‑9

Communications dans des actes avec comité de lecture

Jemal, Imene; Mitiche, Amar; Abou-Abbas, Lina; Henni, Khadidja et Mezghani, Neila (2021). An effective deep neural network architecture for cross-subject epileptic seizure detection in EEG data. Dans Proceedings of CECNet 2021: The 11th International Conference on Electronics, Communications and Networks (CECNet). IOS Press. https://doi.org/10.3233/FAIA210389

Abou-Abbas, Lina; Jemal, Imene; Henni, Khadidja; Mitiche, Amar et Mezghani, Neila (2021). Focal and generalized seizures distinction by rebalancing class data and random forest classification. Dans Bioengineering and Biomedical Signal and Image Processing, vol. 12940 (p. 63-70). Springer. ISBN 978-3-030-88163-4 https://doi.org/10.1007/978-3-030-88163-4_6

Zgolli, Fatma; Henni, Khadidja; Haddad, Rim; Mitiche, Amar; Ouakrim, Youssef; Hagemeister, Nicola; Venditolli, Pascal-André; Fuentes, Alexandre et Mezghani, Neila (2018). Kinematic data clustering for healthy knee gait characterization. Dans Proceedings of the Second Annual IEEE Life Sciences Conference (LSC 2018) (p. 239-242). IEEE. ISBN 978-1-5386-6709-5 https://doi.org/10.1109/LSC.2018.8572119

Henni, Khadidja; Mezghani, Neila; Gouin-Vallerand, Charles; Ruer, Perrine et Vallières, Évelyne F. (2018). Driving Fatigue Characterization using Feature Ranking. Dans 9th International Symposium on Signal, Image, Video and Communications (ISIVC) (p. 209-214). IEEE. ISBN 978-1-5386-8174-9 https://doi.org/10.1109/ISIVC.2018.8709179