Said Ziani est professeur à l’École Nationale Supérieure des Arts et Métiers (ENSAM) de l’Université Mohammed V de Rabat, où il mène des travaux de recherche avancée dans les domaines du génie électrique, du traitement du signal biomédical et de l’intelligence artificielle appliquée à la santé et à l’énergie.

Son expertise couvre notamment le traitement et l’extraction de signaux physiologiques complexes, tels que les signaux ECG fœtaux et les signaux EEG, en utilisant des techniques modernes d’analyse à échelle de temps, de séparation de sources et d’apprentissage profond. Ses recherches récentes s’orientent également vers le contrôle intelligent des systèmes énergétiques et la modélisation des machines électriques, intégrant des approches innovantes telles que le contrôle backstepping, les observateurs sans capteur et l’optimisation énergétique des bâtiments.

Avec plusieurs chapitres publiés chez Springer et des articles dans des revues indexées comme Multimedia Tools and Applications et Traitement du Signal, le Pr. Ziani est également actif dans les conférences internationales sur l’intelligence artificielle et les systèmes intelligents.

Ses contributions récentes incluent :

La classification améliorée de l’ECG fœtal à l’aide de modèles hybrides de deep learning.
L’intégration du contrôle backstepping dans les dispositifs d’imagerie médicale.
L’optimisation énergétique des bâtiments via la simulation intelligente.
La commande sans capteur des moteurs synchrones à aimants permanents.

Son approche scientifique s’inscrit dans une volonté de créer des solutions fiables, précises et intelligentes pour les domaines critiques de la santé numérique et de l’énergie durable, dans une dynamique de transfert technologique et de recherche appliquée au développement socio-économique.

Lokmane Ziani est un jeune chercheur marocain spécialisé en intelligence artificielle appliquée à la santé et à l’énergie renouvelable. Actuellement doctorant à l’ENSAM de Rabat, ses travaux de recherche se concentrent sur :

Le traitement avancé des signaux biomédicaux (EEG, ECG) à l’aide de réseaux de neurones profonds (CNN, LSTM, DBN, GAN, etc.).
La prédiction de la production d’énergie solaire et l’analyse de la stabilité des réseaux électriques intelligents (smart grid).
L’intégration de méthodes de réduction de dimensionnalité (ICA, PCA, DWT, CSP) dans les pipelines d’apprentissage profond.
Des applications spécifiques en cardiologie pédiatrique, détection du cancer, et monitoring non-invasif.

Il a développé plusieurs pipelines innovants combinant les réseaux de neurones profonds avec des méthodes de transformation du signal pour améliorer la précision de classification et de prédiction dans divers domaines.