Cet article présente une méthode visant à améliorer l'efficacité et la fiabilité de la détection des crises d'épilepsie par EEG, à l'aide d'un modèle CNN 1D léger et d'un élagage structurel. Le modèle, entraîné par une technique d'arrêt précoce pour éviter le surapprentissage, a atteint une précision de 92,78 % et un score Macro-F1 de 0,8686. L'élagage de 50 % des noyaux convolutifs a permis de réduire les poids et l'utilisation de la mémoire de 50 %, tout en maintenant les performances de prédiction. La précision a légèrement augmenté, atteignant 92,87 %, et le score Macro-F1 a légèrement augmenté, atteignant 0,8707. Cela démontre que l'élagage structurel supprime la redondance et améliore les performances de généralisation. Associé à un arrêt précoce, il constitue une méthode prometteuse pour améliorer l'efficacité et la fiabilité de la détection des crises d'épilepsie dans des environnements aux ressources limitées.
