Passer au contenu principal

Recherche

Afficher tous les résultats pour

Accueil

Personne

Lara Orlandic

À propos
Confidentialité
Mentions légales

Copyright © 2026 EPFL, tous droits réservés

Graph Chatbot

Source officielle

https://people.epfl.ch/lara.orlandic?lang=fr

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Unités associées (1)

Laboratoire des systèmes embarqués

EPFL
STI
IEM
ESL

Publications associées (12)

Veuillez noter qu'il ne s'agit pas d'une liste complète des publications de cette personne. Elle inclut uniquement les travaux sémantiquement pertinents. Pour une liste complète, veuillez consulter Infoscience.

Cough-E: A multimodal, privacy-preserving cough detection algorithm for the edge

David Atienza Alonso, Lara Orlandic, Tomas Teijeiro Campo, Jérôme Paul Rémy Thevenot, Stefano Albini, Jonathan Dan

Continuous cough monitors can greatly benefit doctors in home monitoring and treatment of respiratory diseases. Although many works propose algorithms to automate this task, they suffer of poor data privacy and short-term monitoring. Edge-AI is a promising ...

2025

An MLIR-based Compilation Framework for CGRA Application Deployment

David Atienza Alonso, Giovanni Ansaloni, Lara Orlandic, Juan Pablo Sapriza Araujo, Rubén Rodríguez Álvarez

Coarse-Grained Reconfigurable Arrays (CGRAs) are a programmable architectural solution that efficiently supports the execution of computation-intensive application functions (kernels). Compilers for CGRAs typically focus on optimizing the mapping of single ...

2025

How to Count Coughs: An Event-Based Framework for Evaluating Automatic Cough Detection Algorithm Performance

David Atienza Alonso, Lara Orlandic, Tomas Teijeiro Campo, Jérôme Paul Rémy Thevenot, Jonathan Dan

Chronic cough disorders are widespread and challenging to assess because they rely on subjective patient questionnaires about cough frequency. Wearable devices running Machine Learning (ML) algorithms are promising for quantifying daily coughs, providing c ...

IEEE2024