Ingénieur en Génie Électrique · Titulaire du Master M2 SSD (Signaux, Systèmes et Données) · Doctorant
Embedded Firmware Engineering (enthousiaste) · Embedded & FPGA · IoT · IA (ML / DL / Transformers)
Electrical Engineer · MSc. in Signals, Systems and Data (SSD) · PhD Candidate
Embedded Firmware Engineering Enthusiast · Embedded & FPGA · IoT · AI (ML / DL / Transformers)
Ingénieur diplômé en Génie Électrique de l'ENIT — École Nationale d'Ingénieurs de Tunis (National Engineering School of Tunis), spécialisé en SMART — Systèmes Microélectroniques Avancés Reconfigurables Temps Réel (Advanced Reconfigurable Real-Time Microelectronic Systems), et titulaire d'un Master M2 SSD — Signaux, Systèmes et Données (MSc. SSD — Signals, Systems and Data) à l'ENIT.
Doctorant en Génie Électrique (Systèmes embarqués et intelligence artificielle) au laboratoire LARA de l'ENIT, je travaille sur la co-conception modèle–matériel : des accélérateurs FPGA économes en énergie pour Transformers quantifiés destinés aux dispositifs médicaux embarqués.
Electrical Engineer graduated from ENIT — École Nationale d'Ingénieurs de Tunis (National Engineering School of Tunis), specialized in SMART — Advanced Reconfigurable Real-Time Microelectronic Systems, and holder of an MSc. in Signals, Systems and Data (SSD) from ENIT.
PhD candidate in Electrical Engineering (Embedded Systems and Artificial Intelligence) at the LARA laboratory, ENIT, working on model–hardware co-design: energy-efficient FPGA accelerators for quantized Transformers targeting edge medical devices.
J'ai récemment achevé mon Projet de Fin d'Études (PFE) chez Actia Engineering Services, portant sur le diagnostic de défauts des moteurs synchrones à aimants permanents (PMSM), notamment la détection des défauts d'isolation entre spires (ITSC) par fusion de signaux vibratoires et de courant et l'utilisation de techniques d'apprentissage automatique. Ce même sujet constitue mon mémoire de mastère de recherche M2 SSD.
My recent Final Year Project (PFE) at Actia Engineering Services focused on Permanent Magnet Synchronous Motor (PMSM) fault diagnosis, particularly Inter-Turn Short Circuit (ITSC) detection, through vibration and current signal fusion combined with machine learning techniques. The same topic is also my M2 SSD research master's thesis.
Mon parcours couvre le développement firmware, les systèmes embarqués et temps réel, les architectures IoT, le traitement du signal, l'IA embarquée (ML, Deep Learning, Transformers, quantification) et la robotique, avec un intérêt particulier pour la conception de solutions robustes, intelligentes et orientées déploiement industriel.
My background spans firmware development, embedded and real-time systems, IoT architectures, signal processing, edge AI (ML, Deep Learning, Transformers, quantization), and robotics, with a strong interest in designing robust, intelligent, and industry-oriented solutions.
struct Houssem {
char *role = "PhD Candidate | MSc. SSD | Embedded Firmware Engineering Enthusiast | Embedded & FPGA | IoT | ML/DL";
char *motto = "In embedded systems, timing is everything.";
char *code[] = {"C", "C++", "Python", "Rust", "VHDL", "Assembly", "MATLAB"};
char *hw[] = {"FPGA (Artix-7, Zynq)", "STM32", "STM32MP157-DK2", "ESP32", "Jetson Nano", "BeagleBone", "Raspberry Pi"};
char *rtos[] = {"FreeRTOS", "Linux PREEMPT-RT", "Embedded Linux"};
char *ai[] = {"PyTorch", "TensorFlow/Lite", "Transformers", "Quantization (Brevitas)", "TinyML", "OpenCV", "YOLO", "Scikit-learn"};
char *fpga[] = {"Vivado", "Vitis HLS", "hls4ml", "FINN", "ONNX"};
char *focus[]= {"Embedded Systems", "FPGA Acceleration", "Edge AI", "IoT", "Real-Time Control", "Robotics", "Biomedical Signals"};
};| Sujet / Topic | Energy-Efficient FPGA Accelerators for Quantized Transformers in Edge Medical Devices |
| Titre (FR) | Accélérateurs FPGA économes en énergie pour Transformers quantifiés dans les dispositifs médicaux embarqués |
| Spécialité / Field | Génie Électrique — Systèmes embarqués et intelligence artificielle |
| Directeur de thèse / Advisor | Prof. Joseph Haggège |
| Co-encadrant / Co-advisor | Dr. Yassine Manai |
| Laboratoire / Lab | LARA — Laboratoire de Recherche en Automatique, ENIT |
| École doctorale / Doctoral school | Sciences et Techniques de l'Ingénieur |
| École / University | ENIT — Université Tunis El Manar |
| Année / Year | 2026 – 2027 (durée prévue / planned duration: 42 mois / months) |
Problématique / Research problem. Les Transformers dépassent les CNN/RNN sur de nombreuses tâches de signaux biomédicaux (NIR, ECG, PPG), mais leur coût (attention quadratique, poids en Mo, non-linéarités en virgule flottante) freine leur déploiement sur des dispositifs portables sous budget de batterie.
Transformers outperform CNNs/RNNs on many biomedical signal tasks, but their cost (quadratic attention, multi-MB weights, floating-point nonlinearities) hinders deployment on battery-powered wearables.
Axes de recherche / Research axes
- Quantification consciente du matériel : INT8/INT4 en précision mixte, softmax / GELU / LayerNorm entiers (approximations polynomiales ou tabulées), distillation de connaissances.
- Architecture d'attention en flux sur Artix-7 et Zynq : attention par tuiles, attention linéaire ou creuse, élagage de têtes, double tampon mémoire.
- Modèle analytique de performances (latence, énergie, LUT/DSP/BRAM) pour l'exploration de l'espace de conception.
- Flot ouvert et vérifiable PyTorch → Brevitas/ONNX → HLS → bitstream, avec vecteurs de test bit-exacts.
- Validation applicative : estimation du glucose par spectroscopie proche infrarouge (SST-Transformer) et classification d'arythmies ECG.
Objectifs visés / Target metrics
| Métrique / Metric | Cible / Target |
|---|---|
| Perte de précision vs flottant | < 1 % |
| Latence par fenêtre de signal | < 10 ms |
| Puissance | < 500 mW |
| Efficacité énergétique vs GPU embarqué | ≥ 5× (inférences/joule) |
| Latence vs ARM Cortex-M7 | ≥ 10× plus faible |
| Erreur du modèle analytique | < 10 % |
| Période / Period | Rôle / Role | Entreprise / Company |
|---|---|---|
| Nov 2026 – Présent | Doctorant — FPGA, Transformers quantifiés, IA médicale embarquée (PhD Candidate) | LARA Lab, ENIT |
| Fév–Août 2026 | PFE — Maintenance Prédictive / PMSM Fault Diagnosis | Actia Engineering Services |
| Juin–Juil 2025 | Stagiaire Recherche — Robotique & Vision (Research Intern) | LARA Lab, ENIT |
| Jan 2025 – Présent | Formateur / Instructor (C/C++, Python, Embarqué, RTOS, LaTeX, Git) | Z Training |
| Sep 2024 – Présent | Stagiaire IoT — Maintenance Prédictive Acoustique (IoT Intern) | DbSense |
| Juil–Août 2024 | Stagiaire IoT — Déploiement Lab Azure IoT (IoT Intern) | C4I Tunisie |
| Fév–Avr 2024 | Stagiaire Firmware — Gestionnaire d'erreurs FreeRTOS (Firmware Intern) | Wattnow |
| Juil 2023 | Stagiaire Industriel — Maintenance GMAO (Industrial Intern — CMMS) | SAFRAN Tunisie |
Co-conception modèle–matériel pour l'IA médicale embarquée Model–hardware co-design for edge medical AI
- Quantification entière (INT8/INT4) de Transformers pour signaux biomédicaux (NIR, ECG) avec Brevitas et PyTorch
- Noyaux HLS en flux (matmul systolique, attention par tuiles, softmax / LayerNorm entiers) pour Artix-7 et Zynq UltraScale+
- Flot reproductible PyTorch → ONNX → HLS → bitstream avec équivalence bit-exacte
- Modèle analytique de performances et exploration multi-objectif (latence, énergie, ressources)
Maintenance prédictive par ML appliqué aux signaux de fonctionnement PMSM — sujet également retenu comme mémoire de mastère de recherche M2 SSD ML-based predictive maintenance applied to PMSM operating signals — also the topic of my M2 SSD research master's thesis
- Détection de défauts ITSC (ITSC fault detection) dans les moteurs PMSM triphasés par fusion courant + vibration
- Exploitation du dataset industriel KAIST et banc d'essai expérimental (NI cDAQ, 100 kHz courant / 25,6 kHz vibration)
- Extraction de caractéristiques statistiques, baseline AdaBoost (SAMME), exploration du deep learning sur graphe (ST-MGCN)
- Comparaison de 12 algorithmes ML (régression logistique, SVM, KNN, CART, Random Forest, Extra Trees, AdaBoost, XGBoost, LightGBM, CatBoost, MLP) avec F1-macro > 98,7 % par moteur
- CNN1D résiduel (Keras/TensorFlow) sur courants triphasés bruts (fenêtres 2500 × 3) pour l'estimation du Fault Ratio, suivie d'une classification Nearest-Class SC0–SC7
- Implémentation embarquée directe sur la carte STM32MP157-DK2 (direct embedded implementation) :
Python / Keras (CNN1D)→export ONNX→quantification INT8 ou conservation FP32→ONNX Runtime→application C/C++ sous Linux embarquéVariante INT8 : taille réduite d'environ 90 % par rapport au modèle Keras. - Projet final sur carte (final on-board system) : capteur de courant relié à la carte → code C/C++ de traitement du signal (acquisition, fenêtrage, normalisation Z-score) → passage dans le modèle CNN1D → résultat de diagnostic (sévérité du défaut ITSC) → tests sur la maquette (test bench)
- Déploiement sur STM32MP157-DK2 (Cortex-A7, Linux embarqué) pour la maintenance conditionnelle (condition-based maintenance)
- Système de suivi de trajectoire pour drones mobiles : ROS2, Gazebo, PX4 Autopilot
- Nœuds ROS en Python & C++ pour la navigation autonome (autonomous navigation)
- Détection d'objets YOLO déployée sur Jetson Nano — tests SITL & HITL
- C/C++, Python (NumPy/Matplotlib/SciPy), Développement Embarqué (ESP32/STM32), RTOS, LaTeX, Git/GitHub
- Coaching professionnel : optimisation LinkedIn, rédaction de CV (professional development: LinkedIn optimization, CV writing)
- Solution de maintenance prédictive basée sur l'analyse de données acoustiques avec détection d'anomalies par ML Predictive maintenance via acoustic data analysis with ML anomaly detection
- Environnement lab IoT déployé sur Azure IoT Hub avec simulations temps réel et formation pratique dispensée à des étudiants et professionnels IoT lab environment on Azure IoT Hub with real-time data simulations and hands-on training delivery
- Module de gestion d'erreurs temps réel : buffer circulaire + FreeRTOS sur STM32 (UART/SPI), refactorisation machines à états (FSM) Real-time error management module: circular buffer + FreeRTOS on STM32, FSM refactoring
- Support technique en maintenance corrective et préventive, gestion des ordres de travail via GMAO DimoMaint (CMMS) Technical support for corrective & preventive industrial maintenance, work orders via DimoMaint CMMS
| Diplôme / Degree | Établissement / Institution | Années / Years |
|---|---|---|
| Doctorat en Génie Électrique — Systèmes embarqués et IA (PhD in Electrical Engineering — Embedded Systems and AI) | ENIT — Laboratoire LARA, École Doctorale Sciences et Techniques de l'Ingénieur, Université Tunis El Manar | 2026 – Présent |
| Diplôme d'Ingénieur — Génie Électrique, Spécialité SMART (Systèmes Microélectroniques Avancés Reconfigurables Temps Réel / Advanced Reconfigurable Real-Time Microelectronic Systems) + Master M2 SSD (Signaux, Systèmes et Données / MSc. SSD — Signals, Systems and Data) — mémoire de recherche : diagnostic de défauts ITSC des PMSM, même sujet que le PFE (research thesis: PMSM ITSC fault diagnosis, same topic as the PFE) | ENIT — École Nationale d'Ingénieurs de Tunis (National Engineering School of Tunis) | 2022 – 2026 |
| Classes Préparatoires MP (Maths-Physique / Math-Physics Preparatory Classes) | IPEIN — Nabeul | 2020 – 2022 |
| Baccalauréat Mathématiques (Mathematics Baccalaureate) | Lycée Nahj El Menzah — Béni Khalled | 2020 |
| Projet / Project | Technologies | Description |
|---|---|---|
| Accélérateurs FPGA pour Transformers quantifiés (Thèse) (FPGA Accelerators for Quantized Transformers — PhD) | PyTorch, Brevitas, ONNX, Vitis HLS, hls4ml, FINN, Artix-7, Zynq | Quantification INT8/INT4, attention en flux, softmax/GELU/LayerNorm entiers, flot bit-exact PyTorch → bitstream (in progress) |
| Diagnostic de Défauts PMSM (PFE + Mémoire Master SSD) (PMSM Fault Diagnosis — PFE & M2 SSD thesis) | Python, Keras, ONNX, ONNX Runtime, C/C++, Embedded Linux, STM32MP157-DK2, MATLAB, NI cDAQ | Détection ITSC (ML + CNN1D), export ONNX FP32/INT8, inférence C/C++ sous Linux sur STM32MP157-DK2, chaîne capteur de courant → traitement du signal → modèle → diagnostic, testée sur maquette (ITSC detection, on-board inference, validated on a test bench) |
| Modélisation & Simulation BEV (BEV Modelling & Simulation) | MATLAB/Simulink, PMSM, FOC | Groupe motopropulseur complet (full electric powertrain): FOC, freinage régénératif (regenerative braking), BMS |
| Suivi de Trajectoire Drone (Drone Trajectory Tracking) | ROS2, Gazebo, PX4, YOLO, Jetson Nano | Drone autonome avec détection d'objets embarquée (embedded object detection) — validé SITL & HITL |
| Projet / Project | Technologies | Description |
|---|---|---|
| Contrôle Quadricoptère (Quadcopter Drone Control) | STM32F407, ESP32, FreeRTOS, BLDC, IMU | Contrôleur de vol complet avec manette sans fil ESP32 (full flight controller with wireless gamepad) |
| Processeur RISC-V (RISC-V Processor) | VHDL, FPGA | Cœur RISC-V complet : synthèse, implémentation FPGA, validation fonctionnelle |
| Contrôle Moteur Linux Embarqué (Embedded Linux Motor Control) | BeagleBone Black, PREEMPT-RT | Noyau RT, drivers personnalisés, contrôle moteur à latence déterministe |
| Thermomètre Numérique en Rust (AVR) (Digital Thermometer in Rust) | Rust, ATmega328P, ADC, Timer1 | ADC 10 bits, réf. ext. 4V, échantillonnage 100 ms, affichage 7 segments |
| Gant Connecté — Main Myoélectrique (Connected Glove — Myoelectric Hand) | C, EMG, Arduino, ESP32, ML | Capture de gestes EMG + traitement biomécanique temps réel |
| Projet / Project | Technologies | Description |
|---|---|---|
| Maintenance Prédictive (DbSense) | Python, ML, IoT, DSP | Détection d'anomalies acoustiques industrielles (industrial acoustic anomaly detection) |
| Framework Traitement du Signal TR (RT Signal Processing Framework) | Python, NumPy, SciPy | FIR/IIR optimisés, FFT temps réel, buffer circulaire |
| Prédiction Risque NEO NASA (NASA NEO Hazard Prediction) | Python, Scikit-learn, Pandas | Random Forest sur 1,5M+ entrées — ROC-AUC : 0,92 |
| Simulateur PID Modulaire (Modular PID Simulator) | Python, NumPy, Matplotlib | Moteur DC & pendule inversé, réglage interactif |
| Prédiction Performance CPU (CPU Performance Prediction) | Python, Scikit-learn | Régression linéaire multiple — MSE : 0,12, R² : 0,94 |
| Prédiction Prix Immobilier (Real Estate Price Prediction) | Python, RandomForest | Surface/année/qualité — R² : 0,86 |
| Projet / Project | Technologies | Description |
|---|---|---|
| Ordonnanceur TR Adaptatif (Adaptive RT Scheduler) | C, RTOS | Priorité dynamique & gestion de ressources avec benchmarks |
| Système Gestion d'Erreurs (Error Management System) | C, FreeRTOS | Buffer circulaire, bare-metal + RTOS, journalisation persistante |
| Enregistreur de Données STM32 (STM32 Data Logger) | STM32, C, Python, UART | Acquisition ADC, stockage CSV, visualisation Matplotlib temps réel |
| GUI ADC Multi-Canal MCU Python | Python, Tkinter, PySerial | UART + STM32, visualisation TR multi-canal, filtrage numérique NumPy |
| Allocateur Mémoire Personnalisé (Custom Memory Allocator) | C, pthread | malloc/free liste chaînée, thread-safe, alignement 16 octets |
| Shell Unix Simplifié (Simplified Unix Shell) | C, GCC | Commandes de base (cd, help, exit), gestion d'erreurs |
| Wattmètre Solaire (Solar Power Meter) | STM32, HAL, ADC, I2C | Acquisition tension/courant/température, conditionnement de signal, LCD |
| Certification | Plateforme / Platform | Date |
|---|---|---|
| IEEEXtreme 14.0 — Top 15% mondial (worldwide) — 25+ problèmes / problems | IEEE | Oct 2020 |
| Machine Learning Specialization (TF Lite, Bayesian Optimization) | Coursera | Juil 2024 |
| Computer Hardware Basics | Cisco | Jan 2024 |
| Machine Learning Fundamentals (92% accuracy) | DataCamp | Nov 2023 |
| Embedded Systems Architecture | Coursera | Déc 2023 |
-
Représentant des Étudiants & Membre du Conseil Scientifique / Student Representative & Scientific Council Member — ENIT (Sep 2024 – Sep 2026)
- Interface entre les étudiants et la direction (directeur, chefs de département, secrétaire général, enseignants) : recueil des besoins, argumentation et défense de propositions.
- Participation aux décisions stratégiques du Conseil Scientifique, recherche de compromis entre parties prenantes aux intérêts divergents.
- Contribution à l'évaluation de la vie universitaire et à l'amélioration des plans d'étude à partir des retours du terrain.
- Membre du Comité Qualité de l'ENIT : suivi de la qualité du service rendu et identification des axes d'amélioration.
- Liaison between students and school management; contributed to Scientific Council strategic decisions, curriculum improvement, and the ENIT Quality Committee.
-
Président / President — Club Génie Électrique ENIT (Electrical Engineering Club) (Sep 2023 – Présent/Present)
- Relancement du club et hausse de la participation étudiante.
- Ateliers techniques pratiques (STM32, IoT, Arduino).
- Relaunched the club and increased student participation; organized hands-on STM32/IoT/Arduino workshops.
-
Responsable Base de Données / Database Manager — IAESTE Tunisie (Sep 2023 – Juin/Jun 2024)
- Modernisation du système de gestion des stages internationaux.
- Développement d'outils d'analyse de données pour le conseil d'administration.
- Réduction de 30 % du temps de traitement des candidatures.
- Modernized the international internship management system; built data analysis tools for the board; cut application processing time by 30%.
-
Responsable Santé & Secourisme / Health & First Aid Officer — Croissant-Rouge Tunisien (Red Crescent), Ben Khalled (Jun 2023 – Jan 2024)
- Formation de 150+ volontaires aux premiers secours.
- Pilotage de la logistique de 5 campagnes sanitaires communautaires.
- Hausse de 20 % de l'engagement citoyen grâce à des ateliers de prévention.
- Trained 150+ volunteers in first aid; led logistics for 5 community health campaigns; increased civic engagement by 20%.
-
Formateur en Gestion de Crises / Crisis Management Trainer — Croissant-Rouge Tunisien (Août/Aug 2022 – Présent/Present)
- Déploiement de protocoles d'urgence dans 10+ délégations régionales.
- Conception de modules de formation adaptés aux risques locaux.
- Coordination de l'action inter-agences lors de 3 exercices nationaux de simulation.
- Deployed emergency protocols across 10+ regional delegations; designed locally adapted training modules; coordinated inter-agency action in 3 national simulation exercises.
Arabe / Arabic Langue maternelle (Native) | Français / French B2 | Anglais / English B2 | Allemand / German Débutant (Beginner)
Ouvert aux collaborations en systèmes embarqués, accélération FPGA, IoT, IA embarquée (ML/DL/Transformers) et traitement du signal. Open to collaboration on embedded systems, FPGA acceleration, IoT, edge AI (ML/DL/Transformers), and signal processing projects.
📬 houssemeddine.lahmar@etudiant-enit.utm.tn 📬 houssemeddine.lahmer@outlook.com 📬 houssemeddinelahmer4@gmail.com

