Analyse de signaux physiologiques pour la prédiction de l'évolution pathologique par intelligence atificielle. Application à la maladie de Parkinson et à l'analyse quantifiée de la marche
Analyse de signaux physiologiques pour la prédiction de l'évolution pathologique par intelligence atificielle. Application à la maladie de Parkinson et à l'analyse quantifiée de la marche
Where did the research take place?
The study site has not been established. Author addresses may differ from where the research occurred.
A plain-language reading has not been prepared for this paper yet.
Original abstract
Cette thèse s’intéresse à la prédiction de l’évolution pathologique dans des signaux biomédicaux monodimensionnels par intelligence artificielle. Nous avons utilisé deux bases de données : EMA (Ecological Momentary Assessment) et AQM (Analyse Quantifiée de la Marche). Pour EMA, les réponses de patients atteints de la maladie de Parkinson à une question posée plusieurs fois par jour et portant sur leur état de santé global ont été prédites à partir des données de capteurs portables (accéléromètre et gyroscope). La base de données AQM comporte les cinématiques d’un certain nombre de patients présentant des troubles de la marche et suivis d’une manière longitudinale. La prédiction du sens de la variation du GPS (Gait Profile Score), un indicateur clé de l’AQM indiquant la déviation par rapport à une marche normale, est le centre de nos travaux. Deux approches ont été considérées : image et signal. L’approche image consiste à convertir les signaux des cinématiques en des images GAF (Gramian Angular Field), MTF (Markov Transition Field) ou 2 D FFT (Two Dimensional Fast Fourier Transform). Cela permettra d’exploiter les réseaux pré-entraînés de vision par ordinateur. Pour l’approche signal, plusieurs réseaux de neurones, comme les LSTM (Long Short Term Memory) et les time-LSTM, ont été développés pour cette prédiction résumée àdeux cas de figure : une variation positive ou négative du GPS. Les performances en termes d’AUC (Area Under the Curve) dépassent les 0.7 pour les deux approches, ce qui est prometteur.