Fusion de données avec des réseaux bayésiens pour la modélisation des systèmes dynamiques et son application en télémédecine

par David Bellot

Thèse de doctorat en Informatique

Sous la direction de Jean-Paul Haton.

Soutenue en 2002

à Nancy 1 , en partenariat avec Université Henri Poincaré Nancy 1. Faculté des sciences et techniques (autre partenaire) .


  • Résumé

    Une nouvelle approche de la fusion de données est présentée et nous appliquons ces notions à la surveillance médicale. Notre contribution se situe au niveau de la définition d'une notion de gain qualifiée et d'un processus de fusion de données, ainsi que de l'application des réseaux bayésiens dynamiques au diagnostic en télémédecine pour réguler, à distance, l'état physiologique d'un patient. Cette approche formelle de la fusion a servi de cadre général pour la modélisation et le diagnostic médical en télémédecine et a servi à monitorer l'état d'hydratation de personnes souffrant d'insuffisance rénale. Les réseaux bayésiens dynamiques permettent de modéliser des connaissances incertaines et dynamiques grâce aux probabilités. Ce travail théorique a permis l'implémentation d'un moteur d'inférence bayésienne, afin d'expérimenter nos modèles et de réaliser le système Diatelic(v3) aidant le néphrologue dans ses décisions thérapeutiques.


  • Résumé

    This thesis presents a new approach of data fusion in the context of probabilistic diagnosis in telemedicine. Our contribution is a new definition of qualified gain in a data fusion process, and an application of dynamic bayesian network to medical diagnosis. This approach forms a general framework for our purpose : medical diagnosis. The Diatelic project's goal is to assist kidney disease people at home by monitoring their hydration rate. Dynamic bayesian networks are used to modelize uncertain and dynamical using the strong probabilistic formalism. For this purpose, we have developped a bayesian engine, to deal with our experiments. The Diatelic (v3) has been implemented with it. Health state of the patient could be regulated through the use of this system. New problems have arise during this PhD thesis work: on-line models adaptation, quantifying the data fusion gain and dealing with multiple time-scale bayesian networks.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 171 p.
  • Notes : Publication autorisée par le jury

Où se trouve cette thèse ?