Analyse des données actimétriques et prédiction par LSTM des phases de sommeil chez une population âgée institutionnalisée

Actimetric data analysis and LSTM prediction of sleep phases in an institutionalized elderly population

• Auteur / Autrice : Radjia Zard
• Direction : Jean-Marc Ginoux, Joël Belmin
• Type : Thèse de doctorat
• Discipline(s) : Recherche clinique, innovation technologique, sante publique
• Date : Soutenance le 13/12/2024
• Etablissement(s) : Toulon
• Ecole(s) doctorale(s) : École doctorale Mer et Sciences (Toulon ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Centre de physique théorique (Marseille ; Toulon ; 2012-....) - Laboratoire d'Informatique et Systèmes / LIS
• Jury : Président / Présidente : Véronique Receveur-Bréchot
• Jury : Examinateurs / Examinatrices : Éric Moreau, Roomila Naeck
• Jury : Rapporteurs / Rapporteuses : Franck Betin, Raphaël Serreau
• DOI : 10.70675/d5cdad44z81b7z4a07zb318ze626e7fb2d8b

Mots clés

Mots clés contrôlés

Réseaux neuronaux (physiologie)

Sommeil -- Stades

Chez la personne âgée

Apprentissage profond

Médecine prédictive

Médecine -- Informatique

Mots clés libres

LSTM

Réseaux de neurones

RNN

Prédiction

Actimètre

Sommeil

Personne âgée

Institutionnalisation

LSTM

Neural Networks

RNN

Prediction

Actimeter

Sleep

Elderly

Institutionalization

Résumé

Dans cette thèse, nous étudions l’application des réseaux de neurones récurrents (RNN) par LSTM pour la prédiction des phases de sommeil chez des résidents âgés d’un établissement de soin à travers l’analyse des données actimétriques enregistrées. Ce travail est au croisement des domaines médical et de l’informatique dans un contexte d’évolution de l’espérance de vie et du vieillissement de la population. L’objectif principal était d’anticiper le sommeil afin de proposer aux médecins la possibilité d’adapter les prises de traitements et la prise en charge du patient en leur proposant une alternative à la médication. Nous explorons l’application des algorithmes d’apprentissage profond utilisés pour résoudre les problèmes de la prévision des séries temporelles à long et à court terme dans les données séquentielles. Nous avons réalisé une revue systématique afin de construire l’orientation de l’étude. Puis, après l’analyse des enregistrements d’actimétries nous avons utilisé l’architecture LSTM avec une couche cachée avec dropout, puis ajoutée vers une couche entièrement connectée. Cette étape améliore les performances du modèle. Nous avons également traité l’abandon comme une sous-couche du réseau et enfin, la fonction de transfert sigmoïd à tangente hyperbolique appliquée comme fonction d’activation a été utilisée pour calculer la sortie.Nous avons réussi lors de cette étape de recherche à prédire le nombre de phases de sommeil pour un patient âgé institutionnalisé avec les données des enregistrements des 9 nuits précédentes. Nous proposons de poursuivre les recherches avec un échantillon plus grand afin de valider nos résultats.

In this thesis, we study the application of recurrent neural networks (RNN) by LSTM for the prediction of sleep phases in elderly residents of a care facility through the analysis of recorded actimetric data. This work is at the crossroads of the medical and IT fields, in the context of increasing life expectancy and an aging population. The main objective was to anticipate sleep in order to offer doctors the possibility of adapting treatment and patient management by proposing an alternative to medication. We explore the application of deep learning algorithms used to solve the problems of long- and short-term time series prediction in sequential data. We carried out a systematic review in order to construct the orientation of the study. Then, after analyzing the actimeter records, we used the LSTM architecture with a hidden layer with dropout, then added towards a fully connected layer. This step improves model performance. We also treated the dropout as a sub-layer of the network and finally, the hyperbolic tangent sigmoid transfer function applied as the activation function was used to calculate the output.In this stage of the research, we were able to predict the number of sleep phases for an elderly institutionalized patient using data from recordings of the previous 9 nights. We propose to continue the research with a larger sample in order to validate our results.