Approches d'apprentissage automatique basées sur l'analyse du cycle de marche pour l'aide au diagnostic de la maladie de Parkinson

par Nicolas Khoury

Thèse de doctorat en Signal, Image, Automatique

Sous la direction de Yacine Amirat et de Samer Mohammed.


  • Résumé

    La maladie de Parkinson est une maladie neurodégénérative d'évolution lente, progressive et chronique. C'est la deuxième maladie neurologique la plus répandue (après la maladie d'Alzheimer) qui touche considérablement la population âgée du monde entier. Cette thèse exploite l'analyse du cycle de marche dans le but de diagnostiquer la maladie de Parkinson. Des perturbations de la démarche sont souvent observées avec l'évolution de la maladie. Par conséquent, l'objectif principal de cette thèse est de développer un outil clinique pour faciliter le diagnostic de la maladie de Parkinson en utilisant des caractéristiques cliniques extraites des forces de réaction au sol verticales (vGRF). Cet outil est principalement destiné à être utilisé dans un environnement clinique comme outil de soutien aux physiothérapeutes dans leur processus de diagnostic de la maladie de Parkinson. Pour obtenir une classification précise, entre les sujets sains et les sujets parkinsoniens d'une part et, d'autre part, entre les sujets présentant différents niveaux de gravité de la maladie, on exploite les caractéristiques cliniques et plus particulièrement la répétabilité du cycle de marche chez les sujets parkinsoniens en mesurant la similarité des phases d'appui. Une mesure de similarité entre les cycles de marche effectuée à l'aide de la technique de déformation temporelle dynamique continue (CDTW) est proposée. Les résultats obtenus ont montré que l'utilisation de caractéristiques basées sur la CDTW améliore significativement les taux de précision de classification pour distinguer les sujets sains des sujets parkinsoniens. Enfin, nous proposons une extension du CDTW pour le calcul de ces caractéristiques en analysant la similarité entre les séries temporelles au cours des phases d'appui dans le domaine multidimensionnel. Les résultats obtenus ont démontré des améliorations clairement significatives lors de l'utilisation de caractéristiques multidimensionnelles basées sur la CDTW par rapport au cas de l'utilisation de caractéristiques unidimensionnelles.

  • Titre traduit

    Machine learning approaches based on gait cycle analysis for diagnosis aid of Parkinson's disease


  • Résumé

    Parkinson's disease (PD) is a slow, progressive, and chronic neurodegenerative disorder. It is the second most common neurological disease (after Alzheimer's disease) and affects considerably the elderly population worldwide. This thesis exploits gait cycle analysis to diagnose PD. Gait disturbances are often observed with the PD evolution. Therefore, the main objective of this thesis is to develop a clinical tool to aid the diagnosis of Parkinson's disease using clinical-based features extracted from vertical Ground Reaction Forces (vGRFs). This tool is mainly devoted to being used in a clinical environment as a support tool to physiotherapists in their PD diagnosis process. To achieve an accurate classification, on the one hand, between healthy and PD subjects, and on the other hand, between subjects with different levels of disease severity, clinical-based features are exploited and more specifically the repeatability of gait cycle in PD subjects by measuring the similarity of stance phases. A similarity measure between gait cycles carried out using the Continuous Dynamic Time Warping (CDTW) technique is proposed. The obtained results showed that the use of CDTW-based features improves significantly the classification accuracy rates for discriminating healthy subjects from PD subjects. Finally, we propose an extension of the CDTW for feature computation by analysing the similarity between time-series during the stance phases in the multidimensional domain. The obtained results showed clearly significant improvements when using multidimensional CDTW based features with respect to the case when using unidimensional ones.