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

Projet de thèse en Signal, Image, Automatique

Sous la direction de Yacine Amirat et de Samer Mohammed.


  • Résumé

    La surveillance à long terme de la vie quotidienne d'un patient peut être utilisée pour détecter des changements ou tendances inhabituelles qui pourraient indiquer les premiers symptômes de maladies a donnés tels que la maladie d'Alzheimer ou la maladie de Parkinson. Ce sujet de thèse sera consacrée à la reconnaissance des schémas de marche pathologique et analyser l'apprentissage automatique qui est basés sur des algorithmes telles que Hidden Markov Model (HMM) peut gérer cette tâche. l'objectif principal de cette thèse serait de fournir une fondation littéraire pour le développement et l'amélioration des algorithmes de détection de motifs de démarche anormales. Un des principaux points qui seront étudiés dans cette thèse concerne la proposition d'une nouvelle approche pour la reconnaissance automatique du corps humain. Les activités humaines portent sur les motifs de la marche lors de la marche à vitesse auto-sélectionné avec les personnes souffrant de modes de marche pathologique. l'approche proposée constituera une continuité d'une thèse de recherche en cours qui traite avec une approche sans surveillance à base de reconnaissance de l'activité humaine physique où la segmentation conjointe de série chronologique multidimensionnelle est fait en utilisant le Hidden Makov Model (HMM). L'approche proposée doit prendre en compte l'aspect séquentiel et l'évolution temporelle des données dans un cadre non supervisé, où aucune étiquette d'activité sont nécessaires. Sujet avec des motifs de la marche pathologiques sera recruté de l'hôpital Henry Mondor dans les banlieues de Paris là où le expériences seront réalisées.

  • Titre traduit

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


  • Résumé

    The long-term monitoring of a patient's daily life can be used to detect changes or unusual patterns that could indicate early symptoms of a given diseases such as Alzheimer's or parkinson's disease. This thesis subject will be devoted to the recognition of pathological gait patterns and will analywe how well machine learning based algorithms such as hidden Markov Model(HMM) can handle this task. The primary objective of this thesis would be to provide a literary foundation for development and improvement of algorithms for detecting abnormal gait patterns. One of the main points that will be investigated in this thesis regards the proposition of a new approach for automatic recognition of human activity from raw acceleration data measured using wearable sensors places at key points of the human body. Human activities concern the gait patterns during self-selected speed walking with people suffering from pathological gait patterns. The proposed approach will constitue a continuity of an ongoing research thesis that deals with an unsupervised-based approach for physical human activity recognition where joint segmentation of multidimensional time series is done using a Hidden Markov Model (HMM). The proposed approach should take into account the sequential appearance and temporal evolution of data in an unsupervised framework where no activity labels are needed. Subjects with pathological gait patterns will be recruited from the Henry Mondor Hospital in Paris suburbs were the experiments will be performed.