Représentations interprétables de bio-signaux humains pour le suivi longitudinal individuel : application au suivi du contrôle postural en consultation médicale

Interpretable representations of human biosignals for individual longitudinal follow-up : application to postural control follow-up in medical consultation

• Auteur / Autrice : Alice Nicolaï
• Direction : Stéphane Buffat
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 22/11/2021
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Cerveau, cognition, comportement (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre Borelli (Gif-sur-Yvette, Essonne ; 2020-...)
• Jury : Président / Présidente : Jean-Louis Vercher
• Jury : Examinateurs / Examinatrices : Jean-Louis Vercher, Nasser Rezzoug, Laurence Mouchnino, Mathilde Mougeot, Jean-Pierre Christian Bresciani
• Jury : Rapporteurs / Rapporteuses : Nasser Rezzoug, Laurence Mouchnino

Mots clés

Mots clés contrôlés

Équilibre postural

Fragilité

Méthode longitudinale

Apprentissage automatique

Chutes (accidents) -- Chez la personne âgée

Mots clés libres

Suivi longitudinal

Contrôle postural

Apprentissage interprétable

Centre de pression

Centre de masse

Plateforme de force

Risque de chute

Fragilité

Longitudinal follow-up

Postural control

Interpretable machine learning

Center of pressure

Center of mass

Force platform

Risk of fall

Frailty

Résumé

Le suivi longitudinal individuel, dont l'objectif est de suivre l'évolution de l'état d'un individu au cours du temps, est au cœur de nombreuses problématiques de santé publique, particulièrement dans le domaine de la prévention médicale. L'accès croissant à des capteurs non invasifs permettant de mesurer divers bio-signaux (glycémie, fréquence cardiaque, mouvements des yeux, etc.) a encouragé la quantification de la physiologie, de la sensorimotricité ou du comportement humain dans le but de construire des marqueurs pour le suivi individuel. Cet objectif soulève toutefois plusieurs difficultés liées à la modélisation des signaux. Ce type particulier de données est en effet complexe à interpréter tel quel, et, a fortiori, à comparer au cours du temps. Dans cette thèse nous étudions la question de la représentation interprétable des bio-signaux pour le suivi longitudinal à travers la problématique du suivi de l'équilibre en consultation médicale. Cette problématique a des implications déterminantes dans la prévention des chutes et de la fragilité chez les personnes âgées. Nous nous focalisons en particulier sur l'utilisation des plateformes de force, qui sont communément utilisées pour enregistrer des mesures de posturographie, et peuvent être facilement déployées dans le contexte clinique grâce au développement de plateformes peu onéreuses comme la Wii Balance Board. Pour cette application particulière, nous étudions les avantages et les inconvénients de l'utilisation de méthodes d'extraction de caractéristiques ou de la recherche d'un modèle génératif des trajectoires. Nos contributions incluent premièrement la revue et l'étude d'un large ensemble de variables qui sont utilisées pour évaluer le risque de chute chez les personnes âgées, dérivées de la trajectoire du centre de pression (CoP). Ce signal est couramment analysé dans la littérature clinique pour inférer des informations sur le contrôle de l'équilibre. Ensuite, nous développons un nouveau modèle génératif, "Total Recall", basé sur un précédent modèle stochastique du CoP, qui s'est avéré reproduire plusieurs caractéristiques des trajectoires mais n'intègre pas la dynamique entre le CoP et le centre de masse (CoM) -- une dynamique considérée centrale dans le contrôle moteur de la posture. Par ailleurs, la comparaison des méthodes fréquemment utilisées pour l'estimation du CoM en équilibre statique debout permet de conclure qu'il est possible d'obtenir une estimation précise avec la Wii Balance Board. Les résultats montrent la pertinence potentielle du modèle Total Recall pour le suivi longitudinal du contrôle postural dans un contexte clinique. Dans l'ensemble, nous soulignons l'avantage d'utiliser des modèles génératifs, tout en mettant en évidence la complémentarité des deux approches, extraction de caractéristiques et modèles génératifs. En outre, cette thèse s'intéresse à l'apprentissage de représentations sur des données labellisées et adaptées à un objectif particulier de suivi. Nous introduisons de nouveaux algorithmes de classification qui tirent avantage des connaissances a priori pour améliorer les performances tout en conservant une interprétabilité complète. Notre approche s'appuie sur des algorithmes intrinsèquement interprétables et une régularisation sur l'espace des modèles basée sur des heuristiques médicales. Cette méthode est appliquée à la quantification du risque de chute et de la fragilité. Cette thèse défend l'importance de la recherche de méthodes interprétables, conçues pour des applications spécifiques et intégrant des a-priori fondés sur des connaissances expertes. Ces approches montrent des résultats positifs pour l'intégration des bio-signaux sélectionnés et de méthodes d'apprentissage statistique dans le cadre du suivi longitudinal du contrôle postural.

Individual longitudinal follow-up, which aims at following the evolution of an individual state in time, is at the heart of numerous public health issues, particularly in the field of medical prevention. The increasing availability of non-invasive sensors that record various biosignals (e.g., blood glucose, heart rate, eye movements), has encouraged the quantification of human physiology, sensorimotricity, or behavior with the purpose of deriving markers for individual follow-up. This objective raises however several challenges related to signal modelling. Indeed, this particular type of data is complex to interpret, and, a fortiori, to compare across time. This thesis studies the issue of extracting interpretable representations from biosignals through the problematic of balance control follow-up in medical consultation, which has crucial implications for the prevention of falls and frailty in older adults. We focus in particular on the use of force platforms, which are commonly used to record posturography measures, and can be easily deployed in the clinical setting thanks to the development of low cost platforms such as the Wii Balance Board. For this particular application, we investigate the pros and cons of using feature extraction methods or alternatively searching for a generative model of the trajectories. Our contributions include first the review and study of a wide range of state-of-the-art variables that are used to assess fall risk in older adults, derived from the center of pressure (CoP) trajectory. This signal is commonly analyzed in the clinical literature to infer information about balance control. Secondly, we develop a new generative model, ``Total Recall'', based on a previous stochastic model of the CoP, which has shown to reproduce several characteristics of the trajectories but does not integrate the dynamic between the CoP and the center of mass (CoM) -- a dynamic which is considered to be central in postural control. We also review and compare the main methods of estimation of the CoM in quiet standing and conclude that it is possible to obtain an accurate estimation using the Wii Balance Board. The results show the potential relevance of the Total Recall model for the longitudinal follow-up of postural control in a clinical setting. Overall, we highlight the benefit of using generative models, while pointing out the complementarity of features-based and generative-based approachs. Furthermore, this thesis is interested in introducing representations learned on labeled data and tailored for a particular objective of follow-up. We propose new classification algorithms that take advantage of a priori knowledge to improve performances while maintaining complete interpretability. Our approach relies on bagging-based algorithms that are intrinsically interpretable, and a model-space regularization based on medical heuristics. The method is applied to the quantification of fall risk and frailty. This dissertation argues for the importance of researching interpretable methods, designed for specific applications, and incorporating a-priori based on expert knowledge. This approach shows positive results for the integration of the selected biosignals and statistical learning methods in the longitudinal follow-up of postural control. The results encourage the continuation of this work, the further development of the methods, especially in the context of other types of follow-up such as continuous monitoring, and the extension to the study of new biosignals.