Contributions au traitement statistique du signal avec des applications biomédicales

• Auteur / Autrice : Quang-Thang Nguyen
• Direction : Dominique Pastor
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance en 2012
• Etablissement(s) : Télécom Bretagne
• Ecole(s) doctorale(s) : École doctorale Santé, information-communication et mathématiques, matière (Brest, Finistère)
• Partenaire(s) de recherche : Autre partenaire : Université européenne de Bretagne (2007-2016)

Mots clés

Mots clés contrôlés

Traitement du signal

Résumé

Cette étude présente des contributions en traitement statistique du signal avec des applications biomédicales. La thèse est divisée en deux parties. La première partie traite de la détection des hotspots à l'interface des protéines. Les hotspots sont les résidus dont les contributions énergétiques sont les plus importantes dans l'interaction entre protéines. Les forêts aléatoires (Random Forests) sont utilisées pour la classification. Une nouvelle famille de descripteurs de hotspot est également introduite. Ces descripteurs sont basés seulement sur la séquence primaire unidimensionnelle d'acides aminés constituant la protéine. Aucune information sur la structure tridimensionnelle de la protéine ou le complexe n'est nécessaire. Ces descripteurs, capitalisant les caractéristiques fréquentielle des protéines, nous permettent de savoir la façon dont la séquence primaire d'une protéine peut déterminer sa structure tridimensionnelle et sa fonction. Dans la deuxième partie, le RDT (Random Distortion Testing), un test robuste d'hypothèse, est considéré. Son application en détection du signal a montré que le RDT peut résister aux imperfections du modèle d'observation. Nous avons également proposé une extension séquentielle du RDT. Cette extension s'appelle le RDT Séquentiel. Trois problèmes classiques de détection d'écart/distorsion du signal sont reformulés et résolus dans le cadre du RDT. En utilisant le RDT et le RDT Séquentiel, nous étudions la détection d'AutoPEEP (auto-Positive End Expiratory Pressure), une anomalie fréquente en ventilation mécanique. C'est la première étude de ce type dans la littérature. L'extension à la détection d'autres types d'asynchronie est également étudiée et discutée. Ces détecteurs d'AutoPEEP et d'asynchronies sont les éléments principaux de la plateforme de suivi de manière automatique et continue l'interface patient-ventilateur en ventilation mécanique.

This PhD thesis presents some contributions to Statistical Signal Processing with applications in biomedical engineering. The thesis is separated into two parts. In the first part, the detection of protein interface hotspots ¿ the residues that play the most important role in protein interaction ¿ is considered in the Machine Learning framework. The Random Forests is used as the classifier. A new family of protein hotspot descriptors is also introduced. These descriptors are based exclusively on the primary one-dimensional amino acid sequence. No information on the three dimensional structure of the protein or the complex is required. These descriptors, capturing the protein frequency characteristics, make it possible to get an insight into how the protein primary sequence can determine its higher structure and its function. In the second part, the RDT (Random Distortion Testing) robust hypothesis testing is considered. Its application to signal detection is shown to be resilient to model mismatch. We propose an extension of RDT in the sequential decision framework, namely Sequential RDT. Three classical signal deviation/distortion detection problems are reformulated and cast into the RDT framework. Using RDT and Sequential RDT, we investigate the detection of AutoPEEP (auto-Positive End Expiratory Pressure), a common ventilatory abnormality during mechanical ventilation. This is the first work of that kind in the state-of-the-art. Extension to the detection of other types of asynchrony is also studied and discussed. These early detectors of AutoPEEP and asynchrony are key elements of an automatic and continuous patient-ventilator interface monitoring framework.