Compression de données et apprentissage en profondeur pour les applications de santé IoT basées sur des signaux physiologiques
Data compression and deep learning for IoT healthcare applications based on physiological signals
Résumé
In recent years, Internet of Things (IoT) technology has gained tremendous attention for its ability to relieve the burden on healthcare caused by an aging population and the increase in chronic disease. IoT technology facilitates the tracking of patients with different conditions and the processing of vast volumes of data, of which a substantial part of this data are physiological signals. Physiological signals are an invaluable source of data which helps to diagnose, rehabilitate, and treat diseases. The signals come from a Wireless Body Sensor Network or wearable devices placed on a patient's body. There are many difficulties in IoT-healthcare systems, such as data collection and processing especially that (1) wireless sensor nodes have limited energy, processing and memory resources, (2) the quantity of data collected periodically is enormous, (3) the quality of the data collected is not always satisfactory, and that such data are highly likely to include noisy or unreliable areas, and (4) the manual feature extraction process from the physiological signals requires significant human intervention and medical expertise.Firstly, an energy-efficient data compression technique is being proposed in this dissertation. The proposed scheme is based on an error-bound lossy compressor originally designed for high-performance computing applications and has been adapted for IoT devices that are resource constrained. The proposed solution is an easy-to-implement algorithm, which could reduce energy consumption by as much as 2.5 times. It also reduces the processing/transmission time by compressing large batches of data before their transfer from the IoT to the edge. Moreover, an empirical analysis was carried out to study the effect of lossy time series compression on the classification task. In addition to different variations of compression methods, various deep neural networks for time series classification were considered to identify the appropriate trade-off between the compression ratio and classification performance.Second, the problem of data distortion due to lossy compression was addressed. The reconstructed data may not always be satisfactory, given that the physiological signals collected are multivariate time series that are highly compressed with a lossy compressor prior to transmission. To solve this limitation, a convolutional autoencoder-based deep learning model was introduced. The proposed model was able to enhance the compressed data after reconstruction, thus fixing the shape of the physiological signal and allowing more accurate feature extraction.Then, the photoplethysmogram signals were given particular attention. Photoplethysmography (PPG) is used to measure the skin blood flow using infrared light. Photoplethysmography is a promising technique because of the capability of the new wrist-worn devices to provide the signal. The existence of motion artifacts and meaningless areas in the signal is a major challenge faced when working with this signal. A deep learning model for automatic motion artifacts detection based on a CNN-LSTM autoencoder architecture has been proposed to detect and discard irrelevant zones in photoplethysmogram signals to avoid analyzing and processing meaningless data.Finally, a deep learning model has been proposed for time series classification. Given that hand-designing features from physiological signals is a challenging task, the representation learning approach is a potential solution for automatically learning features from raw physiological data. A classification model based on the DenseNet architecture was proposed for the classification of multivariate time series. The results show that the proposed approach is capable of achieving and in several cases bypassing the performance of the state-of-the-art models on a benchmark dataset.
Ces dernières années, la technologie de l'Internet des objets (IoT) a suscité un vif intérêt en raison de sa capacité à alléger certaines tâches de soins de santé causé par le vieillissement de la population et l'augmentation des maladies chroniques. La technologie IoT facilite le suivi des patients souffrant de différentes pathologies et le traitement de vastes volumes de données, dont une partie substantielle de ces données sont des signaux physiologiques. Les signaux physiologiques sont une source inestimable de données qui aident à diagnostiquer, réhabiliter et traiter les maladies. Les signaux proviennent d'un réseau de capteurs corporels sans fil ou d'appareils portables placés sur le corps d'un patient. Il existe de nombreuses difficultés dans les systèmes de soins de santé IoT, tels que la collecte et le traitement des données. En particulier les problèmes suivants peuvent survenir : (1) les nœuds de capteurs sans fil ont des ressources énergétiques, de traitement et de mémoire limitées, (2) la quantité de données collectées périodiquement est énorme, (3) la qualité des données collectées n'est pas toujours satisfaisante et ces données sont susceptibles d'être bruitées ou peu fiables, et (4) le processus d'extraction manuelle des caractéristiques à partir des signaux physiologiques nécessite une intervention humaine et une expertise médicale importantes.Tout d'abord, une technique de compression de données éco-énergétique est proposée dans cette thèse. Le schéma proposé est basé sur un algorithme de compression avec perte. Cet algorithme a été conçu à l'origine pour des applications de calcul haute performance et a été adapté pour les dispositifs IoT qui sont limités en ressources. La solution proposée est un algorithme facile à mettre en œuvre, qui peut réduire la consommation d'énergie jusqu'à 2,5 fois. Il réduit également le temps de traitement / transmission en compressant les données avant leur transfert de l'IoT vers une machine Edge. De plus, une analyse empirique a été réalisée pour étudier l'effet de la compression des séries temporelles avec perte sur la tâche de classification. De plus, nous avons conçus différentes variantes des méthodes de compression et plusieurs réseaux de neurones profonds pour la classification des séries temporelles afin d'obtenir un compromis entre le taux de compression et les performances de classification.Deuxièmement, le problème de la distorsion des données due à la compression avec perte a été étudié et résolu. Pour résoudre cette limitation, un modèle d'apprentissage profond basé sur un auto-encodeur convolutionnel a été conçu. Le modèle proposé a pu améliorer les données compressées après la reconstruction, fixant ainsi la forme du signal physiologique et permettant une extraction plus précise des caractéristiques.Ensuite, les signaux du photopléthysmogramme ont fait l'objet d'une attention particulière. La photopléthysmographie (PPG) est utilisée pour mesurer le flux sanguin cutané à l'aide de la lumière infrarouge. L'existence d'artefacts de mouvement et de zones dénuées de sens dans le signal est un défi majeur rencontré lorsque vous travaillez avec ce signal. Un modèle d'apprentissage profond pour la détection automatique d'artefacts de mouvement basé sur une architecture d'autoencodeur CNN-LSTM a été proposé pour détecter et éliminer les zones non pertinentes dans les signaux de photopléthysmogramme afin d'éviter d'analyser et de traiter des données dénuées de sens.Enfin, un modèle d'apprentissage profond a été proposé pour la classification des séries temporelles. Un modèle de classification basé sur l'architecture DenseNet a été proposé pour la classification des séries temporelles multivariées. Les résultats montrent que l'approche proposée est capable d'atteindre et, dans plusieurs cas, de dépasser les performances des meilleurs modèles sur un ensemble de données de référence.
Origine : Version validée par le jury (STAR)