Prédiction et gestion du vieillissement du muscle : simulations musculosquelettiques 3D et modélisation biomécanique multi-échelle pour l’analyse des chutes et leur prévention grâce à l’intelligence artificielle

The prediction and management of muscle ageing : 3D musculoskeletal simulations and multi-scale biomechanical modeling for the analysis of human falls and fall prevention strategies through the application of artificial intelligence approaches

• Auteur / Autrice : Katharine Nowakowski
• Direction : Karim El Kirat-Chatel, Tien-Tuan Dao
• Type : Thèse de doctorat
• Discipline(s) : Biomécanique et Bioingénierie : Unité de Recherche en Biomécanique et Bioingénierie (UMR-7338)
• Date : Soutenance le 19/09/2023
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Biomécanique et Bioingénierie / BMBI

Mots clés

Mots clés contrôlés

Apprentissage par renforcement (intelligence artificielle)

Apprentissage automatique

Intelligence artificielle

Analyse multiéchelle

Modélisation tridimensionnelle

Simulation, Méthodes de

Sarcopénie

Prévention

Chutes (accidents) -- Chez la personne âgée

Biomécanique

Modèles mathématiques

Vieillissement

Muscles

Mots clés libres

Deep reinforcement learning

Viellissement du muscle

Modélisation du muscle

Modélisation multi-échelle

Modélisation biomécanique

Modélisation des chutes humaines

Rattrapage de chutes

Artificial intelligence

Deep reinforcement learning

Muscle aging

Muscle modelling

Multi-scale modelling

Biomechanical modelling

Machine learning

Human falls modelling

Fall recovery

Sarcopenia

Three-dimensional modeling

Résumé

Le déclin de fonctionnement du muscle dû à l’âge est lié à la sarcopénie et il augmente le risque de chute. Dans ce projet de thèse, une analyse morphologique, fonctionnelle, mécanique et biophysique des paramètres liés à l’âge est présentée. Les données ont été analysées statistiquement et par l’apprentissage automatique. En intégrant les résultats dans une simulation utilisant l’apprentissage par renforcement profond, un modèle pour le muscle des jeunes adultes et des personnes âgées est proposé. Ce modèle intègre les changements pour une force isométrique maximale, la vitesse de contraction, le temps de désactivation, la déformation passive, l’extension de la hanche, et le déplacement du centre de masse vers le torse. Les tests de sensibilité du modèle ont inspiré le développement d’une approche par simulations couplées avec analyse de position limite pour laquelle une chute peut encore être rattrapée. Les résultats de chaque partie de ce travail de thèse suggèrent que le vieillissement du muscle peut être mieux élucidé par un modèle multi-échelle qui prend en compte la fatigue et les paramètres à l’échelle du muscle, ainsi que leur influence sur le mouvement en général. Le modèle multi-échelle proposé couple un modèle à la base d’agents avec l’environnement d’apprentissage par renforcement profond. Ce modèle tient compte du changement de fibre musculaire de type II vers les fibres de type I, ainsi que les dynamiques moléculaires d’échanges de calcium, de phosphate, et d’ATP. Ce travail de thèse démontre que l’analyse du système complexe que constitue l’être humain peut être mieux réalisée en s’appuyant sur les techniques d’intelligence artificielle.

The age-related decline in muscle function is linked to both sarcopenia and an increased risk for falls. In this doctoral project, an analysis of the morphological, functional, mechanical and biophysical parameters known to be affected by ageing is presented. The data has been analysed with statistical and machine learning techniques. These results influenced the development of a deep reinforcement learning simulation for both young adult and elderly falls, based on the parameters sensitive to ageing such as maximum isometric force, contraction velocity, deactivation time, passive muscle strain, hip extension range and a mass shift from the legs to the trunk. Testing of the sensitivity of the results then led to the development of a coupled simulation to study falls recovery, where the effects of sensory nerves and proprioception was considered. The strategy for coupling allows for recovery for any fall position to be analysed to further test the limits of recovery produced by the given model. The results from each aspect of the project suggest that muscle ageing can be further elucidated through the development of a multi-scale model that could consider fatigue and the effect of biophysical changes on movement outcomes. A multi-scale model, where agent-based modelling is coupled to a reinforcement learning environment is proposed. The model accounts for the conversion of type II muscle fibres to type I fibres, as well as considers the dynamics of calcium, inorganic phosphate, and ATP, with prospective for further adaptations. This work demonstrates the interest in further exploration of complex human system modelling by leveraging artificial intelligence techniques.