Vers des capteurs intelligents sans fil flexibles et à faible consommation : convertisseur analogique-paramètre reconfigurable pour les applications dans le domaine de la santé

Towards flexible and low-power wireless smart sensors : reconfigurable analog-to-feature converter for healthcare applications

• Auteur / Autrice : Mikhail Manokhin
• Direction : Patricia Desgreys
• Type : Thèse de doctorat
• Discipline(s) : Electronique et optoélectronique
• Date : Soutenance le 13/12/2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....) - Laboratoire de Traitement et Communication de l'Information
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : Télécom Paris (Palaiseau, Essonne ; 1878-....)
• Jury : Président / Présidente : Rachid Bouchakour
• Jury : Examinateurs / Examinatrices : Rachid Bouchakour, Hervé Barthélemy, Philippe Bénabes, Caroline Lelandais-Perrault, Michaël Pelissier
• Jury : Rapporteur / Rapporteuse : Hervé Barthélemy, Philippe Bénabes

Mots clés

Mots clés contrôlés

Innovation

Santé

Convertisseurs analogique-numérique

Efficacité

Capteurs optiques

Mots clés libres

Convertisseur analogique-Paramètre

Réseaux corporels sans fil

Capteurs intelligents

Échantillonnage non-Uniforme en ondelettes

Détection d'arythmie

Reconnaissance des activités humaines

Analog-To-Feature converter

Wireless Body Area Networks

Smart sensors

Non-Uniform Wavelet Sampling

Arrhythmia detection

Human activity recognition

Résumé

La croissance démographique et le vieillissement actuels augmentent le taux de maladies chroniques, principale cause mondiale de décès. Les réseaux corporels sans fil (WBANs), composés de capteurs intelligents portables ou implantables, sont la principale solution pour les systèmes de soins de santé proactifs réduisant le fardeau de ces maladies. Or, ces réseaux sont limités en termes de consommation d'énergie et de débit de données, surtout dans le cas des capteurs biopotentiels et inertiels avec une acquisition continue des signaux. La réduction de la quantité de données collectées et envoyées, améliorant l'autonomie des capteurs, est possible dans les applications de classification. Ainsi, cette thèse vise à concevoir un convertisseur analogique-paramètre (A2F) reconfigurable qui extrait uniquement les paramètres pertinents pour une tâche donnée dans le domaine analogique au sein du capteur et qui classifie ensuite au niveau du capteur ou de l'agrégateur. Basé sur l'échantillonnage non-uniforme en ondelettes (NUWS), le convertisseur s'appuie sur une architecture générique pour s'adapter à différents signaux basse fréquence et permettre des WBANs avec des capteurs multimodaux. Pour prouver l'universalité du convertisseur, nous abordons la détection d'anomalies dans les signaux d'électrocardiogramme (ECG) et la reconnaissance des activités humaines (HAR) dans les signaux inertiels. Après l'entraînement des classificateurs de réseaux neuronaux pour chaque application, nous avons défini les paramètres pertinents et les spécifications matérielles requises pour la conception complète du circuit. Grâce à la simulation circuit du convertisseur, nous pouvons montrer que la consommation énergétique estimée est divisée par 20 pour l'ECG et 5 pour HAR par rapport à l'approche de Nyquist. Cela souligne le potentiel de la conversion A2F avec NUWS dans la réalisation de systèmes de capteurs flexibles, fiables et à faible consommation pour les soins de santé et au-delà.

Current human population growth and aging inevitably raise the rate of chronic diseases, the leading global cause of death. Wireless Body Area Networks (WBANs) composed of smart wearable or implantable sensors are the primary solution for proactive healthcare systems to reduce the burden of these diseases. However, such networks are severely restricted regarding energy usage and data throughput, especially in the case of biopotential and inertial sensors requiring continuous signal acquisition. Reducing the amount of collected and sent data, thus improving sensors' autonomy, is possible in classification applications. For this purpose, this thesis aims to design a reconfigurable Analog-to-Feature (A2F) converter that extracts only relevant features for a given task in the analog domain within the sensor node and classifies further at the sensor or aggregator level. Based on Non-Uniform Wavelet Sampling (NUWS), our converter leverages a generic architecture to suit different low-frequency signals and enable WBANs with multimodal sensors. To prove the converter's universality, we address two applications: anomaly detection in electrocardiogram (ECG) signals and human activity recognition (HAR) in inertial signals. After training the neural network classifiers for each application, we defined the relevant features and hardware specifications required for the complete circuit design. Thanks to the circuit level simulation of the converter, we can show that the estimated energy consumption is divided by 20 for ECG and 5 for HAR compared to the Nyquist approach. This fact highlights the potential of A2F conversion with NUWS in achieving flexible, reliable, and low-power sensor systems for healthcare and beyond.