Apprentissage automatique pour la prédiction de performances : du sport à la santé

Machine learning for performances prediction : from sport to health

• Auteur / Autrice : Rayane Elimam
• Direction : Jacky Montmain, Stéphane Perrey
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 18/07/2024
• Etablissement(s) : IMT Mines Alès
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : EuroMov Digital Health in Motion - EuroMov - Digital Health in Motion / Euromov DHM
• Jury : Président / Présidente : Jacques Prioux
• Jury : Examinateurs / Examinatrices : Jacky Montmain, Stéphane Perrey, Pierre Druilhet, Violaine Antoine, Claire Tourny, Nicolas Sutton-Charani
• Jury : Rapporteur / Rapporteuse : Pierre Druilhet, Violaine Antoine

Mots clés

Mots clés libres

Régression multisortie

Apprentissage automatique

Imputation - incertitude

Entraînement

Rééducation

Performances

Multioutput regression

Machine learning

Uncertain imputation

Training

Rehabilitation

Performance

Résumé

De nombreux indicateurs de performance existent en sport et en santé (guérison, réhabilitation, etc.) qui permettent de caractériser différents critères sportifs et thérapeutiques.Ces différents types de performance dépendent généralement de la charge de travail (ou de rééducation) subie par les sportifs ou patients.Ces dernières années, beaucoup d'applications de l'apprentissage automatique au sport et à la santé ont été proposées.La prédiction, voir l'explication de performances à partir de données de charges pourrait permettre d'optimiser les entraînements ou les thérapies.Dans ce contexte la gestion des données manquantes et l'articulation entre les types de charges et les différents indicateurs de performance considérés représentent les 2 problématiques traitées dans ce manuscrit à travers 4 applications. Les 2 premières concernent la gestion des données manquantes par une modélisation incertaine réalisée sur (i) des données de football professionnel fortement incomplètes et (ii) des données COVID-19 bruitées artificiellement. Pour ces 2 contributions, nous avons associé des modèles d'incertitude crédibilistes, textit{i.e.} basés sur la théorie des fonctions de croyance, à différentes méthodes d'imputation adaptées au contexte chronologique des entraînements/matchs et des thérapies.Une fois les données manquantes imputées sous formes de fonctions de croyance, le modèle crédibiliste des $k$ plus proches voisins adapté à la régression a été utilisé de manière à tirer profit des modèles d'incertitudes incertains associés aux données manquantes. Dans un contexte de prédiction de performances en match de handball en fonction des charges de travail passées, des modèles de régression multisorties sont utilisés pour prédire simultanément 7 indicateurs de performance athlétiques et techniques. La dernière application concerne la rééducation de patients post-AVC ayant partiellement perdu l'usage d'un bras. De manière à détecter les patients non-répondant à la thérapie, le problème de la prédiction de différents critères de réhabilitation a permis de réappliquer les différentes contributions de ce manuscrit (imputation crédibiliste de données manquantes et régression multisorties pour la prédiction simultanée de différents indicateurs de performance.

Numerous performance indicators exist in sport and health (recovery, rehabilitation, etc.), allowing us to characterize different sporting and therapeutic criteria.These different types of performance generally depend on the workload (or rehabilitation) undergone by athletes or patients.In recent years, many applications of machine learning to sport and health have been proposed.Predicting or even explaining performance based on workload data could help optimize training or therapy.In this context, the management of missing data and the articulation between load types and the various performance indicators considered represent the 2 issues addressed in this manuscript through 4 applications. The first 2 concern the management of missing data through uncertain modeling performed on (i) highly incomplete professional soccer data and (ii) artificially noisy COVID-19 data. For these 2 contributions, we have combined credibilistic uncertainty models, based on the theory of belief functions, with various imputation methods adapted to the chronological context of training/matches and therapies.Once the missing data had been imputed in the form of belief functions, the credibilistic $k$ nearest-neighbor model adapted to regression was used to take advantage of the uncertain uncertainty patterns associated with the missing data. In the context of predicting performance in handball matches as a function of past workloads, multi-output regression models are used to simultaneously predict 7 athletic and technical performance indicators. The final application concerns the rehabilitation of post-stroke patients who have partially lost the use of one arm. In order to detect patients not responding to therapy, the problem of predicting different rehabilitation criteria has enabled the various contributions of this manuscript (credibilistic imputation of missing data and multiscore regression for the simultaneous prediction of different performance indicators.