Conception d'un dispositif médical intelligent multi-capteur pour la détection de la mobilité faible.

Design of an intelligent multi-sensor medical device for the detection of low mobility.

• Auteur / Autrice : Aimé Muhoza
• Direction : Emmanuel Bergeret
• Type : Projet de thèse
• Discipline(s) : Génie électrique,électronique et systèmes
• Date : Soutenance en 2024
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : Sciences pour l'Ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Physique de Clermont
• Jury : Président / Présidente : François Berry
• Jury : Examinateurs / Examinatrices : Emmanuel Bergeret, Brice Sorli, Fabien Mieyeville, Corinne Brdys, Francis Gary, Nathalie Mitton, Thibaut Deleruyelle
• Jury : Rapporteurs / Rapporteuses : Brice Sorli, Fabien Mieyeville

Mots clés

Mots clés libres

Mobilité

Intelligence Artificielle

Internet des objets

Optimisation énergétique

Capteurs Portable

Reconnaissance de l'activité humaine

Mobility

Artificial intelligence

Internet of things

Energy optimization

Wearable sensors

Human activity recognition

Résumé

L'activité physique quotidienne est un indicateur essentiel de la santé physique et mentale, ainsi que de la lutte contre le surpoids et les maladies cardiovasculaires. Elle est associée à des enjeux médicaux majeurs tels que le diabète, le vieillissement et les douleurs chroniques. Une mesure précise de l'activité physique et de la sédentarité est cruciale pour la surveillance de la population et l'évaluation de l'efficacité des interventions médicales. Le volume total d'activités physiques est caractérisé par son intensité, sa durée et sa fréquence. Malheureusement, la plupart des dispositifs disponibles sur le marché sont conçus pour des personnes en bonne santé ou des athlètes, négligeant les besoins des personnes atteintes de maladies chroniques ou âgées. Dans le cadre de cette thèse, notre objectif principal est de développer des dispositifs capteurs capables de détecter automatiquement des mouvements à faible intensité. Cette solution s'inscrit dans le projet de recherche ''E-santé, MObilité et Big-data'' (EMOB) et complémente d'autres solutions existantes, telles que les questionnaires, pour fournir une analyse plus détaillée et un suivi personnalisé des patients pour les professionnels de santé. Nous présentons dans notre travail les dispositifs développés à base de microcontrôleurs, les avantages de l'intégration d'algorithmes intelligents au niveau de ces dispositifs, ainsi que les lacunes à combler, notamment la nécessité de développer des jeux de données spécifiques aux personnes à faible mobilité. Nos expérimentations ont validé l'apport de l'intelligence artificielle (IA) pour la détection des mouvements lorsqu'elle est intégrée au plus près de la source des données. L'IA embarquée permet une mesure fiable, une réduction de la consommation d'énergie tout en garantissant la sécurité des données. Ce travail thèse a permis aussi la mise en place d'un protocole de récolte de données pour le développement de notre propre base de données. Il a permis d'identifier et de traiter les points critiques tels que l'annotation des données en automatisant les tâches les plus lourdes. La collecte de données est faite sur les dispositifs développés durant cette thèse en suivant le cahier des charges établi en collaboration avec les professionnels de santé. Nous avons alors évalué la précision de ce système mais aussi sa consommation énergétique ainsi que son empreinte mémoire. Nous indiquons quelques points d'amélioration possibles et d'intérêt pour la recherche future.

Daily physical activity is an essential indicator of physical and mental health, as well as the fight against overweight and cardiovascular disease. It is associated with major medical issues such as diabetes, aging and chronic pain. Accurate measurement of physical activity and sedentary lifestyle is crucial for population surveillance and evaluation of the effectiveness of medical interventions. The total volume of physical activity is characterized by its intensity, duration, and frequency. Unfortunately, most of the devices available on the market are designed for healthy people or athletes, neglecting the needs of people with chronic diseases or the elderly. In the framework of this thesis, our main objective is to develop sensor devices capable of automatically detecting movements at low intensity. This solution is part of the research project ''E-health, MObility and Big-data'' (EMOB) and complements other existing solutions, such as questionnaires, to provide a more detailed analysis and personalized patient follow-up for healthcare professionals. In our work, we present the devices developed based on microcontrollers, the advantages of integrating intelligent algorithms at the level of these devices, as well as the gaps to be filled, including the need to develop datasets specific to people with low mobility. Our experiments have validated the contribution of artificial intelligence (AI) for motion detection when it is integrated as close as possible to the source of the data. Embedded AI enables reliable measurement, reduced energy consumption while ensuring data security. This thesis work also allowed the implementation of a data collection protocol for the development of our own database. It has made it possible to identify and address critical points such as data annotation by automating the heaviest tasks. The data collection is done on the devices developed during this thesis according to the specifications established in collaboration with healthcare professionals. We then evaluated the accuracy of this system but also its energy consumption as well as its memory footprint. We indicate some areas for possible improvement and interest for future research.