Modèles de processus ponctuels pour les événements physiologiques

Point Processes models for Physiological Events

• Auteur / Autrice : Virginie Loison
• Direction : Thomas Moreau
• Type : Projet de thèse
• Discipline(s) : Informatique mathématique
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Centre INRIA Saclay - Île-de-France
• Partenaire(s) de recherche : Equipe de recherche : Parietal - Modélisation de la structure, du fonctionnement et de la variabilité du cerveau à partir d'IRM à haut champ
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Processus ponctuels

Signaux physiologique

Détection d'évènements

Physiological Signals

Point process

Event detection

Résumé

La surveillance des fonctions du corps humain à l'aide de capteurs génère des signaux physiologiques utilisés dans les soins de santé et la recherche. Des méthodes non supervisées sont utilisées pour résumer ces signaux, mais elles rencontrent des difficultés avec les données complexes. Les événements, tels que les battements cardiaques ou les pas, ont un impact sur ces signaux et restent sous-utilisés dans l'apprentissage non supervisé. L'objectif de cette proposition de doctorat est d'utiliser le cadre du Processus Ponctuel pour traiter les signaux physiologiques sous forme de flux d'événements, en abordant les limitations existantes des modèles concernant les retards et les inhibitions entre les événements. L'accent est mis sur la modélisation des effets d'inhibition pendant l'anesthésie générale et des effets pseudo-périodiques tels que les rythmes cardiaques. L'analyse statistique et l'évaluation sont cruciales. Ces méthodes seront appliquées aux données de l'anesthésie générale pour prédire les pronostiques des patients, avec les données issues d'une collaboration avec l'hopital Lariboisière. Une API pour le traitement de ces données sera aussi développée, ainsi qu'une documentation et des exemples utilisant les ensembles de données de PhysioNet.

The monitoring of human body functions with sensors yields physiological signals used in healthcare and research. Unsupervised methods are used to summarize these signals, but they struggle with complex data. Events, like heartbeats or steps, impact these signals and remain underutilized in unsupervised learning. The goal of this Ph.D. proposal is to use the Point Process framework to process physiological signals turned into event streams, addressing existing model limitations regarding delays and inhibitions between events. The focus is on modeling inhibition effects during General Anesthesia and pseudo-periodic effects like heart rhythms. Statistical analysis and evaluation are crucial. These methods will be applied to General Anesthesia data to predict outcomes, with data from a collaboration with Paris' hospital Lariboisiere. An API for processing this data will also be developed, along with documentation and examples using PhysioNet datasets.