formation par la recherche / formation doctorale / enseignement, stages / sujets de thèses

Apprentissage et reconnaissance de scénarios pour
le monitoring et les prothèses implantables en cardiologie

Localisation :Irisa, Rennes

Equipe Aïda

Responsable : Marie-Odile Cordier (tél. direct : 02 99 84 73 14, email : cordier@irisa.fr)
René Quiniou (tél. direct : 02 99 84 73 19, email :quiniou@irisa.fr)

Mot-clés : IA, diagnostic, reconnaissance de scénarios, apprentissage automatique, cardiaque.

Sujet : Le domaine des prothèses implantables ainsi que les systèmes de monitoring en cardiologie connaissent un développement rapide tant sur le plan technologique que dans les indications médicales. Leurs caractéristiques nouvelles, multisites et multifonctionnelles, nécessitent des programmes embarqués de plus en plus sophistiqués, afin de traiter ces données de type nouveau, et hautement paramétrables, afin d'adapter le traitement au patient. Nous proposons d'utiliser des techniques alliant traitement du signal et intelligence artificielle qui permettent d'adapter au mieux le traitement des données à la pathologie du patient sous surveillance ou portant la prothèse.

Précisément, il s'agit d'étudier les apports de la reconnaissance de scénarios pour la détection et la reconnaissance d'arythmies cardiaques. La reconnaissance de scénarios est une technique efficace consistant à reconnaître des motifs d'événements remarquables contraints temporellement et pouvant être associés à des dysfonctionnements ou pathologies répertoriés. Nous proposons d'étudier l'utilisation d'un couplage fort entre traitement de signal et reconnaissance de scénarios exploitant, par exemple, les hypothèses émises par le reconnaisseur de scénarios afin de focaliser l'étiquetage sur les événements futurs des scénarios actifs ou, encore, focalisant la reconnaissance sur les événements étiquetés avec sûreté par le module de traitement de signal. L'acquisition de modèles de scénarios reste une tâche difficile pour laquelle nous proposons d'étudier les apports de l'apprentissage automatique à partir de séquences d'événements représentatives des pathologies présentées par le patient. Dans les deux cas il faudra proposer des solutions qui prennent en compte le caractère incertain des données et des connaissances dû au bruit sur les signaux et aux erreurs provenant des mesures.