Joseph AZAR : "Compression de données et apprentissage profond pour les applications de santé IoT basées sur des signaux physiologiques"

Travaux de soutenance de thèse de Joseph Azar : "Compression de données et apprentissage profond pour les applications de santé IoT basées sur des signaux physiologiques"

Résumé : Ces dernières années, la technologie de l'Internet des objets (IoT) a suscité un vif intérêt en raison de sa capacité à alléger certaines tâches de soins de santé causé par le vieillissement de la population et l'augmentation des maladies chroniques. La technologie IoT facilite le suivi des patients souffrant de différentes pathologies et le traitement de vastes volumes de données, dont une partie substantielle de ces données sont des signaux physiologiques. Les signaux physiologiques sont une
source inestimable de données qui aident à diagnostiquer, réhabiliter et traiter les maladies. Les signaux proviennent d'un réseau de capteurs corporels sans fil ou d'appareils portables placés sur le corps d'un patient. Il existe de nombreuses
difficultés dans les systèmes de soins de santé IoT, tels que la collecte et le traitement des données. En particulier les problèmes suivants peuvent survenir : (1) les noeuds de capteurs sans fil ont des ressources énergétiques, de traitement et
de mémoire limitées, (2) la quantité de données collectées périodiquement est énorme, (3) la qualité des données collectées n'est pas toujours satisfaisante et ces données sont susceptibles d'être bruitées ou peu fiables, et (4) le processus d'extraction
manuelle des caractéristiques à partir des signaux physiologiques nécessite une intervention humaine et une expertise médicale importantes. Tout d'abord, une technique de compression de données éco-énergétique est proposée dans cette thèse. Le schéma proposé est basé sur un algorithme de compression avec perte. Cet algorithme a été conçu à l'origine pour des applications de calcul haute performance et a été adapté pour les dispositifs IoT qui sont limités en ressources. La solution
proposée est un algorithme facile à mettre en oeuvre, qui peut réduire la consommation d'énergie jusqu'à 2,5 fois. Il réduit également le temps de traitement / transmission en compressant les données avant leur transfert de l'IoT vers une machine
Edge. De plus, une analyse empirique a été réalisée pour étudier l'effet de la compression des séries temporelles avec perte sur la tâche de classification. [...]

Composition du jury : Raphaël COUTURIER PR, Université Bourgogne - Franche-Comté, Directeur de thèse

Abdallah MAKHOUL Professeur, Université Bourgogne - Franche-Comté, Co-directeur de thèse

Germain FORESTIER Professeur, Université de Haute-Alsace – Mulhouse, Rapporteur

David ELIZONDO Professeur De Montfort University – Leicester, Rapporteur

Mme Amal EL FALLAH SEGHROUCHNI, Professeur, Sorbonne Université – Paris, Examinatrice

Jacques DEMERJIAN, Professeur, Université Libanaise, Examinateur

Christophe GUYEUX, Professeur des Universités, Université Bourgogne Franche-Comté, Examinateur

Localisation : Amphithéâtre 4 - IUT Belfort-Montbéliard - 19, Avenue du Maréchal Juin - 90000 Belfort