Soutenance de thèse de Vianney POIRON mardi 22 avril 2025

 

La soutenance de thèse de Vianney POIRON aura lieu mardi 22 avril 2025 à 14h sur le thème :

« Détection de transitions physiologiques par Machine Learning lors d'un test à l'effort sur cycloergomètre dans un cadre de réhabilitation à l'activité physique par intégration de données motrices et cardio‐respiratoires »

 

Lieu : IAB (Institut pour l'Avancée des Biosciences), site Santé, Allée des Alpes, 38700 La Tronche

 

bullet Direction de thèse :

  • Pierre-Yves GUMERY, Directeur de thèse, Professeur des Universités, Université Grenoble Alpes
  • Vincent NOUGIER, Co-directeur de thèse, Professeur des Universités, Université Grenoble Alpes

 

bullet Composition du jury :

  • Pierre-Yves GUMERY, Professeur des Universités, Université Grenoble Alpes, Directeur de thèse
  • Anh-Tuan DINH-XUAN Professeur des Universités - Praticien Hospitalier, Université Paris Cité, Rapporteur
  • Julien DE JONCKHEERE, Chargé de Recherches HDR, INSERM Délégation Nord Ouest, Rapporteur
  • Jacques PRIOUX, Professeur des Universités, École Normale Supérieure de Rennes, Examinateur
  • Alexandre MOREAU-GAUDRY, Professeur des Universités - Praticien Hospitalier, Université Grenoble Alpes, Examinateur
  • Vincent BONNETERRE, Professeur des Universités - Praticien Hospitalier, Université Grenoble Alpes, Examinateur
  • Marie-Cécile NIERAT, Ingénieure de Recherche, Sorbonne Université, Examinatrice

 

bullet Résumé :

Dans le cadre de la réhabilitation à l'activité physique, la revue de littérature a fait émerger un marqueur physiologique d’intérêt, aussi bien pour le suivi des patients que pour la prescription personnalisée de leur activité physique : le premier seuil ventilatoire (VT1). Ce seuil est une transition métabolique opérée par le corps pour répondre à une intensité d’effort donnée. La littérature laisse penser que des modalités autres que cardiaques et respiratoires comme les activités motrices sont impactées par le franchissement de cette transition.

Aujourd'hui il n'existe pas de solution clé en main pour la détection automatique des transitions physiologiques. Encore moins sur la base de données motrices. Aussi cette thèse a fait l'objet d'une mise en concurrence de différentes approches sur la base de caractéristiques extraites des signaux  cardio-respiratoires et moteurs. Ces travaux d'investigation ont fait émerger une proposition de méthodologie nouvelle pour la détection de transitions. Cette méthodologie utilise des outils de Machine Learning, comme la réduction de dimension et la classification.

Le projet a fait l'objet d'un protocole de recherche sur la personne humaine (protocole CAREMO, n°ID RCB : 2023-A011644-41) dans lequel il a été demandé à 20 volontaires sains de conditions physiques variées, de faire par deux fois un test d'effort sous-maximal sur cycloergomètre à quelques jours d'intervalle (pour un total de 40 tests). L'objectif a été de mettre en évidence des zones de transition à partir de données cardio-respiratoires et motrices acquises grâce à des équipements portés (un T-shirt de pléthysmographie, une ceinture cardiaque et des centrales inertielles). Afin de disposer de données de référence pour la détermination des seuils ventilatoires, les volontaires étaient également équipés d'un spiromètre et d'un analyseur de gaz. La référence VT1 a été mesurée à l'aide des mesures fournies par ces deux capteurs et par deux experts indépendants et externes au laboratoire (AP-HP, HP Cochin).

Le résultat principal à l’issue de cette thèse est que les approches proposées sont en capacité de détecter un changement de comportement moteur à l'aide d'une ou plusieurs centrales inertielles. Ce changement moteur est l'image de VT1. Il est également possible d'affiner l'estimation de ce dernier en intégrant des données cardio-respiratoires.  Sur le plan statistique, les résultats de la comparaison entre  la référence 'expert' et la détection automatique sont très prometteurs: r =  0.85, R2 = 0.69, biais + std=  2.9+/-8.1bpm et ICC95% = 15.9bpm.

Cette thèse constitue une preuve de concept pour la détection automatique et non supervisée de la première transition ventilatoire dans un test à l'effort. La solution proposée n'utilise que des mesures non-intrusives (absence d'analyseur de gaz et de masque facial)

 

bullet Mots Clés :

réhabilitation physique, transitions physiologiques, machine learning, centrales inertielles, pléthysmographie