Stage M2 ou fin d’études d’ingénieurs Traitement du signal et Machine Learning

au sein de l'équipe PRETA

 

 

Description du sujet :

Le Syndrome d’Apnées du Sommeil (SAS) est une pathologie associée au sommeil et caractérisée par la survenue d’épisodes, fréquents et anormalement distribués, d’arrêt (apnées) ou de diminution (hypopnées) de la ventilation pendant une durée d’au moins 10 secondes. La prévalence du SAS est estimée à 10% de la population mondiale. Cependant, cette pathologie reste largement sous-diagnostiquée, en particulier à cause de la complexité de la méthode diagnostique de référence, la polysomnographie (PSG) et de l’engorgement des centres du sommeil. Dans ce contexte, un enjeu est d’alléger les méthodes d’investigation.

L’équipe PRETA du laboratoire TIMC développe un dispositif médical innovant de dépistage de l’apnée du sommeil, basé sur le couplage d’un système accélérométrique breveté et d’un capteur d’électrocardiographie (ECG). Le système accélérométrique utilisant deux niveaux de mesure (thoracique et abdominal) propose une estimation du débit aérien [1] pour une détection des événements respiratoires. Un modèle décisionnel basé sur des algorithmes de Machine Learning permet d’ores et déjà de mesurer l’Index Apnées-Hypopnées (IAH) utilisé en clinique pour évaluer la sévérité du SAS. Un premier niveau de validation a été obtenu sur une première cohorte et base de données cliniques de 30 sujets [2].

L’objectif du projet est maintenant de pouvoir classifier les différents événements anormaux, en fonction de leur nature (apnée ou hypopnée) mais également de leur origine (obstructive ou centrale), afin de préciser le diagnostic et de permettre la mise en place d’un traitement adapté. Pour cela, de nouveaux modèles décisionnels (machine et deep learning) sont à l’étude dans l’équipe et doivent être consolidés.

 

Le stage proposé pourra adresser les objectifs suivants :

• ·       Optimisation du paramétrage des modèles disponibles (équilibrage des classes, répartition entre les jeux de données entraînement / validation / test, durée des échantillons, …)

• ·       Mise en concurrence de plusieurs approches : machine learning (avec preprocessing pour l’extraction de caractéristiques) vs deep learning

• ·       Mise en place d’une méthode de validation croisée type leave-one-out, pour l’analyse de futurs patients

• ·       Développement d’un algorithme post-classification pour reconstruire l’IAH à partir des événements classifiés

• ·       Mise au point d’un algorithme de détection des événements

 

Le projet est mené en collaboration avec le laboratoire du sommeil du CHU de Grenoble. Une collaboration industrielle est quant à elle en construction.

 

[1] A Bricout, J Fontecave-Jallon, D Colas, G Gerard, J-L Pépin, P-Y Guméry. Adaptive Accelerometry Derived Respiration: Comparison with Respiratory Inductance Plethysmography during Sleep. 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Berlin, Germany, 2019

[2] A Bricout, J Fontecave-Jallon, J-L Pépin, P-Y Guméry. Accelerometry-derived respiratory index estimating apnea-hypopnea index for sleep apnea screening, Computer Methods and Programs in Biomedicine, Volume 207, August 2021.

Compétences attendues :

Le/la candidate recherché(e) sera issu(e) d’une formation en traitement du signal et/ou intelligence artificielle et devra être intéressé(e) par tous les aspects du projet : traitement de signaux physiologiques, classification par méthodes de machine et deep learning, dimension expérimentale et clinique liée à l’application visée…

 

Laboratoire/équipe d’accueil : Laboratoire TIMC, équipe PRETA, La Tronche

Contact : Julie.Fontecave [at] univ-grenoble-alpes.fr">Julie.Fontecave [at] univ-grenoble-alpes.fr et Pierre-Yves.Gumery [at] univ-grenoble-alpes.fr">Pierre-Yves.Gumery [at] univ-grenoble-alpes.fr  

Durée prévue : 5 à 6 mois, à partir de Février-Mars 2023

Lieu du stage : Pavillon Taillefer, Laboratoire TIMC, La Tronche

Indemnité de stage : 500 à 600 par mois