Mots-Clés

Human Gait analysis wearable sensors system quaternion time series clustering, experimental design ANOVA using distance matrices

Description

Contexte

La diffusion des objets connectés dans la population générale permet le recueil d’une importante quantité de données relatives aux utilisateurs. L’utilisation de ces données dans le milieu médical pour caractériser l’état de santé des patients par le biais de biomarqueurs numériques pourrait permettre une mesure plus fine, régulière et représentative de l’impact de la maladie dans la vie quotidienne du patient que les examens médicaux « classiques ».

Objectifs

UmanIT, en collaboration avec le Laboratoire de Mathématiques Jean Leray et l’équipe du CHU de Nantes, développe un prototype pour l’analyse de la marche, notamment dans le cas de maladies neurodégénératives comme la Sclérose En Plaques. Ce dispositif est composé d’une application smartphone communiquant par Bluetooth avec un capteur de mouvement de type IMU (Inertial Central Unit). Ce dernier mesure la rotation de la hanche au cours du temps sous la forme de séries temporelles de quaternions (généralisation des nombres complexes en 4 dimensions) et permet de calculer une « signature de marche » propre à chaque personne.

Les missions du stagiaire seront les suivantes :

1. Fiabilisation de la signature de marche: nous avons réalisé un plan d’expériences pour comprendre à quel point notre marqueur est sensible à la position du capteur, au modèle du capteur, à la personne qui le positionne (expérimentateur), etc. Il faut maintenant effectuer l’analyse de ces données.
2. Nous recueillons des données chez des patients atteints de sclérose en plaques au CHU de Nantes; nous cherchons dans un premier temps à utiliser notre signature de marche pour construire des groupes de patients ayant des atteintes de la marche similaires. Le but, in fine, serait de pouvoir utiliser la signature de marche pour détecter des troubles de la marche avant l’apparition de symptômes. Nous avons des résultats préliminaires sur 27 patients. Une étude clinique en cours va venir grossir cette base de données avec 30 patients supplémentaires. Il faudra proposer des méthodes de clustering intégrant la totalité des données.

Références :

Anderson, M.J.  (2001). A new method for non-parametric multivariate analysis of variance. Austral Ecology, 26: 32–46.

Bellanger L., Chevreuil L., Drouin P., Laplaud D.A., Stamm A. (2021) Peut-on détecter des troubles de la marche avant qu’ils ne soient perceptibles ? Revue Tangente, Hors série Bib73 de la "Bibliothèque Tangente" sur Maths et emploi en entreprise.

Frechette M. L., Meyer B. M., Tulipani, L. J., et al. (2019) Next steps in wearable technology and community ambulation in multiple sclerosis. Current neurology and neuroscience reports,  vol. 19, no 10,  1-10.

Muro-De-La-Herran A, Garcia-Zapirain B, Mendez-Zorrilla A. (2014) Gait analysis methods: An overview of wearable and nonwearable systems, highlighting clinical applications. Sensors; 14(2): 3362–3394.

Piórek M. (2019) Analysis of Chaos for Quaternion Time Series. In: Springer.