La société Jeolis Solutions axe une partie de ses activités sur la conception de solutions logicielles pour la gestion et le suivi des patients. Elle souhaite à présent estimer leur état émotionnel pour le corréler à leurs réponses aux questionnaires protocolisés. Cela permettra aux professionnels de santé de connaître également à distance la santé mentale de leurs patients et prévenir d'éventuels risques de rechute, essentiel pour les patients souffrant d'une pathologie chronique ou mentale.
Dans ce contexte, l'objectif de la thèse CIFRE est de développer un système de reconnaissance automatique des émotions, à partir des signaux issus des modalités visuelle, vocale et textuelle. Ce travail de recherche comporte ses propres défis, notamment avec la fusion de données hétérogènes et à haute dimension, ainsi que la gestion d'informations contradictoires.
D'autres projets de Jeolis Solutions bénéficieront aussi du développement d'un tel système, comme le suivi de la qualité de vie au travail et le coaching personnalisé de l'activité physique.
Pfeiffer Vacuum France est la filiale du groupe international, l’un des leaders sur les marchés du vide : pompes à vide, détecteurs de fuite, pompes turbo moléculaires, systèmes de contrôle de l’étanchéité. Implantée à ANNECY (74000), Pfeiffer Vacuum compte aujourd’hui environ 1000 collaborateurs qui travaillent à la conception, à la fabrication et à la commercialisation de pompes à vide, détecteurs de fuite, pompes turbo moléculaires, systèmes de contrôle de l’étanchéité…
Pfeiffer Vacuum est partenaire du projet IT2 et est chargée de développer la technologie PTR-ToF-MS pour l'identification et la surveillance de la contamination aéroportée, liée aux procédés en salle blanche et dans les environnements FOUP. L’objectif est de développer un nouveau logiciel d'analyse de traitement des données pour permettre une identification facile des composés détectés inconnus (aujourd'hui, l'identification ne peut être effectuée que si l'étalonnage des molécules a été effectué auparavant) qui peuvent être présents dans l'environnement FOUP ou dans la salle blanche. Cette identification s’appuiera sur des études expérimentales dans ces environnements. A noter que l’analyseur, génère de grosses quantités de données: spectres (autour de 3Go/jour en continu), aujourd’hui, toutes les informations ne sont pas traitées et tous les composés ne sont pas identifiés.
C’est dans ce contexte que s’inscrit la collaboration de Pfeiffer Vacuum avec le CNRS-LIMOS. Le CNRS-LIMOS sert de soutien à Pfeiffer sur le stockage et l’analyse de données pour l’identification et la surveillance de la contamination aéroportée, liée aux procédés en salle blanche.
Un des travaux effectués au sein de l'équipe est l'étude et l'état de l’art sur la gestion et le stockage de flux de données (Data Stream) pour l’entreprise Pfeiffer. Le système de stockage existant (MariaDB) est comparé avec le nouveau système de séries temporelles (InfluxDB) pour quantifier le gain en termes de performances et espace de stockage.
Le projet NeuroDeRisk est coordonné par l'Université de Vienne en Autriche et par les laboratoires SANOFI. Il regroupe 18 institutions de 12 pays européens différents dont 7 industriels parmi lesquels Astrazeneca, Novartis Pharma, Pfizer ou encore MSD. Il est financé par le programme IMI2 "Innovative Medecines Initiative" qui est un partenariat public-privé de l'UE qui finance des projets de recherche dans le domaine des Sciences de la Vie devant répondre aux besoins des industriels des produits de santé.
Le but de NeuroDeRisk est de fournir de nouveaux outils intégrés pour améliorer la prédictibilité préclinique des effets indésirables sur le système nerveux (effets pro-convulsivants, troubles psychiatriques/psychologiques et neuropathies périphériques) des produits pharmaceutiques et ainsi aider à réduire le risque de découverte de nouveaux médicaments à risques.
Lyme disease is one of the most common infectious vector-borne diseases in the temperate zones of the world. In the early stage, the disease manifests itself in most cases with erythema migrans (EM) skin lesions, i.e. bull’s-eye red rash.
Better diagnosis of these early forms would allow improving the prognosis by preventing the transition to a late form thanks to appropriate antibiotic therapy.
This PhD study aims to develop a deep learning-based system to assist the diagnosis of Lyme disease from EM lesion images.
The thesis is part of the DAPPEM project, which aims to develop an application for the automatic analysis of red spot photos to provide a probability score for Erythema Migrans.
This tool will be aimed at citizens and doctors and will facilitate the adoption of the most appropriate behaviour. The photo analysis data will be used for research and for professional and health organisations
to enable them to better estimate the incidence of Erythema Migrans in order to optimise management and prevention.
Au cours de ces trois années de recherches au LIMOS, je me suis intéressé au développement de nouvelles méthodes de classification (non-supervisée)
pour des données catégorielles. Ma problématique est entre autre motivée par deux applications réelles des nouvelles méthodes sur des données santé.
En ce sens, j'ai eu une collaboration avec l'institut Analgesia et un laboratoire de l'université Simon Fraser au Canada. Pour le premier cas
applicatif, l'objectif était de déterminer les profils des patients douloureux chroniques afin que ces derniers puissent avoir des suivis personnalisés (projet eDOL).
Pour le deuxième cas applicatif, notre intérêt était porté sur l'étude de l'influence des conditions de vie sur la santé cognitive des personnes âgées.
Nos contributions ont porté sur le développement de deux nouvelles méthodes de classification en utilisant la théories d'ensembles flous et de fonctions
de croyance afin de modéliser incertitude portée par le regroupement des objets dans les classes. Ces deux méthodes ont fait l'objet de trois publications
avec comité de lecture: 2 FUZZ-IEEE et 1 EGC.
Les séries temporelles sont grandement étudiées par les scientifiques depuis des années et trouvent des applications dans des domaines variés tels que l'industrie, l'astronomie, la médecine et bien d'autres.
Bien qu'il y ait eu énormement d'avancées sur l'analyse des séries temporelles dites 'exactes', les séries temporelles incertaines sont encore sous-explorées.
Sachant qu'à toute mesure est associée une incertitude dont la prise en compte est critique dans certaines applications, il est nécessaire d'intégrer la gestion de l'incertitude dans l'analyse des séries temporelles.
Cette thèse a pour but de faire un pas vers ce but en développant des méthodes efficaces et interprétables pour la classification des séries temporelles incertaines.
Le projet a pour objectif de développer une application d’analyse automatique de photos de taches rouges pour fournir un score d’érythème migrant, qui est le premier signe de la maladie de Lyme. Cette application, destinée aux médecins et au grand public, est un outil d’aide au diagnostic de l’érythème migrant mais pas un outil de diagnostic.
Le projet est financé par la région Auvergne « Pack Ambition Recherche » sur un fond FEDER (Fonds Européen de Développement Régional), géré par l’Université Clermont Auvergne (UCA). La MSA apporte également son soutien financier au projet. L’affiche au format FEDER est jointe à ce document, elle peut être diffusée sans limite.
Le projet comprend 4 phases :
(1) Réaliser un modèle informatique d’analyse de photos de taches rouges en s’appuyant sur du développement informatique avancé (intelligence artificielle, réseaux de neurones)
(2) Réaliser une application smartphone (Android et iOS) pour analyser des taches rouges et pour fournir un score de risque d’érythème migrant en y associant des données cliniques et épidémiologiques (questionnaire)
(3) Tester l’application avec les partenaires ONF, MSA, CNPF et déployer l’application en France
(4) Recueillir les données issues de ce déploiement et analyser la répartition géographique des érythèmes migrants et son incidence.
IBC s’intéresse à la question d’ intégration de données d’un système distribué à base d’Ontologies (ou graphes de données) dans le contexte d’une mission militaire. Une étude bibliographique autour du sujet est faite, afin de proposer une solution convenable au contexte contraignant d'une mission aérienne et ensuite un prototype est developpé implémentant cette solution dans une simulation du contexte militaire. Le projet IBC fait partie de l’initiative Machine Man Teaming, animé par Dassault Aviation, financé par la DGA et explorant la possibilité de développer un système aérien cognitif.