Objectifs

• 1. Établir une description de données évolutives pour l'extraction des connaissances

  

  Les données biomédicales sont évolutives parce qu'elles évoluent, au cours du temps ou bien durant plusieurs cycles d'activités. L'apparition de nombreux appareils mobiles connectés (tels que les montres, les textiles intelligents et les tablettes) destinés au domaine de la santé, a entrainé la collecte d'une masse grandissante de données évolutives comme le sont les données physiologiques.

  Le but poursuivi par cet objectif est d'analyser les données biomédicales qui évoluent au cours du temps. Ces données offrent des opportunités de localisation et de suivi en temps réel. Cependant, elles apportent également d'importants défis scientifiques et technologiques pour être applicables à la résolution de problématiques concrètes.

• 2. Modéliser des données multidimensionnelles rares pour la classification

  

  Plusieurs données biomédicales sont souvent multidimensionnelles, c'est-à-dire, elles sont constituées d'un ensemble élevé de variables. De plus, elles sont rares dans le sens où les bases de données actuelles contiennent des échantillons d'une taille relativement restreinte. Ceci nous confronte, souvent, à faire des analyses de données dont le nombre de variables dépasse le nombre d'observations. L'estimation de densité de probabilité à partir d'un échantillon de faible cardinalité est un problème important en classification.

  Cet objectif émerge de problématique de la modélisation des signaux biomédicaux lorsque nous sommes en présence d'un échantillon de données multidimensionnelles et qui sont de faible cardinalité.

• 3. Fusionner des données multimodales hétérogènes pour l'aide à la décision

  

  Les données biomédicales sont multimodales et hétérogènes; leur analyse est un défi important. En effet, le développement rapide des technologies de l'information médicale a engendré une diversité considérable de la masse de données enregistrées à partir de plusieurs modalités d'acquisitions. Ces données se présentent souvent dans des formats différents (signaux, images, etc.) provenant de capteurs différents (capteurs de mouvement, imageries radiographiques, évaluations cliniques, etc.).

  L'objectif ici est donc de fusionner des données multimodales hétérogènes pour l'aide à la décision

• 4. Développer des applications aux données cliniques, physiologiques et biomécaniques

  

  Ce volet pratique mènera à la conception d'applications concrètes du domaine du génie biomédical dont :

  • Le suivi de l'activité cardiaque en santé mobile (m-Health)

    La santé mobile est un secteur en croissance rapide dont le but est le développement d'applications mobiles destinées à fournir des services reliés à la santé via des dispositifs intelligents. En ce sens, la Commission européenne sur la santé invoquait en 2014 que : « [Ce] nouveau domaine d'activité dont le développement [est] rapide peut contribuer à faire évoluer les soins de santé et à accroître leur qualité et leur efficience... ». À cet égard, on s'intéresse au développement d'applications mobiles pour le suivi de l'activité cardiaque et respiratoire de patients durant leurs activités quotidiennes ou en période de télé réadaptation.

  • Modélisation des données biomécaniques du genou

    Cette application portera sur la modélisation de données biomécaniques du genou pour l'aide au diagnostic et au traitement de pathologies du genou ainsi que l'aide à la prise de décision chirurgicale.

    Cette recherche permettra une meilleure compréhension et évaluation du système musculo-squelettique et, plus précisément, une interprétation plus représentative de l'état fonctionnel du genou.