Les infections virales des voies respiratoires (IVVRs) causées par certains virus comme la grippe et le COVID-19 ont un impact significatif sur la santé publique et l’économie mondiale. Ces infections touchent un nombre important de personnes dans le monde et exercent une pression immense sur les systèmes de santé. Pour atténuer les effets néfastes des IVVRs, il est important de développer des techniques de détection précoce capables d’identifier les personnes infectées même si elles ne présentent aucun symptôme. Une telle détection permet un isolement et raitement rapide, ce qui réduit le risque de transmission et permet des interventions de santé publique ciblées pour limiter la propagation de l’infection. Les méthodes de détection actuelles telles que la réaction en chaîne par polymérase (RCP) démontrent une sensibilité et une spécificité élevées, atteignant des taux de détection de 100% avec certaines méthodes de test disponibles dans le marché. De plus, les approches actuelles d’apprentissage automatique pour la détection des IVVRs, montrent des résultats prometteurs ; cependant, les méthodes actuelles reposent souvent sur l’apparition des symptômes, exigent un équipement coûteux et un personnel formé, et fournissent des résultats relativement retardés. Notre projet vise à étudier la faisabilité de l’utilisation d’un algorithme d’apprentissage automatique entraîné sur des données physiologiques provenant de biocapteurs portables lors d’un protocole de test de marche sur escalier pour prédire le niveau d’inflammation associé aux IVVRs. De plus, l’étude vise à identifier les indicateurs les plus prédictifs des IVVRs. Des participants en bonne santé ont été recrutés et inoculés avec un vaccin antigrippal vivant pour induire une réponse immunitaire. Au cours d’une série de tests d’escalier contrôlés cliniquement, des physiomarqueurs tels que la fréquence respiratoire et la fréquence cardiaque ont été meusurés à l’aide de biocapteurs portables. Les données collectées ont été utilisées pour développer un modèle de prédiction en ayant recours aux algorithmes d’apprentissage automatique, combinés avec un réglage d’hyperparamètres et en écartant un participant à la fois lors de l’entraînement du modèle. L’étude a développé avec succès un modèle prédictif qui démontre des résultats prometteurs dans la prédiction du niveau d’inflammation lié au vaccin induit. Notamment, les caractéristiques de variabilité de la fréquence cardiaque (VFC) dérivées du biocapteur portable présentaient le potentiel le plus élevé pour détecter le niveau d’inflammation, atteignant une sensibilité de 70% et une spécificité de 77%. Les implications du modèle de prédiction développé sont importantes pour les cliniciens et le grand public, notamment en termes d’autosurveillance et d’intervention précoce. Grâce aux algorithmes d’apprentissage automatique et des physiomarqueurs utilisés, en particulier les caractéristiques de VFC, cette approche a le potentiel de faciliter l’administration en temps opportun des traitements appropriés, atténuant ainsi l’impact des futures épidémies des IVVRs. L’intégration de biocapteurs portables et d’algorithmes d’apprentissage automatique fournit une stratégie innovante et efficace de détection précoce, permettant une intervention rapide et réduisant la charge sur les systèmes de santé / Viral respiratory tract infections (VRTIs) caused by certain viruses like influenza and COVID-19, significantly impact public health and the global economy. These infections affect a large number of people worldwide and put immense pressure on healthcare systems. To mitigate the detrimental effects of VRTIs, it is crucial to urgently develop accurate early detection techniques that can identify infected individuals even if they do not exhibit any symptoms. Timely detection allows for prompt isolation and treatment, reducing the risk of transmission and enabling targeted public health interventions to limit the spread of the infection. Current detection methods like polymerase chain reaction (PCR) demonstrate high sensitivity and specificity, reaching 100% detection rates with some commercially available testing methods. Additionally, current machine learning approaches for automatic detection show promising results; however, current methods often rely on symptom onset, demand expensive equipment and trained personnel, and provide delayed results. This study aims to investigate the feasibility of utilizing a machine learning algorithm trained on physiological data from wearable biosensors during a stair stepping task protocol to predict the level of inflammation associated with VRTIs. Additionally, the study aims to identify the most predictive indicators of VRTIs. Healthy participants were recruited and inoculated with a live influenza vaccine to induce an immune response. During a series of clinically controlled stair tests, physiomarkers such as breathing rate and heart rate were monitored using wearable biosensors. The collected data were employed to develop a prediction model through the utilization of gradient boosting machine learning algorithms, which were combined with hyperparameter tuning and a leave-one-subject-out approach for training. The study successfully developed a predictive model that demonstrates promising results in predicting the level of inflammation related to the induced VRTI. Notably, heart rate variability (HRV) features derived from the wearable biosensor exhibited the highest potential in detecting the level of inflammation, achieving a sensitivity of 70% and a specificity of 77%. The implications of the developed prediction model are significant for clinicians and the general public, particularly in terms of self-monitoring and early intervention. By leveraging machine learning algorithms and physiomarkers, specifically HRV features, this approach holds the potential to facilitate the timely administration of appropriate treatments, thereby mitigating the impact of future VRTI outbreaks. The integration of wearable biosensors and machine learning algorithms provides an innovative and effective strategy for early detection, enabling prompt intervention and reducing the burden on healthcare system

Le sepsis tardif, défini comme une infection systémique chez les nouveaux nés âgés de plus de 3 jours, survient chez environ 7% à 10% de tous les nouveau-nés et chez plus de 25% des nouveau-nés de très faible poids de naissance qui sont hospitalisés dans les unités de soins intensifs néonatals (USIN). Les apnées et bradycardies (AB) spontanées récurrentes et graves sont parmi les principaux indicateurs précoces cliniques de l'infection systémique chez les prématurés. L'objectif de cette thèse est de déterminer si la variabilité du rythme cardiaque (VRC), la respiration et l'analyse de leurs relations aident au diagnostic de l'infection chez les nouveaux nés prématurés par des moyens non invasifs en USIN. Par conséquent, on a effectué l'analyse Mono-Voie (MV) et Bi-Voies (BV) sur deux groupes sélectionnés de nouveau-nés prématurés: sepsis (S) vs. non-sepsis (NS). (1) Tout d'abord, on a étudié la série RR non seulement par des méthodes de distribution (moy, varn, skew, kurt, med, SpAs), par les méthodes linéaire: le domaine temporel (SD, RMSSD) et dans le domaine fréquentiel (p_VLF, p_LF, p_HF), mais aussi par les méthodes non–linéaires: la théorie du chaos (alphas, alphaF) et la théorie de l'information (AppEn, SamEn, PermEn, Regul). Pour chaque méthode, nous étudions trois tailles de fenêtre 1024/2048/4096, puis nous comparons ces méthodes afin de trouver les meilleures façons de distinguer S de NS. Les résultats montrent que les indices alphaS, alphaF et SamEn sont les paramètres optimaux pour séparer les deux populations. (2) Ensuite, la question du couplage fonctionnel entre la VRC et la respiration nasale est adressée. Des relations linéaires et non-linéaires ont été explorées. Les indices linéaires sont la corrélation (r²), l'indice de la fonction de cohérence (Cohere) et la corrélation temps-fréquence (r2t,f) , tandis que le coefficient de régression non-linéaire (h²) a été utilisé pour analyser des relations non-linéaires. Nous avons calculé les deux directions de couplage pendant l'évaluation de l'indice h2 de régression non-linéaire. Enfin, à partir de l'ensemble du processus d'analyse, il est évident que les trois indices (r2tf_rn_raw_0p2_0p4, h2_rn_raw et h2_nr_raw) sont des moyens complémentaires pour le diagnostic du sepsis de façon non-invasive chez ces patients fragiles. (3) Après, l'étude de faisabilité de la détection du sepsis en USIN est réalisée sur la base des paramètres retenus lors des études MV et BV. Nous avons montré que le test proposé, basé sur la fusion optimale des six indices ci-dessus, conduit à de bonnes performances statistiques. En conclusion, les mesures choisies lors de l'analyse des signaux en MV et BV ont une bonne répétabilité et permettent de mettre en place un test en vue du diagnostic non invasif et précoce du sepsis. Le test proposé peut être utilisé pour fournir une alarme fiable lors de la survenue d'un épisode d'AB tout en exploitant les systèmes de monitoring actuels en USIN. / Late-onset sepsis, defined as a systemic infection in neonates older than 3 days, occurs in approximately 10% of all neonates and in more than 25% of very low birth weight infants who are hospitalized in Neonatal Intensive Care Units (NICU). Recurrent and severe spontaneous apneas and bradycardias (AB) is one of the major clinical early indicators of systemic infection in the premature infant. Various hematological and biochemical markers have been evaluated for this indication but they are invasive procedures that cannot be repeated several times. The objective of this Ph.D dissertation was to determine if heart rate variability (HRV), respiration and the analysis of their relationships help to the diagnosis of infection in premature infants via non-invasive ways in NICU. Therefore, we carried out Mono-Channel (MC) and Bi-Channel (BC) Analysis in two selected groups of premature infants: sepsis (S) vs. non-sepsis (NS). (1) Firstly, we studied the RR series not only by distribution methods (moy, varn, skew, kurt, med, SpAs), by linear methods: time domain (SD, RMSSD) and frequency domain (p_VLF, p_LF, p_HF), but also by non-linear methods: chaos theory (alphaS, alphaF) and information theory (AppEn, SamEn, PermEn, Regul). For each method, we attempt three sizes of window 1024/2048/4096, and then compare these methods in order to find the optimal ways to distinguish S from NS. The results show that alphaS, alphaF and SamEn are optimal parameters to recognize sepsis from the diagnosis of late neonatal infection in premature infants with unusual and recurrent AB. (2) The question about the functional coupling of HRV and nasal respiration is addressed. Linear and non-linear relationships have been explored. Linear indexes were correlation (r²), coherence function (Cohere) and time-frequency index (r2t,f), while a non-linear regression coefficient (h²) was used to analyze non-linear relationships. We calculated two directions during evaluate the index h2 of non-linear regression. Finally, from the entire analysis process, it is obvious that the three indexes (r2tf_rn_raw_0p2_0p4, h2_rn_raw and h2_nr_raw) were complementary ways to diagnosticate sepsis in a non-invasive way, in such delicate patients.(3) Furthermore, feasibility study is carried out on the candidate parameters selected from MC and BC respectively. We discovered that the proposed test based on optimal fusion of 6 features shows good performance with the largest Area Under Curves (AUC) and the least Probability of False Alarm (PFA). As a conclusion, we believe that the selected measures from MC and BC signal analysis have a good repeatability and accuracy to test for the diagnosis of sepsis via non-invasive NICU monitoring system, which can reliably confirm or refute the diagnosis of infection at an early stage.

Atrial fibrillation is a common heart arrhythmia which is characterized by a missing or irregular contraction of the atria. The disease is a risk factor for other more serious diseases and the total medical costs in society are extensive. Therefore it would be beneficial to improve and optimize the prevention and detection of the disease.   Pulse palpation and heart auscultation can facilitate the detection of atrial fibrillation clinically, but the diagnosis is generally confirmed by an ECG examination. Today there are several algorithms that detect atrial fibrillation by analysing an ECG. A common method is to study the heart rate variability (HRV) and by different types of statistical calculations find episodes of atrial fibrillation which deviates from normal sinus rhythm.   Two algorithms for detection of atrial fibrillation have been evaluated in Matlab. One is based on the coefficient of variation and the other uses a logistic regression model. Training and testing of the algorithms were done with data from the Physionet MIT database. Several steps of signal processing were used to remove different types of noise and artefacts before the data could be used.   When testing the algorithms, the CV algorithm performed with a sensitivity of 91,38%, a specificity of 93,93% and accuracy of 92,92%, and the results of the logistic regression algorithm was a sensitivity of 97,23%, specificity of 93,79% and accuracy of 95,39%. The logistic regression algorithm performed better and was chosen for implementation in Java, where it achieved a sensitivity of 97,31%, specificity of 93,47% and accuracy of 95,25%. / Förmaksflimmer är en vanlig hjärtrytmrubbning som kännetecknas av en avsaknad eller oregelbunden kontraktion av förmaken. Sjukdomen är en riskfaktor för andra allvarligare sjukdomar och de totala kostnaderna för samhället är betydande. Det skulle därför vara fördelaktigt att effektivisera och förbättra prevention samt diagnostisering av förmaksflimmer.   Kliniskt diagnostiseras förmaksflimmer med hjälp av till exempel pulspalpation och auskultation av hjärtat, men diagnosen brukar fastställas med en EKG-undersökning. Det finns idag flertalet algoritmer för att detektera arytmin genom att analysera ett EKG. En av de vanligaste metoderna är att undersöka variabiliteten av hjärtrytmen (HRV) och utföra olika sorters statistiska beräkningar som kan upptäcka episoder av förmaksflimmer som avviker från en normal sinusrytm.   I detta projekt har två metoder för att detektera förmaksflimmer utvärderats i Matlab, en baseras på beräkningar av variationskoefficienten och den andra använder sig av logistisk regression. EKG som kommer från databasen Physionet MIT används för att träna och testa modeller av algoritmerna. Innan EKG-signalen kan användas måste den behandlas för att ta bort olika typer av brus och artefakter.   Vid test av algoritmen med variationskoefficienten blev resultatet en sensitivitet på 91,38%, en specificitet på 93,93% och en noggrannhet på 92,92%. För logistisk regression blev sensitiviteten 97,23%, specificiteten 93,79% och noggrannheten 95,39%. Algoritmen med logistisk regression presterade bättre och valdes därför för att implementeras i Java, där uppnåddes en sensitivitet på 91,31%, en specificitet på 93,47% och en noggrannhet på 95,25%.

Den tekniska utvecklingen har lett till att massiva mängder av information sänds, i högahastigheter. Detta flöde måste vi lära oss att hantera. För att maximera nyttan av de nyateknikerna och undkomma de problem som detta enorma informationsflöde bär med sig, börinteraktionskvalitet studeras. Vi måste anpassa gränssnitt efter användaren eftersom denneinte har möjlighet att anpassa sig till, och sortera i för stora informationsmängder. Vi måsteutveckla system som gör människan mer effektiv vid användande av gränssnitt.För att anpassa gränssnitten efter användarens behov och begränsningar krävs kunskaperom den mänskliga kognitionen. När kognitiv belastning studeras är det viktigt att en såflexibel, lättillgänglig och icke-påträngande teknik som möjligt används för att få objektivamätresultat, samtidigt som pålitligheten är av största vikt. För att kunna designa gränssnittmed hög interaktionskvalitet krävs en teknik att utvärdera dessa. Målet med uppsatsen är attfastställa en mätmetod väl lämpad för mätning av interaktionskvalitet.För mätning av interaktionskvalitet rekommenderas en kombinering av subjektiva ochfysiologiska mätmetoder, detta innefattar en kombination av Functional near-infraredspecroscopy; en fysiologisk mätmetod som mäter hjärnaktiviteten med hjälp av ljuskällor ochdetektorer som fästs på frontalloben, Electrodermal activity; en fysiologisk mätmetod sommäter hjärnaktiviteten med hjälp av elektroder som fästs över skalpen och NASA task loadindex; en subjektiv, multidimensionell mätmetod som bygger på kortsortering och mäteruppfattad kognitiv belastning i en sammanhängande skala. Mätning med hjälp av dessametoder kan resultera i en ökad interaktionskvalitet i interaktiva, fysiska och digitalagränssnitt. En uppskattning av interaktionskvalitet kan bidra till att fel vid interaktionminimeras, vilket innebär en förbättring av användares upplevelse vid interaktion. / Technical developments have led to the broadcasting of massive amounts of information, athigh velocities. We must learn to handle this flow. To maximize the benefits of newtechnologies and avoid the problems that this immense information flow brings, interactionquality should be studied. We must adjust interfaces to the user because the user does nothave the ability to adapt and sort overly large amounts of information. We must developsystems that make the human more efficient when using interfaces.To adjust the interfaces to the user needs and limitations, knowledge about humancognitive processes is required. When cognitive workload is studied it is important that aflexible, easily accessed and non assertive technique is used to get unbiased results. At thesame time reliability is of great importance. To design interfaces with high interaction quality,a technique to evaluate these is required. The aim of this paper is to establish a method that iswell suited for measurement of interaction quality.When measuring interaction quality, a combination of subjective and physiologicalmethods is recommended. This comprises a combination of Functional near-infraredspectroscopy; a physiological measurement which measures brain activity using light sourcesand detectors placed on the frontal lobe, Electrodermal activity; a physiological measurementwhich measures brain activity using electrodes placed over the scalp and NASA task loadindex; a subjective, multidimensional measurement based on card sorting and measures theindividual perceived cognitive workload on a continuum scale. Measuring with these methodscan result in an increase in interaction quality in interactive, physical and digital interfaces.An estimation of interaction quality can contribute to eliminate interaction errors, thusimproving the user’s interaction experience.

No description available.