Dans cette thèse, nous proposons et évaluons la mise en place de la chaine complète de traitement de l'information pour la détermination de l'état de santé d'un blessé polytraumatisé. Nous faisons l'hypothèse que l'état de santé du blessé est observable dans un espace généré à partir de caractéristiques extraites sur des mesures provenant de capteurs portables. Au cours du polytraumatisme, son état se déplace dans des régions propres à chaque classe de choc hémorragique rencontrée, indépendante de l'individu. Le but de cette étude est de trouver ces régions par apprentissage supervisé pour un espace de dimension le plus faible possible (minimisation du nombre de capteurs). Pour cela, nous avons mis au point un modèle animal de choc hémorragique sur de jeunes porcs subissant une perte de sang continue à débit contrôlé. Dans un premier temps l'apprentissage a été réalisé en observant l'état instantané, l'évolution dynamique étant vue comme contextuelle. Dans un second temps nous avons évalué l'apport de l'information dynamique.

L’évolution de la technologie, nonobstant ses apports, peut enfreindre certains de nos droits fondamentaux puisqu’elle se développe plus rapidement que ces derniers. Ce mémoire vise à relever les défis que les technologies intelligentes peuvent poser tant sur la santé des communautés que sur les droits fondamentaux. La thèse porte sur les contraintes juridiques, présentes et à venir, notamment sur le droit à la vie privée à travers le développement et l’usage des technologies intelligentes qui captent notre information personnelle en lien avec la santé. Plus précisément, ce travail analyse si les bénéfices de l’accès à notre information à travers les technologies intelligentes en vue d’améliorer la santé et la sécurité des populations surpassent les conséquences juridiques. Ce travail explore, entre autres, le potentiel des technologies intelligentes, leurs avantages individuels et collectifs, notamment en matière de santé publique, et les violations des droits de l’Homme que leur usage peut générer. Mais encore, il présente des innovations technologiques qui permettent d’améliorer les systèmes de santé étatiques afin d’être en mesure de mieux réagir aux futures épidémies, notamment au niveau international, comme à l’OMS. Ces données, suivies des autres complications possibles du fait d’un usage accru des technologies intelligentes qui restreignent notre vie privée, permettront de conclure si une telle intrusion peut être justifiée dans une société libre et démocratique. Finalement, ce travail regarde les limites de l’acceptabilité sociale de l’intrusion dans la vie privée en échange à de meilleures conditions de santé afin que les organes étatiques et supraétatiques puissent prendre des décisions éclairées, sans que les droits constitutionnels soient violés. Ce travail permettra de comprendre les enjeux que notre système judiciaire inévitablement devra surmonter en proposant des stratégies visant la prévention des maladies et autres problèmes de santé à travers l’usage des technologies intelligentes. Une des solutions principales proposées est la création de bases de données nationale et internationale à l’OMS qui captent les données des appareils intelligents portables. / The evolution of technology, notwithstanding its benefits, can negatively impact some of our fundamental rights as it develops faster than the latter. Indeed, this thesis aims to meet challenges generated by smart technologies and the impact they can have on the health of communities as well as on our fundamental rights. This thesis focuses on the legal constraints, present and to come, including the right to privacy, through the development and use of smart technologies that seize our personal health information. More specifically, this work seeks to analyze whether the benefits of accessing our information through smart technologies to improve the health and safety of populations outweigh the legal consequences. This work explores the potential of smart technologies, the interest in using them individually and collectively, especially in the public health sector, and the human rights violations their use can generate. Moreover, it looks at technological innovations that help improve State health systems to be able to better respond to future epidemics, particularly at the international level, such as at the WHO. These data, followed by other possible complications due to the increased use of intelligent technologies that restrict our privacy, will allow us to conclude whether such an intrusion in our right to privacy can be justified in a free and democratic society. Finally, this work examines the limits of the social acceptability of the invasion of privacy in exchange for better health conditions so that States and supra-State bodies can make informed decisions, without violating constitutional rights. This work will help us understand the issues that our judicial system will inevitably face while proposing strategies for the prevention of diseases and other health problems through the use of smart technologies. One of the main proposed solutions is the creation of a national and international database at the WHO generated by the data of smart health devices.

La combinaison de données multi-capteurs joue un rôle croissant dans les systèmes de percep- tion artificielle. Les données de profondeur et les capteurs LiDAR en particulier sont devenus la norme pour les systèmes de vision dans les applications de robotique et de conduite auto- nome. La fusion de capteurs peut améliorer la précision des tâches et a été largement étudiée dans des environnements à ressources élevées, mais elle est moins bien comprise dans les ap- plications où les systèmes peuvent être limités en termes de puissance de calcul et de stockage d’énérgie. Dans l’analyse de la démarche chez l’homme, la compréhension du contexte local de la marche joue un rôle important, et l’analyse en laboratoire à elle même peut limiter la capacité des chercheurs à évaluer correctement la marche réelle des patients. La capacité de classifier automatiquement les terrains de marche dans divers environnements pourrait donc constituer un élément important des systèmes d’analyse de l’activité de marche. Le ter- rain de marche peut être mieux identifié à partir de données visuelles. Plusieurs contraintes (notamment les problèmes de confidentialité liés à l’envoi de données visuelles en temps réel hors appareil) limitent cette tâche de classification au dispositif Edge Computing lui- même, un environnement aux ressources limitées. Ainsi, dans ce travail, nous présentons une architecture de réseau neuronal convolutif parallèle, à fusion tardive et optimisée par calcul de bord pour l’identification des terrains de marche. L’analyse est effectuée sur un nouvel ensemble de données intitulé L-AVATeD: l’ensemble de données Lidar et visibles de terrain de marche, composé d’environ 8000 paires de données de scène visuelles (RVB) et de profondeur (LiDAR). Alors que les modèles formés sur des données visuelles uniquement produisent un modèle de calcul de bord capable d’une précision de 82%, une architecture composée d’instances parallèles de MobileNetV2 utilisant à la fois RVB et LiDAR améliore de manière mesurable la précision de la classification (92%) / Terrain classification is a critical sub-task of many autonomous robotic control processes and important to the study of human gait in ecological contexts. Real-time terrain iden- tification is traditionally performed using computer vision systems with input from visual (camera) data. With the increasing availability of affordable multi-sensor arrays, multi- modal data inputs are becoming ubiquitous in mobile, edge and Internet of Things (IoT) devices. Combinations of multi-sensor data therefore play an increasingly important role in artificial perception systems. Depth data in general and LiDAR sensors in particular are becoming standard for vision systems in applications in robotics and autonomous driving. Sensor fusion using depth data can enhance perception task accuracy and has been widely studied in high resource environments (e.g. autonomous automobiles), but is less well understood in applications where resources may be limited in compute, memory and battery power. An understanding of local walking context also plays an important role in the analysis of gait in humans, and laboratory analysis of on its own can constrain the ability of researchers to properly assess real-world gait in patients. The ability to automatically classify walking terrain in diverse environments is therefore an important part of gait analysis systems for use outside the laboratory. Several important constraints (notably privacy concerns associated with sending real-time image data off-device) restrict this classification task to the edge- computing device, itself a resource-constrained environment. In this study, we therefore present an edge-computation optimized, late-fusion, parallel Convolutional Neural Network (CNN) architecture for the real-time identification of walking terrain. Our analysis is performed on a novel dataset entitled L-AVATeD: the Lidar And Visible wAlking Terrain Dataset, consisting of approximately 8,000 pairs of visual (RGB) and depth (LiDAR) scene data. While simple models trained on visual only data produce an edge-computation model capable of 82% accuracy, an architecture composed of parallel instances of MobileNetV2 using both RGB and LiDAR data, measurably improved classifi- cation accuracy (92%).

Cette thèse examine le contexte d'utilisation des guides portables multimédia comme aide alternative à la visite culturelle. Son hypothèse de recherche principal est que l'utilisation des technologies de Réalité Augmentée (RA) mobile et de la métaphore introduit par la RA en tant que component principal de conception et d'interaction concernant les guides multimedia portables, pourrait énormément faciliter l'interaction et la navigation, tant dans l'application interactif mobile que dans le contexte sensible du musée. Le domaine traité appartienne plus largement dans le contexte plus large de l'interaction Homme-Machine Mobile. Cependant, à cause de la nature du sujet traite, la thèse apporte aussi des éléments qui enrichissent l'état de l'art concernant l'interaction et évaluation des applications de RA mobile. Enfin, a cause de la nature de l'environnement ou l'expérience a eu lieu –le musée- la thèse apporte aussi des contributions sur les façons avec lesquelles l'utilisation des guides portables multimedia pour la visite culturelle peut altérer, transformer ou promouvoir l'expérience de la visite culturelle et les relations du musée contemporain avec ses publics. Après avoir examiné le contexte d'utilisation des guides portables multimedia pour la visite culturelle, proposé un set de critères de classification, réexaminé la notion d'interaction dans notre contexte de recherche et investigué de quelle manière les technologies de RA pourraient former l'analyse conceptionelle et fonctionnelle des guides portables multimedia, l'hypothèse de recherche principal est testé a travers la conception, l'implémentation et l'évaluation d'un guide de RA mobile, créé pour et avec le Musée des Beaux Arts de Rennes. La méthodologie et le protocole d'évaluation sont ensuite exposés avant de venir aux résultats des sessions d'évaluation qui ont eu lieu dans l'environnement du Musée. Des observations ont été combinée avec des entretiens semi-structurées, suivis ensuite d'un questionnaire et deux sessions des entretiens de group. L'analyse de donnes a démontré plusieurs avantages mais aussi inconvénients lies avec l'utilisation de la RA comme un alternative intuitive et facile a utiliser pour la geolocalisation, l'orientation, la navigation et l'interaction tant dans l'environnement du musée que dans l'environnement de l'application interactive.

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