Dans le domaine médical, une meilleure connaissance de la fonctionmotrice est susceptible de permettre d’établir des thérapies adaptéesà chaque lésion motrice et des outils d’études et de dépistage dansle cas de maladies neurodégénératives. Dans le domaine de la réalitévirtuelle, la reconnaissance du mouvement est un point angulaire dansl’interaction de l’avatar ou de la personne en immersion avec sonenvironnement. Plusieurs travaux ont été menés dans le but de proposerdes approches de classification du mouvement humain. L’idée principalede ces méthodes est d’extraire des invariants des données enregistréesafin de les regrouper en clusters. Cependant, l'étude du mouvementhumain avec des systèmes de capture de mouvement génère une quantitéde données volumineuse, avec des relations non linéaires entre elles.Les méthodes présentées dans la littérature scientifique utilisent cesdonnées soit directement comme entrée à des algorithmes declassification, soit en appliquant une méthode de réductiondimensionnelle, comme l’analyse en composantes principales avant laclassification. Ces méthodes restent extrêmement sensibles au bruitblanc pendant l'enregistrement ainsi qu’aux différences morphologiquesentre les sujets. Dans notre travail, nous allons présenter uneméthodologie de classification et de reconnaissance du mouvementhumain, qui se base sur l’analyse topologique des donnéescinématiques. L’analyse topologique sera réalisée via la persistancehomologique, qui est une méthode d’analyse des données volumineusesqui permet de leur associer une signature topologique. On combineracette méthode d’analyse topologique avec des algorithmesd’apprentissage afin d’augmenter la précision de la reconnaissance desmouvements en réduisant l'impact des différences morphologiques entreles sujets ainsi que l’impact du bruit blanc issu pendant l'étaped’acquisition du mouvement. Par ailleurs, on combinera la méthoded’analyse topologique avec un algorithme de réseaux de neuronestemporels, afin de construire une approche qui permet de prédire lasuite d’un mouvement à partir d’une partie d’un intervalled’enregistrement.Les résultats ont montré la capacité de l’approche proposée à obtenirune précision avec un taux élevé lors de la classification, ainsi quesa robustesse face au bruit blanc et aux différences morphologiquesentre les personnes. Les résultats ont montré aussi le cout élevé entemps de calcul de notre approche. Nous avons proposé des méthodes(algorithme et parallélisme) de façon à réduire les temps de calculs. / In the medical field, a better knowledge of the motor function isimportant for us to determine therapies adapted to each motor lesion andtools of studies and screening for neurodegenerative diseases. In thedomain of virtual reality, motion recognition is an issue in theinteraction of the avatar or the user in immersion with theirenvironment.Several studies have been conducted with the aim of proposingapproaches to the classification of human movement. The main idea ofthese methods is to extract invariants from the recorded data in orderto order them into clusters. However, the study of human motion withmotion capture systems generates a big quantity of data with nonlinearrelations between them. The presented methods in the scientificliterature use these data either directly as input to classificationalgorithms or by applying a dimensional reduction method such asprincipal component analysis prior to classification. These methodsremain extremely sensitive to white noise during recording as well asmorphological differences between subjects.In our work, we will present a methodology of classification andrecognition of human movement which is based on the topologicalanalysis of kinematic data. Topological analysis will be performed viahomological persistence which is a large data analysis method thatallows them to be topologically signed. This method of topologicalanalysis will be combined with learning algorithms to increase theaccuracy of motion recognition by reducing the impact of morphologicaldifferences between subjects, as well as the impact of white noiseissued during the step of movement acquisition. Also, we will combinethe topological analysis method with a temporal neural networkalgorithm in order to build an approach that allows to predict thecontinuation of a movement from a part of a recording interval.The results showed the ability of the proposed approach to achievehigh accuracy at classification, as well as its robustness againstwhite noise and morphological differences between subjects. Theresults also showed the high cost in computing time of our approachwhich we tried to reduce by modifying its steps and by rewriting thecode so that it can be executed in parallel.
| Identifer | oai:union.ndltd.org:theses.fr/2018ENAM0040 |
| Date | 15 October 2018 |
| Creators | Bensekka, Chakib |
| Contributors | Paris, ENSAM, Merienne, Frédéric, Pozzo, Thierry, Guillet, Christophe |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0017 seconds