L’analyse de la stabilité posturale chez l’homme a fait l’objet, ces dernières années, d’un intérêt grandissant au sein de la communauté scientifique. Le système postural permet de maintenir la stabilité du corps humain en posture statique ou dynamique. Cette capacité à maintenir cette stabilité devient critique dans le cas des sujets Parkinsoniens. La maladie de Parkinson a en effet une forte incidence sur la stabilité posturale. Un moyen efficace pour évaluer l’équilibre postural consiste à analyser les déplacements dans le plan horizontal du centre de pression du corps humain en posture orthostatique ; les trajectoires mesurées dans la direction medio-latérale (ML) et la direction Antéro-postérieure (AP) sont appelées signaux stabilométriques. Dans cette thèse, nous visons le développement de méthodes efficaces pour l’analyse de l’équilibre en posture orthostatique sous différentes conditions liées à l’entrée visuelle (yeux ouverts/yeux fermés), la position des pieds (pieds joints/pieds écartés) et en considérant d’autres facteurs comme le genre et l’âge. Dans ce cadre, nous proposons, tout d’abord, une méthode exploitant la variante EEMD (Ensemble Empirical Mode Decomposition) de la décomposition en modes empiriques (EMD) et l’analyse de la diffusion du stabilogramme. Dans le contexte du diagnostic de la maladie de Parkinson, la discrimination entre sujets sains et sujets Parkinsoniens est très importante, de même que l’évaluation du stade de la maladie pour les sujets atteints. Dans ce cadre, deux méthodes sont proposées. La première consiste tout d’abord en une extraction et sélection de caractéristiques temporelles et spectrales, à partir des signaux stabilométriques brutes ou des modes de fonctions intrinsèques dérivés de la décomposition EEMD. Des méthodes standards de type KNN, CART, RF et SVM sont ensuite appliquées pour reconnaitre les sujets Parkinsoniens. La deuxième méthode proposée, est une approche de classification qui repose sur l’emploi de HMMs construits en utilisant les signaux stabilométriques brutes dans les directions ML, AP et ML/AP. Enfin, une dernière méthode est proposée pour la segmentation automatique des signaux stabilométriques sous différentes conditions (entrée visuelle, position des pieds). Pour ce faire, un modèle de régression régi par une chaine de Markov cachée (HMMR) est utilisé pour détecter automatiquement les variations des structures des signaux stabilométriques entre ces conditions. Les résultats obtenus montrent clairement la supériorité des performances des méthodes proposées par rapport aux approches standards, aussi bien, en termes d’analyse de l’équilibre postural que de diagnostic de sujets Parkinsoniens / Recently, human balance control analysis has received an increasing interest from the research community. The human postural system maintains the stability of the body both in the static posture (quiet standing) and during locomotion. This ability to maintain stability becomes hard with aging and Parkinson's disease (PD) subjects. PD has a strong effect on postural stability during quiet standing situations, and during locomotion. One effective way to assess human stability is to analyze the center of pressure (CoP) displacements of the human body during quiet standing. The recorded CoP displacements in quiet standing are called stabilometric signals. This thesis aims to develop efficient approaches to analyze the human postural stability in quiet standing under visual and feet position conditions, as well as under age and gender. This is achieved using Empirical Mode Decomposition (EMD) method and stabilogram-diffusion technique. In the other part, the discrimination between healthy and PD subjects is very important for diagnosing Parkinson's disease, as well as for evaluating the disease level of the patient. In this context, two approaches are proposed; the first approach consists of an EMD-based temporal and spectral feature extraction from the stabilometric signals. The second approach is based on a Hidden Markov Model (HMM) using the raw stabilometric signals. The HMM model is an efficient tool to analyze temporal and sequential data. Another approach is proposed in order to segment the stabilometric signals according to the visual and feet position conditions. This is achieved using a Hidden Markov Model Regression (HMMR)-based approach. This study help clinicians to better understand the motor strategies used by the subjects during quiet standing and may guide the rehabilitation process. The obtained results clearly show high performances of the proposed approaches with respect to other standard approaches in both postural stability analysis and discrimination healthy from PD subjects
| Identifer | oai:union.ndltd.org:theses.fr/2016PESC1066 |
| Date | 14 December 2016 |
| Creators | Safi, Khaled |
| Contributors | Paris Est, Université libanaise, Amirat, Yacine |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0023 seconds