Multi-sensor data fusion : Application to the prediction of ARDS

Autor: Taoum, Aline
Přispěvatelé: Institut Charles Delaunay (ICD), Université de Technologie de Troyes (UTT)-Centre National de la Recherche Scientifique (CNRS), Université de Technologie de Troyes, Université Libanaise, Farah Mourad-Chehade, Hassan Amoud, Ziad El Fawal, STAR, ABES
Jazyk: angličtina
Rok vydání: 2019
Předmět:
Zdroj: Signal and Image Processing. Université de Technologie de Troyes; Université Libanaise, 2019. English. ⟨NNT : 2019TROY0006⟩
Popis: Nowadays, the elderly population represents 13% of the world's population. It is estimated that this rate will increase very rapidly leading to the phenomenon of the population ageing. This phenomenon increases the incidence of various diseases, such as cardiopulmonary pathologies. In this thesis, we are interested in the pathology known as Acute Respiratory Distress Syndrome (ARDS). ARDS is a fatal lung condition occurring in critically ill patients representing a high mortality rate. The aim of this thesis is to develop methods for the prediction of ARDS in real-time using physiological signals, such as heart rate, respiratory rate, peripheral arterial oxygen saturation and mean arterial blood pressure. During the course of this thesis, we developed three original methods for the prediction of ARDS. The first method is based on the novelty detection on each physiological signal, followed by different techniques of decision fusion. The second method consists of the extraction of parameters from the signals, selecting the most relevant ones and fusing them using the theory of belief functions. Finally, we proposed a model that combines both kernel methods and belief function theory for the prediction of ARDS. We also proposed the extraction of new parameters to complete the list used in the previous method.
La population âgée représente actuellement 13% de la population mondiale. Ce taux est estimé d’augmenter très rapidement entrainant le phénomène de vieillissement de la population. Ce phénomène augmente la fréquence d’occurrence de diverses maladies, telles que les pathologies cardiopulmonaires. Dans cette thèse, nous nous intéressons à la pathologie connue sous le nom de syndrome de détresse respiratoire aigüe (SDRA). Il s’agit d’une forme très sévère de défaillance pulmonaire aiguë, consécutive à une altération de la perméabilité capillaire. Le SDRA représente un taux de mortalité élevé. Cette thèse a pour objectif de développer des méthodes de prévention du SDRA en temps réel en utilisant des signaux physiologiques, telles que le rythme cardiaque, le rythme respiratoire, le taux d'oxygène dans le sang et la moyenne de la pression artérielle. Au cours de cette thèse, nous avons développé trois méthodes originales pour la prévention du SDRA. La première méthode est basée sur la détection d’anormalité dans chaque signal physiologique, suivie d’une fusion de décisions, selon différentes approches. La deuxième méthode consiste à extraire des caractéristiques des signaux, à sélectionner les paramètres les plus pertinents et à les fusionner à l’aide de la théorie des fonctions de croyance. Finalement, nous avons proposé un modèle combinant à la fois les méthodes à noyaux et la théorie des fonctions de croyance pour la prévention du SDRA. Nous avons également proposé l’extraction de nouveaux paramètres.
Databáze: OpenAIRE
Externí odkaz: