Stage R&D : Deep learning pour la segmentation et classification de séries temporelles – Application à la reconnaissance du mode de marche pour la commande d’une orthèse robotisée

Contexte du stage

Au sein de l’Institut de Recherche Technologique SystemX, situé au cœur du campus scientifique d’excellence mondiale de Paris-Saclay, vous prendrez une part active au développement d’un centre de recherche technologique de niveau international dans le domaine de l’ingénierie numérique des systèmes. Adossé aux meilleurs organismes de recherche français du domaine et constitué par des équipes mixtes d’industriels et d’académiques, ce centre a pour mission de générer de nouvelles connaissances et solutions technologiques en s’appuyant sur les percées de l’ingénierie numérique et de diffuser ses compétences dans tous les secteurs économiques.
Vous travaillerez au sein d’un projet exploratoire SystemX en partenariat avec le laboratoire LISSI de l’Université Paris Est Créteil.
Vous serez encadré par un chercheur de l’IRT SystemX du domaine Sciences des données et IA.

Présentation du sujet

Les “modes de marche” se réfèrent à différents types de marche couramment observés dans la vie quotidienne (terrain plat, montée/descente d’escaliers et de rampes). Ils présentent différentes caractéristiques liées à la morphologie des membres inférieurs, aux mouvements articulaires et à la stabilité dynamique. Les personnes souffrant de troubles de la marche (personnes âgées, patients avec troubles musculosquelettique) ont tendance à limiter leur mobilité principalement aux terrains plats et évitent d’utiliser les escaliers et les rampes, ce qui réduit leur champ possible d’activité.

Ces dernières années, la prévalence des robots d’assistance, y compris les orthèses/prothèses motorisées, a considérablement augmenté, offrant aux personnes souffrant de troubles de la marche un soutien contrôlé. La détection du mode de marche est cruciale pour garantir une assistance efficace et précise de la part du robot. Diverses méthodes ont été proposées pour reconnaître les modes de marche dans les activités de la vie quotidienne, en s’appuyant sur des techniques de fusion de données provenant de plusieurs types de capteurs [1]. Les progrès de la technologie des capteurs, des techniques de traitement des données, et des méthodes basées sur l’apprentissage automatique offrent des perspectives intéressantes pour la détection du mode de marche.

Objectifs du stages et missions

Le stage vise à développer des méthodes de détection temps réel du mode de marche afin de fournir un soutien efficace et adapté aux sujets utilisant une orthèse cheville-pied actionnée, améliorant ainsi leurs capacités de marche et leur mobilité globale. De précédents travaux [2] ont montré l’intérêt de l’utilisation de modèles de machine learning et plus particulièrement de réseau de neurones récurrents de type LSTM pour caractériser l’état de marche à partir de données multi sources issues de 3 centrales inertielles. Le stage vise concevoir d’autres architectures neuronales avancées (Stacked-LSTM, Encodeur-Decoder, Transformer) pour :

• Mieux exploiter les données brutes produites par les centrales inertielles.
• Mieux modéliser l’aspect temporel des données au travers du mécanisme à mémoire.
• Augmenter la réactivité en détectant au plus tôt les modes de marche par l’identification de signaux précurseurs, étape primordiale dans une perspective de contrôle temps réel de l’orthèse.
• Mieux gérer les phases transitoires entre deux modes, sources d’inconfort lié à des couples de correction de l’orthèse inadaptés.
• Améliorer la précision de détection sur l’ensemble des modes de marche, et en particulier lors des transitions marche à plat-descente d’escaliers.

Vos missions seront les suivantes :

• Se familiariser avec la problématique de machine Learning appliquées à la psychomotricité.
• Réaliser un état de l’art des méthodes de segmentation/classification de séries temporelles par des approches deep learning
• Implémenter et appliquer plusieurs approches retenues à l’issue de l’état de l’art, sur un jeu de données réelles.
• Réfléchir aux options d’enrichissement du dataset
• Concevoir un benchmark permettant d’évaluer les différentes approches.

Le stage peut être suivi d’une proposition de thèse avec le partenaire académique.

Références

[1] F. Labarriere, E. Thomas, L. Calistri, V. Optasanu, M. Gueugnon, P. Ornetti, and D. Laroche, “Machine learning approaches for activity recognition and/or activity prediction in locomotion assistive devices—a systematic review,” Sensors, vol. 20, no. 21, p. 6345, 2020.

[2] H. Moon, A. Boubezoul, L. Oukhellou, Y. Amirat, and S. Mohammed, “Online human intention detection through machine-learning based algorithm for the control of lower-limbs wearable robot,” in 2022 IEEERAS 21st International Conference on Humanoid Robots .IEEE, 2022

Profil et compétences

Etudiant BAC+5 en école d’ingénieur ou Master 2, dans le domaine Science des données, IA, ou statistiques / mathématiques appliquées

Compétences :

• Bon niveau en programmation (Python)
• Machine Learning, statistiques
• Deep learning (Tensorflow/Py-torch)

Aptitudes personnelles :

• Esprit d’analyse, autonomie, travail collaboratif
• Intérêt pour la recherche appliqué

Merci d’indiquer la référence du stage dans l’objet de votre mail de candidature, d’y joindre CV, lettre de motivation, lettre(s) de recommandation et relevés de notes.