Deep learning pour la classification de séries temporelles. application à la reconnaissance du [...]

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 de recherche exploratoire SystemX en partenariat avec le laboratoire LISSI de l’Université Paris Est Créteil. Vous serez encadré par un chercheur SystemX du domaine Sciences des données et IA.

Le poste est basé à l’IRT SystemX – Palaiseau.

Présentation détaillée du stage:

Contexte

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 [2].

Objectifs:

Ce stage de recherche s’inscrit dans la poursuite de travaux de benchmarking d’approches de réseaux de neurones de classification multi-horizon (CNN, LSTM, et structure encoder-décoder) de séries temporelles pour la détection en temps réel du mode de marche. La finalité applicative de ces travaux vise la conception de modèle IA pour la caractérisation de marche contribuant à fournir un soutien efficace et adapté aux sujets utilisant une orthèse cheville-pied actionnée,améliorant ainsi leurs capacités de marche et leur mobilité globale. Le stage vise principalement à:

* Poursuivre les travaux de recherches d’architectures deep learning permettant de mieux exploiter les signaux inertiels bruts et la structure temporelle des données pour augmenter la précision, la réactivité et la fiabilité des prévisions de modèles.
* Participer à l’implémentation et l’intégration de nouvelles approches (Ex: Transformer, ViT).
* Prendre en main une nouvelle base de données pour la détection de mode de marche dédiée aux transitions entre modes de marches, et appliquer des approches de data-qualification.
* Approfondir la méthodologie d’évaluation du benchmark pour évaluer plus finement les performances en phases de transitions qui sont critiques pour le soutien apporté par l’orthèse.

En complément de ces travaux, plusieurs perspectives orientées recherche seront explorées parmi:

* L’utilisation de modèle de caractérisation de marche multi-objectifs.
* La valorisation d’espace latent de modèle de deep learning pour la caractérisation de la marche.
* L’intégration de quantification d’incertitude pour l’amélioration de la gestion des transitions et la caractérisation de la confiance modèle sur des profils de marches atypiques.

Vos missions seront les suivantes :

* Se familiariser avec la problématique académique, les travaux et implémentations antérieurs.
* Actualiser un état de l’art de méthodes de classification de séries temporelles par deep learning.
* Concevoir et appliquer des méthodologies d’évaluations fines pour des modèles de classification.
* Implémenter et intégrer de nouvelles approches dans le benchmark.
* Explorer des pistes de recherches pour la caractérisation de la marche par deep learning.

Profil:

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
* Aptitude à communiquer à l'oral et à l'écrit

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

[3] H. Moon, A. Boubezoul, O. Bey, L. Oukhellou, and S. Mohammed. Real-time lstm-driven dynamic gait mode detection for enhanced control of actuates-ankle-foot orthosis. IEEE Transaction on Robotics, 2024.

#J-18808-Ljbffr