Indexation robuste et automatisée de signaux respiratoires

T. Germain, C. Truong, L. Oudre, and E. Krejci. Unsupervised classification of plethysmography signals with advanced visual representations. Frontiers in Physiology, 14:1154328, 2023.

Collaboration  biologie / médecine / math

L'article décrit les résultats d’une collaboration entre biologistes, neuroscientifiques et mathématiciens autour d’une application servant à analyser de façon automatique des données de pléthysmographie (analyse des cycles respiratoires). Les enregistrements sont habituellement très longs (on peut avoir typiquement plus de 30000 cycles dans un seul enregistrement) et l’analyse est limitée pour les biologistes à la quantification de quelques paramètres algébriques dérivés de la variation de la vitesse de l’air qui passent dans les voies aériennes (minimum, maximum, durée positive ou négative...) au cours du temps c’est à dire le rythme et l’intensité.

Application du traitement du signal

La technique décrite dans l’article est un exemple typique d'une application du traitement du signal et du machine learning pour évaluer des comportements respiratoires c’est-à-dire la mélodie. L'algorithme permet non seulement d’automatiser le traitement des données (il s’agit par exemple d’identifier différents types de cycles présents dans les
données), mais également de construire des représentations visuelles ergonomiques sous forme de frises de couleur, qui facilitent grandement la compréhension de processus complexes par les biologistes. De
plus, les nouvelles classifications conçues par le laboratoire ont permis de redéfinir la façon dont le clinicien/biologiste peut interagir avec les données.