Évaluation de l'équilibre postural chez les personnes âgées par l’utilisation des unités de mesures inertielles

Résumé

Notre projet vise à évaluer l'équilibre chez les personnes âgées en utilisant des données recueillies par des capteurs Unités de Mesure Inertielle (IMU) pour prédire le score sur l'échelle de Berg (BBS). Les données ont été collectées auprès de 14 participants, avec des capteurs placés sur le torse, le bas du dos, et la tête, lors de l'exécution de 14 tâches issues du BBS. Notre méthodologie s'appuie sur l'extraction et l'analyse de diverses caractéristiques telles que l'aire horizontal représentant le changement du centre de pression au sol, la longueur totale du chemin, l'accélération et la vitesse angulaire des IMUs. De plus, nous avons créé un nouveau paramètre, le volume qui enveloppe la trace du mouvement, comme nouvelle dimension dans l'évaluation de l'équilibre. Le modèle de régression logistique a été employé pour déterminer les prédicteurs des score BBS parmi ces variables extrait du capteur de bas du dos. Ensuite, nous avons également exploré l'impact de la position du capteur (c’est-à-dire, la torse et la tête) sur les associations entre le BBS et les variables de IMUs, en utilisant le bas du dos comme un référence de centre de masse. Par ailleurs, en distinguant les tâches statiques des dynamiques, notre recherche démontre comment la nature de la posture et du mouvement peut influencer ces associations. Cela peut suggérer la nécessité d'adapter les protocoles d'évaluation à différents contextes de la vie quotidienne. Enfin, nous mettrons en oeuvre une gamme étendue de modèles d'apprentissage automatique, incluant le modèle de Machine à vecteurs de support (SVM), Réseau de Neurones Artificiels (ANN) et le modèle XGBoost. Ces technologies avancées seront appliquées pour analyser les données issues des capteurs, avec une attention particulière portée aux matrices d’évaluation importants telles que la précision, la sensibilité, la spécificité et l'aire sous la courbe d’efficacité du récepteur (ROC) de nos modèles prédictifs.

Date	13 août 2024
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Ornwipa Thamsuwan (Directeur(-trice))