Intelligence artificielle pour la conception et l’ajustement des masques respiratoires

Résumé

Contexte : Les masques respiratoires constituent un élément essentiel de protection individuelle contre les contaminants atmosphériques, tant dans les milieux médicaux qu’industriels. Ce pendant, leur port prolongé peut engendrer un inconfort significatif et provoquer des lésions cutanées. Ces problèmes résultent souvent d’un ajustement inadéquat du masque. Objectif : Ce mémoire a pour objectif de développer un modèle d’apprentissage automatique capable de prédire la déformation faciale et la distribution des pressions exercées par un masque respiratoire, à partir d’un jeu restreint de données biomécaniques annotées. L’objectif ultime est de favoriser un ajustement personnalisé optimisant à la fois la protection et le confort. Méthodologie : Une architecture de réseau de neurones en graphes semi-supervisée a été proposée pour représenter la géométrie faciale sous forme de graphes. Le modèle exploite 45 visages étiquetés et 120 non étiquetés, combinant un autoencodeur variationnel et des contraintes inspirées de la théorie du contact hertzien. Un module complémentaire basé sur XGBoost assure la classification des zones de déformation. Résultats : Notre approche permet d’obtenir une RMSE de déformation de 0,164 mm (R2 = 0, 9896) et une RMSE de pression de 0,0492 kPa (R2 = 0, 9517), soit une amélioration de 34,27 % par rapport à Random Forest, de 20,62 % par rapport à PointNet++ et de 10,01 % par rapport à TPSNET. La validation croisée à cinq volets confirme une généralisation robuste et un temps d’inférence inférieur à 2 secondes. Conclusion : Cette étude présente un modèle d’ajustement personnalisé en temps réel des masques respiratoires capable de prédire avec précision la déformation faciale et la pression de contact.

Date	22 déc. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Luc Duong (Directeur(-trice)) & Bahe Hachem (Codirecteur(-trice))