Microsystèmes de capteurs utilisant l’intelligence artificielle embarquée pour le domaine médical

Résumé

Le TinyML est un domaine émergent visant à développer des modèles d’apprentissage automatique compacts et économes en puissance de calcul et en énergie, adaptés aux dispositifs embarqués. Alors que les modèles de grande envergure requièrent d’importantes ressources de calcul et engendrent une empreinte environnementale non négligeable, le TinyML propose des solutions locales, rapides et sécurisées, ouvrant la voie à des applications innovantes dans des domaines tels que la santé et le suivi sportif. Dans ce mémoire, je présente le développement d’un système innovant intégrant une matrice de capteurs imprimés appliquée sur un masque KN95, destiné à suivre en temps réel l’évolution de l’humidité relative à sa surface et, par extension, à analyser les schémas respiratoires des porteurs. Une encre sensible à l’humidité à base de ferrite de bismuth (BiFeO3) a été imprimée par sérigraphie sur un circuit en argent, lequel a ensuite été cousu sur le masque et connecté à un système d’acquisition de données (Keithley DAQ6510). Une série d’expérimentations, comprenant plusieurs cycles de respiration normale et profonde, a permis de constituer un jeu de données. Ces données ont été prétraitées et classifiées de manière non supervisée à l’aide de l’algorithme de clustering HDBSCAN, permettant d’identifier trois classes distinctes : respiration normale, respiration profonde et respiration irrégulière. La détection de passages en respiration irrégulière chez certains participants a ensuite été validée par un réseau de neurones, lequel a atteint une précision de 99.4% sur les données de test. Enfin, le modèle a été converti de TensorFlow vers TVM pour optimiser ses performances et assurer sa compatibilité avec une Arduino Nano 33 BLE, aboutissant à un temps d’inférence inférieur à 1ms. Les résultats obtenus démontrent la faisabilité d’une solution TinyML fiable et autonome pour le suivi des schémas respiratoires en environnement embarqué.

Date	31 mars 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Sylvain G. Cloutier (Directeur(-trice)) & Fabrice Vaussenat (Codirecteur(-trice))