s'authentifier
version française rss feed
Fiche détaillée Thèses
Université Henri Poincaré - Nancy I (26/11/2002), Haton Jean-Paul (Dir.)
Liste des fichiers attachés à ce document : 
PDF
tel-00009190.pdf(1.8 MB)
ANNEX
tel-00009190.sxi(480.4 KB)
Fusion de données avec des réseaux bayésiens pour la modélisation des systèmes dynamiques et son application en télémédecine
David BELLOT1

Cette thèse présente une nouvelle approche de la fusion de données et applique ces notions à la modélisation et au diagnostic probabiliste dans le cadre de la télémédecine. Notre contribution se situe au niveau de la définition d'une notion de gain dans un processus de fusion de données, ainsi que de l'application des réseaux bayésiens dynamiques au diagnostic en télémédecine. Le but final est de réguler, à distance, l'état physiologique d'un patient.

Une première étude du domaine de la fusion de données a permis d'exhiber les concepts de base de la fusion de données : processus de fusion de données et notion de gain qualifié. Elle a aussi permi de structurer et de typer les sources de données et les résultats d'un processus de fusion. Cette approche a servi de cadre général à la seconde partie de la thèse qui a portée sur la modélisation et le diagnostic médical dans le cadre d'une application de télémédecine. Il s'agit typiquement d'un problème où interviennent plusieurs sources de données incertaines et hétérogènes. Le projet Diatelicd'assistance à domicile de personnes souffrant d'insuffisance rénale, vise à monitorer l'état d'hydratation d'un patient subissant une dialyse péritonéale. Les données physiologiques recueillies quotidiennement auprès du patient sont incertaines, hétérogènes et bruitées.

Les réseaux bayésiens dynamiques permettent de modéliser des dépendances causales, typiques de la connaissance médicale, mais aussi de gérer efficacement le problème de l'incertitude à travers le formalisme probabiliste. Le modèle à base de réseaux bayésiens permet une fusion efficace : notre but est de maximiser le gain en certitude, c'est-à-dire de détecter avec la plus grande confiance possible l'état d'hydratation du patient à partir des informations fournies par les capteurs. Ce travail théorique a donné lieu à l'implémentation d'un moteur d'inférence bayésienne, permettant d'expérimenter nos modèles. Une première version du système Diatelic(v3) a été réalisée.

Le processus de fusion que nous modélisons permet une prise de décision plus efficace par le médecin car il indique avec précision l'état physiologique du patient. On peut ainsi réguler son état de santé et éviter les aggravations médicales. Ce travail s'est ouvert à d'autres problématiques : adaptation en-ligne de modèles, quantification du gain et prise en compte de multiples échelles de temps dans un réseau bayésien dynamique.
1 :  INRIA Lorraine - LORIA - MAIA
fusion de données – modèles graphiques – réseaux bayésiens – télémédecine
http://www.stat.berkeley.edu/~bellot/files/These_David_Bellot.pdf

Data Fusion with Bayesian network for dynamical systems modelling and an application to telemedicine
This thesis presents a new approach of data fusion and applies these notions to the modelisation of probabilistic diagnosis in telemedicine. Our contribution is a new definition of qualified gain in a data fusion process, and an application of dynamic bayesian network to telemedicine diagnosis. The final goal is to remotely regulate the physiological state of a patient.

A first study of the field has shown basic data fusion concepts : data fusion process and qualified gain. Structures and types of data sources and results has emerged during this study too. This approach forms a general framework for the second part of this thesis : modelizing and medical diagnosis for a telemedicine application. This is a typical problem where multiple, uncertain and heterogeneous data sources are needed. The Diatelicproject's goal is to assist kidney disease people at home by monitoring their hydration rate. Physiological data are uncertain, noisy and heterogeneous.

Dynamic bayesian networks are used to modelize causal dependancies, which are typical of medical knowledge. They can deal with uncertainty by using the strong probabilistic formalism. A bayesian network model allows us to do efficient data fusion, in particular, by maximizing the certainty gain, i.e. by detecting hydration rate problems with the highest confidence. For this purpose, we are implemented a bayesian engine, to deal with our experiments. The Diatelic (v3) has been implemented with it.

The physician is able to take the right decision using our data fusion process, because he/she has a precision estimation of the hydration rate of the patient. Health state of the patient could be regulated through the use of this system. New problems have arise during this PhD thesis work: on-line models adaptation, quantifying the data fusion gain and dealing with multiple time-scale bayesian networks.
data fusion – graphical models – bayesian networks – telemedicine

tous les articles de la base du CCSd...
tous les articles de la base du CCSd...
tous les articles de la base du CCSd...
tous les articles de la base du CCSd...
tous les articles de la base du CCSd...