Letteratura scientifica selezionata sul tema "Apprentissage automatique informé par la physique"

Cette thèse aborde le défi des « données éparses et des connaissances rares » dans le développement d’un modèle générique de pronostic et de gestion de la santé (PHM). Elle met en lumière l'efficacité des modèles hybrides combinant la modélisation basée sur la physique (PBM) et l'apprentissage automatique (ML), notamment l'apprentissage automatique informé par la physique (PIML) et l'apprentissage auto-supervisé (SSL) pour apprendre à partir de données non étiquetées. La thèse apporte ainsi des contributions significatives aux théories PIML et SSL et à leurs applications pratiques dans le PHM.La première contribution est une solution générique d'architecture et de stratégie d'apprentissage pour le PIML. Diverses approches sont analysées et la théorie mimétique est proposée pour concevoir des neurones et connexions flexibles et physiquement cohérents, aboutissant au Réseau Neuronal Mimétique des Éléments Finis du Rotor (RFEMNN). Le RFEMNN reconnaît efficacement les défauts à travers diverses structures de rotor. Pour améliorer la capacité de diagnostic du RFEMNN avec peu de données, une stratégie d'apprentissage par renforcement alignée avec la physique est proposée. Une architecture générique PIML avec des branches PI et basées sur les données est développée, impliquant un processus en trois étapes : pré-formation de la branche basée sur les données, formation de la branche PI, et formation conjointe. Cette méthode assure des performances supérieures aux modèles basés sur les données dans un contexte de données éparses. De plus, le modèle CNN dilaté utilisant cette approche prédit efficacement la RUL des batteries lithium-ion avec des données de petits cycles. La deuxième contribution est une stratégie SSL pour l'apprentissage à partir de données non étiquetées, introduisant un modèle Siamese CNN-LSTM avec une fonction de perte contrastive personnalisée. Ce modèle extrait des représentations robustes en maximisant les différences dans les mêmes échantillons présentés dans des ordres séquentiels variés. Des tâches en aval sont proposées comme objectifs intermédiaires pour aligner les représentations avec les exigences en aval. Le modèle Siamese CNN-LSTM excelle à prédire la RUL sur le dataset PRONOSTIA et reste stable même avec une augmentation de la rareté des données d'apprentissage.La contribution finale étend les concepts de PIML pour la découverte active des connaissances sur des données non étiquetées et intègre le SSL dans la formation PIML en trois étapes. Une nouvelle structure PI liquide et un modèle PI-CNN-Selective state space model (CNN-SSM) sont développés. Liquid PI introduit des neurones à portes et des connexions liquides qui s'adaptent dynamiquement, acquérant des connaissances physiques grâce à une recherche optimisée. Appliquée dans le suivi du couple des manipulateurs robotisés, cette approche découvre des connaissances en utilisant des opérateurs physiques de base et des poids dynamiques. Le Liquid PI CNN-SSM traite des séquences d'entrée de longueur variable sans prétraitement du signal, optimisant les ressources en nécessitant seulement 600 KB pour gérer 23,9 GB de données. Il atteint des performances de pointe dans des tâches de pronostic mixtes, y compris la dégradation des roulements, l'usure des outils de coupe, le vieillissement des batteries et la fatigue des tubes CFRP. Les travaux futurs appliqueront des lois d'échelle spécifiques au PHM et utiliseront de vastes ensembles de données synthétiques et industrielles pour construire un macro-modèle. Ce modèle pourrait intégrer des capacités de diagnostic et de pronostic avec un traitement de séquence infinie, transformant les méthodologies et les solutions de PHM
This thesis addresses the critical challenge of “sparse data and scarce knowledge” in developing a generic Prognostics and Health Management (PHM) model. A comprehensive literature review highlights the efficacy of hybrid models combining physics-based modeling with machine learning, focusing on Physics-Informed Machine Learning (PIML) and Self-Supervised Learning (SSL) for enhanced learning from unlabeled data. Thereby, this thesis contributes to advancing both PIML and SSL theories and their practical applications in PHM.The first contribution is developing a generic architectural and learning strategy solution for PIML. Various informed approaches are analyzed, and the mimetic theory is proposed to design flexible, physically consistent neurons and interlayer connections. This novel approach leads to the development of the Rotor Finite Elements Mimetic Neural Network (RFEMNN), which mimics rotor finite element-based dynamics to adjust weight distribution and data flow within the neural network. RFEMNN effectively localizes and recognizes compound faults across multiple rotor structures and conditions. To enhance RFEMNN's few-shot diagnostic capability, constraint projection theory and a reinforcement learning strategy are proposed, aligning the learning process with physics. A generic PIML architecture with parallel, independent PI and data-driven branches is proposed, involving a three-stage training process: pre-training the data-driven branch, freezing it to train the PI branch, and joint training of both branches. This method combines optimized local branches into a comprehensive global model, ensuring the PIML model's performance exceeds original data-driven models under spare data context. Moreover, the solid electrolyte interphase growth-informed Dilated CNN model using this approach showcases its superiority, surpassing leading models in predicting lithium-ion battery RUL with small-cycle data.The second contribution is developing an innovative SSL strategy for unlabeled data learning, introducing a Siamese CNN-LSTM model with a custom contrastive loss function. This model extracts robust feature representations by maximizing differences in the same samples presented in varied sequential orders. Variants of downstream tasks are proposed as intermediate objectives in SSL pretext learning, integrating downstream structures into the pre-training model to align representations with downstream requirements. Under this strategy, the proposed Siamese CNN-LSTM excels at predicting RUL on PRONOSTIA-bearing dataset and remains stable even as training data sparsity increases.The final contribution extends PIML concepts for active knowledge discovery on unlabeled data and integrates SSL into the second phase of PIML's three-step training, utilizing both labeled and unlabeled data. A novel Liquid PI structure and an end-to-end Liquid PI-CNN-Selective state space model (CNN-SSM) are developed. The Liquid PI design introduces gated neurons and liquid interlayer connections that adapt dynamically, acquiring physics knowledge through an optimized search within a predefined operator pool. Demonstrated in torque monitoring of robot manipulators, this approach efficiently discovers knowledge using basic physical operators and dynamic weights from unlabeled data. The Liquid PI CNN-SSM processes variable-length input sequences without signal preprocessing, optimizing resources by requiring only 600 KB to handle 23.9 GB of data. It achieves state-of-the-art performance in mixed prognostic tasks, including bearing degradation, tool wear, battery aging, and CFRP tube fatigue, showcasing the originality and versatility of the proposed approach.Future work will apply PHM-specific scaling laws and train on extensive synthetic and industry datasets to build a cross-modal macro-model. It could integrate diagnostic-prognostic capabilities with infinite sequence length processing, continuing to transform PHM methodologies and solutions

Cette thèse de doctorat explore l'application des réseaux de neurones en graphes (GNN) dans le domaine de la dynamique des fluides numérique (CFD), avec un accent particulier sur l'assimilation de données et l'optimisation. Le travail est structuré en trois parties principales: assimilation de données pour les équations de Navier-Stokes moyennées à la Reynolds (RANS) basée sur des modèles GNN; assimilation de données augmentée par les GNN avec des contraintes physiques imposées par la méthode adjointe; optimisation des systèmes fluides par des techniques d'apprentissage automatique (ML).Dans la première partie, la thèse examine le potentiel des GNN pour contourner les modèles de fermeture traditionnels, qui nécessitent souvent une calibration manuelle et sont sujets à des inexactitudes. En exploitant des données de simulation à haute fidélité, les GNN sont entraînés à apprendre directement les quantités non résolues de l'écoulement, offrant ainsi un cadre plus flexible pour le problème de fermeture des équations RANS. Cette approche élimine le besoin de modèles de fermeture calibrés manuellement, fournissant une alternative généralisée et basée sur les données. De plus, dans cette première partie, une étude approfondie de l'impact de la quantité de données sur les performances des GNN est réalisée, avec la conception d'une stratégie d'Active Learning pour sélectionner les données les plus informatives parmi celles disponibles. Sur la base de ces résultats, la deuxième partie de la thèse aborde un défi critique souvent rencontré par les modèles d'apprentissage automatique : l'absence de garantie de cohérence physique dans leurs prédictions. Afin de garantir que les GNN non seulement minimisent les erreurs, mais produisent également des résultats physiquement valides, cette partie intègre des contraintes physiques directement dans le processus d'entraînement des GNN. En incorporant les principes clés de la mécanique des fluides dans le cadre de l'apprentissage automatique, le modèle produit des prédictions à la fois fiables et cohérentes avec les lois physiques sous-jacentes, améliorant ainsi son applicabilité aux problèmes réels. Dans la troisième partie, la thèse démontre l'application des GNN pour optimiser les systèmes de dynamique des fluides, avec un accent particulier sur la conception des éoliennes. Ici, les GNN sont utilisés comme modèles de substitution, permettant des prédictions rapides de diverses configurations de conception sans avoir besoin de réaliser une simulation CFD complète à chaque itération. Cette approche accélère considérablement le processus de conception et montre le potentiel de l'optimisation basée sur l'apprentissage automatique dans le cadre de la CFD, permettant une exploration plus efficace des espaces de conception et une convergence plus rapide vers des solutions optimales. Sur le plan méthodologique, la thèse introduit une architecture GNN sur mesure spécifiquement adaptée aux applications CFD. Contrairement aux réseaux de neurones traditionnels, les GNN sont intrinsèquement capables de gérer des données de maillage non structurées, ce qui est courant dans les problèmes de mécanique des fluides impliquant des géométries irrégulières et des domaines d'écoulement complexes. À cette fin, la thèse présente une interface en deux parties entre les solveurs de la méthode des éléments finis (FEM) et l'architecture GNN. Cette interface transforme les champs vectoriels FEM en tenseurs numériques pouvant être traités efficacement par le réseau neuronal, permettant ainsi l'échange de données entre l'environnement de simulation et le modèle d'apprentissage
This PhD thesis investigates the application of Graph Neural Networks (GNNs) in the field of Computational Fluid Dynamics (CFD), with a focus on data-assimilation and optimization. The work is structured into three main parts: data-assimilation for Reynolds-Averaged Navier-Stokes (RANS) equations based on GNN models; data-assimilation augmented by GNN and adjoint-based enforced physical constraint; fluid systems optimization by ML techniques. In the first part, the thesis explores the potential of GNNs to bypass traditional closure models, which often require manual calibration and are prone to inaccuracies. By leveraging high-fidelity simulation data, GNNs are trained to directly learn the unresolved flow quantities, offering a more flexible framework for the RANS closure problem. This approach eliminates the need for manually tuned closure models, providing a generalized and data-driven alternative. Moreover, in this first part, a comprehensive study of the impact of data quantity on GNN performance is conducted, designing an Active Learning strategy to select the most informative data among those available. Building on these results, the second part of the thesis addresses a critical challenge often faced by ML models: the lack of guaranteed physical consistency in their predictions. To ensure that the GNNs not only minimize errors but also produce physically valid results, this part integrates physical constraints directly into the GNN training process. By embedding key fluid mechanics principles into the machine learning framework, the model produces predictions that are both reliable and consistent with the underlying physical laws, enhancing its applicability to real-world problems. In the third part, the thesis demonstrates the application of GNNs to optimize fluid dynamics systems, with a particular focus on wind turbine design. Here, GNNs are employed as surrogate models, enabling rapid predictions of various design configurations without the need for performing a full CFD simulation at each iteration. This approach significantly accelerates the design process and demonstrates the potential of ML-driven optimization in CFD workflows, allowing for more efficient exploration of design spaces and faster convergence toward optimal solutions. On the methodology side, the thesis introduces a custom GNN architecture specifically tailored for CFD applications. Unlike traditional neural networks, GNNs are inherently capable of handling unstructured mesh data, which is common in fluid mechanics problems involving irregular geometries and complex flow domains. To this end, the thesis presents a two-fold interface between Finite Element Method (FEM) solvers and the GNN architecture. This interface transforms FEM vector fields into numerical tensors that can be efficiently processed by the neural network, allowing data exchange between the simulation environment and the learning model

Ce travail de doctorat étudie deux problèmes spécifiques concernant les turbomachines en utilisant des algorithmes d'apprentissage automatique. Le premier se concentre sur un compresseur axial, en abordant les problèmes de décrochage tournant, qui sont des phénomènes instables limitant la plage de fonctionnement des compresseurs. Les avancées récentes comprennent le développement de techniques de contrôle d'écoulement, telles que des jets au niveau du carter et du bord d’attaque du rotor, qui ont montré un potentiel pour étendre les plages de fonctionnement des compresseurs. Cependant, l’optimisation de ces stratégies de contrôle représente un défi en raison du grand nombre de paramètres et de configurations, y compris le nombre de jets, la vitesse d’injection et l’angle d’injection dans le cadre fixe. Cela soulève la question suivante : les algorithmes d'apprentissage automatique peuvent-ils aider à explorer cet vaste espace de paramètres et à optimiser la stratégie de contrôle ? À cette fin, une base de données complète des résultats expérimentaux issus de divers paramètres de contrôle et évaluations des performances du compresseur sur un compresseur axial a été utilisée, avec des tests effectués sur le banc d'essai CME2 au laboratoire LMFL. Le deuxième problème examine un diffuseur lisse radial, un composant statorique annulaire positionné en aval du rotor dans les pompes et compresseurs radiaux. Son rôle principal est de décélérer le fluide tout en augmentant la pression statique et l'enthalpie. Malgré sa fonction apparemment simple, prédire le comportement de l'écoulement à l'intérieur du diffuseur est assez difficile en raison du manque de guidage du fluide, de la structure complexe du flux de jet à l'entrée, des instabilités d'écoulement et de la nature tridimensionnelle du flux. Cela mène à la question suivante : les algorithmes d'apprentissage automatique peuvent-ils prédire efficacement cet écoulement ? Pour cette analyse, nous utilisons une base de données composée de simulations numériques (URANS) réalisées sur une géométrie de pompe centrifuge effectuées au laboratoire LMFL. Nous avons employé deux approches d'apprentissage automatique pour étudier ces sujets distincts liés aux dispositifs de turbomachinerie. La première approche utilise des réseaux de neurones (NN) et des algorithmes génétiques (GA) pour explorer des stratégies de contrôle actif du flux dans un compresseur axial. La deuxième approche applique des réseaux de neurones informés par la physique (PINN) pour modéliser un écoulement turbulent en 2D dans le diffuseur d'une pompe radiale
This PhD work investigates two specific problems concerning turbomachinery using machine learning algorithms. The first focuses on the axial flow compressor, addressing the issues of rotating stall and surge which is unstable phenomena that limit the operational range of compressors. Recent advancements include the development of flow control techniques, such as jets at the casing and leading edge of the rotor, which have shown promise in extending compressor operating ranges. However, optimizing these control strategies poses a challenge due to the large number of parameters and configurations, including the number of jets, the injection velocity, and the injection angle in the fixed frame. This raises the question: can ML algorithms assist in exploring this extensive parameter space and optimizing the control strategy? To this end, a comprehensive database of experimental results from various control parameters and compressor performance evaluations on an axial flow compressor has been utilized, with tests conducted on the CME2 test bench at LMFL laboratory. The second problem examines the radial vaneless diffuser, an annular stator component positioned downstream of the rotor in radial pumps and compressors. Its primary role is to decelerate the fluid while increasing static pressure and enthalpy. Despite its seemingly straightforward function, predicting the flow behaviour within the diffuser is quite challenging due to the lack of fluid guidance, the complex jet wake flow structure at the inlet, flow instabilities, three-dimensional nature of the flow. This leads to the inquiry: can ML algorithms effectively predict this flow? For this analysis, we utilize a database consisting of numerical simulations (URANS) obtained on a radial flow pump geometry performed at LMFL laboratory. We employed two machine learning approaches to investigate these distinct topics related to turbomachinery devices. The first approach utilizes Neural Networks (NNs) and Genetic Algorithms (GAs) to explore active flow control strategies in an axial compressor. The second approach applies Physics-Informed Neural Networks (PINNs) to model 2D turbulent flow in the vaneless diffuser of a radial pump

La complexité est facile à reconnaître mais difficile à définir : il existe de nombreuses mesures de complexité, chacune pertinente pour une application particulière.Dans le domaine de l'ingénierie des surfaces, l'auto-organisation entraîne la formation de motifs sur la matière par irradiation laser femtoseconde, ce qui a d'importantes applications biomédicales. Les détails de la formation des motifs ne sont pas entièrement compris. Dans des travaux menant à deux publications [1,2], grâce à un argument de complexité et un cadre d'apprentissage automatique guidé par la physique, nous montrons que le problème sévèrement contraint d'apprendre l'interaction laser-matière avec peu de données et une connaissance physique partielle est bien posé dans ce contexte. Notre modèle nous permet de faire des prédictions utiles et suggère des intuitions physiques.Dans une autre contribution [3], nous proposons une nouvelle formulation du principe de la Longueur Minimale de Description, définissant la complexité du modèle et des données en une seule étape, en tenant compte du signal et du bruit dans les données d'entraînement. Les expériences indiquent que les classificateurs de réseaux neuronaux qui généralisent bien suivent ce principe.Dans un travail non publié, nous proposons l'entropie de Taylor, une nouvelle mesure de la complexité des systèmes dynamiques qui peut être estimée via une seule image SEM. Cette approche pourrait faciliter l'apprentissage du processus physique dans de nouveaux matériaux grâce à l'adaptation de domaine.Cette thèse ouvre la voie à une représentation unifiée de la complexité dans les données et la connaissance physique, qui peut être utilisée dans le contexte de l'apprentissage automatique guidé par la physique.[1] Brandao, Eduardo, et al. "Learning PDE to model self-organization of matter." Entropy 24.8 (2022): 1096.[2] Brandao, Eduardo, et al. "Learning Complexity to Guide Light-Induced Self-Organized Nanopatterns." Physical Review Letters 130.22 (2023): 226201.[3] Brandao, Eduardo, et al. "Is My Neural Net Driven by the MDL Principle?." Joint European Conference on Machine Learning and Knowledge Discovery in Databases. Cham: Springer Nature Switzerland, 2023
Complexity is easy to recognize but difficult to define: there are a host of measures of complexity, each relevant for a particular application.In Surface engineering, self-organization drives the formation of patterns on matter by femtosecond laser irradiation, which have important biomedical applications. Pattern formation details are not fully understood. In work leading to two publications [1,2], via a complexity argument and a physics-guided machine learning framework, we show that the severely constrained problem of learning the laser-matter interaction with few data and partial physical knowledge is well-posed in this context. Our model allows us to make useful predictions and suggests physical insights.In another contribution [3] we propose a new formulation of the Minimum Description Length principle, defining model and data complexity in a single step, by taking into account signal and noise in training data. Experiments indicate that Neural Network classifiers that generalize well follow this principle.In unpublished work, we propose Taylor entropy, a novel measure of dynamical system complexity which can be estimated via a single SEM image. This approach could facilitate learning the physical process in new materials through domain adaptation.This thesis paves the way for a unified representation of complexity in data and physical knowledge, which can be used in the context of Physics-guided machine learning.[1] Brandao, Eduardo, et al. "Learning PDE to model self-organization of matter." Entropy 24.8 (2022): 1096.[2] Brandao, Eduardo, et al. "Learning Complexity to Guide Light-Induced Self-Organized Nanopatterns." Physical Review Letters 130.22 (2023): 226201.[3] Brandao, Eduardo, et al. "Is My Neural Net Driven by the MDL Principle?." Joint European Conference on Machine Learning and Knowledge Discovery in Databases. Cham: Springer Nature Switzerland, 2023

L'activité physique (AP) est primordiale pour la santé. La quantification de l'AP occupe une place majeure dans les recherches scientifiques qui étudient la relation entre l'AP et ses effets sur la santé. L'AP est quantifiée en termes de dépense énergétique (DE). Les techniques de référence pour mesurer DE sont encombrantes et invasives. Des nouveaux appareils portables non invasifs sont développés pour pallier les problèmes liés à l'utilisation des méthodes de référence. Parmi ces appareils, la pléthysmographie respiratoire par magnétométrie (PRM) a été récemment développées. PRM est basée sur la mesure des distances longitudinales et transversales thoraciques et abdominales.L'objectif de cette thèse est d'évaluer la capacité de PRM à estimer VE et DE au cours d'AP d'intensités faibles à élevées en utilisant des algorithmes d'apprentissage automatique.Les principaux résultats de nos travaux montrent :1) Que PRM permet d'estimer VE et DE pendant des AP faibles à élevées.2) Qu'un modèle non linéaire est plus pertinent qu'un modèle linéaire pour estimer VE.3) Que l'individualisation des modèles offre une meilleure performance pour l'estimation de VE et de DE.4) Que PRM estime avec précision DE pour n'importe quelle intensité même pour celles les plus élevées.5) Qu'une approche activité spécifique est plus pertinente pour estimer DE, et qu'une étape de reconnaissance de l'AP est nécessaire avant d'estimer DE.De nouvelles études doivent cependant être réalisées pour tester PRM sur une large population et dans des conditions de vie libre
Regular physical activity (PA) is essential to maintain and improve health. The quantification of PA has become a major focus in scientific research studying the relationship between PA and its effects on health. PA is generally quantified in terms of energy expenditure (EE). Reference methods used to measure EE are cumbersome and invasive. To overcome the problems associated with the use of reference methods, portable and non-invasive devices have been developed. Among these devices, respiratory magnetometer plethysmography (RMP) has recently developed. PRM is based on the measurement of the longitudinal and transversal thoracic and abdominal distances.The objective of this thesis is to evaluate the ability of PRM to estimate V˙E and EE during low to high intensity PA using machine learning algorithms. The main results of our work demonstrate 1) That RMP is suitable to estimate ˙VE and DE during low to high PA. 2) A nonlinear model is more relevant than a linear model to estimate V˙E. 3) The individualization of the models provides better performance for V˙E and EE estimation.4) RMP can accurately estimate EE at any intensity, including the highest ones. 4) An activity-specific approach is more relevant to estimate EE ,and a step of PA recognition is necessary before EE estimation.Further studies are still needed to evaluate RMP on a large population and under free-living conditions

L'objet de cette thèse est l'étude de diverses propriétés d'apprentissage à partir d'exemples par des méthodes de Physique Statistique, notamment, par la méthode des répliques. Des tâches supervisées, correspondant à la classification binaire de données, ainsi que des tâches non supervisées, comme l'estimation paramétrique d'une densité de probabilité, sont considérées. Dans la première partie, une approche variationnelle permet de déterminer la performance de l'apprentissage optimal d'une direction d'anisotropie, et de déduire une fonction de coût permettant d'obtenir ces performances optimales. Dans le cas de l'apprentissage supervisé d'une tâche linéairement séparable, des simulations numériques confirmant nos résultats théoriques ont permis de déterminer les effets de taille finie. Dans le cas d'une densité de probabilité constituée de deux gaussiennes, la performance de l'apprentissage optimal présente de nombreuses transitions de phases en fonction du nombre de données. Ces résultats soulèvent une controverse entre la théorie variationnelle et l'approche bayesienne de l'apprentissage optimal. Dans la deuxième partie, nous étudions deux approches différentes de l'apprentissage de tâches de classification complexes. La première approche considérée est celle des machines à exemples supports. Nous avons étudié une famille de ces machines pour laquelle les séparateurs linéaire et quadratique sont deux cas particuliers. La capacité, les valeurs typiques de la marge et du nombre d'exemples supports, sont déterminées. La deuxième approche considérée est celle d'une machine de parité apprenant avec un algorithme incrémental. Cet algorithme construit progressivement un réseau de neurones à une couche cachée. La capacité théorique obtenue pour l'algorithme considéré est proche de celle de la machine de parité.

A l’heure de l’accroissement des maladies non transmissibles, l’activité physique et la sédentarité sont un enjeu sanitaire majeur. Evaluer les synergies des composantes du comportement de mouvement afin d’établir ses liens avec l’état de santé est un défi déterminant. Le développement de l’accélérométrie est venu révolutionner la compréhension de ces liens, traditionnellement étudiés sur la base de données déclaratives, dont les biais sont bien établis L’utilisation classique des accéléromètres permet une mesure continue sur de longues périodes en condition de vie libre mais se heurte à des problématiques inhérentes au traitement du signal et à la relation non-linéaire entre accélérométrie et dépense énergétique, pour caractériser le mouvement humain de façon satisfaisante. Mon premier objectif était de préciser les limites de l’approche actuelle et de contribuer à l’amélioration du phénotypage du comportement de mouvement grâce à de nouvelles techniques analytiques basées sur la reconnaissance automatique des postures et activités. Dans la 2ème partie de ma thèse, j’ai appliqué ces nouvelles approches à l’étude des Peuls du Sénégal, une population en cours de transition épidémiologique. Mes travaux ont permis de préciser les limites des approches classiques de l’accélérométrie et l’intérêt de la reconnaissance des activités par des algorithmes d’apprentissage automatique pour surmonter les difficultés rencontrées. Ils montrent, pour la première fois, l’apport de cette approche à la caractérisation fine de l’activité physique et des comportements sédentaires d’une population, en lien avec son environnement. Elle devrait contribuer de façon utile à l’établissement de futures recommandations plus adaptées à la population générale
Facing the rise of non-communicable diseases, physical activity and sedentary behavior are a major health issue. Evaluating the synergies of movement behavior dimensions in order to establish its link with health emerges is a key challenge. The development of accelerometry has revolutionized the understanding of these links, traditionally studied using declarative data, associated with well-established biases. The classical accelerometry approach allows continuous measurement over long periods in free living conditions but encounters limitations inherent in signal processing and in the non-linear relationship between accelerometry and energy expenditure to characterize human movement in a satisfactory way. My first objective was to clarify the limits of the current approach and to contribute to the improvement of the phenotyping of movement behavior through new analytic methods relying on the automatic activity recognition of postures and activities. In the second part of my thesis, I applied these new approaches to the study of the Fulani of Senegal, a population in epidemiological transition. My work has clarified the limitations of traditional approaches to accelerometry and the value of activities recognition through automatic learning algorithms to overcome the difficulties encountered. For the first time, they show the contribution of this approach to the detailed characterization of a population's physical activity and sedentary behaviors, in relation to its environment. It should contribute in a useful way to the development of future recommendations that are more appropriate for the general population

Les robots intégrés aux chaînes de production sont généralement isolés des ouvriers et ne prévoient pas d'interaction physique avec les humains. Dans le futur, le robot humanoïde deviendra un partenaire pour vivre ou travailler avec les êtres humains. Cette coexistence prévoit l'interaction physique et sociale entre le robot et l'être humain. En robotique humanoïde les futurs progrès dépendront donc des connaissances dans les mécanismes cognitifs présents dans les interactions interpersonnelles afin que les robots interagissent avec les humains physiquement et socialement. Un bon exemple d'interaction interpersonnelle est l'acte de la poignée de la main qui possède un rôle social très important. La particularité de cette interaction est aussi qu'elle est basée sur un couplage physique et social qui induit une synchronisation des mouvements et des efforts. L'intérêt d'étudier la poignée de main pour les robots consiste donc à élargir leurs propriétés comportementales pour qu'ils interagissent avec les humains de manière plus habituelle.Cette thèse présente dans un premier chapitre un état de l'art sur les travaux dans les domaines des sciences humaines, de la médecine et de la robotique humanoïde qui sont liés au phénomène de la poignée de main. Le second chapitre, est consacré à la nature physique du phénomène de poignée de main chez l'être humain par des mesures quantitatives des mouvements. Pour cela un système de mesures a été construit à l'Université Nationale Technique de Donetsk (Ukraine). Il est composé d'un gant instrumenté par un réseau de capteurs portés qui permet l'enregistrement des vitesses et accélérations du poignet et les forces aux points de contact des paumes, lors de l'interaction. Des campagnes de mesures ont permis de montrer la présence d'un phénomène de synchronie mutuelle précédé d'une phase de contact physique qui initie cette synchronie. En tenant compte de cette nature rythmique, un contrôleur à base de neurones rythmiques de Rowat-Selverston, intégrant un mécanisme d'apprentissage de la fréquence d'interaction, est proposé et etudié dans le troisième chapitre pour commander un bras robotique. Le chapitre quatre est consacré aux expériences d'interaction physique homme/robot. Des expériences avec un bras robotique Katana montrent qu'il est possible d'apprendre à synchroniser la rythmicité du robot avec celle imposée par une per-sonne lors d'une poignée de main grâce à ce modèle de contrôleur bio-inspiré. Une conclusion générale dresse le bilan des travaux menés et propose des perspectives
Automated production lines integrate robots which are isolated from workers, so there is no physical interaction between a human and robot. In the near future, a humanoid robot will become a part of the human environment as a companion to help or work with humans. The aspects of coexistence always presuppose physical and social interaction between a robot and a human. In humanoid robotics, further progress depends on knowledge of cognitive mechanisms of interpersonal interaction as robots physically and socially interact with humans. An illustrative example of interpersonal interaction is an act of a handshake that plays a substantial social role. The particularity of this form of interpersonal interaction is that it is based on physical and social couplings which lead to synchronization of motion and efforts. Studying a handshake for robots is interesting as it can expand their behavioral properties for interaction with a human being in more natural way. The first chapter of this thesis presents the state of the art in the fields of social sciences, medicine and humanoid robotics that study the phenomenon of a handshake. The second chapter is dedicated to the physical nature of the phenomenon between humans via quantitative measurements. A new wearable system to measure a handshake was built in Donetsk National Technical University (Ukraine). It consists of a set of several sensors attached to the glove for recording angular velocities and gravitational acceleration of the hand and forces in certain points of hand contact during interaction. The measurement campaigns have shown that there is a phenomenon of mutual synchrony that is preceded by the phase of physical contact which initiates this synchrony. Considering the rhythmic nature of this phenomenon, the controller based on the models of rhythmic neuron of Rowat-Selverston, with learning the frequency during interaction was proposed and studied in the third chapter. Chapter four deals with the experiences of physical human-robot interaction. The experimentations with robot arm Katana show that it is possible for a robot to learn to synchronize its rhythm with rhythms imposed by a human during handshake with the proposed model of a bio-inspired controller. A general conclusion and perspectives summarize and finish this work

La radiomique propose de combiner des caractéristiques images avec celles issues de la clinique, de la génomique, de la protéomique, etc . . .afin de mettre en place une médecine personnalisée dans la prise en charge du cancer. L’objectif est d’anticiper, à partir d’un examen initial, les chances de survie du patient ou la probabilité de la maladie de répondre à un traitement. En médecine, des méthodes statistiques classiques sont généralement utilisées comme l’analyse de Mann-Whitney pour les études prédictives et l’analyse des courbes de survie de Kaplan-Meier pour les études pronostiques. Cependant, l’augmentation du nombre de caractéristiques étudiées pose des problèmes pour l’utilisation de ces statistiques. C’est pour cela que nous nous sommes orientés vers l’utilisation des algorithmes d’apprentissage automatique et des méthodes de sélectionde caractéristiques. Ces méthodes sont résistantes aux grandes dimensions, ainsi qu’aux relations non-linéaires entre caractéristiques. Nous avons proposé 2 méthodes de sélection des caractéristiques basées sur la méthode d’apprentissage automatique des forêts aléatoires. Nos méthodes ont permis la sélection de sous-ensembles de caractéristiques prédictives et pronostiques sur 2 bases de données (cancer de l’oesophage et du poumon). Nos algorithmes ont montré les meilleures performances de classification comparées aux méthodes statistiques classiques et aux autres méthodes de sélection des caractéristiques étudiées
Radiomics proposes to combine image features with those extracted from other modalities (clinical, genomic, proteomic) to set up a personalized medicine in the management of cancer. From an initial exam, the objective is to anticipate the survival rate of the patient or the treatment response probability. In medicine, classical statistical methods are generally used, such as theMann-Whitney analysis for predictive studies and analysis of Kaplan-Meier survival curves for prognostic studies. Thus, the increasing number of studied features limits the use of these statistics. We have focused our works on machine learning algorithms and features selection methods. These methods are resistant to large dimensions as well as non-linear relations between features. We proposed two features selection strategy based on random forests. Our methods allowed the selection of subsets of predictive and prognostic features on 2 databases (oesophagus and lung cancers). Our algorithms showed the best classification performances compared to classical statistical methods and other features selection strategies studied

Dans une optique d'adaptation aux nouveaux usages de consultation d'archives audiovisuelles, nous souhaitons aider un utilisateur issu du grand public à organiser des contenus audiovisuels, c'est-à-dire les classifier, les caractériser, les identifier ou les ordonner. Pour ce faire, nous proposons d'utiliser un vocabulaire autre que ce que l'on pourrait trouver dans une notice documentaire de l'Ina, afin de répondre à des envies qui ne sont pas facilement définissables avec des mots. Nous avons conçu pour cela une interface graphique qui s'appuie sur un formalisme de graphe dédié à l'expression d'une tâche organisationnelle. La similarité numérique est un bon outil au regard des éléments que nous manipulons, à savoir des objets informationnels présentés sur un écran d'ordinateur et des valeurs descriptives de " bas niveau " audio et vidéo extraites de manière automatique. Nous avons choisi de prédire la similarité entre ces éléments grâce à un modèle statistique. Parmi les nombreux modèles existants, la prédiction statistique basée sur la régression univariée et fondée
In the perspective of new usages in the field of the access to audiovisual archives, we have created a semi-automatic system that helps a user to organize audiovisual contents while performing tasks of classification, characterization, identification and ranking. To do so, we propose to use a new vocabulary, different from the one already available in INA documentary notices, to answer needs which can not be easily defined with words. We have conceived a graphical interface based on graph formalism designed to express an organisational task. The digital similarity is a good tool in respect with the handled elements which are informational objects shown on the computer screen and the automatically extracted audio and video low-level features. We have made the choice to estimate the similarity between those elements with a predictive process through a statistical model. Among the numerous existing models, the statistical prediction based on the univaried regression and on support vectors has been chosen. H)