Détection de la crise d'épilepsie, IoMT, EMG, ACM, Gyro, MitM, RSSI

L'objectif de ma thèse est d'analyser les caractéristiques des signaux inertiels et physiologiques qui générés par les mouvements inhabituels des patients lorsque la crise survient et de développer un algorithme pour détecter la crise. Notre approche dans le chapitre III commence par dériver la moyenne quadratique pour l'ACM et le Gyro, suivie de la normalisation de signaux entiers dans la même plage puis de l'agrégation en un seul signal. Le contrôle du graphique avec ses limites supérieure et inférieure est défini lors de la phase au repos et utilisé pour détecter les crises anormales et pour déclencher une alarme. La procédure dans le chapitre IV de détection s'exécute dans un dispositif de collecte de données portable et déclenche une alarme. Cet algorithme est basé sur la dérivation des mesures instantanées dans une plage de données glissante contenant des mesures inertielles de 3D (ACM), 3D Gyro et de EMG. La différence entre la puissance estimée et la puissance mesurée est utilisé comme entrée pour l'algorithme de détection basé sur la carte de contrôle de Shewhart. Lorsque la différence entre la puissance prévue et la puissance dérivée dépasse les limites [limite inférieure/supérieure] pour plusieurs créneaux consécutifs, une alarme est déclenchée. L'approche que nous proposons permet une bonne détection avec un FAR de 4\% et une sensibilité de 97\%. Notre modèle dans Le chapitre V commence par réduire la dimension des données collectées grâce à l'utilisation de la moyenne quadratique pour dériver un signal de 3D ACM et un signal du 3D Gyro. Avec les 3 signaux dérivés (ACM, Gyro et EMG), nous appliquons le TVP pour dériver un signal utilisé comme entrée pour le mécanisme de détection d'anomalie. La version robuste du z-score est appliquée sur le signal résultant produit pour détecter les déviations associées aux crises avant de déclencher une alarme. Nos résultats expérimentaux montrent que notre approche proposée est robuste contre les mouvements nocturnes et atteint un haut niveau de précision de détection avec un faible FAR. Ensuite, nous comparons les performances de notre approche avec la méthode des passages à zéro calculées à partir de sEMG. Notre approche montre que la précision de détection à l'aide du VTP surpasse le nombre de passages à zéro sur une plage glissante de chevauchement de 1 seconde. Dans le chapitre VI, Les appareils IoMT sont utilisés pour acquérir ACM, Gyro et EMG et pour transmettre les mesures à LPU pour traitement. Lorsque le LPU détecte des changements anormaux dans les mesures, il déclenche une alarme. Notre approche proposée utilise SVM avec option de rejet pour distinguer les crises des activités normales de la vie quotidienne. Les caractéristiques présentant des changements physiologiques de l'activité musculaire et les données inertielles ont été extraites dans LPU et sont utilisées comme entrée pour l'algorithme de détection. L'option de rejet dans SVM est utilisée pour améliorer la fiabilité du système de surveillance et pour réduire les fausses alarmes, où l'utilisateur est averti et a la possibilité de supprimer l'alarme dans son smartphone en l'absence de saisie. Les expériences menées ont prouvé que notre approche proposée peut atteindre une bonne précision pour distinguer les crises des activités normales avec seulement 4% de taux de FAR. Dans chapitre VII, nous proposons un cadre pour empêcher une MitM de perturber les opérations et interdire le déclenchement d'alarmes par le système de surveillance à distance des soins de santé. Pour réduire la consommation d'énergie lours de la transmission normale des données et préserver la confidentialité des données de santé, notre système transmet une signature de plus petite taille dérivée des données acquises avec un code d'authentification de message, où la clé est dérivée de RSSI. Nos résultats expérimentaux montrent que notre approche peut atteindre une précision de détection élevée avec un faible FAR de 3%.