The contribution of AI to neurological analysis of eye movements : application to learning disorders and dyslexia
La contribution de l'IA à l'analyse neurologique des mouvements oculaires : application aux troubles d'apprentissage et à la dyslexie
par Alae Eddine EL HMIMDI sous la direction de Themis PALPANAS et de Zoï KAPOULA
Thèse de doctorat en Intelligence artificielle
ED 130 Informatique, Télécommunications et Electronique

Soutenue le jeudi 18 juillet 2024 à Université Paris Cité

Sujets
  • Apprentissage automatique
  • Apprentissage profond
  • Intelligence artificielle
  • Oeil -- Mouvements
  • Séries chronologiques
Le texte intégral n’est pas librement disponible sur le web
Vous pouvez accéder au texte intégral de la thèse en vous authentifiant à l’aide des identifiants ENT d’Université Paris Cité, si vous en êtes membre, ou en demandant un accès extérieur, si vous pouvez justifier de de votre appartenance à un établissement français chargé d’une mission d’enseignement supérieur ou de recherche

Se connecter ou demander un accès au texte intégral

Les thèses de doctorat soutenues à Université Paris Cité sont déposées au format électronique

Consultation de la thèse sur d’autres sites :

https://theses.hal.science/tel-04993533 (Version partielle de la thèse pour sa diffusion sur Internet (pdf))
Theses.fr (Version partielle de la thèse pour sa diffusion sur Internet (pdf))

Description en anglais
Description en français
Mots clés
Apprentissage profond, Mouvement oculaire, Séries temporelles, Apprentissage automatique, Augmentation des données, Assistant IA
Resumé
Cette thèse vise à apporter une contribution à la neuroscience en utilisant l'apprentissage profond pour l'analyse des données de mouvements oculaires. Pendant mon stage au laboratoire IRIS, nous avons déployé le logiciel AIDEALdans le cloud, initialement partie intégrante du traitement REMOBI & AIDEAL, facilitant ainsi l'accès et l'analyse anonyme des données, conformément au RGPD, afin d'améliorer les différentes méthodes et logiciels de traitement de signaux. Ensuite, en utilisant les enregistrements anonymisés d'AIDEAL, nous avons constitué une vaste banque de données sur les mouvements oculaires, utilisée pour construire des ensembles de données pour l'apprentissage automatique et profond pour diverses études. Parallèlement, nous avons appliqué des approches d'apprentissage automatique pour le dépistage de la dyslexie, en utilisant des données de 120 adolescents dyslexiques et non dyslexiques, avec des paramètres de mouvement binoculaire calculés par AIDEAL, à partir de plusieurs enregistrements de tâches visuelles, englobant des stimuli avec REMOBI (saccades, vergences), des tests de lecture et l'exploration libre de peintures. Nous avons ensuite exploré la prédiction de la vitesse de lecture à l'aide de données de tests visuels provenant de jeux de données de lecture, de saccades et de vergences. Dans une deuxième approche, nous avons analysé les paramètres oculomoteurs lors de l'exploration de peintures, en développant un nouveau descripteur appelé DGI, spécialisé pour les tableaux de peinture d'illusion optique, permettant une prédiction avec un taux d'exactitude jusqu'à 89,71 %. Nous avons ensuite étudié la stabilité de ce descripteur à travers sept tableaux de peinture ainsi que sa complémentarité avec les paramètres de mouvement oculaire calculés par AIDEAL. De plus, nous avons développé une approche de bout en bout pour la classification des mouvements oculaires en utilisant l'apprentissage profond, surpassant les techniques traditionnelles pour différencier les troubles d'apprentissage. Nous avons étendu notre approche pour inclure des informations contextuelles supplémentaires ainsi qu'une extension du problème initial binaire, afin d'identifier plusieurs groupes de pathologies, passant d'une classification binaire à une classification multi-annotations. Nous avons ensuite proposé deux nouvelles architectures (Hybride et Convolutionnelle) multi-segments, ainsi qu'une méthode physiologique d'augmentation de données (EMULATE), simulant les mouvements de tête avant et durant l'enregistrement des yeux, pour générer de nouvelles données. Nous avons également exploré des algorithmes d'auto-apprentissage pour le dépistage des pathologies, obtenant des résultats prometteurs dans la détection des troubles de lecture et d'autres pathologies. Enfin, passant de la recherche à l'application clinique, nous avons intégré les méthodes développées dans un assistant IA, facilitant leur utilisation pratique.