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. |