Offre de stage M2/Ing : Évaluation physique et émotionnelle des exercices de rééducation via apprentissage profond

Présentation du lieu

Mental Physio est un cabinet paramédical à Chenôve dirigé par Jérôme Guyon, composé de 10 thérapeutes (5 kinés, 3 infirmières, 1 sophrologue, 1 infirmière). Ce cabinet a pour but une prise en charge pluridisciplinaire centrée sur le patient. La douleur est universelle mais son traitement doit être individuel et réfléchi en se basant sur la littérature scientifique. Mental physio veut faire de la recherche clinique en collaboration avec CESI école d’ingénieur afin de trouver des liens entre MENTAL et REEDUCATION pour aider dans le futur les professionnels de santé.

Encadrement du stagiaire
Le stagiaire sera co-encadré par le cabinet Mental Physio et le CESI, avec des rapports d’avancement
qui seront régulièrement partagés avec Mental Physio.

Descriptif :

Dans le domaine des soins de santé, les exercices de rééducation physique sont essentiels pour la récupération post-opératoire et la gestion des troubles musculo-squelettiques [1,2]. Toutefois, la réussite de ces exercices ne dépend pas seulement de leur exécution correcte. L'expérience émotionnelle et physique des patients joue également un rôle majeur dans la qualité de la rééducation.
L’introduction de la détection et de l’analyse des états affectifs, tels que les émotions et la douleur, dans l’évaluation des exercices de rééducation peut significativement améliorer les soins aux patients
et conduire à de meilleurs résultats thérapeutiques. Les patients, confrontés à des douleurs ou à des états émotionnels négatifs, peinent souvent à maintenir leur motivation. La reconnaissance en temps réel de ces facteurs à l’aide d’outils numériques permettrait de créer des programmes de rééducation plus personnalisés et adaptés. Les méthodes d'apprentissage profond, comme la détection des émotions à partir de flux vidéo [6] ainsi que la reconnaissance de la douleur via l’analyse des expressions faciales et des mouvements corporels [7], permettent de fournir une évaluation complète du bien-être des patients durant les séances de
rééducation. En intégrant ces dimensions émotionnelles et physiques dans l'évaluation des exercices, on peut adapter dynamiquement les protocoles de rééducation pour mieux répondre aux besoins individuels des patients.
Ce stage se concentre sur l'intégration de la détection des états affectifs, plus particulièrement les émotions et les signes de douleur à une architecture d'apprentissage profond déjà développée pour
l'évaluation des mouvements des patients à domicile [3]. En tirant parti de l’apprentissage profond (CNN, RNN, GCN) [4, 6, 7], les objectifs sont d’analyser en temps réel les signaux affectifs et physiques des patients, tout en assurant une évaluation précise des mouvements grâce aux données de squelette 3D et aux réseaux de neurones graphiques (GCN) [5].
L'intégration de cette dimension affective et émotionnelle dans le système de rééducation physique permettra d’adapter les exercices en fonction des états émotionnels et des niveaux de douleur détectés, fournissant ainsi un retour d'information personnalisé qui pourrait réduire le stress et favoriser la motivation des patients. Une attention particulière sera portée à la performance en temps réel pour intégrer ce système à un démonstrateur utilisant une caméra.

Objectifs du stage

1. Améliorer les performances d'une approche existante en y intégrant la détection des émotions et de la douleur via une nouvelle architecture d'apprentissage profond.
2. Évaluer le modèle sur des jeux de données privés/publics tout en prenant en compte les signaux émotionnels et physiques des patients.
3. Fournir un retour d'information qualitatif et personnalisé aux patients, en mettant l'accent sur les articulations spécifiques dans les exercices et en ajustant les protocoles en fonction des
émotions et de la douleur.
4. Intégrer l’outil dans une interface graphique qui s’intègre au flux de travail complet du patient (et puisse être utilisé par les professionnels de santé).
5. Tester les résultats sur des données réelles capturées par une caméra.
6. Rédiger un article pour une conférence internationale.

REFERENCES
[1] Sardari, S., Sharifzadeh, S., Daneshkhah, A., Nakisa, B., Loke, S.W., Palade, V. and Duncan, M.J., 2023. Artificial Intelligence for skeleton-based physical rehabilitation action evaluation: A systematic review. Computers in Biology and Medicine, p.106835.
[2] M. H. Jang, M.-J. Shin, and Y. B. Shin, “Pulmonary and physical rehabilitation in critically ill patients,” Acute and critical care, vol. 34, no. 1, pp. 1–13, 2019.
[3] Mourchid, Y. and Slama, R., 2023. D-STGCNT: A dense spatio-temporal graph Conv-GRU network based on transformer for assessment of patient physical rehabilitation. Computers in Biology and Medicine, p.107420.
[4] Deb, S., Islam, M.F., Rahman, S. and Rahman, S., 2022. Graph convolutional networks for assessment of physical rehabilitation exercises. IEEE Transactions on Neural Systems and
Rehabilitation Engineering, 30, pp.410-419.
[5] Mourchid, Y., & Slama, R. (2023, September). MR-STGN: Multi-Residual Spatio Temporal Graph Network Using Attention Fusion for Patient Action Assessment. In 2023 IEEE 25th International
Workshop on Multimedia Signal Processing (MMSP) (pp. 1-6). IEEE.
[6] ElBoudouri, Y., & Bohi, A. (2023, September). EmoNeXt: an Adapted ConvNeXt for Facial Emotion Recognition. In 2023 IEEE International Workshop on Multimedia Signal Processing (MMSP).
[7] Ridouan, R., Bohi, A., & Mourchid, Y. (2024, October). Improving Pain Classification using Spatio-Temporal Deep Learning Approaches with Facial Expressions. In 2024 International Conference on Machine Vision (ICMV).

Profil recherché
- Master deuxième année en informatique avec une spécialité en data science et intelligence artificielle;
- Bon niveau en programmation Python et C++;
- Communication écrite et orale avancées (rapport final et présentation d’avancement demandées)
- Autonomie, rigueur et prise de décision aisée.