Deivid Johan Botina Monsalve soutiendra sa thèse le 15 novembre à 14h dans la salle 111 du bâtiment I3M.

Titre de la thèse :

Remote photoplethysmography measurement and filtering using deep learning based methods

Composition du Jury :

• M. Johel MITERAN – Directeur de thèse

• Mme Antitza DANTCHEVA – Examinateur

• M. Norbert NOURY – Examinateur

• M. Yannick BENEZETH – CoDirecteur de thèse

• M. Aymeric HISTACE – Rapporteur

• M. Hazem WANNOUS – Rapporteur

Résumé :
RPPG est une technique développée pour mesurer le signal du pouls et ensuite estimer les données physiologiques telles que la fréquence cardiaque, la fréquence respiratoire et la variabilité du pouls.

En raison des multiples sources de bruit qui détériorent la qualité du signal RPPG, les filtres conventionnels sont couramment utilisés. Cependant, certaines altérations demeurent, alors qu’un œil expérimenté peut facilement les identifier. Dans la première partie de cette thèse, nous proposons le réseau LSTMDF (Long Short-Term Memory Deep-Filter) pour réaliser le filtrage du signal RPPG. Nous utilisons différents protocoles pour analyser les performances de la méthode. Nous démontrons comment le réseau peut être entraîné efficacement avec un nombre limité de signaux. Notre étude démontre expérimentalement la supériorité du filtre basé sur le LSTM par rapport aux filtres conventionnels. Le réseau est ainsi peu sensible rapport signal/bruit moyen des signaux RPPG.

Les approches basées sur les réseaux convolutifs tels que les 3DCNN ont récemment surpassé les méthodes manuelles traditionnelles dans la tâche de mesure du RPPG. Cependant, il est connu que les grands modèles 3DCNN ont des coûts de calcul élevés et peuvent être inadaptés aux applications en temps réel. Comme deuxième contribution de cette thèse, nous proposons une étude d’une architecture 3DCNN, trouvant le meilleur compromis entre la précision de la mesure du pouls et le temps d’inférence. Nous utilisons une étude d’ablation où nous diminuons la taille de l’entrée, proposons une fonction de perte personnalisée, et évaluons l’impact de différents espaces de couleur d’entrée. Le résultat est le RPPG en temps réel (RTRPPG), un outil de mesure du RPPG de bout en bout qui peut être utilisé sur GPU et CPU. Nous avons également proposé une méthode d’augmentation des données qui vise à améliorer les performances des réseaux d’apprentissage profond lorsque la base de données présente des caractéristiques spécifiques (par exemple, les mouvements de type fitness) et lorsque les données disponibles sont peu nombreuses.