Estimation de cartes d'énergie de hautes fréquences ou d'irrégularité de périodicité de la marche humaine par caméra de profondeur pour la détection de pathologies

Ce travail présente deux nouveaux systèmes simples d'analyse de la marche humaine grâce à une caméra de profondeur (Microsoft Kinect) placée devant un sujet marchant sur un tapis roulant conventionnel, capables de détecter une marche saine et celle déficiente. Le premier système repose sur le fait qu'une marche normale présente typiquement un signal de profondeur lisse au niveau de chaque pixel avec moins de hautes fréquences, ce qui permet d'estimer une carte indiquant l'emplacement et l'amplitude de l'énergie de haute fréquence (HFSE). Le second système analyse les parties du corps qui ont un motif de mouvement irrégulier, en termes de périodicité, lors de la marche. Nous supposons que la marche d'un sujet sain présente partout dans le corps, pendant les cycles de marche, un signal de profondeur avec un motif périodique sans bruit. Nous estimons, à partir de la séquence vidéo de chaque sujet, une carte montrant les zones d'irrégularités de la marche (également appelées énergie de bruit apériodique). La carte avec HFSE ou celle visualisant l'énergie de bruit apériodique peut être utilisée comme un bon indicateur d'une éventuelle pathologie, dans un outil de diagnostic précoce, rapide et fiable, ou permettre de fournir des informations sur la présence et l'étendue de la maladie ou des problèmes (orthopédiques, musculaires ou neurologiques) du patient. Même si les cartes obtenues sont informatives et très discriminantes pour une classification visuelle directe, même pour un non-spécialiste, les systèmes proposés permettent de détecter automatiquement les individus en bonne santé et ceux avec des problèmes locomoteurs.

Valeur diagnostique des micro-éveils autonomiques comme substitut aux éveils cérébraux dans l'apnée du sommeil

Les troubles respiratoires du sommeil ont une prévalence élevée dans la population générale, l’apnée obstructive du sommeil étant le plus important de ces troubles. Malgré tout, une grande proportion des patients avec apnée ne sont pas diagnostiqués. La méthode la plus complète pour diagnostiquer l’apnée est l’enregistrement d’une nuit de sommeil par polysomnographie, aussi appelée enregistrement de type 1, qui est un processus long et coûteux. Pour surmonter ces difficultés, des appareils d’enregistrements portables (ou de type 3) ont été développés. Toutefois, ces enregistrements de type 3 ne capturent pas l’activité cérébrale, mesurée avec l’électroencéphalographie (EEG). Le présent mémoire décrit une étude comparative entre les enregistrements de type 1 et de type 3. Tous les événements respiratoires d’apnée, d’hypopnée et d’éveils liés à un effort respiratoire (RERA, en anglais) seront analysés ainsi que les éveils cérébraux (ou éveils EEG) et les éveils autonomiques. Ces éveils autonomiques se définissent par une hausse de la fréquence cardiaque suite à un événement respiratoire. Pour enrichir les analyses, les variables respiratoires suivantes ont été étudiées : une chute de la saturation en oxygène de 4 % (ODI), l’index d’apnée-hypopnée (IAH), l’indice de perturbations respiratoires avec apnées + hypopnées + RERAs et les éveils EEG (RDIe, en anglais) et le RDI incluant les éveils autonomiques définis par une augmentation de la fréquence cardiaque de 5 bpm (RDIa5). L’objectif de la présente étude est d’évaluer la proportion d’événements respiratoires avec éveils autonomiques ainsi que leur impact sur le RDI des enregistrements de type 1 et 3. L’hypothèse suggère que les événements avec éveils autonomiques auraient un plus grand impact sur le RDI des enregistrements de type 3 contrairement au type 1. Cette étude inclut 72 sujets ayant suivi un enregistrement de polysomnographie complète de type 1 ainsi que 79 sujets différents ayant suivi un enregistrement ambulatoire de type 3. Les analyses suivantes ont été effectuées : 1) les pourcentages d’événements associés avec seulement des éveils autonomiques dans les enregistrements de type 1 et de type 3 ; 2) les fréquences de migration entre les catégories basses et élevées de sévérité de l’AHI en prenant en compte les événements associés avec seulement des éveils autonomiques ; 3) les Bland-Altman (B-A) pour mesurer l’accord entre l’AHI, le RDIe et le RDIa5 (type 1), et entre l’AHI et le RDIa5 (type 3) et ; 4) les corrélations de Pearson et les coefficients de corrélation intraclasse (ICC) pour mesurer l’accord entre l’AHI, le RDIe et le RDIa5 (type 1), et entre l’AHI et le RDIa5 (type 3). L’utilisation du critère de RDIa5 permet d’ajouter 49 % d’événements comptés avec l’AHI pour les enregistrements de type 1, et 51 % d’événements pour ceux de type 3. La présente étude montre que les éveils autonomiques ont un impact similaire autant pour le RDI des enregistrements de type 3 que de type 1. En conclusion, on peut affirmer que le RDIa5 est acceptable et fiable pour les enregistrements de type 3.