Évaluation objective de la séquence de récupération des fibres sensitives de la troisième division du nerf trijumeau suite à une ostéotomie sagittale mandibulaire bilatérale (OSMB)

Le projet de recherche est une étude prospective consistant à déterminer la séquence de récupération des fibres sensitives de la troisième division du nerf trijumeau (V3) suite à une ostéotomie sagittale mandibulaire bilatérale (OSMB). Dix-neuf sujets ont été recrutés entre les mois de mars et septembre 2008. Tous ont eu une chirurgie orthognathique d’OSMB afin de corriger une malocclusion. La sensibilité dans le territoire cutané innervé par V3 de chacun des sujets a été évaluée en pré-opératoire de même qu’à cinq autres reprises en post-opératoire (2, 4, 20, 36 et 52 semaines). Deux méthodes d’évaluation objectives de la récupération nerveuse sensitive ont été utilisées. La première consistait à utiliser un appareil nommé Neurometer afin de déterminer l’intensité minimale de courant électrique (Current Perception Threshold [CPT]) pouvant être ressentie spécifiquement par chacun des trois types de fibres nerveuses sensitives (A-Bêta, A-Delta et C) dans le territoire cutané de V3. La deuxième méthode consistait à utiliser les monofilaments de Semmes-Weinstein afin de déterminer le seuil minimal de pression (Von Frey) pouvant être ressenti dans le même territoire cutané. De plus, lors de chacun des rendez-vous post-opératoires, il a été demandé à chaque sujet de quantifier subjectivement sa sensibilité à l’aide d’une échelle visuelle analogue. Cela a permis de corréler les valeurs de CPT, les seuils de perception de la pression et l’évaluation subjective que le patient a de sa propre sensibilité. Il a été démontré que la séquence de récupération des fibres sensitives de V3 suite à une OSMB est la suivante : les fibres A-Delta récupèrent en premier, suivies des fibres C puis des fibres A-Bêta.

Authentification biométrique par dynamique de frappe pour évaluation à distance utilisant SVM à une classe

La machine à vecteurs de support à une classe est un algorithme non-supervisé qui est capable d’apprendre une fonction de décision à partir de données d’une seule classe pour la détection d’anomalie. Avec les données d’entraînement d’une seule classe, elle peut identifier si une nouvelle donnée est similaire à l’ensemble d’entraînement. Dans ce mémoire, nous nous intéressons à la reconnaissance de forme de dynamique de frappe par la machine à vecteurs de support à une classe, pour l’authentification d’étudiants dans un système d’évaluation sommative à distance à l’Université Laval. Comme chaque étudiant à l’Université Laval possède un identifiant court, unique qu’il utilise pour tout accès sécurisé aux ressources informatiques, nous avons choisi cette chaîne de caractères comme support à la saisie de dynamique de frappe d’utilisateur pour construire notre propre base de données. Après avoir entraîné un modèle pour chaque étudiant avec ses données de dynamique de frappe, on veut pouvoir l’identifier et éventuellement détecter des imposteurs. Trois méthodes pour la classification ont été testées et discutées. Ainsi, nous avons pu constater les faiblesses de chaque méthode dans ce système. L’évaluation des taux de reconnaissance a permis de mettre en évidence leur dépendance au nombre de signatures ainsi qu’au nombre de caractères utilisés pour construire les signatures. Enfin, nous avons montré qu’il existe des corrélations entre le taux de reconnaissance et la dispersion dans les distributions des caractéristiques des signatures de dynamique de frappe.