Development of a system of acquisition and movement analysis : application on Parkinson's disease

• Main Author: Jalloul, Nahed
• Other Authors: Rennes 1
• Language: en
• Published: 2016
• Subjects: Traitement du signal; Capteurs portables; Classification des activités; LID Détection; La maladie de Parkinson; Signal Processing; Wearable Sensors; Activity Classification; LID Detection; Parkinson’s Disease
• Online Access: http://www.theses.fr/2016REN1S096/document

Le travail présenté dans ce mémoire porte sur le développement d'un système de surveillance ambulatoire pour la détection de la dyskinésie induite par la Levodopa (LID) chez les patients de la maladie de Parkinson (PD). Le système est composé d’unités de mesure inertielle (IMUs) qui recueillent des signaux de mouvement chez des sujets sains et des patients parkinsoniens. Des méthodes différentes sont évaluées pour la détection de LID avec et sans classification des activités. Les données recueillies auprès des sujets sains sont utilisées pour concevoir un classificateur d'activité fiable. Par la suite, un algorithme qui effectue la classification des activités et la détection de la dyskinésie sur les données recueillies auprès de des patients parkinsoniens est proposé. Une nouvelle approche basée sur l'analyse de réseau complexe est également explorée et présente des résultats intéressants. Les méthodes de traitement développées ont été intégrées dans une plateforme complète d’analyse nommée PARADYSE. === The work presented in this thesis is concerned with the development of an ambulatory monitoring system for the detection of Levodopa Induced Dyskinesia (LID) in Parkinson’s disease (PD) patients. The system is composed of Inertial Measurement Units (IMUs) that collect movement signals from healthy individuals and PD patients. Different methods are evaluated which consist of LID detection with and without activity classification. Data collected from healthy individuals is used to design a reliable activity classifier. Following that, an algorithm that performs activity classification and dyskinesia detection on data collected from PD patients is tested. A new approach based on complex network analysis is also explored and presents interesting results. The evaluated analysis methods are incorporated into a platform PARADYSE in order to further advance the system’s capabilities.