Le diagnostic aidé par le modèle (DAM) devient un objectif scientifique et industriel important en applications médicales. Il est rendu possible par l’apparition de modèle multi-physique et multi-échelles, à grand réalisme physiologique pour un temps de calcul optimisé mais non négligeable.
Ces modèles biofidèles, définis comme « jumeaux numériques », ont pour objectif de fournir au clinicien des données physiologiques, difficiles d’accès et spécifiques au sujet, d’une manière non-invasive comme à partir d’enregistrement de signaux électromyographiques à haute densité (HD-sEMG).
Dans le projet NeuroMyoTWIN, nous proposons d’élaborer un jumeau numérique électrique du système neuromusculaire pour développer un outil d’aide au diagnostic du vieillissement musculaire, impacté par la sédentarité, et fortement corrélé à la perte d’autonomie. Ce jumeau numérique (direct et inverse) fera appel aux techniques récentes d’apprentissage statistique pour réduire les temps de calcul tout en conservant une précision et une fiabilité face aux incertitudes de mesures.
Après la phase de conception et de test sur des données simulées et cliniques disponibles, Il est attendu la production d’un outil capable d’effectuer une «biopsie numérique » musculaire pour fournir des informations (anatomiques et fonctionnelles) utiles au suivi du vieillissement musculaire pour la promotion du bien-vieillir et du maintien de l’autonomie.Mots clés: Jumeau numérique, DeepLearning, HD-sEMG, Modèle inverse
Profil et compétences du candidat: Machine Learning, Programmation Python, Traitement du signal biomédical, Optimisation
Date de début de la thèse: 1/10/2024
