Architectures physiques de champs aléatoires de Markov pour la mécanosensibilité distribuée, avec des applications aux systèmes biomédicaux portables

Topic description Cette thèse s'inscrit dans le domaine des systèmes biomédicaux portables et de la bio-ingénierie, et vise le développement d'architectures physiques d'inférence probabiliste pour l'interprétation de signaux de mécanosensibilité distribuée. Les dispositifs portables de suivi et d'interaction avec le corps humain reposent de plus en plus sur des réseaux de capteurs mécaniques capables de mesurer des mouvements, des vibrations ou des micro-déformations d'origine physiologique. Ces signaux sont intrinsèquement bruités, variables d'un individu à l'autre et fortement corrélés spatialement, ce qui rend leur interprétation robuste particulièrement difficile avec des approches classiques centralisées. L'approche proposée repose sur les champs aléatoires de Markov (Markov Random Fields, MRF), qui permettent de modéliser explicitement les dépendances spatiales et temporelles entre capteurs et d'inférer de manière probabiliste des états latents associés à l'activité mécanique du corps. Afin de répondre aux contraintes spécifiques des dispositifs portables, faible consommation énergétique, autonomie, latence réduite, cette thèse explore des paradigmes de calcul probabiliste physique et embarqué, dans lesquels l'inférence est réalisée directement au plus près du capteur. Les travaux combineront la conception de systèmes de mécanosensibilité distribuée, notamment à base de capteurs piézoélectriques conformables, la modélisation probabiliste par MRF et l'implémentation embarquée de mécanismes d'inférence approchée. Les architectures développées seront validées sur des démonstrateurs représentatifs de systèmes biomédicaux portables, dédiés à la mesure et à l'interprétation de signaux mécaniques physiologiques dans un cadre non clinique. Cette thèse vise ainsi à contribuer au développement de nouvelles générations de dispositifs portables intelligents pour la santé et le bien-être, en proposant des architectures d'intelligence artificielle physique capables d'interpréter de manière robuste et économe en énergie des signaux biomécaniques complexes.------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------This thesis lies at the interface of bioengineering and wearable biomedical systems and aims to develop physical probabilistic inference architectures for the interpretation of distributed mechanosensing signals. Wearable systems for health monitoring and human–machine interaction increasingly rely on networks of mechanical sensors to measure physiological motion, vibrations, and micro-deformations. These signals are inherently noisy, subject to strong inter-individual variability, and spatially correlated, making their robust interpretation particularly challenging for conventional centralized processing architectures. The proposed approach is based on Markov Random Fields (MRFs), which provide a principled framework for explicitly modeling spatial and temporal dependencies between sensors and for probabilistically inferring latent states associated with human mechanical activity. To meet the constraints specific to wearable biomedical systems, such as low power consumption, autonomy, and low latency, this thesis explores physical and embedded probabilistic computing paradigms, in which inference is performed directly at or near the sensor level. The work will combine the design of distributed mechanosensing systems, notably using conformable piezoelectric sensors, probabilistic modeling with MRFs, and embedded implementations of approximate inference mechanisms. The developed architectures will be validated on representative wearable biomedical demonstrators aimed at the measurement and interpretation of physiological mechanical signals in a non-clinical context. Overall, this thesis seeks to contribute to the development of next-generation intelligent wearable systems for health and well-being, by introducing physical artificial intelligence architectures capable of robust, energy-efficient interpretation of complex biomechanical signals.------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Début de la thèse : 01/10/ Funding category Public funding alone (i.e. government, region, European, international organization research grant) Funding further details Appel anticipé*Concours IPP ou école membre*Concours pour un contrat doctoral*Contrat Doctoral E4H*