Le groupe de recherche IUSD est l’abréviation de Informatique Ubiquitaire et Science de Données. Les travaux du groupe IUSD visent le développement d’algorithmes et de méthodologies pour des applications centrées sur l’humain ou avec l’humain dans la boucle. Les différents thèmes considérés sont la biométrie, les interfaces cerveau-machine, et les objets connectés communicants et intelligents. Pour la biométrie, nous travaillons sur des problématiques d’actualité pour proposer des solutions dans divers domaines tels que la criminalistique, l’identification et l’authentification. Pour les interfaces cerveau-machine, nous développons d’une part des algorithmes d’interprétation de la pensée pour des objectifs d’assistance aux personnes déficientes et d’autre part des algorithmes de classification d’activités cérébrales pour tenter de comprendre le comportement de l’activité cérébrale. Pour ce qui est des objets connectés, nous travaillons sur des méthodologies permettant de les exploiter pour diverses applications telles que les villes et les bâtiments intelligents, la domotique, et la e-santé. Les techniques et outils que nous employons dans nos diverses propositions et développements sont issus de l’intelligence artificielle (réseaux de neurones, apprentissage profond), la science des données (traitement des données, ingénierie des caractéristiques), et des métaheuristiques d’optimisation (algorithmes génétiques, colonies de fourmis, recuit simulé, essaim particulaire). Le groupe de recherche IUSD collabore avec un certain nombre d’acteurs industriels de premier plan (RTE, EDF, ...) et d’organismes de recherche nationaux et internationaux (MIT, Stanford University, Northumbria University, ...). Par ailleurs, le groupe de recherche est impliqué dans plusieurs projets de financement.
En biométrie, les travaux menés se concentrent sur l’authentification et l’identification biométrique ainsi que sur la sécurité biométrique en exploitant les modalités biométriques physiologiques et comportementales. Les techniques et outils employés dans les diverses propositions et développements réalisés sont, entre autres, basés sur des techniques issues de l’intelligence artificielle (apprentissage artificiel, apprentissage supervisé et non supervisé, réseaux de neurones, apprentissage profond, apprentissage par renforcement, ...), la science des données (traitement de données multimédia, ingénierie des caractéristiques, ...), et des métaheuristiques d’optimisation (algorithmes génétiques, colonies de fourmis, recuit simulé, essaim particulaire, ...).
En BCI (Brain-Computer Interface) ou interfaces cerveau-machine, les travaux menés concernent le développement d’une part des algorithmes d’interprétation de la pensée pour des objectifs d’assistance aux personnes déficientes et d’autre part des algorithmes de classification d’activités cérébrales pour tenter de les comprendre.
En environnements communicants et intelligents, les travaux menés se concentrent sur des méthodologies permettant d’exploiter les objets connectés pour diverses applications telles que les villes et les bâtiments intelligents, la domotique, et la e-santé. Plusieurs collaborations ont été initiées avec des chercheurs d’autres laboratoires, en France comme à l’étranger. Plusieurs thèses de doctorat soutenues et plusieurs publications viennent sanctionner ces collaborations.
Plusieurs contributions ont été proposées dans le cadre des travaux de recherche menés par les membres de l’équipe, et qui ont fait l’objet de plusieurs publications scientifiques. Ci-dessous une description des principales contributions récente.
En biométrie, une nouvelle approche pour le contrôle d’accès biométrique basée sur la reconnaissance vocale a été proposée. Cette approche est basée sur la combinaison de deux modèles d’apprentissage profond, à savoir les modèles d’apprentissage non supervisé de type auto-encodeur et les réseaux antagonistes génératifs, et en exploitant les caractéristiques vocales extraites à partir du spectre de puissance du signal audio. Une deuxième approche de reconnaissance faciale 3D, a été proposée. L’approche proposée est basée sur une structure en cascade des réseaux neuronaux convolutifs pour une reconnaissance faciale fiable à partir des images 3D floues, masquées et tronquées. Une troisième approche d’authentification faciale 2D a été proposée. L’approche proposée est basée sur une architecture optimisée d’un réseau neuronal convolutif. Ces contributions s’inscrivent dans le cadre de trois thèses en cours au sein de l’équipe. De plus, les travaux développés en biométrie ont donné lieu à deux interventions en tant que conférenciers invités.
En BCI ou interfaces cerveau-machine, des travaux ont été menés pour étudier l’authentification biométrique en exploitant l’activité cérébrale comme une modalité biométrique via les données électroencéphalogrammes (EEG) générées à partir d’une stimulation visuelle. L’objectif est de développer une application BCI comme une solution de reconnaissance biométrique à base d’EEG. De plus, et dans le cadre des collaborations développées par les membres de l’équipe, une approche pour la classification des mouvements des membres inférieurs et supérieurs à partir d’activités cérébrales (sous forme de signaux EEG) a été proposée dans l’objectif d’assistance aux personnes déficientes. De plus, les travaux développés en BCI ont donné lieu à une intervention en tant que conférencier invité.
En e-santé, les travaux menés dans le cadre d’un projet industriel avec Axelife (entreprise qui conçoit et développe des dispositifs médicaux à base de photopléthysmographie) ont fait l’objet de plusieurs contributions. Une nouvelle approche de détection du diabète de type 2 à partir de données photopléthysmographiques (PPG, une technique d’exploration fonctionnelle vasculaire non invasive) a été proposée. L’approche proposée applique un réseau neuronal convolutif léger pour dépister la présence du diabète de type 2 à l’aide d’une seule impulsion brute extraite de signaux PPG. Une deuxième approche pour l’évaluation du risque de rétinopathie diabétique basée sur des modèles d’apprentissage automatique et profond avec des données PPG et la vitesse de l’onde de pouls (PWV, Une mesure de la rigidité artérielle) a été proposée. Par ailleurs, une autre approche d’apprentissage non supervisé pour le clustering des formes de l’impulsion de volume digital (DVP, qui représente la partie du signal PPG correspondant à un cycle cardiaque.) a été développée. De plus, une étude a été réalisée pour explorer comment les approches basées sur l’intelligence artificielle pourraient améliorer l’utilisation de la photopléthysmographie en exploitant son potentiel et en minimisant ses inconvénients.
Dans le domaine des objets connectés et santé, les travaux menés dans le cadre des collaborations avec d’autres laboratoires de recherche, ont fait l’objet de trois contributions : une approche semi-supervisée interprétable pour identifier les personnes à risque de chutes en utilisant les données fournies par les capteurs IMU montés sur la cheville a été proposée. En outre, ont été développées une approche de diagnostic des troubles neuromusculaires à l’aide des signaux électromyographiques (EMG), et une méthodologie décrivant la conception et le développement d’un outil de rééducation fonctionnelle du membre supérieur pour l’enfant atteint de paralysie cérébrale et troubles afférents pour le projet ANR CPlay.