Franck MOUNEY

Développement :
Développement algorithmique d'analyse de l'onde de pouls enregistré par un capteur PPG. Mise en place des procédures de pré-traitement du signal et d'analyse de l'onde de pouls en temps réel. Calcul de la fréquence cardiaque, de la vitesse de propagation de l’onde de pouls aortique (VOP) reflétant de la rigidité artérielle.
Gestion de projet, rédaction des spécifications techniques logiciel, développement (Kotlin/Java), traitement du signal (C++), intégration de solutions de type machine learning (Python), design UI/UX, tests unitaire et tests fonctionnels, création de setups (Inno Setup, install4j), rédaction de la documentation technique suivant la ISO62304.

Recherche : Recherche sur la possibilité d'estimer la pression artérielle directement via le signal PPG (Python, R, C++).
PhD (CIFRE) : Estimation de la pression artérielle via un système de photophlétysmographie.

Travaux en cours :
J’ai travaillé sur une méthode de mesure de la pression artérielle (PA) sans brassard à partir de signaux PPG dans le contexte des technologies basées sur l'IoT. Cette proposition intègre un protocole d'acquisition unique en son genre permettant de capturer une large gamme de pressions artérielles dans un court laps de temps, conforme à la durée d'une consultation médicale. Ce protocole permettra de calibrer, avec un brassard standard, un modèle de prédiction utilisant les variations de pression artérielle que l'on peut rencontrer lors des activités quotidiennes. Ce travail compare plusieurs modèles de prédiction (KNN, SVR, RF, Boost, PLS) sur l'ensemble des caractéristiques temporelles rencontrées dans la littérature, extraites des impulsions PPG automatiquement segmentées.
Les résultats préliminaires étaient prometteurs et conformes aux normes de l'AAMI. Les expériences, réalisées sur 4 sujets suivis quotidiennement pendant 2 à 4 semaines, montraient une faible erreur de prédiction (5,5 mmHg en moyenne pour la PA systolique et 3,4 mmHg pour la PA diastolique). Cette étude intégrait également un nouvel indice de performance, basé sur les intervalles de confiance, qui semble pertinent pour un étalonnage basé sur l'IoT impliquant un paquet d'ondes de pouls par mesure de brassard.

Travaux annexes :
Travaux N°1 :
J’ai évalué un modèle de prédiction de la pression artérielle de type Deep Learning sur une large base de données. Ce modèle est basé sur un réseau de neurones profonds de type réseau de neurones de convolution (CNN), il est inspiré d’un article de Baek et al. (2019). Le but était de reproduire l’architecture du modèle de Baek et al. (2019) et de l’appliquer sur les données de MIMIC. Le modèle 1D-CNN proposé peut prédire les pressions systoliques (PAS) et diastoliques (PAD) directement à partir de signaux bruts sans avoir à extraire des caractéristiques (features). Il prend en entrée le signal brut ainsi que sa forme fréquentielle. Le modèle est moins performant que la plupart des algorithmes de machine learning classique et notamment statistique tel que la méthode PLS.

Travaux N°2 :
Développement d’un système d’intelligence artificiel basé sur un réseau de neurones (MLP) permettant l’analyse en temps réel de la qualité de l’onde de pouls enregistrer. Le système est capable de déterminer d’après la qualité de l’onde si celle-ci est analysable par notre algorithme d’estimation du pouls, de la rigidité artérielle et potentiellement de la pression artérielle.

Publications :
• Article N°1:
Towards a Smartwatch for Cuff-Less Blood Pressure Measurement Using PPG Signal and Physiological Features.
Mouney, F., Tiplica, T., Hallab, M., Dinomais, M., & Fasquel, J. B. (2019, December).
In EAI International Conference on IoT Technologies for HealthCare (pp. 67-76). Springer, Cham.

Ce premier article concerne le développement d'une montre intelligente connectée permettant le suivi quotidien continu de paramètres physiologiques afin de prévenir les maladies cardiovasculaires, le suivi de l'efficacité des traitements (contre l'hypertension par exemple). Ce papier se concentre sur un paramètre particulier, la pression sanguine (BP), qui sera mesurée automatiquement à partir du signal du photopléthysmogramme (PPG), acquis à l'aide d'une montre.
La méthode proposée est basée sur la détection automatique de l'onde de pouls à partir du signal PPG. Ensuite, en utilisant l'algorithme Lasso, une relation a été établie entre la pression artérielle et la représentation spectrale de l'onde de pouls normalisée, combinée avec d'autres informations physiologiques (âge, indice de masse corporelle et fréquence cardiaque). La méthode proposée a été évaluée sur une grande base de données publique récente de 219 sujets, couvrant une large gamme d'âges (20-89), d'indices de masse corporelle et de pressions sanguines.
Les résultats expérimentaux montrent des performances acceptables en termes de précision. Comparé à un travail récent similaire montrant une erreur d'estimation légèrement inférieure, un point fort de notre approche est sa robustesse par rapport à la qualité du signal, ce qui est crucial pour une utilisation quotidienne dans des conditions IoT réelles, comme c'est le cas dans ce contexte de montre intelligente.

• Article N°2:
A new Blood Pressure estimation approach using PPG sensors: subject specific evaluation over a long-term period.
Mouney, F., Tiplica, T., Hallab, M., Dinomais, M., & Fasquel, J. B. (2020, November).
In the conference EAI AISCOVID 2020 (EAI SmartCity360° Convention 2020). Springer, Cham.

Cette seconde publication propose une nouvelle approche pour prédire la pression sanguine (BP) à partir du signal du photopléthysmogramme (PPG) en relation avec un nouveau jeu de données original. L'originalité de ce jeu de données repose sur le fait que les sujets sont suivis périodiquement pendant plusieurs semaines, alors que les jeux de données publics considèrent des périodes d'acquisition courtes.
L'approche proposée pour l'estimation de la pression artérielle utilise les fréquences clés du spectre du signal PPG isolées à l'aide de l'algorithme LASSO, puis un modèle prédictif est construit. Les modèles d'estimation de la pression artérielle entrainés sont spécifiques à chaque patient. L'efficacité de la méthodologie proposée est évaluée sur des données expérimentales enregistrées sur une longue période. De plus, une évaluation des différents marqueurs temporels du signal PPG qui ont été proposés dans la littérature est menée sur le même ensemble de données.
Il est démontré que seuls quelques-uns de ces marqueurs temporels sont utiles pour l'estimation des pressions sanguines systolique et diastolique. Les résultats soulignent que de meilleures estimations de la pression pression artérielle sont obtenues en utilisant le spectre du signal PPG plutôt que les que des marqueurs temporels sélectionnés de manière optimale.