Skip to main content

Des chercheurs de Concordia étudient les tremblements pathologiques de la main en vue d’élaborer un cadre de traitement fondé sur l’apprentissage machine

Les personnes atteintes de Parkinson ou d’autres maladies neurodégénératives bénéficieront d’une technologie plus précise et plus intelligente
3 mars 2020
|
Arash Mohammadi, professeur adjoint à l’Institut d’ingénierie des systèmes d’information de l’Université Concordia (CIISE), et Soroosh Shahtalebi, un doctorant.
Arash Mohammadi, professeur adjoint à l’Institut d’ingénierie des systèmes d’information de l’Université Concordia (CIISE), et Soroosh Shahtalebi, un doctorant.

Les cas diagnostiqués de Parkinson et d’autres maladies neurodégénératives au Canada sont susceptibles d’augmenter de façon marquée en raison du vieillissement de la population. À l’heure actuelle, plus de 100 000 Canadiennes et Canadiens sont atteints de la maladie de Parkinson. On s’attend toutefois à ce que ce nombre augmente en flèche au cours de la prochaine décennie et dépasse les 160 000 cas. L’âge moyen d’apparition de la maladie est d’environ 60 ans. Vu qu’aujourd’hui, la population d’adultes âgés dépasse désormais celle des enfants de moins de 14 ans, bien planifier la prise en charge des maladies neurodégénératives devient de plus en plus urgent.

À ce jour, ces affections restent incurables. Toutefois, il existe des traitements pharmacologiques et neurochirurgicaux ainsi que d’autres options thérapeutiques qui peuvent atténuer certains des effets de la maladie, en particulier les tremblements pathologiques de la main (TPM). À la suite d’une étude dont le compte rendu a été publié dans Scientific Reports (Springer Nature, éditeur), une équipe de recherche propose un modèle de réseau neural pouvant, selon eux, servir de fondement à des technologies d’assistance et de réadaptation destinées aux personnes présentant des TPM causés par une maladie neurodégénérative, par exemple le Parkinson ou le tremblement essentiel.

Pour bâtir ce nouveau modèle de réseau – baptisé PHTNet –, les chercheurs se sont servis d’un ensemble de données sur le mouvement des mains recueillies au cours d’une période de quatre ans auprès de 81 personnes aux prises avec une maladie neurodégénérative, à l’Université de Western Ontario. Arash Mohammadi, professeur adjoint à l’Institut d’ingénierie des systèmes d’information de l’Université Concordia (CIISE), a supervisé les travaux. Soroosh Shahtalebi, un doctorant dont le Pr Mohammadi assure la supervision, est l’auteur principal de l’étude.

Parmi les autres chercheurs ayant collaboré à l’étude, mentionnons Farokh Atashzar, professeur adjoint à l’Université de New York; Rajni Patel, professeur à l’Université Western Ontario et directeur de l’ingénierie pour le programme CSTAR (Canadian Surgical Technologies and Advanced Robotics); et Mandar Jog, professeur à l’Université Western Ontario, directeur du Centre d’excellence sur les troubles du mouvement de la Fondation Parkinson’s et neurologue au London Movement Disorders Centre.

Olivia Samotus, doctorante au London Movement Disorders Centre et à l’Université Western Ontario, a colligé les données de recherche. Elle est en outre coauteure de l’article cité.

Éviter la surprédiction

Les sujets sous traitement ont notamment été appelés à s’entraîner à l’utilisation d’un bras robotisé destiné à soutenir ou à orienter leurs mouvements. Le dispositif calcule la force à appliquer, à amplifier ou à contrebalancer, selon ce que souhaite le patient ou la patiente. Cette technique demande que le bras robotisé amortisse ou compense les mouvements involontaires de la main (tremblements). Le dispositif se fonde sur une modélisation prédictive, afin de procurer un traitement sûr et efficace.

Les modèles actuels calculent la répartition fréquentielle de la puissance du signal issu du mouvement de la main afin de repérer et d’isoler les mouvements involontaires. Si un robot thérapeutique ne parvient pas à calculer, puis à soustraire les mouvements involontaires, il accentuera automatiquement les mouvements indésirables et, du coup, compromettra la performance de la technologie et, possiblement, la sécurité de l’utilisateur. Cela peut devenir particulièrement problématique, car, comme le font remarquer les auteurs, les mouvements volontaires et involontaires peuvent se chevaucher considérablement en domaine fréquentiel.

Afin d’améliorer les capacités d’apprentissage du réseau, les chercheurs ont utilisé l’équivalent de près de 90 heures d’enregistrement de mouvements obtenus chez les 81 sujets à l’étude en milieu clinique. À la connaissance du Pr Mohammadi, il s’agit d’un des deux seuls ensembles de données du genre constitués à ce jour. Ces données supplémentaires ont aidé les chercheurs à enseigner efficacement au réseau comment distinguer les mouvements volontaires des mouvements involontaires. Elles ont en outre permis au réseau de fonctionner selon un éventail de possibilités beaucoup plus large et de gagner en précision lorsqu’il s’agit de prédire les signaux issus des mouvements volontaires de la main. Le modèle est suffisamment précis pour fournir un échantillon prédictif de mouvements volontaires de la main à l’avance.

« PHTNet n’est pas un traitement curatif de la maladie de Parkinson. Il peut cependant profiter aux personnes qui utilisent des dispositifs d’assistance et de réadaptation », affirme Soroosh Shahtalebi. « Pour que ces technologies fonctionnent de manière efficace, nous devons mieux comprendre le mouvement chez les sujets, notamment la manière dont la dynamique de ce mouvement est transposée. »

Selon Arash Mohammadi, plus les populations vieilliront – comme c’est le cas ici au Canada –, plus on observera de problèmes neurologiques liés à l’âge. « La possibilité d’un recours à ce type de technologies arrivera à point nommé. »

L’objectif est d’en arriver à la conception de systèmes d’assistance autonomes aux fins de réadaptation à distance et de traitement à domicile efficace. De tels systèmes dotés d’intelligence artificielle, voire de conscience artificielle, peuvent exécuter des tâches thérapeutiques précises avec un degré très élevé de précision et d’autonomie.

Concordia accueillera du 12 au 14 août prochains la Conférence internationale 2020 de l’IEEE sur les systèmes autonomes.

Cette étude a été financée en partie par le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG).


Consultez l’article cité : « PHTNet: Characterization and Deep Mining of Involuntary Pathological Hand Tremor using Recurrent Neural Network Models ».



Sujets tendance

Retour en haut de page

© Université Concordia