Aller au contenu Aller au menu principal Aller à la recherche

IUT Chalon-Sur-Saône

Christophe GUILLET

 
 
christophe guillet
 
Enseignant-chercheur
 
26ème Section (Mathématiques et applications)
Labo d'Electronique d'Informatique et d'Image (Le2i)
Equipe - Immersion Virtuelle

IUT - Dpt Génie Industriel et Maintenance
          Responsable de la licence TAIS
 
 
 

 

Quelques dates

 
2004 : Doctorat de Mathématiques et Applications (Université de Franche Comté)
 
1997 : D.E.A. Astronomie fondamentale, Mécanique céleste et Géodésie (Observatoire de Paris, Université Paris 6, Ecole Nationale des Sciences Géographiques)
 
1992 : Agrégation externe de Mathématiques
 
 

Thème principal de recherche

Approche topologique de l'analyse de données pour leur visualisation.
 

Mots clés

Homologie persistante – réduction dimensionnelle – analyse statistique multivariée – contrôle moteur – tâche motrice
 
 
 
 
  • Les activités de recherche de Christophe Guillet

Depuis début 2009 :

Compte tenu de mon implication croissante au sein de la filière Image et Son de l'IUT à travers ma responsabilité de la licence professionnelle TAIS et les divers partenariats créés dans ce cadre, notamment à travers des projets transversaux associant étudiants de licence professionnelle TAIS et du Mastère spécialisé Environnements Virtuels Avancés de l'Institut Image Arts et Métiers Paris Tech de Chalon sur Saône, j'ai entamé une conversion thématique en intégrant le Laboratoire Electronique, Informatique et Image (Le2i) (UMR 6306) et son équipe chalonnaise « Immersion virtuelle » basée à l'Institut Image et dont la thématique de recherche est le développement de techniques d'immersion multi-sensorielle pour l'interaction avec un modèle numérique.

Dans ce cadre, mes travaux se concentrent sur le développement de méthodes topologiques couplées à des outils statistiques pour l'analyse de données complexes de grande dimension issues de la maquette numérique. Ces méthodes sont susceptibles d'être appliquées pour : la gestion des données de la maquette numérique vers la maquette virtuelle, le partage de données à distance (pour le travail collaboratif), l'interaction avec la maquette virtuelle, la navigation dans la maquette virtuelle, le mal de la simulation (conduite ou navigation dans de grandes bases de données).
 
Travaux de recherche actuels :

Approche topologique de la métrologie du mouvement à travers l'analyse de données cinématiques et électromyographiques: optimisation de la reconstruction d'avatar et application à l'aide au diagnostic et la prévention des déficiences sensorimotrices (en partenariat avec l'U1093 INSERM « Perception, Action et Plasticité sensorimotrice » de Dijon) :
 
Il s'agit sur le plan fondamental de développer une méthode innovante pour l'extraction et la classification d'invariants moteurs du mouvement. Cette méthode permettra d'adresser deux verrous scientifiques et technologiques. Le premier verrou est relatif au handicap moteur pour lequel des lésions (par maladie ou vieillissement) importantes peuvent endommager la fonction motrice au niveau de la programmation corticale, la régulation sensori-motrice et le mouvement des articulations des membres. Une meilleure connaissance de la fonction motrice permettrait d'établir des thérapies adaptées à chaque lésion. Le second verrou concerne l'interactivité en environnement virtuel immersif. La réalité virtuelle permet une interaction entre un sujet et un objet virtuel qui se réalise à travers un avatar virtuel animé par les mouvements du sujet et interagissant de façon logicielle avec l'objet virtuel. La présence du sujet dans le monde virtuel est conditionnée par une interaction en temps réel qui suppose un mouvement coordonné de l'avatar avec le sujet qu'il représente.

Comme toutes les données biologiques, celles de la motricité sont perturbées par le bruit et la non linéarité, sans parler des problèmes classiques liés à la variabilité intra-sujets due aux différentes tailles des sujets, aux différences des vitesses... Le problème inverse se pose lors du recueil des données provenant d'un seul patient. L'étude sur le mouvement de chaque individu nécessite souvent un grand nombre de variables. L'usage des méthodes d'analyses courantes présente des insuffisances. De plus, les méthodes classiques de traitement statistique sont pour la plupart issues du modèle linéaire général. Par conséquent, elles sont incapables de traiter des variables dont les rapports entre elles sont non linéaires. Des travaux sont actuellement menés dans deux directions par l'équipe de l'UE1093 INSERM pour développer des méthodes innovantes pour l'extraction et la classification d'invariants moteurs du mouvement:

- l'une consiste à mettre en œuvre la méthode des réseaux de neurones artificiels (Hertz, et al. 1990 ; Bishop, 1995) et la méthode des noyaux (Shawe-Taylor et Christianini, 2004) pour l'analyse et la classification des comportements moteurs. Ces méthodes ont la capacité de traiter des ensembles de variables ayant des rapports non linéaires entre elles et de déterminer si des combinaisons de variables diffèrent entre plusieurs groupes,
 
- l'autre consiste à caractériser le mouvement normal et pathologique en considérant les actions sous la forme de groupements d'activités (synergies), c'est à dire à extraire des invariants moteurs par caractérisation des actions en synergies musculaires qui constituent pour le système nerveux central des primitives motrices pouvant être combinées dans le but de produire des séquences d'actions complexes.
Cependant, dans certaines situations, ces méthodes d'analyse multivariée et de réduction dimensionnelle ne sont pas capables de détecter la différence entre deux populations données.

Nous proposons donc d'utiliser une approche topologique permettant de capturer des invariants indépendants de l'échelle choisie et d'analyser des données non linéaires de grande dimension et de capturer leurs caractéristiques topologiques.

L'approche retenue s'appuie principalement sur une méthode topologique d'analyse de données, et plus précisément, sur le concept de persistance homologique qui est susceptible de permettre de caractériser des tâches motrices en établissant leur signature topologique et de les comparer et ainsi de constituer une méthode inverse capable de caractériser mouvements sains et pathologiques. La persistance homologique est un outil qui a été développé à partir de 2000 par Edelsbrunner et al, afin de capturer les caractéristiques topologiques significatives de données multidimensionnelles représentant un nuage de points dans un espace métrique donné. Le principe est de recouvrir les points du nuage par des boules de rayon variable et de leur associer des complexes simpliciaux construits de manière itérative en faisant varier le rayon de ces boules et dont la topologie approche celle de la variété sous-jacente sur laquelle repose le nuage de points. Des invariants topologiques (homologie) sont alors calculés à partir de ces complexes simpliciaux, les caractéristiques qui persistent pour différentes valeurs du rayon étant considérées comme intrinsèques et les autres comme du bruit, la persistance d'une classe d'homologie qui naît et meurt au cours de ce processus est alors consignée dans un diagramme de persistance (H. Edelsbrunner, J. Harer ,2008; R. Ghrist, 2007 pour plus de détails). En définissant une métrique sur l'espace des diagrammes de persistance, on peut alors mesurer la distance qui sépare deux diagrammes de persistance et comparer les espaces topologiques qu'ils représentent. Dans tous les cas, le diagramme de persistance permet de coder de façon robuste les caractéristiques topologiques de données issues des variations d'une fonction réelle ou d'un nuage de points, grâce à des résultats de stabilité établis par D.Cohen-Steiner et al. (2007) dans le cas d'une fonction réelle puis plus récemment par F.Chazal et al. (2012) qui les ont généralisés pour des complexes simpliciaux dans des espaces métriques précompacts. Nous envisageons de coupler cette méthode à des méthodes géométriques non linéaires de réduction dimensionnelle (Isomap, MDS, LLE,...) et d'analyse statistique classique (ANOVA,...) car cette approche a donné des résultats intéressants depuis quelques années dans l'étude statistique non linéaire de données (J.Gamble, G. Heo 2010 et 2012, K. Brown, K.P. Knudson, 2009).
 
Valorisation de la recherche :

Chef de projet « Développement de démonstrateur expérimental et optimisation d'environnements virtuels pour les Thérapies Cognitivo-Comportementales » afin de traiter différents troubles : agoraphobie, phobie d'impulsion, TOC de vérification, trouble panique, ESPT liés à la conduite automobile, acrophobie et claustrophobie. Ce projet ambitionne:
 
- sur le plan technologique, de répondre aux besoins de l'équipe médicale de la clinique psychiatrique Lyon Lumière de Meyzieu, appartenant au groupe de santé européen ORPEA qui a choisi la stratégie de la thérapie d'exposition par la réalité virtuelle.
 
- sur la plan théorique, d'élaborer une solution d'analyse physiologique lors de chaque séance d'exposition en immersion virtuelle, on s'appuie, sur le plan théorique, sur les travaux menés, au sein de l'équipe chalonnaise Immersion virtuelle du Le2i, sur les problèmes liés à l'immersion virtuelle comme celui du sens de présence ou du cybermalaise et ceux développant des méthodes topologiques couplées à des outils d'analyse statistique multivariée des données enregistrées.
 

Normal 0 21 false false false FR X-NONE X-NONE

approche topologique de l’analyse de données pour leur visualisation

Suivez-nous : Suivez nous sur Facebook uB link, le réseau social de l'université

Contact

Christophe GUILLET
 
Tél. 03 85 42 43 15
Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.

Laboratoire

  • Laboratoire :
Laboratoire d'Electronique d'Informatique et d'Image (Le2i) UMR CNRS 5158

  • Equipe :
Immersion Virtuelle
 

Travaux de recherche

icone livres