Automatic estimation of sleep states in preterm neonates by multimodal information fusion (Estimation automatique des stades de sommeil chez le nouveau né prématuré par fusion d'informations multimodales)

Jebbari, Houda - (2025-11-12) / Université de Rennes Automatic estimation of sleep states in preterm neonates by multimodal information fusion Langue : Anglais Directeur de thèse:  Porée, Fabienne Laboratoire :  Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATISSE Thématique : Sciences de l'ingénieur

Accès à la ressource :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion... Mots-clés : nouveau-né prématuré, neuro-comportemental, surveillance, analyse multimodale, stades du sommeil, Prématurés, Monitorage médical, Sommeil -- Stades, Traitement du signal -- Techniques numériques Résumé : Le sommeil joue un rôle clé dans le développement neurologique du nouveau-né. Chez les prématurés, sa qualité et son organisation indiquent précocement la maturation cérébrale et le risque de troubles. Dans les Unités de Soins Intensifs Néonatals (USIN), l’évaluation des états de sommeil est essentielle, mais les méthodes traditionnelles, basées sur l’observation ou la polysomnographie, restent lourdes et peu adaptées à un suivi continu. De nombreuses études ont proposé des méthodes automatiques utilisant des signaux physiologiques ou comportementaux, mais leur robustesse, interprétabilité et généralisabilité sont limitées. Ces travaux de thèse développent une chaîne complète pour classifier les états de sommeil, avec un focus sur le Sommeil Calme (SC), stade clé du développement. La méthode inclut : i) l’extraction de caractéristiques à partir de trois modalités (ECG, respiration, mouvements) ; ii) une classification non supervisée pour l’aide à l’annotation du SC ; iii) un modèle supervisé compact et interprétable pour estimer le SC et distinguer trois stades (SC, sommeil non calme, éveil). Les résultats montrent une bonne concordance avec les annotations d’experts pour le SC, tandis que la classification de trois stades nécessite encore des améliorations. Cette approche ouvre la voie à un suivi automatique et non invasif du sommeil des prématurés, notamment du SC. Résumé (anglais) : Sleep plays an important role in the neurological development of newborns. In preterm infants, its quality and organization are early indicators of brain maturation and potential developmental disorders. In Neonatal Intensive Care Units (NICUs), assessing sleep states is essential, but traditional methods based on observation or polysomnography remain cumbersome and poorly suited to continuous monitoring. Many studies have proposed automatic methods using physiological or behavioral signals, yet their robustness, interpretability, and generalizability remain limited. This thesis develops a complete pipeline for sleep state classification, focusing on Quiet Sleep (QS), a key stage of neurological development. The approach includes: i) feature extraction from three modalities (ECG, respiration, movements); ii) an unsupervised classification to support QS annotation; iii) a compact and interpretable supervised model to estimate QS and distinguish three states (QS, non-quiet sleep, wake). Results show good agreement with expert annotations for QS, while three-state classification still requires improvement. This approach paves the way for non-invasive, automatic monitoring of preterm newborns’ sleep, especially QS. Identifiant : rennes1-ori-wf-1-21537

Exporter au format XML