Exploring human respiratory information through a design of a wearable e-Health monitoring system

The measurements of human respiration signal caused by the actions of the chest wall respiratory muscles can help predict health crises. As technology matures, there exists a large potential for effective techniques that can develop the capabilities of health care systems in diagnostics and treatment of respiratory disorders. One recent area of interest is applying wearable Micro-Electro-Mechanical Systems (MEMS) to detect small movements of the body that occur during expansion and contraction of the lungs in each respiration cycle. This thesis presents a newly developed experimental system via wearable sensing technology and wireless communication. In this dissertation, we make use of accelerometer sensors to model the interior and posterior movements of the chest wall during breathing function at rest positions. These motions are analyzed in order to explore different respiratory parameters with high accuracy versus the medical references. To do so, first the problems of self-recalibration of multi-sensory systems as well as fault-tolerant multi-sensor data fusion are considered. Next, an accelerometer-based approach is developed to accurately estimate the breathing signal, respiratory timing variables and the phase shift between chest wall compartments, which is used for paradoxical breathing detection. Since it is essential to determine the critical events caused by sudden rise or fall in per breath tidal volume of the people, a technique is provided to automatically find accurate threshold values according to each individual's breath characteristics. Moreover, we integrate the use of inertial sensors with machine learning techniques to model a wide range of human respiratory patterns for the goal of cloud-based recognition of respiratory problems. Novel approaches are discussed for extracting information-rich features from the respiration signal to improve the performance of the classifiers. Furthermore, a hierarchical tree model is proposed based on multiobjective Evolutionary Algorithm (EA) to optimize two performance metrics of classification, simultaneously. Finally, an innovative biofeedback mechanism is introduced based on Dynamic Time Warping with a fast segmentation method to provide a real-time quantitative feedback during breathing therapy. So that, the proposed platform potentially lifts the people's motivation up towards treatment while precisely tracks their practice quality improvement at low cost.La prédiction de crises respiratoires chez les patients peut être facilitée ou assistée par des mesures du mouvement des muscles respiratoires de la paroi thoracique. Avec les avancées technologiques, plusieurs nouvelles techniques de détection et d'analyse de signaux s'avèrent efficaces et offrent un bon potentiel d'aide au diagnostic des désordres respiratoires et au suivi de leur traitement. Une avenue intéressante est l'utilisation de microsystèmes électromécaniques (MEMS) non intrusifs et facilement portables par le sujet, qui permettent de détecter les mouvements d'expansion et de contraction de la cage thoracique et des muscles respiratoires durant chaque cycle respiratoire. Cette thèse présente un nouveau système expérimental basé sur cette nouvelle technologie de détection par MEMS combinée au téléchargement des données à distance par télécommunication sans fil. La recherche utilise des capteurs d'accélération afin de modéliser les mouvements antérieurs et postérieurs de la région thoracique du sujet au repos. Ces signaux sont ensuite traités et analysés afin d'identifier avec haute précision les caractéristiques des paramètres respiratoires par rapport aux conditions médicales de référence. À cette fin la thèse traite d'abord des questions d'auto-calibration des systèmes de détection à canaux multiples ainsi que la fusion des données collectées par de tels systèmes. Par la suite, l'auteure présente son approche basée sur la mesure des accélérations afin de caractériser avec précision le signal respiratoire en termes de variables temporelles et du déphasage entre les compartiments du thorax, dans le but de détecter des conditions respiratoires paradoxales.La détermination des événements respiratoires critiques causés par les fluctuations soudaines du volume respiratoire du sujet étant essentielle, une technique est proposée qui permet d'établir automatiquement les valeurs limites précises associées au profil respiratoire caractéristique de chaque individu testé. De plus, l'auteure a intégré des techniques d'apprentissage machine aux systèmes de détection afin de modéliser une large gamme de profils respiratoires humains. Cette base de données pourrait mener au développement d'un outil de reconnaissance de problèmes respiratoires en ligne associée à la technologie de stockage de données en nuage. La thèse discute d'approches nouvelles pour l'extraction des caractéristiques saillantes du signal respiratoire afin d'améliorer la performance des critères de classification retenus. Pour ce faire, l'auteure propose un modèle hiérarchique en arborescence basé sur l'Algorithme évolutionnaire polyvalent afin d'optimiser simultanément les indicateurs de performance par paire. Enfin, la recherche utilise un système de biofeedback innovant basé sur la distorsion dynamique temporelle du signal par segmentation rapide et qui permet le feedback quantitatif en temps réel en cours de thérapie respiratoire. La plate-forme de détection et monitorage proposée dans cette recherche encourage la motivation des sujets au traitement et suit précisément l'amélioration de leur condition à faible coût