Cadres d’analyse des données pour la surveillance et l’évaluation des patients des applications de santé connectés

Aujourd'hui, les maladies sont en train de devenir l'ennemi le plus dangereux pour les humains. Le nombre de patients augmente jour après jour, accompagné de l'émergence de nouveaux types de virus et de maladies. Récemment, le réseau de capteurs corporels sans fil (WBSN) a été considéré comme une technologie efficace pour les applications de surveillance de la santé en temps réel. Il constitue une solution peu coûteuse pour les hôpitaux, soulage le personnel médical et permet aux infirmières et aux médecins de suivre les patients à distance. Cependant, l'énorme quantité de données collectées par les capteurs pose deux défis majeurs au WBSN : l'épuisement rapide de l'énergie disponible des capteurs et la prise de décision complexe par le médecin. Ensuite, ces défis dépendent fortement de l'énorme quantité de données redondantes collectées et transmises dans un tel réseau. Par conséquent, les techniques de réduction et de prédiction des données ont un effet important sur la préservation de l'énergie des capteurs et la prolongation de la durée de vie du réseau. De plus, la plupart des hôpitaux souffrent du manque de personnel qualifié nécessaire pour surveiller en permanence les patients et agir lorsqu'une situation urgente est détectée. Ainsi, la conception d'un ordonnancement infirmier-patient devient indispensable pour organiser et équilibrer la charge de travail du personnel médical. Dans cette thèse, on considère une architecture WBSN constituée d'un ensemble de capteurs, où chaque capteur surveille un signe vital spécifique pendant un certain temps et envoie ensuite les données collectées à un coordinateur qui, à son tour, les transmet au sink. Puis, nous proposons des techniques de réduction, de classification, de gestion des données et d'ordonnancement des infirmières qui visent à surmonter les défis mentionnés. Fondamentalement, les techniques proposées fonctionnent au niveau des capteurs et des sink. Au niveau du capteur, nous proposons une technique de détection d'urgence et de fréquence de détection adaptative qui vise respectivement à réduire les données redondantes collectées et transmises en fonction de la situation du patient. Au niveau du sink, nous proposons des techniques d'analyse et de gestion des données : Premièrement, un cadre basé sur des systèmes distribués pour l'ingestion, le traitement, le stockage, la prédiction et la visualisation, utilisant plusieurs outils hadoop. Où, une technique de prédiction est mise en œuvre sur la base de la méthode Prophet qui prévoit la situation du patient dans le futur afin de lui fournir le traitement nécessaire. Deuxièmement, un modèle de classification des patients qui vise à classer les patients en fonction de leurs signes vitaux par rapport aux archives du patient, en utilisant l'algorithme Dynamic Time Warping. Finalement, une technique efficace d'ordonnancement infirmier-patient qui consiste en deux étapes. Dans un premier temps, nous avons proposé trois mécanismes de distribution qui visent à attribuer à chaque infirmier le groupe de patients qu'il doit suivre. Où, deux mécanismes basés sur le regroupement et un mécanisme basé sur l'hybridation entre l'algorithme génétique et particle swarm optimization. Dans un deuxième temps, un algorithme d'ordonnancement basé sur la priorité du patient est mis en œuvre, qui vise à déterminer l'ordre optimal des patients pour le traitement. Nous avons appliqué notre simulation sur des données réelles de capteurs de santé, tandis que les résultats obtenus montrent sa précision en termes d'extension de la durée de vie du réseau, vitesse de traitement et de stockage, régénération des données manquantes, et confirment que l'approche de planification proposée fournit le meilleur temps organisé possible pour contrôler les patients.Today, diseases and illnesses are becoming the most dangerous enemy to humans. The number of patients is increasing day after day accompanied with the emergence of new types of viruses and diseases. Recently, wireless body sensor network (WBSN) has been considered as an efficient technology for real-time health-monitoring applications. It provides a low cost solution for hospitals, performs a relief for staff and allows nurses and doctors to remotely track patients. However, the huge amount of data collected by sensors produce two major challenges for WBSN: the quickly depletion of the available sensor energy and the complex decision making by the doctor. Subsequently, these challenges are highly depended on the enormous amount of redundant collected and transmitted data in such network. Therefore, data reduction and prediction techniques have an important effect in preserving the sensor energy and prolonging the network lifetime. In addition, most hospitals suffer from the deficiency of qualified staff needed to continuously monitor patients and act when an urgent situation is detected. Thus, designing a nurse-patients scheduling is becoming essential to organise and balance the workload of the medical staff. In this thesis, we consider a WBSN architecture consists of a set of sensors, where each sensor monitors a specific vital sign during a period of time and then sends the collected data to a coordinator which, in turns, forwards them to the sink. Then, we propose data reduction, classification, management and nurse scheduling techniques that aim to overcome the mentioned challenges. Fundamentally, the proposed techniques work on sensor and sink levels. At sensor level, we propose an emergency detection and adaptive sensing frequency techniques that aims respectively to reduce the collected and transmitted redundant data according to the patient situation. At sink level, we propose data analysis and management techniques: First, a framework based on distributed systems for ingestion, processing, storage, prediction and visualisation, using several hadoop tools. Where, a prediction technique is implemented based on Prophet method that predicts the future patient's situation in order to provide the necessary treatment. Second, a patient classification model that aims to classify the patients according to their vital signs compared to the patient archive, using the Dynamic Time Warping algorithm. Finally, an efficient nurse-patients scheduling technique which consist of two steps. In first step, we proposed three distribution mechanisms that aims to allocate for each nurse the group of patients who should follow. Where, two clustering-based mechanisms and one is based on a hybrid of genetic algorithm and particle swarm optimization. In second step, a scheduling algorithms based on the patient's priority is implemented, that aims to determine the optimal order of patients for examination. We applied our simulation on real health sensor data, while the obtained results show its accuracy in terms of extending the network life, processing storage speed, regenerating of missing data, and confirm that the proposed scheduling approach provides the best possible organised time for the nurses routing to patients appointments