Microsystèmes de capteurs utilisant l’intelligence artificielle embarquée pour le domaine médical

Perrotton, Alexandre (2025). Microsystèmes de capteurs utilisant l’intelligence artificielle embarquée pour le domaine médical. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

Le TinyML est un domaine émergent visant à développer des modèles d’apprentissage automatique compacts et économes en puissance de calcul et en énergie, adaptés aux dispositifs embarqués. Alors que les modèles de grande envergure requièrent d’importantes ressources de calcul et engendrent une empreinte environnementale non négligeable, le TinyML propose des solutions locales, rapides et sécurisées, ouvrant la voie à des applications innovantes dans des domaines tels que la santé et le suivi sportif.

Dans ce mémoire, je présente le développement d’un système innovant intégrant une matrice de capteurs imprimés appliquée sur un masque KN95, destiné à suivre en temps réel l’évolution de l’humidité relative à sa surface et, par extension, à analyser les schémas respiratoires des porteurs. Une encre sensible à l’humidité à base de ferrite de bismuth (BiFeO3) a été imprimée par sérigraphie sur un circuit en argent, lequel a ensuite été cousu sur le masque et connecté à un système d’acquisition de données (Keithley DAQ6510).

Une série d’expérimentations, comprenant plusieurs cycles de respiration normale et profonde, a permis de constituer un jeu de données. Ces données ont été prétraitées et classifiées de manière non supervisée à l’aide de l’algorithme de clustering HDBSCAN, permettant d’identifier trois classes distinctes : respiration normale, respiration profonde et respiration irrégulière. La détection de passages en respiration irrégulière chez certains participants a ensuite été validée par un réseau de neurones, lequel a atteint une précision de 99.4% sur les données de test. Enfin, le modèle a été converti de TensorFlow vers TVM pour optimiser ses performances et assurer sa compatibilité avec une Arduino Nano 33 BLE, aboutissant à un temps d’inférence inférieur à 1ms.

Les résultats obtenus démontrent la faisabilité d’une solution TinyML fiable et autonome pour le suivi des schémas respiratoires en environnement embarqué.

Titre traduit

Microsystems of sensors using embedded artificial intelligence for the medical application

Résumé traduit

TinyML is an emerging field dedicated to the development of compact, computationally and energy-efficient machine learning models suitable for embedded devices. While large-scale models require extensive computational resources and incur a significant environmental footprint, TinyML offers local, fast, and secure solutions, paving the way for innovative applications in areas such as healthcare and sports monitoring.

In this thesis, I present the development of an innovative system that integrates a printed sensor matrix directly onto a KN95 mask, designed to monitor in real time the evolution of humidity on its surface and, by extension, to analyze the breathing patterns of its wearers. A humidity-sensitive ink based on bismuth ferrite (BiFeO3) was screen-printed onto a silver circuit, which was then sewn onto the mask and connected to a data acquisition system (Keithley DAQ6510).

A series of experiments, comprising several cycles of normal and deep breathing, allowed us to build a dataset. These data were preprocessed and classified using an unsupervised approach with the HDBSCAN clustering algorithm, which enabled the identification of three distinct classes : normal breathing, deep breathing, and irregular breathing. The detection of irregular breathing episodes in certain participants was subsequently validated using a neural network, achieving an accuracy of 99.4% on the test data. Finally, the model was converted from TensorFlow to TVM to optimize its performance and ensure compatibility with an Arduino Nano 33 BLE, resulting in an inference time of less than 1 ms.

The obtained results demonstrate the feasibility of a reliable and autonomous TinyML solution for monitoring breathing patterns in an embedded environment.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie électrique". Comprend des références bibliographiques (pages 87-99).
Mots-clés libres:	apprentissage machine, TinyML, masque KN95, électronique imprimable, arduino nano 33 BLE, capteur d’humidité, capteur imprimé
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Cloutier, Sylvain G.
Codirecteur:	Codirecteur Vaussenat, Fabrice
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	02 juin 2025 18:22
Dernière modification:	02 juin 2025 18:22
URI:	https://espace.etsmtl.ca/id/eprint/3630

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt