Intelligence artificielle pour la conception et l’ajustement des masques respiratoires

Mlika, Eya (2025). Intelligence artificielle pour la conception et l’ajustement des masques respiratoires. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

Contexte : Les masques respiratoires constituent un élément essentiel de protection individuelle contre les contaminants atmosphériques, tant dans les milieux médicaux qu’industriels. Ce pendant, leur port prolongé peut engendrer un inconfort significatif et provoquer des lésions cutanées. Ces problèmes résultent souvent d’un ajustement inadéquat du masque.

Objectif : Ce mémoire a pour objectif de développer un modèle d’apprentissage automatique capable de prédire la déformation faciale et la distribution des pressions exercées par un masque respiratoire, à partir d’un jeu restreint de données biomécaniques annotées. L’objectif ultime est de favoriser un ajustement personnalisé optimisant à la fois la protection et le confort.

Méthodologie : Une architecture de réseau de neurones en graphes semi-supervisée a été proposée pour représenter la géométrie faciale sous forme de graphes. Le modèle exploite 45 visages étiquetés et 120 non étiquetés, combinant un autoencodeur variationnel et des contraintes inspirées de la théorie du contact hertzien. Un module complémentaire basé sur XGBoost assure la classification des zones de déformation.

Résultats : Notre approche permet d’obtenir une RMSE de déformation de 0,164 mm (R2 = 0, 9896) et une RMSE de pression de 0,0492 kPa (R2 = 0, 9517), soit une amélioration de 34,27 % par rapport à Random Forest, de 20,62 % par rapport à PointNet++ et de 10,01 % par rapport à TPSNET. La validation croisée à cinq volets confirme une généralisation robuste et un temps d’inférence inférieur à 2 secondes.

Conclusion : Cette étude présente un modèle d’ajustement personnalisé en temps réel des masques respiratoires capable de prédire avec précision la déformation faciale et la pression de contact.

Titre traduit

Artificial intelligence for the design and adjustment of respiratory masks

Résumé traduit

Background : Respiratory masks are essential for protection against airborne contaminants in both medical and industrial environments. However, prolonged use often leads to discomfort and pressure sores. This issue, typically caused by poor fit, compromises user comfort, protection efficiency, and compliance with safety guidelines.

Objective : This study aims to predict facial deformation and pressure distribution during mask usage, based on a limited set of annotated biomechanical data, to ensure optimal fit.

Method : We developed a semi-supervised graph neural network that models facial geometries as graph structures. The proposed framework utilizes 45 labeled and 120 unlabeled facial datasets, employing a variational graph autoencoder constrained by Hertzian contact theory. It also integrates an XGBoost-based module for deformation zone classification.

Results : Our approach achieves a deformation RMSE of 0.164 mm (R2 = 0.9896) and a pressure RMSE of 0.0492 kPa (R2 = 0.9517), representing a 34.27% improvement over Random Forest, 20.62% over PointNet++, and 10.01% over TPSNET. Five-fold cross-validation confirms robust generalization with minimal overfitting and inference time under 2 seconds.

Conclusion : This study presents a real-time personalized respiratory mask fitting model capable of accurately predicting facial deformation and contact pressure. The approach demonstrates strong generalization from limited labeled data, enhancing comfort, safety, and compliance in medical and industrial applications.

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 technologie de l'information". Comprend des références bibliographiques (pages 83-91).
Mots-clés libres:	déformation faciale 3D, réseaux de neurones graphiques, ajustement personnalisé des masques, modèle semi-supervisé, autoencodeurs graphiques variationnels
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Duong, Luc
Codirecteur:	Codirecteur Hachem, Bahe
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	04 mars 2026 15:55
Dernière modification:	04 mars 2026 15:55
URI:	https://espace.etsmtl.ca/id/eprint/3810

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt