Soutenance de thèse - Madame Takoua HAMDI (LIS)

Le Bureau des Études Doctorales a le plaisir de vous informer que

Madame Takoua HAMDI

Doctorante en cotutelle au laboratoire LIS (France) et au laboratoire SIME, ENSIT, Université de Tunis (Tunisie)

sous la direction de

Monsieur Jean-Marc GINOUX, Maitre de Conférences-HDR, Université de Toulon, Directeur de thèse,

et

Monsieur Abderrahmen ZAAFOURI, Maitre de Conférences-HDR, Université de Tunis, Codirecteur de thèse,

soutiendra publiquement sa thèse en vue de l’obtention du

Doctorat Automatique, Signal, Productique, Robotique

Spécialité « Traitement du signal, Génie électrique »

sur le thème suivant :

« Analyse de l’évolution de la glycémie de patients diabétiques insulino-dépendants »

Mercredi 24 avril 2019 à 14h00

à l’École Nationale Supérieure des Ingénieurs de Tunis (Tunisie) - Bâtiment B - Amphi A2

devant un jury composé de :

M. Franck BETIN, Professeur, Université de Picardie Jules Verne, Rapporteur

M. Slim YACOUB, Professeur, INSAT, Université de Carthage, Rapporteur

M. Rached GHARBI, Professeur, ENSIT, Université de Tunis, Examinateur

M. Noureddine ZERHOUNI, Professeur, Université Franche Comté, Besançon, Examinateur

Mme. Roomila NAECK, Attachée de recherche, Clinique Freelance, France, invitée

M. Abderrahmen ZAAFOURI, Maitre de Conférences (HDR), ENSIT, Université de Tunis, Co-directeur de thèse

M. Jean-Marc GINOUX, Maitre de Conférences (HDR), Université de Toulon, Directeur de thèse

Résumés :

L’objectif principal de cette thèse est d’aider le diabète de type 1 (DT1) à contrôler et stabiliser son taux de glycémie. Pour cela, une analyse de l’évolution de la glycémie est nécessaire, ensuite et après l’enregistrement des valeurs de la glycémie à l’aide des CGM, une bonne méthode de prédiction de la glycémie est indispensable pour que le patient puisse ajuster la dose d’insuline injecté sur la base de ces valeurs prédites.

Dans ce cadre, nous avons focalisé dans le premier chapitre une étude sur le principe de la régulation de la glycémie, dont nous avons présenté l’homéostasie glycémique, l’évolution de la glycémie, les organes responsables dans la régulation de la glycémie, et les ensembles des mécanismes pour la régulation de la glycémie. Ainsi, pour mieux comprendre le diabète, nous avons présenté des généralités sur le diabète : histoire du diabète, répartition du diabète dans le monde, les types de diabète et la différence entre eux, les moyens de traitement du diabète de type 1 et les matériels techniques utilisés pour la gestion du diabète.

Dans le deuxième chapitre, nous avons étudié l’évolution de la glycémie, de ce fait nous avons montré que la glycémie a un aspect chaotique. Par conséquent, la glycémie est imprédictible à long terme, dont la limite de prédictibilité est presque égale à 45 minutes.

Le troisième chapitre a été une continuation du travail présenté dans le chapitre précédant. En effet, après la détermination de la limite de prédictibilité, nous étudions les approches de prédiction de la glycémie. En effet, une vaste recherche bibliographique a été lancée sur les tous les méthodes de prédiction de la glycémie dont on a les méthodes mathématiques et les méthodes d’intelligence artificielle. Dans ce travail, deux approches de prédiction de la glycémie ont été proposées. La première approche est une nouvelle ANN adaptative. En effet, en optimisant l’architecture des ANN pour chaque patient. La précision des ANN proposées est discutée sur la base de certains critères statistiques tels que RMSE et MAPE. La moyenne obtenue de RMSE est de 6,43 mg / dL, et la moyenne de MAPE est de 3,87 % pour un Horizon de Prédiction HP = 15 min. En comparant avec les autres modèles techniques établies dans la littérature, la méthode proposée présente plusieurs avantages tels que la précision et l’adaptabilité. Ainsi, les expériences montrent la capacité des ANN proposés pour une meilleure prédiction du niveau de la glycémie.
La deuxième approche est un SVR pondéré basé sur l’algorithme DE, la moyenne obtenue de RMSE était de 9,44 mg / dL pour un HP égal à 15 min. Une comparaison avec les techniques établies dans la littérature montre que la méthode proposée présente de nombreux avantages tels que la précision, l’adaptabilité et la facilité de mise en pratique. Selon les résultats expérimentaux, la combinaison proposée de l’algorithme d’optimisation SVR avec DE présente une meilleure précision de prédiction grâce à son efficacité dans la modélisation de séries de données non linéaires et complexes.

Mots clés :

Glycémie , Chaos, Réseaux des neurones.

Abstract

The main goal of this thesis is to help type 1 diabetes (T1D) control and stabilize blood sugar levels. For this, an analysis of the evolution of the blood glucose is necessary, then and after the recording of the blood glucose values using the CGM, a good method of predicting the glycemia is essential for the patient to adjust the blood sugar. Dose of insulin injected on the basis of these predicted values.

In this context, we focused in the first chapter a study on the principle of the regulation of blood glucose, which we have presented glycemic homeostasis, the evolution of blood glucose, the organs responsible for the regulation of blood glucose, and sets of mechanisms for the regulation of blood glucose. Thus, to better understand diabetes, we presented generalities on diabetes : history of diabetes, distribution of diabetes in the world, types of diabetes and the difference between them, the means of treatment of type 1 diabetes and materials techniques used for the management of diabetes.

In the second chapter, we studied the evolution of blood glucose, so we showed that blood glucose has a chaotic appearance. As a result, blood glucose is unpredictable in the long term, with a predictability limit of almost 45 minutes.

The third chapter was a continuation of the work presented in the preceding chapter. Indeed, after determining the predictability limit, we study the approaches to predict glucose levels. Indeed, a vast bibliographic research has been launched on all the methods of prediction of the glycemia of which one has the mathematical methods and the methods of artificial intelligence. In this work, two approaches to predicting blood glucose have been proposed. The first approach is a new adaptive ANN. Indeed, by optimizing the ANN architecture for each patient. The precision of the proposed ANNs is discussed on the basis of certain statistical criteria such as RMSE and MAPE. The average obtained of RMSE is 6.43 mg / dL, and the average of MAPE is of 3.87% for a Horizon of Prediction HP = 15 min. Comparing with other technical models established in the literature, the proposed method has several advantages such as accuracy and adaptability. Thus, the experiments show the capacity of the proposed ANNs for a better prediction of the level of the glycemia. The second approach is a weighted SVR based on the DE algorithm, the average obtained from RMSE was 9.44 mg / dL for an HP equal to 15 min. A comparison with the techniques established in the literature shows that the proposed method has many advantages such as precision, adaptability and ease of application. Based on the experimental results, the proposed combination of the SVR optimization algorithm with DE has improved prediction accuracy due to its efficiency in modeling nonlinear and complex data sets.

Keywords :
First key, second key, third key