Modélisation spatiotemporelle de la marche pour caractériser les troubles moteurs par apprentissage automatique : du signal vers l'analyse d'image

La marche humaine est une activité motrice complexe, qui se développe progressivement et devient de plus en plus vulnérable au vieillissement et aux pathologies neurologiques telles que l'AVC ou la maladie de Parkinson (MP). Ces troubles entraînent souvent une faiblesse musculaire ou une paralysie, et leur prévalence croissante accentue le besoin d'outils précis d'évaluation de la marche. Bien que l'Analyse Quantifiée de la Marche fournisse des mesures objectives via la capture de mouvement et la cinématique articulaire, la pratique clinique repose encore largement sur des scores observationnels ou des indices quantitatifs simplifiés, souvent insuffisants pour refléter la variabilité et l'asymétrie dynamique de la marche. Cette thèse vise à développer des méthodes quantitatives fines pour évaluer les déviations et les asymétries de la marche en exploitant la structure temporelle complète des séquences cinématiques angulaires. À partir de bases de données cliniques comprenant des sujets sains et des patients atteints de troubles moteurs (post-AVC et MP), nous proposons d'abord une approche basée sur le signal, utilisant l'algorithme K-Medoids et la distance Dynamic Time Warping (DTW), afin de capturer la variabilité du schéma de marche normal et de quantifier les écarts individuels. Pour dépasser les limites des comparaisons scalaires, nous introduisons un cadre d'analyse basé sur l'image via les Dissimilarity Maps (DM). Cela inclut les Deviation Dissimilarity Maps (DDM), pour une analyse riche spatio-temporelle des déviations, ainsi que les Bilateral Dissimilarity Maps (BiDM), pour l'évaluation détaillée de l'asymétrie. Deux nouveaux indices cliniques (EGAI et GAD) sont dérivés de ces cartes à l'aide d'une décomposition en valeurs singulières (SVD). Nous introduisons également les Self-Dissimilarity Maps (SDM), qui encodent la structure interne de chaque cycle de marche. Combinées à des autoencodeurs convolutionnels, elles permettent une évaluation globale robuste des déviations dans un espace d'embedding à haute dimension. Enfin, nous développons un Visual Transformer Autoencoder (ViTAE) qui traite les SDMs sous forme de patchs. Cette méthode fournit une analyse localisée et cliniquement pertinente des déviations, mettant en évidence les instants précis du cycle de marche associés à la pathologie ou à l'effet thérapeutique.