
L'analyse de la marche est un levier important dans la compréhension et la prise en charge de certaines pathologies comme la sclérose en plaques. Les données issues du dispositif eGait (développé par l'entreprise nantaise UmanIT avec l'équipe ALEA du LMJL) sont des séries temporelles de quaternions unitaires qui permettent de caractériser la rotation de la hanche d'un individu au cours d'un cycle de marche moyen.
Les objectifs de la thèse sont de proposer de nouveaux algorithmes d’apprentissage statistique adaptés à ces données complexes. Une attention toute particulière sera portée aux méthodes d’apprentissage :
(i) semi supervisées prenant en compte plus deux sources d’informations,
(ii) non supervisées pour des données fonctionnelles,
(iii) supervisées pour classer de nouvelles séries temporelles de quaternions dans des groupes prédéfinis.