Professeure à la HE-Arc Ingénierie depuis 2003

Née en 1968

Habite à Yvonand

Aicha Rizzotti - Kaddouri

Aïcha a obtenu un diplôme HES en télécommunication et un Master à l’université de Joseph Fourier University (Grenoble I) en mathématique et informatique. Elle enseigne au niveau Bachelor et Master (Programmation concurrente, applications mobileset wearables, IHM pour application mobile, applications Java). Elle donne également des cours au sein du Master of Advanced Studies in Rapid Application Development (MAS-RAD) destiné à des ingénieur-e-s non informaticien--ne-s. Elle pratique chaque semaine différents sports d’endurance tels que le spinning, le kick-boxing ou encore le step. Elle est passionnée par la musique arabe antique.
C’est sur le site de St-Imier qu’elle mène des recherches liées à l’IoT (wearables) avec une spécialisation dans le domaine d’acquisition de signaux physiologiques et biologiques et l’analyse de ces signaux. Le but de ses recherches: déceler des liens entre certaines maladies comme le diabète de type 1 et des états émotionnels comme le stress.

Quelles sont les spécificités de votre projet de recherche lié au stress ?

Des études antérieures ont révélé qu'il existe deux signaux principaux qui sont les plus pertinents pour la détection de stress: la variabilité de la fréquence cardiaque (HRV) et la transpiration observée par la réponse galvanique de la peau, par ex. l’activité électrodermale (EDA). Cependant, si auparavant, de telles mesures étaient effectuées en laboratoire, la tendance est maintenant de les effectuer dans des conditions ambulatoires (maison, marche, terrains de sport, etc.) qui ajoutent au signal des perturbations (artefacts) dues aux activités d'un individu. Ces signaux purs ne sont donc pas parfaitement fiables en raison des nombreuses perturbations du signal. Par conséquent, un défi majeur dans leur utilisation pour détecter le stress consiste à séparer les données pertinentes du bruit. Nous voulons valider l’hypothèse que ces paramètres permettent de mesurer objectivement le niveau de stress d’une personne.

Ce projet est mené en partenariat avec la HES Valais et financé par la HES-SO. Nous travaillons principalement avec un bracelet d’une Spin-off du MIT. Ces données sont mises en lien avec le contexte du patient afin de personnaliser le résultat. En effet, généralement, l’activité cardiaque et la transpiration changent en cas d’effort physique ou de stress mental. Le taux de cortisol dans le corps est également pris en compte. Ce dernier est le paramètre objectif, déjà bien étudié, sur lequel les autres paramètres seront calibrés.

Les données récoltées par la montre sont remontées et compilées. Nous utilisons ensuite des programmes informatiques permettant aux ordinateurs d’apprendre par eux-mêmes à partir des données disponibles (Machine Learning), un sous-ensemble de l'intelligence artificielle dans le domaine de l'informatique pour extraire les niveaux de stress pour une personne ainsi que le type de stress physique ou mental. Les données collectées par la montre sont remontées à travers une plateforme médicale.

Quelles sont les prochaines étapes du projet ?

Nous avons reçu l’autorisation du comité d’éthique suisse d’étudier une trentaine de candidats. Ils seront intégrés à une expérience de 50 minutes avec un port de la montre et l’utilisation de notre système complet. Nous leur ferons écouter de la musique relaxante, participer à des jeux stressants, voir des bouts de film ou encore faire une activité physique. Parallèlement aux données relevées par le bracelet, le/la patient-e aura la possibilité d’exprimer ses ressentis et émotions de manière rédigée afin d’annoter ses données. Ensuite, le sujet sera équipé avec la montre pendant sept jours. Pendant cette durée, il recevra également des notifications de son smartphone afin de décrire son état psychique.

Quels sont les buts que vous visez sur le moyen et long terme avec cette recherche ?

Si nous parvenons à valider cette hypothèse, alors il serait possible d’avoir un suivi beaucoup plus fin des athlètes de haut niveau. Pour la société civile en général, l’idée serait d’envoyer des alertes aux gens afin qu’ils prennent conscience de la quantité de pics de stress subis pendant la journée. Nous espérons ainsi que les cas de burnout pourront être diminués grâce au monitoring des phases accrues de stress (entre 2000 et 2010, le nombre de personnes souffrant de stress chronique en Suisse est passé de 26,6% à 34,4 %).

Depuis quelques années, vous vous spécialisez dans le domaine « Quantified Self » médical. Quelle autre recherche menez-vous ?

Sur le même principe que la mesure du stress, nous essayons de savoir s’il existe un lien entre l’activité électrodermale, la variation des battements cardiaques et le taux de glycémie.
Une détection proactive de glycémie avec des algorithmes dans le domaine de l’intelligence artificielle pourrait donc considérablement améliorer le traitement quotidien du diabète par les patients et donnerait également aux unités d’endocrinologie et de diabétologie le moyen de collecter des données pour analyser les évolutions continues des patients en temps réel.

Nous travaillons également sur l’analyse de suivi de sommeil par le biais des signaux cités ci-dessus, notamment pour le suivi des patient-e-s atteints de somnolence.

Toujours dans le domaine de l’IoT, je participe à un projet dont le but est d’optimiser les variations thermiques dans une machine-outil.

‍