Analyze-Me - Prédiction des crises pour des autistes non verbales

Les patients atteints d'une forme non verbale d'autisme n'ont pas la capacité de communiquer avec les autres et risquent de développer des comportements difficiles (auto-agressivité, hétéro-agressivité, cris, destruction, instabilité motrice). Certains comportements, en particulier l'automutilation, peuvent être dangereux non seulement pour le patient mais aussi pour ses aidants. Lorsque les crises surviennent, leur anticipation est fondamentale afin d'agir préventivement et de manière adaptée sur les conditions environnementales et ainsi atténuer leurs conséquences.  Dans ce contexte, sachant que la communication verbale est très limitée, voire impossible dans certains cas, il est difficile de comprendre les raisons d'une telle crise. En particulier, il est difficile de déterminer si elles constituent un mode alternatif d'expression des besoins de la personne ou si elles reflètent un état de conscience ou une expérience somatique, un stress ou une douleur.

Présence de facteurs de stress/stimulations, sensoriels ou émotionnels nocifs, active une réponse via le système nerveux sympathique (SNS). Chez les sujets sains, cela peut entraîner des effets physiques mesurables tels qu’une augmentation du rythme cardiaque et de la transpiration. Le système nerveux parasympathique (SNP) travaille de concert avec le SNS pour activer la réponse « repos et digestion » et ramener le corps à l'homéostasie après une activation.

Notre projet vise à développer un outil logiciel pour la détection et la visualisation de l'activation du SNS connu pour être en corrélation avec une douleur aiguë et/ou un stress en analysant les signaux physiologiques collectés avec le bracelet portable Empatica E4, fournissant des mesures telles que l'activité électrodermique (EDA), représentée par variations de conductivité cutanée dues à la transpiration, au pouls volumique sanguin (BVP), à la température et à l'accélération 3D (ACC). Cet outil effectuera l'extraction des caractéristiques des signaux et les fournira en entrée à l'algorithme de Deep Learning (DL) affiné pour détecter et classer la douleur/le stress et donc les comportements difficiles des patients autistes non verbaux.