L’apprentissage profond pour l’amélioration de performance de capteurs
Achetée sur Gettyimages. Droits d’auteur.
Dans les années à venir, l'intelligence artificielle va transformer la pratique de la médecine dans la plupart de ses spécialités. L'apprentissage profond peut contribuer à une meilleure détection des problèmes, tout en réduisant les erreurs de diagnostic. En effet, ces algorithmes permettent de modéliser et d’identifier les tendances d’un ensemble de données. En alimentant un réseau neuronal profond avec les données d'une matrice de capteurs à faible coût et à faible précision, il devient possible d'améliorer considérablement la précision et l'exactitude des mesures. Ainsi, cette approche offre une nouvelle façon d’obtenir des ensembles de données nettement meilleurs provenant de capteurs accessibles, à faible coût. Mots clés : Intelligence artificielle, apprentissage profond, capteurs de température, matrice de capteurs, amélioration de performance
Qu’est-ce que l’apprentissage profond?
L’apprentissage profond, plus communément appelé deep learning, est une branche de l’apprentissage automatisé. C’est une méthode d’apprentissage intelligent qui utilise un réseau neuronal comme algorithme pour faire des liens entre les données qu’on lui fournit. L’adjectif profond fait référence à la complexité et la profondeur de ces réseaux, ceux-ci étant composés de plusieurs couches. Ce type d’algorithme est utilisé dans plusieurs applications de l’intelligence artificielle, comme la reconnaissance vocale ou la suggestion de contenu. Ces réseaux réussissent à cerner les motifs et les tendances dans les ensembles de données, ce qui leur permet ensuite de faire des prédictions et des suggestions à partir de nouvelles données similaires. Ainsi, comme exemple simple, un algorithme peut parvenir à différencier un chat d’un chien sur une image. Dans ce cas-ci, il aurait appris qu’un chat a habituellement des oreilles pointues triangulaires, entre autres.
L’apport de l’intelligence artificielle aux capteurs
Figure 1 : Schéma de la matrice de capteurs sur la plaque chauffante.
Des technologies émergentes permettent d’améliorer la fabrication de capteurs. Cependant, l’intelligence artificielle peut également venir en améliorer les performances. Dans le cadre de notre projet, nous avons utilisé une matrice de 32 capteurs commerciaux de température, à faible coût. Les données ont été enregistrées à partir d’une plaque chauffante sur un intervalle de température entre 30 et 45 ⁰C, comme illustré à la figure 1. L’utilisation d’une matrice permet de faire une collecte de données en largeur et en hauteur, plutôt qu’en un seul point. En effet, en ne se fiant pas aux lectures d’un seul capteur, on peut diminuer les biais causés par les défauts de fabrication possibles dans les données. Déjà, cela permet d’obtenir une meilleure précision. Cependant, avec l’IA, c’est encore mieux : le réseau neuronal parvient à évaluer l’erreur de chaque capteur séparément. Il réussit à apprendre le comportement des capteurs selon la température et ainsi, offrir une meilleure prédiction qu’une moyenne.
Augmentation de la précision des capteurs de température
Avec nos 32 capteurs de température, ayant tous une précision entre 0,5 – 2,0 ⁰C, nous avons collecté 800 vecteurs de données. Chaque vecteur contient 32 lectures individuelles des capteurs et est ensuite étiqueté par la température donnée de la plaque chauffante. Ces vecteurs ont servi à entraîner notre modèle d’apprentissage profond (80 % des données) et à en tester la performance (20 % des données). Pour chaque étiquette de température de la plaque chauffante, l’algorithme étudie les 32 lectures des capteurs afin de mieux comprendre leur comportement; au bout d’un moment, le modèle peut prédire la température définie de la plaque chauffante à partir des capteurs. Ce sont ces prédictions qui sont testées avec les 160 vecteurs réservés pour la vérification de la performance, l’algorithme ne connaissant seulement que les données à partir desquelles il a été entraîné.
Figure 2 : Températures lues par les 32 capteurs (*), leur valeur moyenne (*) ainsi que les prédictions du modèle (*) en fonction de la température définie sur la plaque chauffante. La ligne pointillée bleue indique la température cible.
La figure 2 démontre les résultats obtenus par notre modèle. Les points rouges représentent les températures enregistrées par les capteurs. Dans un monde parfait, il n’y aurait que la ligne pointillée bleue : les capteurs mesureraient exactement la température définie. Par contre, c’est loin d’être la réalité. Comme illustré, les températures mesurées divergent fortement, encore plus lorsque la température s’élève. En effet, la température moyenne des capteurs, en vert, perd également de l’exactitude. Cependant, on remarque que les prédictions faites par notre modèle, en bleu, gardent toujours une précision exceptionnelle, même lorsque la performance des capteurs diminue. De cette manière, on réussit à transformer des capteurs à faible coût et faible précision en une matrice précise au dixième de degré près.
Perspectives d’application
Figure 3 : Représentation de la transposition de notre modèle sur le corps humain
À la suite de ces résultats, nous cherchons maintenant à utiliser cette technologie avec des capteurs imprimés. Nous sommes présentement en train de concevoir une structure de matrice de capteurs imprimable que nous testerons avec différents types d’encre. Par la suite, il y a plusieurs applications concrètes que nous souhaitons explorer. Faisons le comparatif avec notre matrice de capteurs sur la plaque chauffante : nous pourrions transposer cette matrice sur le corps de patients. Ainsi, les capteurs ne prédiraient pas la température de la plaque, mais plutôt la température du corps humain. De cette manière, il serait possible de vérifier et de suivre l’évolution de la température continuellement, plutôt que quelques fois par jour. Cela permettrait une meilleure évaluation du rétablissement, en particulier pour les brûlures, ou la température donne un bon indicateur de la régénération de la peau. Les capteurs permettraient également de détecter rapidement les premiers signes d’infection de plaies.
