STAGE MATHÉMATIQUES APPLIQUÉES Analyse de données/ Machine Learning pour la mesure d’hydratation de l’organisme.

L’objectif de ce stage est de traiter et transformer les premiers signaux collectés par OSMO sur des patients, afin de valider scientifiquement le concept du prototype développé. Les modèles simples appliqués à des signaux physiologiques portables permettent déjà une estimation rudimentaire du statut hydrique ou de la durée de déshydratation. Des méthodes plus avancées (deep learning, modèles pour séries temporelles, fusion multimodale de signaux, etc.) apparaissent aujourd’hui comme des pistes prometteuses pour permettre de mieux capter les dynamiques physiologiques et améliorer la sensibilité, la robustesse et la portabilité de l’évaluation. L’exploration de ces approches pourrait permettre de dépasser les limites des modèles actuels, pouvant mener à des pistes sérieuses vers un indice concret du statut hydrique. Le/la stagiaire aura pour mission : 1. Préparation et exploitation des données expérimentales • Analyse descriptive des signaux physiologiques issus du prototype (BIOZ multi-fréquence, PPG multi-longueurs d’onde, EDA, température cutanée, environnement). • Mise en place de prétraitements adaptés (ex : filtrage fréquentiel, extraction de composantes physiologiques, alignement temporel, segmentation temporelle, gestion du bruit et des artefacts…). • Définition d’un pipeline d’ingénierie des caractéristiques (ex : statistiques, spectrales, non linéaires, shapelets, autocorrélation, entropies…). • Exploration d’un ensemble de modèles supervisés et auto-supervisés. On se basera sur les travaux [1] afin de tester et comparer sur des données réelles les méthodes de ML (ex : régressions régularisées, random forest, gradient boosting, SVM…). • On explorera éventuellement des approches multimodales (fusion précoce / intermédiaire / tardive) pour la construction d’un indice d’hydratation à partir de variables physiologiques (TBW/ECW/ICW estimées, hémodynamique, thermorégulation). 3. Validation, robustesse et reproductibilité • Mise en place de protocoles expérimentaux reproductibles. • Analyse de sensibilité, de robustesse et généralisation. 4. Contribution scientifique • Rédaction d’un rapport scientifique détaillé. • Préparation de supports pour des communications internes et externes PROFIL RECHERCHÉ Master 2/ école d’ingénieur en IA, data science, mathématiques appliquées, traitement du signal ou équivalent. Compétences attendues : • Python et des librairies populaires : NumPy, Pandas, SciPy, scikit-learn. • Compétences en traitement de séries temporelles, classification/régression. • Connaissances en deep learning (TensorFlow, PyTorch) est un plus. • Rigueur scientifique, autonomie, intérêt pour les données physiologiques et les dispositifs médicaux, goût pour la recherche appliquée. Atouts supplémentaires : • Expérience en traitement de données biomédicales et en exploitation de capteurs portables • Notions en MLOps, IA embarquée ou optimisation embarquée CV et lettre de motivation à : nora.aissiouene@sorbonne-universite.fr Summit-direction@listes.sorbonne-universite.fr contact@osmo-medtech.com Encadrement : SUMMIT et OSMO Rénumération : gratification de stage Forte perspective de recrutement en CDD/CDI à l’issue du stage