Thèse Architectures Physiques de Champs Aléatoires de Markov pour la Mécanosensibilité Distribuée avec des Applications aux Systèmes Biomédicaux Portables H/F - 75

Établissement : Institut Polytechnique de Paris École polytechnique
École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris
Laboratoire de recherche : LPICM - Laboratoire des Interfaces et des Couches Minces
Direction de la thèse : Laurie CALVET ORCID 0000000199461971
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-01T23:59:59

Cette thèse s'inscrit dans le domaine des systèmes biomédicaux portables et de la bio-ingénierie, et vise le développement d'architectures physiques d'inférence probabiliste pour l'interprétation de signaux de mécanosensibilité distribuée. Les dispositifs portables de suivi et d'interaction avec le corps humain reposent de plus en plus sur des réseaux de capteurs mécaniques capables de mesurer des mouvements, des vibrations ou des micro-déformations d'origine physiologique. Ces signaux sont intrinsèquement bruités, variables d'un individu à l'autre et fortement corrélés spatialement, ce qui rend leur interprétation robuste particulièrement difficile avec des approches classiques centralisées.

L'approche proposée repose sur les champs aléatoires de Markov (Markov Random Fields, MRF), qui permettent de modéliser explicitement les dépendances spatiales et temporelles entre capteurs et d'inférer de manière probabiliste des états latents associés à l'activité mécanique du corps. Afin de répondre aux contraintes spécifiques des dispositifs portables, faible consommation énergétique, autonomie, latence réduite, cette thèse explore des paradigmes de calcul probabiliste physique et embarqué, dans lesquels l'inférence est réalisée directement au plus près du capteur.

Les travaux combineront la conception de systèmes de mécanosensibilité distribuée, notamment à base de capteurs piézoélectriques conformables, la modélisation probabiliste par MRF et l'implémentation embarquée de mécanismes d'inférence approchée. Les architectures développées seront validées sur des démonstrateurs représentatifs de systèmes biomédicaux portables, dédiés à la mesure et à l'interprétation de signaux mécaniques physiologiques dans un cadre non clinique.

Cette thèse vise ainsi à contribuer au développement de nouvelles générations de dispositifs portables intelligents pour la santé et le bien-être, en proposant des architectures d'intelligence artificielle physique capables d'interpréter de manière robuste et économe en énergie des signaux biomécaniques complexes.

(French below)
Distributed mechanosensing systems play a central role in a wide range of domains, from robotics and smart structures to wearable biomedical systems. In such systems, networks of mechanical sensors acquire complex spatiotemporal signals, including vibrations, micro-deformations, and transient mechanical events. These signals are inherently noisy, heterogeneous, and strongly spatially correlated, particularly when measured on soft or biological substrates. The robust interpretation of this data therefore represents a major scientific and technological challenge.
Conventional approaches typically rely on centralized acquisition of raw signals followed by intensive, deterministic digital processing. Such architectures suffer from high energy consumption, limited robustness to uncertainty and an inability to efficiently exploit spatial correlations between sensors. These limitations are especially critical in embedded and wearable contexts, where constraints on power, latency, and data throughput are severe.
In wearable biomedical systems, these challenges are further exacerbated by the nature of biological mechanical signals. Physiological motion generates diffuse, non-stationary mechanical responses that depend strongly on individual morphology, sensor placement, and tissue properties. Reliable interpretation of such signals cannot therefore rely solely on local thresholds or simplified deterministic models, but instead requires an explicit treatment of uncertainty and spatial dependencies.
Markov Random Fields (MRFs) provide a theoretical framework that is particularly well suited to modeling such systems. By representing each sensor or region as a random variable and encoding local mechanical interactions through neighborhood dependencies, MRFs define joint probability distributions over the global system state. This formulation enables robust inference of latent states from partial and noisy observations by systematically exploiting spatial and temporal correlations.
Despite their conceptual relevance, MRFs are most often implemented in software and executed on centralized digital architectures. In contrast, this thesis explores physical and embedded probabilistic computing paradigms, in which MRF inference is partially or fully realized at the sensor or hardware level, enabling energy-efficient and scalable inference. Their translation into physical, embedded architectures capable of performing probabilistic inference directly at the sensor level remains largely unexplored. In particular, the co-design of distributed mechanical sensors, readout electronics, and embedded probabilistic inference mechanisms raises fundamental questions related to modeling, approximate inference, energy efficiency, and robustness.
The central problem addressed in this thesis is therefore the following: how can physical Markov Random Field architectures be designed and implemented to enable distributed, energy-efficient probabilistic inference from noisy and spatially correlated mechanosensing signals, with particular application to wearable biomedical systems?
To address this problem, the thesis will develop an integrated approach combining distributed mechanosensors (notably piezoelectric sensors), probabilistic modeling using Markov Random Fields, and embedded implementations of inference mechanisms. The proposed architectures will be validated on representative demonstrators, including both instrumented mechanical systems and wearable mechanosensing platforms, in order to demonstrate the generality and transferability of the approach.

Les systèmes de mécanosensibilité distribuée jouent un rôle central dans de nombreux domaines allant de la robotique et des structures intelligentes aux dispositifs biomédicaux portables. Dans ces systèmes, des réseaux de capteurs mécaniques mesurent des signaux spatio-temporels complexes tels que vibrations, micro-déformations ou impacts transitoires. Ces signaux sont intrinsèquement bruités, hétérogènes et fortement corrélés spatialement, en particulier lorsqu'ils sont acquis sur des substrats souples ou biologiques. L'interprétation robuste de ces données constitue aujourd'hui un verrou scientifique et technologique majeur.
Les approches classiques reposent généralement sur une acquisition centralisée de signaux bruts, suivie d'un traitement numérique intensif et déterministe. Ces architectures présentent plusieurs limitations : une consommation énergétique élevée, une faible robustesse aux incertitudes et aux défauts locaux, ainsi qu'une difficulté à exploiter efficacement les corrélations spatiales entre capteurs. Ces limites sont particulièrement critiques dans le contexte des systèmes embarqués et portables, où les contraintes de puissance, de latence et de volume de données sont fortes.
Dans le domaine des dispositifs biomédicaux portables, ces défis sont exacerbés par la nature même des signaux mécaniques biologiques. Les mouvements physiologiques génèrent des réponses mécaniques diffuses, non stationnaires et dépendantes du contexte (morphologie individuelle, conditions d'adhésion, variabilité des tissus). Une interprétation fiable de ces signaux ne peut donc reposer uniquement sur des seuils locaux ou des modèles déterministes simplifiés, mais nécessite une prise en compte explicite de l'incertitude et des dépendances spatiales.
Les champs aléatoires de Markov (Markov Random Fields, MRF) offrent un cadre théorique particulièrement adapté pour modéliser ce type de systèmes. En représentant chaque capteur ou région comme une variable aléatoire et en encodant les interactions mécaniques locales sous forme de dépendances de voisinage, les MRF permettent de décrire des distributions de probabilité conjointes sur l'état global du système. Ce formalisme autorise une inférence robuste d'états latents à partir de mesures partielles et bruitées, en exploitant de manière systématique les corrélations spatiales et temporelles.
Cependant, l'utilisation des MRF reste aujourd'hui majoritairement confinée à des implémentations logicielles exécutées sur des architectures numériques centralisées. Cette thèse explore au contraire des paradigmes de calcul probabiliste physique et embarqué, dans lesquels l'inférence MRF est réalisée directement au niveau du capteur ou de l'architecture matérielle, afin de réduire la complexité computationnelle et la consommation énergétique. Leur transposition vers des architectures physiques et embarquées, capables de réaliser une inférence probabiliste au plus près du capteur, demeure largement inexplorée. En particulier, la co-conception de capteurs mécaniques distribués, d'électronique de lecture et de mécanismes d'inférence probabiliste intégrés pose des questions fondamentales en termes de modélisation, d'approximation de l'inférence, de consommation énergétique et de robustesse.
La problématique centrale de cette thèse est donc la suivante : comment concevoir et implémenter des architectures physiques de champs aléatoires de Markov permettant une inférence probabiliste distribuée et économe en énergie à partir de signaux de mécanosensibilité bruités et spatialement corrélés, avec une application particulière aux systèmes biomédicaux portables ?

Pour répondre à cette problématique, la thèse s'attachera à développer une approche intégrée combinant mécanosenseurs distribués (notamment piézoélectriques), modélisation probabiliste par MRF et implémentation embarquée de mécanismes d'inférence. Les architectures proposées seront validées sur des démonstrateurs représentatifs, incluant à la fois des systèmes mécaniques instrumentés et des dispositifs de mécanosensibilité portable, afin de démontrer le caractère générique et transférable de l'approche.

(French below)
The overall objective of this thesis is to design and investigate physical Markov Random Field (MRF) architectures enabling distributed, robust, and energy-efficient probabilistic inference from noisy and spatially correlated spatiotemporal mechanosensing signals, with particular application to wearable biomedical systems.

L'objectif général de cette thèse est de concevoir et d'étudier des architectures physiques de champs aléatoires de Markov (MRF) permettant une inférence probabiliste distribuée, robuste et économe en énergie à partir de signaux de mécanosensibilité spatio-temporels bruités et corrélés, avec une application particulière aux systèmes biomédicaux portables.

(French below)
1.Explore physical probabilistic computing paradigms (analog, event-driven, or hybrid) for the hardware implementation of MRF inference mechanisms.
2.Develop a probabilistic modeling framework based on Markov Random Fields for distributed mechanosensing, explicitly accounting for spatial and temporal correlations arising from mechanical propagation in soft or biological substrates.
3.Design physical and embedded architectures for the local or distributed implementation of MRF inference mechanisms, exploring approximate inference strategies compatible with constraints on power consumption, latency, and hardware resources.
4.Integrate distributed mechanical sensors, in particular piezoelectric sensors, with readout electronics and probabilistic inference blocks to realize complete and functional mechanosensing systems.
5.Assess the robustness and energy efficiency of the proposed architectures in comparison with conventional centralized approaches, especially in the presence of noise, missing data, or local sensor failures.
6.Validate the approach on representative demonstrators, including both instrumented mechanical systems and wearable mechanosensing platforms, in order to demonstrate the generality and transferability of the proposed architectures to non-clinical biomedical applications.

1.Explorer des paradigmes de calcul probabiliste physique (analogique, événementiel ou hybride) pour l'implémentation matérielle de mécanismes d'inférence MRF.
2.Développer un cadre de modélisation probabiliste basé sur les champs aléatoires de Markov pour la représentation de signaux de mécanosensibilité distribuée, en tenant compte des corrélations spatiales et temporelles induites par la propagation mécanique dans des structures souples ou biologiques.
3.Concevoir des architectures physiques et embarquées permettant l'implémentation locale ou distribuée de mécanismes d'inférence MRF, en explorant des approches d'inférence approchée adaptées aux contraintes de puissance, de latence et de ressources matérielles.
4.Intégrer des capteurs mécaniques distribués, en particulier des capteurs piézoélectriques, avec l'électronique de lecture et les blocs d'inférence probabiliste, afin de réaliser des systèmes de mécanosensibilité complets et fonctionnels.
5.Évaluer la robustesse et l'efficacité énergétique des architectures proposées par rapport à des approches classiques centralisées, notamment en présence de bruit, de données manquantes ou de défauts locaux de capteurs.
6.Valider l'approche sur des démonstrateurs représentatifs, incluant à la fois des systèmes mécaniques instrumentés et des dispositifs de mécanosensibilité portable, afin de démontrer la généricité et la transférabilité des architectures développées vers des applications biomédicales non cliniques.