Search

Your search keyword '"Gabin Personeni"' showing total 14 results
Start Over Author "Gabin Personeni"
14 results on '"Gabin Personeni"'

1. Ecological validity of virtual reality simulations in workstation health and safety assessment

Author

Gabin Personeni and Adriana Savescu

Subjects
ergonomics, occupational safety, risk assesment, virtual reality, workstation design, Electronic computers. Computer science, QA75.5-76.95
Abstract

The last decade saw a rapid rise of interest in Virtual Reality (VR) technologies, driven by more mature hardware and software tools. Within the ongoing digitalization of industry, VR technologies see uses in workstation design, operator training and tele-operation. This article focuses on how VR can contribute to workstation design including health and safety assessment. VR allows the inclusion of the operator in the workstation design process, permitting evaluation of the design in a safe, interactive and immersive virtual environment. This systematic literature review aims to qualify the ecological validity of VR tools and identify the current obstacles to safe and successful workstation design transfer. A standard systematic literature review procedure is used, on a wide selection of experimental research articles studying the validity of VR, within or outside of industrial contexts. We aggregate results from fundamental research on VR ecological validity regarding user perceptions, movement, cognition and stress. These results are discussed with respect to their influence on workstation OSH assessment in VR. Furthermore, we identify current technological factors and upcoming developments that mediate the validity of VR assessments.

Published
2023
Full Text
View/download PDF

6. Évaluation en réalité virtuelle du risque de chutes chez les personnes âgées

Author

Gabin Personeni, Fabien CLANCHE, Alexandre Renaux, Fréderic Muhla, Thierry Bastogne, Gerôme Gauchard, Développement, Adaptation et Handicap. Régulations cardio-respiratoires et de la motricité (DevAH), Université de Lorraine (UL), Centre de Recherche en Automatique de Nancy (CRAN), Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL), Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Biology, genetics and statistics (BIGS), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut Élie Cartan de Lorraine (IECL), Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), and Sciencesconf.org, CCSD

Subjects
motricité, [SDV.MHEP.GEG]Life Sciences [q-bio]/Human health and pathology/Geriatry and gerontology, Chute, General Medicine, vieillissement, [SPI.SIGNAL]Engineering Sciences [physics]/Signal and Image processing, [SPI.TRON] Engineering Sciences [physics]/Electronics, [INFO.INFO-GR]Computer Science [cs]/Graphics [cs.GR], [SPI.SIGNAL] Engineering Sciences [physics]/Signal and Image processing, réalité virtuelle, [SPI.TRON]Engineering Sciences [physics]/Electronics
Abstract

National audience; La chute est la première cause d'accident chez les personnes âgées. Chaque année, elle concerne 1 personne sur 4 chez les plus de 65 ans. Le risque de chute est multifactoriel : ses causes peuvent notamment être motrices, attentionnelles ou cognitives. Afin de mieux caractériser, comprendre et prédire ce risque de chute, nous proposons aux praticiens une solution technologique fondée sur la réalité virtuelle, permettant de collecter et d'identifier différents indicateurs du risque de chute. Cette solution, simple d'utilisation, automatise le protocole expérimental et la collecte d'indicateurs, assure la reproductibilité des conditions expérimentales, et immerge le patient dans un environnement réaliste et des situations de la vie courante. Notre outil, compatible avec des dispositifs de réalité virtuelle grand public, utilise un total de 6 capteurs portés par le patient pour permettre une capture cinématique du corps complet, restitué en temps réel au patient sous la forme d'un avatar virtuel. Ces données cinématiques rejouable pour le praticien et permettent d'alimenter un processus d'apprentissage numérique. L'expérimentation place le patient dans 6 situations de test, introduisant progressivement différentes tâches et obstacles afin de tester et de collecter des indicateurs sur ses capacités motrices, attentionnelles et cognitives, permettant des comparaisons interpatient et inter-condition.

Published
2021

7. A data-driven classification solution for the timed-up and go test in risk falling assessment

Author

Levy Batista, Mathieu Milhem, Thierry Bastogne, Fabien CLANCHE, Gabin Personeni, Jean-Philippe Jehl, Gérôme Gauchard, CYBERnano [Villers-lès-Nancy], Biology, genetics and statistics (BIGS), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut Élie Cartan de Lorraine (IECL), Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Centre de Recherche en Automatique de Nancy (CRAN), Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Développement, Adaptation et Handicap. Régulations cardio-respiratoires et de la motricité (DevAH), Université de Lorraine (UL), Institut Jean Lamour (IJL), Institut de Chimie du CNRS (INC)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Research supported by MAIF Foundation., Bastogne, Thierry, Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL), and Université de Lorraine (UL)-Institut de Chimie du CNRS (INC)-Centre National de la Recherche Scientifique (CNRS)

Subjects
[SDV.IB] Life Sciences [q-bio]/Bioengineering, [STAT.ML]Statistics [stat]/Machine Learning [stat.ML], education, [SDV.IB]Life Sciences [q-bio]/Bioengineering, human activities, [SPI.SIGNAL]Engineering Sciences [physics]/Signal and Image processing, [STAT.ML] Statistics [stat]/Machine Learning [stat.ML], [SPI.SIGNAL] Engineering Sciences [physics]/Signal and Image processing
Abstract

Présentation Poster; International audience; This study presents a new version of the TUG test used to diagnose the falling risk in elderly persons. Patients are equipped with wearable inertial sensors and a classification algorithm is implemented to predict the risk. Clinical Relevance-This new test would allow clinicians to improve the diagnostic efficiency of the TUG test while preserving its simplicity of application.

Published
2020

8. Discovering associations between adverse drug events using pattern structures and ontologies

Author

Gabin, Personeni, Emmanuel, Bresso, Marie-Dominique, Devignes, Michel, Dumontier, Malika, Smaïl-Tabbone, and Adrien, Coulet

Subjects
Patient data, Pharmacovigilance, Phenotype, Biological Ontologies, Drug-Related Side Effects and Adverse Reactions, Research, Ontologies, Electronic Health Records, Humans, Pattern structures, Association rules, Adverse drug event, Pattern Recognition, Automated
Abstract

Background Patient data, such as electronic health records or adverse event reporting systems, constitute an essential resource for studying Adverse Drug Events (ADEs). We explore an original approach to identify frequently associated ADEs in subgroups of patients. Results Because ADEs have complex manifestations, we use formal concept analysis and its pattern structures, a mathematical framework that allows generalization using domain knowledge formalized in medical ontologies. Results obtained with three different settings and two different datasets show that this approach is flexible and allows extraction of association rules at various levels of generalization. Conclusions The chosen approach permits an expressive representation of a patient ADEs. Extracted association rules point to distinct ADEs that occur in a same group of patients, and could serve as a basis for a recommandation system. The proposed representation is flexible and can be extended to make use of additional ontologies and various patient records.

Published
2016

9. Discovering ADE associations from EHRs using pattern structures and ontologies

Author

Gabin Personeni, Marie-Dominique Devignes, Michel Dumontier, Malika Smaïl-Tabbone, Adrien Coulet, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Computational Algorithms for Protein Structures and Interactions (CAPSID), Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Complex Systems, Artificial Intelligence & Robotics (LORIA - AIS), Stanford Center for BioMedical Informatics Research (BMIR), Stanford University, Equipe Associée Inria Snowflake, and ANR-15-CE23-0028,PractiKPharma,Confrontation entre connaissances de l'état de l'art et connaissances extraites de dossiers patients en pharmacogénomique(2015)

Subjects
[INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], Ontology, Formal Concept Analysis, Electronic Health Records, [INFO.INFO-BI]Computer Science [cs]/Bioinformatics [q-bio.QM], Pattern Structure, Adverse Drug Event, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

International audience; Patient Electronic Health Records (EHRs) constitute an essential resource for studying Adverse Drug Events (ADEs). We explore an original approach to identify frequently associated ADEs in subgroups of patients. Because ADEs have complex manifestations, we use formal concept analysis and its pattern structures, a mathematical framework that allows generalization, while taking into account domain knowledge formalized in medical ontologies. Results obtained with three different settings show that this approach is flexible and allows extraction of association rules at various levels of generalization.

Published
2016

10. Extraction d'association d'EIM à partir de dossiers patients : expérimentation avec les structures de patrons et les ontologies

Author

Gabin Personeni, Marie-Dominique Devignes, Michel Dumontier, Malika Smaïl-Tabbone, Adrien Coulet, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Computational Algorithms for Protein Structures and Interactions (CAPSID), Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Complex Systems, Artificial Intelligence & Robotics (LORIA - AIS), Stanford Center for BioMedical Informatics Research (BMIR), Stanford University, and ANR-15-CE23-0028,PractiKPharma,Confrontation entre connaissances de l'état de l'art et connaissances extraites de dossiers patients en pharmacogénomique(2015)

Subjects
[INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], [INFO.INFO-BI]Computer Science [cs]/Bioinformatics [q-bio.QM], [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

National audience; Les Dossiers Médicaux Electroniques (DME) constituent une ressource de grand intérêt pour étudier les Evènements Indésirables Médicamenteux (EIM). Nous proposons ici de fouiller les DME pour identifier des EIM fréquemment associés dans des sous-groupes de patients. Les EIM ayant des manifestations complexes, nous utilisons l'analyse formelle de concepts et ses structures de patrons, un cadre mathématique permettant la généralisation, en exploitant les connaissances du domaine médical formalisées dans des ontologies. Les résultats obtenus dans trois expériences montrent que cette approche est flexible et permet d'extraire des règles d'association à divers niveaux de généralisation.

Published
2016

11. ILP for Mining Linked Open Data: a biomedical Case Study

Author

Gabin Personeni, Simon Daget, Céline Bonnet, Philippe Jonveaux, Marie-Dominique Devignes, Malika Smaïl-Tabbone, Adrien Coulet, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Service de Génétique [CHRU Nancy], Centre Hospitalier Régional Universitaire de Nancy (CHRU Nancy), Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), and Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)

Subjects
Induced Logic Programming, Data Integration, [INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], Bioinformatics, Genetic disease, Linked Open Data
Abstract

International audience; This paper is a summary of a recent work accepted (as a long paper) for publication in the tenth international conference on Data Integration in Life Sciences (DILS 2014) [1]. We briefly describe in the last section ongoing work for improving the rule-based prediction process. Increasing amounts of biomedical data provided as Linked Open Data (LOD) offer novel opportunities for knowledge discovery. LOD are represented in a standard format, partially integrated, and offer connections with domain knowledge available in semantic web ontologies. Relational data mining methods such as ILP are good candidates to consider together LOD and domain knowledge awareness. We propose in this paper an approach for collecting and mining LOD, using ILP, with the goal of characterizing and predicting genes responsible for a disease. An integration step enables to select and link together relevant pieces of LOD. It results from this integration a graph that is subsequently mined us-ing ILP. For this real-world use case, we design ILP experiments on two subsets of relational descriptors of genes responsible for intellectual dis-ability. We evaluate ILP results and assess the contribution of domain knowledge. Our ongoing efforts explore how the combination of rules coming from distinct theories can improve the prediction accuracy.

Published
2014

12. Mining Linked Open Data: a Case Study with Genes Responsible for Intellectual Disability

Author

Malika Smaïl-Tabbone, Adrien Coulet, Marie-Dominique Devignes, Céline Bonnet, Gabin Personeni, Philippe Jonveaux, Simon Daget, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL), Service de Génétique [CHRU Nancy], Centre Hospitalier Régional Universitaire de Nancy (CHRU Nancy), Helena Galhardas, Erhard Rahm, Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), and Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)

Subjects
Induced Logic Programming, Computer science, Genetic disease, 02 engineering and technology, computer.software_genre, 03 medical and health sciences, Knowledge extraction, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], 0202 electrical engineering, electronic engineering, information engineering, SPARQL, [INFO]Computer Science [cs], Semantic Web, 030304 developmental biology, 0303 health sciences, [INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], Linked data, computer.file_format, Inductive logic programming, Domain knowledge, Graph (abstract data type), 020201 artificial intelligence & image processing, Data integration, Data mining, computer, Linked Open Data
Abstract

Linked Open Data (LOD) constitute a unique dataset that is in a standard format, partially integrated, and facilitates connections with domain knowledge represented within semantic web ontologies. Increasing amounts of biomedical data provided as LOD consequently offer novel opportunities for knowledge discovery in biomedicine. However, most data mining methods are neither adapted to LOD format, nor adapted to consider domain knowledge. We propose in this paper an approach for selecting, integrating, and mining LOD with the goal of discovering genes responsible for a disease. The selection step relies on a set of choices made by a domain expert to isolate relevant pieces of LOD. Because these pieces are potentially not linked, an integration step is required to connect unlinked pieces. The resulting graph is subsequently mined using Inductive Logic Programming (ILP) that presents two main advantages. First, the input format compliant with ILP is close to the format of LOD. Second, domain knowledge can be added to this input and considered by ILP. We have implemented and applied this approach to the characterization of genes responsible for intellectual disability. On the basis of this real-world use case, we present an evaluation of our mining approach and discuss its advantages and drawbacks for the mining of biomedical LOD.

Published
2014
Full Text
View/download PDF

13. Découverte d'associations entre Evénements Indésirables Médicamenteux par les structures de patrons et les ontologies

Author

Gabin Personeni, Emmanuel Bresso, Marie-Dominique Devignes, Michel Dumontier, Malika Smaïl-Tabbone, Adrien Coulet, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Stanford Center for BioMedical Informatics Research (BMIR), Stanford University, Maastricht University [Maastricht], Inria@SiliconValley, Snowball Inria Associate Team, Snowflake Inria Associate Team, ANR-15-CE23-0028,PractiKPharma,Confrontation entre connaissances de l'état de l'art et connaissances extraites de dossiers patients en pharmacogénomique(2015), Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), and Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)

Subjects
Evénements Indésirables Médicamenteux, [INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], Structures de Patrons, Ontologies, Analyse Formelle de Concepts, [SDV.BIBS]Life Sciences [q-bio]/Quantitative Methods [q-bio.QM]
Abstract

National audience; On présente dans cet article une méthode d'extraction d'associations entre événements indé-sirables médicamenteux (EIM) utilisant les structures de patrons. Cette méthode permet une comparaison d'EIM fondée sur des ontologies biomédicales et a déjà été présentée avec une application sur des dossiers médicaux électroniques. Une application sur un autre type de données utilisant d'autres ontologies biomédi-cales est présentée ici, ainsi qu'une comparaison et une évaluation plus détaillée des règles extraites. Cette méthode se révèle flexible puisque pouvant être appliquée à divers jeux de données et ontologies, et capable d'extraire des règles d'associations entre EIM avec une représentation expressive de ces EIM.

Catalog

Books, media, physical & digital resources
See catalog results