Discrimination du membre boiteux chez le cheval par une méthode de machine learning (support vector machine) utilisant les indices d'asymétrie mesurés par le système EQUISYM® / Emma Poizat ; sous la direction de Henry Chateau

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Maladies équines

Maladies équines -- Anatomie

Médecine vétérinaire

Chateau, Henry (19..-....) (Directeur de thèse / thesis advisor)

Audigié, Fabrice (1969-....) (Président du jury de soutenance / praeses)

Coudry, Virginie (1975-....) (Membre du jury / opponent)

Macaire, Claire (1994-....) (Membre du jury / opponent)

Université Paris-Est Créteil Val de Marne (UPEC) (1970-....) (Organisme de soutenance / degree-grantor)

École nationale vétérinaire d'Alfort (1765-....) (Autre partenaire associé à la thèse / thesis associated third party)

Relation : Discrimination du membre boiteux chez le cheval par une méthode de machine learning (support vector machine) utilisant les indices d'asymétrie mesurés par le système EQUISYM® / Emma Poizat ; sous la direction de Henry Chateau / , 2024

Résumé / Abstract : La détection de la boiterie chez les chevaux représente un défi majeur en pratique vétérinaire équine, notamment lorsque les signes cliniques sont légers. Cette étude avait pour objectif de développer un système prédictif utilisant une méthode de machine learning, le Support Vector Machine, pour identifier le membre affecté chez des chevaux trottant en ligne droite. Le système a analysé les données provenant des unités de mesure inertielle (IMU) placées sur la tête, le garrot et la croupe du cheval, en se basant sur des variables telles que le déplacement vertical et les angles de rétraction. Au total, 287 chevaux ont été inclus dans l'étude, dont 256 présentant une boiterie sur un seul membre, et 31 étant classés comme sains. Le modèle a atteint une précision globale de 86%, avec les meilleurs taux de succès dans l'identification des boiteries antérieurs droites et gauches. Cependant, des difficultés ont été rencontrées dans l'identification des chevaux sains, avec un taux de précision de 54,8% et des erreurs de classification entre boiterie antérieurs et postérieurs, qui ont été observées dans certains cas. L'étude a mis en évidence l'importance de certaines variables spécifiques, comme le déplacement vertical de la tête et du garrot, pour une classification précise. Les recherches futures devraient se concentrer sur l'amélioration du modèle, avec l'exploration de méthodes d'apprentissage profond (deep leanring) et la réduction du nombre de capteurs, dans le but d'intégrer ces systèmes dans les équipements équestres pour une détection précoce des troubles locomoteurs.

Résumé / Abstract : Lameness detection in horses is a critical challenge in equine veterinary practice, particularly when symptoms are mild. This study aimed to develop a predictive system using a support vector machine (SVM) to identify the affected limb in horses trotting in a straight line.The system analyzed data from inertial measurement units (IMUs) placed on the horse’s head, withers, and pelvis, using variables such as vertical displacement and retraction angles. A total of 287 horses were included, with 256 showing single-limb lameness and 31 classified as sound. The model achieved an overall accuracy of 86%, with the highest success rates in identifying right and left forelimb lameness. However, there were challenges in identifying sound horses, with a 54.8% accuracy rate, and misclassified between forelimb and hindlimb lameness occurred in some cases.The study highlighted the importance of specific variables, such as vertical head and withers displacement, for accurate classification. Future research should focus on refining the model, exploring deep learning methods, and reducing the number of sensors required, with the goal of integrating these systems into equestrian equipment for early detection of locomotor issues.