Résumé : L'évaluation de la marche des patients est un aspect crucial du suivi médical dans la sclérose en plaques (SEP) [1]. Dans cette étude, nous étudions la possibilité de classifier les patients en fonction de deux sources d’information : (i) la rotation de la hanche durant la
marche mesurée par un capteur de mouvement sous forme de série temporelles de quaternions (QTS) et (ii) le score EDSS décrivant la gravité de la pathologie [2].
L’algorithme Quaternion Dynamic Time Warping [3] est utilisé pour mesurer la dissimilarité entre les données de marche représentées par des QTS. Il permet ainsi la généralisation aux QTS de deux méthodes semi-supervisées basée sur la classification ascendante hiérarchique : (i) une méthode par compromis nommée hclustcompro [4], (ii) une méthode par consensus nommée mergeTree [5].
Ces deux méthodes sont comparées en les appliquant aux données de marche de 27 patients atteints de SEP en utilisant leur score EDSS comme information supplémentaire. Nous évaluons leur validité sur la base de critères internes (Inertie intra groupe et indice de Dunn)
ainsi que sur la pertinence clinique de leurs résultats. Les résultats de cette étude montrent la supériorité de la méthode hclustcompro dans ce contexte d’application.

Mots clés: Classicification semi-supervisées, Séries temporelles, Quaternions unitaires, Analyse de la marche, Sclérose En Plaques

Références :
[1] LaRocca NG. Impact of walking impairment in multiple sclerosis. The Patient: Patient-Centered Outcomes Research 2011;4:189–201.
[2] Kurtzke JF. Rating neurologic impairment in multiple sclerosis: an expanded disability status scale (EDSS). Neurology 1983;33:1444–1444.
[3] Jablonski B. Quaternion Dynamic Time Warping. IEEE Transactions on Signal Processing 2012;60:1174–83. https://doi.org/10.1109/TSP.2011.2177832.
[4] Bellanger L., Coulon A., Husi P. (2021) PerioClust: A Simple Hierarchical Agglomerative Clustering Approach Including Constraints. In: Chadjipadelis T., Lausen B., Markos A., Lee T.R., Montanari A., Nugent R. (eds) Data Analysis and Rationality in a Complex World. IFCS 2019. Studies in Classification, Data Analysis, and Knowledge Organization. Springer, Cham. https://doi.org/10.1007/978-3-030-60104-1_1.
[5] Hulot A, Chiquet J, Jaffrézic F, Rigaill G. Fast tree aggregation for consensus hierarchical clustering. BMC Bioinformatics 2020;21:120. https://doi.org/10.1186/s12859-020-3453-6.