Présentation de IMT Atlantique

IMTIMT Atlantique est un établissement d’enseignement supérieur et de recherche issu de la fusion de l’École des Mines de Nantes et de Télécom Bretagne en janvier 2017. La recherche et l’innovation constituent l’une des missions prioritaires de l’École, dans ses domaines d’excellence, à savoir le numérique, l’énergie et l’environnement. Avec plus de 1000 publications par an (dont 400 de rang A), environ 110 chercheurs ou enseignants chercheurs habilités à diriger des recherches et 80 soutenances de thèses par an en moyenne, l’IMT Atlantique se classe parmi les 10 premières écoles d’ingénieur en France au niveau de la recherche.

L’équipe du projet MMT PRECOGS fait partie de Lab-STICC. Le Lab-STICC est le Laboratoire des Sciences et Techniques de l’Information, de la Communication et de la Connaissance.  Il est présent sur les villes de Brest, Quimper, Lorient et Vannes. Le Lab-STICC regroupe des compétences de très haut niveau en communications numériques, traitement du signal, micro-ondes, optoélectronique, matériaux, systèmes embarqués, électronique, informatique, et sciences de la connaissance. Sa recherche est menée dans l’une de ses 6 unités de recherche rattachées aux organismes de recherche nationaux (CNRS, Inserm) dont le Lab-STICC, et est portée en interne par 13 départements d’enseignement et de recherche.

Le projet PRECOGS

Le projet PRECOGS cherche à développer des capacités de reconnaissance multiple des états de l’opérateur. Cette détection en temps réel des états fonctionnels et cognitifs doit s’intégrer dans un contexte aéronautique contraint (l’acquisition des données doit pouvoir se faire sans gêner l’activité des pilotes dans un cockpit par exemple), et devra être assez discriminante pour amener des réponses appropriées en termes d’adaptation du dialogue homme-machine ou de délégation d’autorité. Dans ce projet nous proposons de renforcer par des marqueurs comportementaux et contextuels une architecture fonctionnelle de classification et de détection des états fonctionnels et cognitifs à partir d’indicateurs physiologiques. Nous nous proposons de réaliser cela par l’intégration de nouvelles données d’entrée, avec des capteurs moins invasifs ou dotés d’un meilleur caractère diagnostic et par le renforcement des méthodes de classification par apprentissage supervisé, avec pour objectifs.