Qui sont-ils ?
Chez Withings, les équipes ont à cœur de mettre en lumière le chemin d’un avenir plus sain, et d’accompagner les individus dans cette voie, pas à pas. Withings crée des appareils connectés qui permettent d'intégrer l’amélioration de la santé dans la vie quotidienne. Leur gamme multi-récompensée et validée cliniquement, utilisée par des millions de personnes dans le monde, comprend des balances connectées, des montres hybrides, des tensiomètres, des analyseurs de sommeil et bien plus encore. Withings souhaite mettre à disposition de tous·tes des technologies médicales de pointe, permettant d’obtenir les informations simples dont chacun·e a besoin pour améliorer sa santé.
Chez Withings, nous développons des appareils de santé connectée : nos balances connectées, montres hybrides, tensiomètres, moniteurs de sommeil et tous les dispositifs de notre gamme sont aujourd’hui utilisés par des millions d’utilisateurs. Notre objectif est de permettre la prévention, le dépistage et l’accompagnement d’un certain nombre de maladies chroniques via des produits et des services innovants afin de révolutionner la manière dont on prend soin de notre santé.
Au sein de l’équipe Machine Learning, nous développons des algorithmes pour extraire des informations physiologiques et médicales pour nos utilisateurs tels que le SPO2, la fréquence cardiaque, la détection de diverses pathologies comme la fibrillation atriale, l’apnée du sommeil…
Nous recherchons un ou une stagiaire motivé.e par des sujets de santé avec des compétences en traitement du signal, en machine learning et en deep learning pour nous aider à concevoir les algorithmes de demain.
Dans le cadre de l’amélioration de la santé, la mesure de paramètres vitaux au quotidien tels que le rythme cardiaque permet d’apporter des solutions de suivi de santé, de prévention et de dépistage de certaines maladies chroniques. L’électrocardiogramme (ECG) est la technique de référence pour mesurer le rythme cardiaque. A Withings, nous apportons une solution plus confortable avec une mesure du rythme cardiaque au poignet sans intervention de l’utilisateur sur nos montres connectées. Parmi les différentes technologies de mesures du rythme cardiaque existantes, la photopléthysmographie (PPG) est la technologie la plus couramment utilisée dans le domaine des appareils électroniques grand public. Bien que cette fonctionnalité soit très répandue chez les constructeurs de montre connectées, l’intégration d’un algorithme d’estimation du rythme cardiaque est un problème complexe tant par la nature des signaux PPG que par les contraintes hardware d’un appareil embarqué.
Le principal enjeu consiste à atteindre des exigences élevées en termes de précision et de fiabilité de la mesure du rythme cardiaque, pour des activités variées y compris impliquant des mouvements intenses de l’utilisateur. La littérature scientifique présente différentes solutions mais est limitée par le manque de base de données représentatives. Les performances annoncées dans la littérature sont cantonnées à des cas d’usages spécifiques et sont généralement surestimées par rapport à un usage réel et aux attentes de précision des utilisateurs. La principale difficulté dans la mesure du rythme cardiaque continu sur des signaux optiques consiste à atténuer la pollution du signal par le mouvement et à isoler l’information pulsative ([1], [2]). Les solutions de suivi de battement temporel dans le signal optique ne sont pas robustes au mouvement [3]. Les solutions utilisant une analyse spectraledes signaux optiques et d’accélération sont efficaces pour suivre le rythme cardiaque lors de mouvements spécifiques dont le contenu fréquentiel est distinct de la fréquence cardiaque [2]. Les solutions les plus récentes utilisent souvent le deep learning, qui semble être une méthode prometteuse pour ce problème ([5], [6], [7]).
Après une étude approfondie des solutions deep learning de la littérature, le stagiaire devra identifier les méthodes les plus prometteuses et les plus adaptées au cadre d’application de Withings. Le stagiaire sera inséré sur un travail de recherche interne présentant déjà une solution deep learning appliquée aux données de Withings à améliorer. Une première étape consistera à comprendre la solution déjà existante et d’en analyser ses limites en termes de modèles, de méthodologie et de données. La deuxième étape consistera à tester des solutions d’amélioration et de complexification à partir du modèle actuel sur des données de Withings. L’objectif de ce stage est d’évaluer le potentiel des solutions deep learning pour nos montres connectées. En cas de performances encourageantes, le stagiaire pourra être amené à embarquer son modèle deep learning via une implémentation en C afin d’être intégré dans le produit pour un test en interne.
Requirements
- A la recherche d'un stage d'une durée de 6 mois, vous avez des connaissances théoriques en traitement du signal, en analyse spectrale (transformée de fourier) et en méthodes d’apprentissage profond
- Compétences informatiques : programmation en Python, première expérience en framework deep learning (Pytorch ou Tensorflow) appréciée, programmation en C est un bonus
- Intérêt pour les méthodes d’apprentissage profond
- Intérêt pour les applications en santé connectée
- Lecture de l’anglais scientifique et technique
- Capacité rédactionnelle, de rigueur et d’autonomie
- Aptitude pour le travail en équipe et communication
Benefits
Rejoindre l’aventure Withings, c’est :
- Intégrer un des pionniers et leaders mondiaux de la santé connectée, plusieurs fois primé au Consumer Electronic Show
- Contribuer à des projets innovants et ambitieux pour la santé de demain dans un environnement agile et en constante évolution
- Intégrer une entreprise internationale, membre de la FrenchTech 120, dont les équipes sont basées à Issy-les-Moulineaux, Boston, Hong-Kong et Shenzhen
- Participer à l’amélioration continue de nos produits et services en les bêta-testant avant leur sortie, notamment lors de nos nombreuses sessions sportives entre collègues
- Participer à la Withings Med Academy en assistant à des conférences de professionnels de santé afin de renforcer ses connaissances dans le domaine médical
- Collaborer avec des collègues passionnés et célébrer ensemble chacune de nos réussites !
Toutes les candidatures reçues sont étudiées indépendamment de l’origine ethnique, des croyances, de la religion, du genre, de l’orientation sexuelle ou de la santé des candidats. Withings aspire à offrir et garantir l’égalité des chances aux candidats et seules les personnes habilitées (RH et Management) auront accès aux informations concernant votre candidature.
Références
[1] Zhilin Zhang, IEEE Transactions on Biomedical Engineering, “Photoplethysmography-Based Heart Rate Monitoring in Physical Activites via Joint Sparse Spectrum Reconstruction”, 2015.
[2] Hayato Fukushima1, Haruki Kawanaka2, Md. Shoaib Bhuiyan3 and Koji Oguri, “Estimating Heart Rate using Wrist-type Photoplethysmography and Acceleration sensor while running”. 34th Annual International Conference of the IEEE EMBS San Diego, California USA, 28 August - 1 September, 2012
[3] Baek, Hyun Jae, and JaeWook Shin. "Effect of missing inter-beat interval data on heart rate variability analysis using wrist-worn wearables." Journal of Medical Systems 41.10 (2017) : 1-9.
[4] T. Schäck, C. Sledz, M. Muma and A. M. Zoubir, "A new method for heart rate monitoring during physical exercise using photoplethysmographic signals," 2015 23rd European Signal Processing Conference (EUSIPCO), 2015, pp. 2666-2670, doi : 10.1109/EUSIPCO.2015.7362868.
[5] Ray, Daniel; Collins, Tim; Ponnapalli, Prasad (2022), “DeepPulse: An Uncertainty-aware Deep Neural Network for Heart Rate Estimations from Wrist-worn Photoplethysmography” TechRxiv. Preprint. https://doi.org/10.36227/techrxiv.19368140.v2.
[6] Attila Reiss, Ina Indlekofer, Philip Schmidt, and Kristof Van Laerhoven. 2019. “Deep PPG : Large-scale Heart Rate Estimation with Convolutional Neural Networks”. MDPI Sensors, 19(14).
[7] Wilkosz M, Szczęsna “A. Multi-Headed Conv-LSTM Network for Heart Rate Estimation during Daily Living Activities. Sensors (Basel).” 2021 Jul 31;21(15):5212. doi: 10.3390/s21155212. PMID: 34372447; PMCID: PMC8348622.
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.