Compétences de l'équipe
Sciences des données
- Analyse intelligente de données
- Intelligence artificielle
- Data mining
- Visualisation de données
Gestion de la santé
- Plateformes de gestion administrative de traitements
- Plateformes de récolte et d'analyse de données médicales
Santé connectée
- Applications mobiles
- Plateformes web
- mHealth / eHealth
Imagerie médicale & traitement du signal
- Analyse de biosignaux
- Analyse d'images médicales
Membres de l'équipe
Prof. Dr Laura Elena Raileanu
Professeure ordinaire
Coordinatrice du groupe transversal HEE
Laura Elena Raileanu est professeur ordinaire à l'HEIG-VD. Elle possède une solide expérience dans la gestion de projets informatiques liés à la santé et une expertise scientifique en matière d'algorithmique, d'analyse intelligente de données, de data mining et d'intelligence artificielle.
Fabien Dutoit
Chargé de Ra&D & Chargé de cours
Gestion des projets du groupe
Développement d'applications mobiles et web
- mHealth / eHealth
- Développement natif
Conception de systèmes complexes
- Infrastructure
- Sécurité
- IoT
Dr Elena Najdenovska
Assistante HES
Elena Najdenovska est ingénieure électricienne avec spécialisation en technologie de l’information, elle est titulaire d'un doctorat en sciences de la vie. Elle possède des compétences dans le traitement des signaux et des images ainsi que dans l’analyse des données et le machine learning, notamment pour des applications liées à la science de la vie et au domaine médical.
Ilias Goujgali
Assisstant HES
Développement web et mobile
- Application Web (MPA & SPA)
- Développement mobile natif et cross-plateforme
Hayman Lotfy
Collaborateur Ra&D HES
Ingénieur de la Plateforme Ingénierie & Santé
Ingénieur HES en systèmes embarqués
Conception de systèmes :
- Internet des objets (IoT)
- Systems-on-chip (SoC)
- Composants programmables (FPGA)
- Développement d’applications mobiles
Cédric Campos Carvalho
Collaborateur Ra&D HES
Projets de Ra&D récents
BerDa
Développement et mise en place d’une nouvelle plateforme web de récolte, de monitoring, d’analyse et de visualisation des données en lien avec le VIH et les autres infections sexuellement transmissibles en Suisse.
PISA/SIENA
Ces deux projets Innosuisse portent sur l'analyse et la modélisation de l’électrophysiologie des plantes en serre. De récentes études tendent à prouver que les végétaux communiquent: ils développent des stratégies et alertent les sujets environnants d'un danger imminent en émettant des signaux électriques. Le but de ces projets est de mieux comprendre ce mécanisme et de pouvoir l'utiliser pour déterminer si une plante subit un stress environnemental (manque d'eau, de nutriments, attaque de nuisibles, etc.).
PACMan
Conception d'un appareil portable à bas coût, utilisable hors des conditions de laboratoire, permettant d'effectuer les mesures essentielles de la semence humaine et animale. Notre contribution dans ce projet est les réalisation d'une application mobile accompagnant le dispositif d'acquisition et réalisant l'analyse des images, ainsi que les algorithmes d'analyse de la concentration et de la motilité.
PCC
Dans ce projet, la HEIG-VD conçoit et réalise une plateforme web pour permettre une mise en œuvre interinstitutionnelle efficace du Plan de Crise Conjoint, en particulier dans les situations d’urgences. Une application mobile accompagnera également cette plateforme, celle-ci permettra de faciliter l’accès au PCC en cas d’urgence et donc d’augmenter son utilité.
Publications scientifiques récentes
- Najdenovska E., Dutoit F., Tran D., et al. Identifying General Stress in Commercial Tomatoes Based on Machine Learning Applied to Plant Electrophysiology. Applied Sciences. 2021; 11(12):5640. https://doi.org/10.3390/app11125640
- Najdenovska E., Dutoit F., Tran D., et al. Classification of Plant Electrophysiology Signals for Detection of Spider Mites Infestation in Tomatoes. Applied Sciences. 2021; 11(4):1414. https://doi.org/10.3390/app11041414
- Tran, D., Dutoit, F., Najdenovska, E. et al. Electrophysiological assessment of plant status outside a Faraday cage using supervised machine learning. Sci Rep 9, 17073 (2019). https://doi.org/10.1038/s41598-019-53675-4
