Les défis
6 défis, nés des besoins que vous avez soumis. Classez les 3 auxquels vous voulez contribuer.
Nous faisons tout notre possible pour suivre les souhaits de chacun·e, mais voter ne garantit ni une place dans l’un des défis préférés, ni une place au hackathon.
Connectez-vous pour classer les défis
- #1Une physiologie fiable : suivre l'évolution entre deux consultationsEntre deux consultations, un patient va-t-il mieux ou se dégrade-t-il en silence ?
Plus
Entre deux consultations, un patient va-t-il mieux ou se dégrade-t-il en silence ? Montres et téléphones enregistrent en continu rythme cardiaque, sommeil et mouvement ; toute la difficulté est de s'y fier et de distinguer un vrai stress d'un café, d'une course ou d'une mauvaise nuit. L'équipe transformera ces signaux du quotidien en une mesure du changement par rapport à la référence propre à chacun, décidera qui doit être prévenu d'un changement significatif et quand, sans noyer personne sous les alertes. Données ouvertes d'objets connectés, modèles de fondation pour les signaux physiologiques et modèles de langage sont sur la table, avec l'esquisse d'une première étude auprès de patients. Une piste à suivre : l'horloge biologique comme signal précoce.
Ressources
Données- Wearables and phone sensing
- Sensitive data handling
- WESAD ↗
- Wearable stress and structured exercise sessions (PhysioNet, ODC-By) ↗
- MMASH — 24 h heart signals, actigraphy, sleep, cortisol and melatonin (PhysioNet, ODbL) ↗
- LifeSnaps — 4 months of Fitbit data and surveys (Zenodo, CC BY 4.0) ↗
- PMData — 5 months of Fitbit data and self-reports (Simula) ↗
- BUT PPG — smartphone PPG with quality labels (PhysioNet, CC BY 4.0) ↗
- PPG-DaLiA — wrist PPG with motion during daily activities (UCI) ↗
- Wearable exam stress — real-world stress (PhysioNet, ODC-By) ↗
- Nurse stress — wristband data on hospital shifts (Dryad, CC0) ↗
- Autonomic Aging — HRV across ages incl. older adults (PhysioNet, ODbL) ↗
- PTB-XL — 12-lead ECG database (PhysioNet) ↗
- GLOBEM — multi-year phone and wearable data with weekly depression surveys (PhysioNet, credentialed access) ↗
Technique- Speech models
- Data platform and governance
- Lab equipment
- Video / vision models
- Language-model endpoints
- Polar H10 straps ↗
- NeuroKit2 — physiological signal processing and quality ↗
- HeartPy — heart-rate analysis for PPG and ECG ↗
- PaPaGei — open foundation models for optical physiological signals (BSD-3) ↗
- pyVHR — camera-based heart rate (GPL-3.0) ↗
Compétences recherchées
- #2Au-delà de l'œil humain : le comportement par la vidéo et le sonCertains des signes les plus parlants en santé mentale durent moins d'une seconde : un micro-mouvement, un regard qui s'attarde, l'instant où les mots et le visage racontent des histoires différentes.
Plus
Certains des signes les plus parlants en santé mentale durent moins d'une seconde : un micro-mouvement, un regard qui s'attarde, l'instant où les mots et le visage racontent des histoires différentes. Les cliniciens en repèrent certains ; les coder à la main est lent et varie d'un codeur à l'autre. Ici, la vidéo et le son du jeu, de la conversation et de la thérapie deviennent des signatures comportementales assez précises pour suivre une personne d'une séance à l'autre, un pas vers une médecine de précision et personnalisée. En deux jours, modèles vision-langage, modèles audio-visuels et suivi de la posture rencontrent des vidéos ouvertes et des codeurs humains, et les cliniciens interrogent et corrigent les annotations en langage naturel. Pistes : l'évolution au fil des séances, les schémas de mouvement partagés par des troubles qui se recoupent.
Ressources
DonnéesTechnique- Video / vision models
- Speech models
- Language-model endpoints
- Anonymization tools
- LISBET — social behaviour transformer, Bellone lab (academic non-commercial) ↗
- OpenFace — facial action units, gaze, head pose ↗
- DeepFace — facial affect analysis ↗
- Wav2Vec2 / HuBERT — speech representations ↗
- EmoBox — speech emotion recognition toolkit ↗
- Label Studio — annotation platform ↗
- Kineo — calibration-free 3D motion capture from ordinary cameras (research use only) ↗
Compétences recherchées
- #3Ce que révèle la parole : mémoire et humeur dans l'audio cliniqueUn souvenir raconté, une séance de thérapie, un parent qui joue avec son enfant : chacun porte des pauses, une prosodie et des choix de mots qui disent quelque chose de la mémoire et de l'humeur, et aucun clinicien ne p…
Plus
Un souvenir raconté, une séance de thérapie, un parent qui joue avec son enfant : chacun porte des pauses, une prosodie et des choix de mots qui disent quelque chose de la mémoire et de l'humeur, et aucun clinicien ne peut les coter à grande échelle. Quelle part de ce signal peut-on capter dans l'audio clinique en français, comparer dans le temps et partager sans exposer la personne qui parle ? L'équipe en construira les briques : qui parle quand, marqueurs de la voix et du langage, et une anonymisation qui protège l'identité tout en gardant le signal. Modèles de fondation de la parole, modèles de langage et traitement embarqué travaillent sur des corpus ouverts, et les deux jours se terminent par un plan pour les amener jusqu'à la clinique. Encore grande ouverte : la question de marqueurs qui résistent à un appel téléphonique.
Ressources
Données- Sensitive data handling
- Brain signals and imaging
- Wearables and phone sensing
- Common Voice FR — French read speech (Mozilla, open) ↗
- Multilingual LibriSpeech French — audiobook speech (OpenSLR 94, CC BY 4.0) ↗
- VoxPopuli — French parliamentary speech (Meta, CC0) ↗
- VoxConverse — who-spoke-when benchmark (CC BY 4.0, research) ↗
- AMI Meeting Corpus — multi-speaker, overlapping speech ↗
- CaFE — Canadian French emotional speech (CC BY-NC-SA 4.0) ↗
- RAVDESS — emotional speech and song (CC BY-NC-SA 4.0) ↗
- CHILDES French — child–parent speech (TalkBank, ground rules apply) ↗
- DementiaBank — speech in dementia (TalkBank, membership required) ↗
- EATD-Corpus — depression speech, Mandarin ↗
- DAIC-WOZ — depression interviews, English (EULA required) ↗
Technique- Speech models
- Language-model endpoints
- Video / vision models
- Lab equipment
- Data platform and governance
- faster-whisper — fast Whisper transcription (MIT) ↗
- WhisperX — word timings and diarisation on Whisper (BSD-2) ↗
- NVIDIA Canary-1B-v2 — multilingual ASR incl. French (CC BY 4.0) ↗
- NVIDIA Parakeet-TDT-0.6B-v3 — multilingual ASR (CC BY 4.0) ↗
- pyannote.audio — who spoke when (MIT; accept model terms on Hugging Face) ↗
- openSMILE — acoustic features (audEERING research licence, non-commercial) ↗
- VoicePrivacy Challenge 2024 — voice anonymisation baselines ↗
- SA-toolkit — speaker anonymisation in Python (Apache-2.0) ↗
- Presidio — text de-identification (MIT) ↗
- Vosk — on-device speech recognition incl. French ↗
- CamemBERT — French language model ↗
Compétences recherchées
- #4De la caméra au cortex : des marqueurs du quotidien ancrés dans le cerveauImaginez un patient fragile chez lui, un téléphone posé sur la table, et des mesures du regard, de la pupille et de la marche dignes d'un laboratoire.
Plus
Imaginez un patient fragile chez lui, un téléphone posé sur la table, et des mesures du regard, de la pupille et de la marche dignes d'un laboratoire. Oculomètres, capture du mouvement et EEG quittent rarement le laboratoire, et beaucoup de patients peuvent rarement s'y rendre. Ce défi apporte des mesures de niveau laboratoire aux caméras ordinaires, les valide face aux références de laboratoire et les ancre dans l'activité cérébrale, avec un EEG propre même quand on parle et marche et des chaînes de traitement qui tiennent d'un site à l'autre. Suivi sans marqueurs, modèles de fondation pour l'EEG et données ouvertes d'EEG et d'imagerie forment la trousse de départ d'un premier prototype et d'un plan d'étude. La question ouverte au cœur du défi : ce que la neurophysiologie/neuro-imagerie ajoute au-delà de la caméra.
Ressources
Données- Brain signals and imaging
- Wearables and phone sensing
- Sensitive data handling
- LEMON and OpenNeuro ↗
- MPIIFaceGaze — webcam gaze dataset (research use) ↗
- AddBiomechanics — motion-capture reference data ↗
- Simultaneous EEG–fMRI, neurofeedback (OpenNeuro ds002336, CC0) ↗
- EEG while walking — Audiocue (OpenNeuro ds001971) ↗
- EEGEyeNet — simultaneous EEG and eye tracking (OSF) ↗
- Healthy Brain Network — EEG, eye tracking, MRI (data use terms) ↗
- Dreem Open Datasets — headband vs lab sleep EEG ↗
- TUH EEG Corpus — clinical EEG (registration required) ↗
- NEMAR — open EEG/MEG repository ↗
Technique- Speech models
- Language-model endpoints
- Data platform and governance
- Video / vision models
- Lab equipment
- OptiTrack and eye trackers ↗
- OpenCap — motion analysis from phone video, validated against motion capture (Apache-2.0) ↗
- Pose2Sim — 3D markerless pose from several cameras (BSD-3) ↗
- MMPose / RTMPose — pose estimation (Apache-2.0) ↗
- MediaPipe Pose Landmarker ↗
- OpenFace — gaze, head pose, facial action units (non-commercial academic) ↗
- WebGazer.js — webcam eye tracking in the browser (check licence) ↗
- Lab Streaming Layer — synchronise EEG, gaze, audio and motion ↗
- MNE-Python — EEG/MEG analysis (BSD-3) ↗
- pyprep — EEG preprocessing (PREP pipeline) ↗
- autoreject — automated EEG artefact rejection ↗
- Braindecode — deep learning on EEG (BSD-3) ↗
- LaBraM — EEG foundation model (MIT) ↗
- fMRIPrep — fMRI preprocessing (Apache-2.0) ↗
- FastSurfer — fast MRI segmentation (Apache-2.0) ↗
- SynthSeg — segmentation for any T1 scan (FreeSurfer) ↗
- Lead-DBS — deep brain stimulation electrode localisation ↗
- BIDS — standard layout for brain data ↗
Compétences recherchées
- #5Douleur, plaisir et toucher : une même lecture de la souris à l'humainPeut-on lire la douleur et le plaisir de la même façon chez une souris et chez une personne, sans toucher ni l'une ni l'autre ?
Plus
Peut-on lire la douleur et le plaisir de la même façon chez une souris et chez une personne, sans toucher ni l'une ni l'autre ? L'enjeu vaut pour les deux : la manipulation stresse les animaux, et les échelles d'évaluation manquent ce que les patients ne parviennent pas à dire. L'objectif est une même mesure sans contact de la douleur, du plaisir et du comportement social, d'une espèce à l'autre, à partir de la posture, du visage et du mouvement filmés, avec un toucher délivré par des robots et des comportements découverts avec le moins de biais humain possible. Modèles de pose pré-entraînés, transformeurs du comportement et modèles vision-langage partent de vidéos ouvertes ; les deux jours se terminent par un prototype et l'esquisse d'une étude translationnelle. Encore peu exploré : comment la vue et l'ouïe modifient le toucher.
Ressources
Données- Animal recordings
- Sensitive data handling
- Wearables and phone sensing
- Brain signals and imaging
- CalMS21 — mouse social behaviour dataset (Caltech, CC BY 4.0) ↗
- MABe22 — multi-agent behaviour benchmark ↗
Technique- Video / vision models
- Lab equipment
- Speech models
- Language-model endpoints
- Data platform and governance
- DeepLabCut — markerless pose estimation (LGPL-3.0) ↗
- SuperAnimal-TopViewMouse — pretrained mouse pose model (DeepLabCut model zoo) ↗
- SLEAP — multi-animal pose tracking (BSD-3-Clear) ↗
- Keypoint-MoSeq — behaviour motif discovery (non-commercial academic) ↗
- B-SOiD — unsupervised behaviour discovery (GPL-3.0) ↗
- SimBA — supervised behaviour classification (academic use only) ↗
- LISBET — social behaviour transformer, Bellone lab (academic non-commercial) ↗
- QuPath — tissue image analysis (GPL-3.0) ↗
- Cellpose — cell and structure segmentation (BSD-3) ↗
ScientifiqueCompétences recherchées
- #6Des interventions qui mesurent : réalité étendue, jeux et jouets intelligentsEt si chaque instant de jeu pouvait aussi être une mesure ?
Plus
Et si chaque instant de jeu pouvait aussi être une mesure ? Un jeu en réalité augmentée, une scène virtuelle pour s'exercer aux signaux sociaux, un jouet qui réagit à la manière dont l'enfant joue : chacun peut entraîner l'attention, les compétences sociales ou la reconnaissance des émotions, et chacun peut enregistrer regard, mouvement, choix et physiologie en chemin, pour que les cliniciens voient plus qu'un score final et ajustent la séance suivante. Casques à suivi oculaire intégré, personnages pilotés par des modèles de langage et jouets équipés de capteurs sont à portée d'un développement en deux jours, avec un plan pour tester la meilleure idée auprès de patients. À explorer en premier : des indices en réalité augmentée pour l'attention après un AVC.
Ressources
Données- Wearables and phone sensing
- Brain signals and imaging
- Sensitive data handling
- GazeBaseVR — eye tracking recorded in VR (figshare, CC BY 4.0) ↗
Technique- Data platform and governance
- Video / vision models
- Lab equipment
- Speech models
- Language-model endpoints
- OpenXR — cross-headset XR standard ↗
- Godot — open game engine with XR support (MIT) ↗
- A-Frame — VR/AR in the browser via WebXR (MIT) ↗
- Unity XR Interaction Toolkit — examples ↗
- jsPsych — browser-based tasks for gamified assessment (MIT) ↗
- PsychoPy — experiment and task builder (GPL-3.0) ↗
- Pupil Labs — open eye tracking (LGPL-3.0) ↗
- Tobii Pro Glasses 3 — wearable eye tracking (commercial) ↗
- Lab Streaming Layer — sync gaze, physiology and in-game events ↗
- Arduino — open hardware for sensor toys ↗
- ESP32 Arduino core — wireless microcontroller (LGPL-2.1) ↗
- llama.cpp — on-device language model (MIT) ↗
- whisper.cpp — on-device speech recognition (MIT) ↗
- Piper — on-device speech synthesis (MIT) ↗
Compétences recherchées
- 1Une physiologie fiable : suivre l'évolution entre deux consultations
- 2Au-delà de l'œil humain : le comportement par la vidéo et le son
- 3Ce que révèle la parole : mémoire et humeur dans l'audio clinique
- 4De la caméra au cortex : des marqueurs du quotidien ancrés dans le cerveau
- 5Douleur, plaisir et toucher : une même lecture de la souris à l'humain
- 6Des interventions qui mesurent : réalité étendue, jeux et jouets intelligents
