Sofameh@ck

Principe


La SOFAMEA a décidé d’adapter le format d’un hackathon pour organiser un challenge annuel entre les différents laboratoires. Initialement, un hackathon est un processus de programmation informatique collaborative permettant, sur un temps court, de développer des solutions innovantes mises à disposition de la communauté. Le hackathon est un évènement issu du monde de l’innovation numérique et technologique où un ensemble de développeurs et/ou de designers se réunissent pour résoudre un problème défini sur un temps court.

L’objectif pour la SOFAMEA est de réunir la communauté autour d’un challenge permettant le développement d’outils partageables à l’ensemble des structures mais surtout de stimuler les collaborations entre les groupes cliniques et recherches pour dynamiser notre société savante.

Plus d’informations sur le site sofamehack.sofamea.org !

Liste des challenges


AnnéeChallengeLauréat-e
2020Development of pedagogical tools to improve the learning and facilitate the analysis of Clinical Gait Analysis
Clinical Gait Analysis (CGA) is used to identify, characterise and follow the evolution of pathologies of the locomotor system, as well as to assess the efficacy of a rehabilitation program or a surgery. CGA requires a broad knowledge covering various fields such as biomechanics, anatomy, muscle physiology, rehabilitation, or neurology. Assimilating this body of knowledge may be difficult, both for engineer and clinician trainees, as newcomers to the field face a stiff learning curve and a cumbersome learning process. Specifically, standardised CGA reports (Baker,2013) requires training and experience to analyse all the dimensions of the assessment. However, these reports need to be understandable by a broad public in order to be commonly used in clinical procedures. Developing a common knowledge for sharing results of CGA would both facilitate exchanges between the different movement analysis actors, benefit the patients in clinical settings, and improve the development of CGA in clinical settings.
2019Détection automatique des évènements du cycle de marche
L’objectif était de proposer un algorithme permettant une détection automatique la plus précise possible de ces évènements du cycle de marche pour des populations typiques des centres d’analyse du mouvement, principalement des sujets présentant une atteinte neurologique.
Mathieu Lempereur
L’Algoritme DeepEvent, basé sur le deep learning, a été entrainé sur la base de données d’analyse du mouvement du CHU de Brest contenant plus de 10000 évènements labellisés.