EP1979854A1 - Procede d'identification de postures d'une personne - Google Patents

Procede d'identification de postures d'une personne

Info

Publication number
EP1979854A1
EP1979854A1 EP07704329A EP07704329A EP1979854A1 EP 1979854 A1 EP1979854 A1 EP 1979854A1 EP 07704329 A EP07704329 A EP 07704329A EP 07704329 A EP07704329 A EP 07704329A EP 1979854 A1 EP1979854 A1 EP 1979854A1
Authority
EP
European Patent Office
Prior art keywords
postures
segments
parameters
identifying
person
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP07704329A
Other languages
German (de)
English (en)
Inventor
Stéphane BONNET
Christelle Godin
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Original Assignee
Commissariat a lEnergie Atomique CEA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Commissariat a lEnergie Atomique CEA filed Critical Commissariat a lEnergie Atomique CEA
Publication of EP1979854A1 publication Critical patent/EP1979854A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Definitions

  • the subject of this invention is the remote identification of postures taken by a person by using the signals given continuously from a sensor it carries. It involves the classification of the states taken successively by the sensor and the person. A notable difficulty is to exploit abundant but not very descriptive signals since the postures are complex, subject to variations and transient states and they do not lend themselves to direct measurements.
  • each event to be classified is defined a number of characteristics called parameters that are used for classification and may come from sensors or other information. Events must be divided into categories called classes based on the values that the parameters take.
  • Some classification methods are performed automatically, by a computer having logical or digital tools of comparison and decision. There are two main processes.
  • the classification uses explicit rules that make membership in a class depend on the value of a particular parameter or group of parameters. For example, an event is assigned to a class if a parameter reaches a value greater than a threshold, or if the sum of one group of parameters is greater than a threshold, whose value is defined by those skilled in the art. Such methods make it possible to identify certain postures as will be seen, but their effectiveness is not sufficient and many portions of the sensor signals can not be identified.
  • the other group of known methods uses what is called a learning base comprising a certain number of events.
  • the computer must then define the classification rules, which remain implicit to the operator according to the values of the parameters.
  • unsupervised learning the computer itself distributes the events of the base into classes according to the similarities or distances between the events, and the definition of the classes remains unknown.
  • supervised learning the operator indicates the class of each event of the learning base, and the task of the computer is to define a numerical or logical function which respects the classification decided by the operator according to the event parameters. It is also possible to combine the two variants to obtain a third so-called semi-supervised learning where the membership of a class is defined by the operator only for some of the events of the learning base (in practice, in small number compared to others).
  • the progress made by the invention in its most general form, is to improve the classification results in the application mentioned.
  • the invention relates to a method of identifying postures of a person, comprising the following steps: - fixing a sensor on the person; recording at least one sensor signal during a time window; extracting partitioning parameters from said signal; dividing, from the partitioning parameters, the time window into segments satisfying a criterion of homogeneity of posture or change of posture, and extracting, for each of the segments, a first set of parameters from said signal ; classifying each of the segments in one of the event classes associated with said events or in a class that is not associated with an event, by applying first decision rules from the first parameter set associated with the segments;
  • Some processes use multiple sensors, placed in as many different locations of the body, to detect unambiguous postures; but the permanent wearing of all these sensors is unpleasant.
  • FIG. 1 is a general view of the process
  • FIG. 2 is a view of a neural network
  • FIG. 3 is a schematic view of an application of the method
  • FIG. 4 is a diagram detailing an example of a signal sample of this application
  • FIG. 5 illustrates another signal sampling
  • FIG. 6 is a detailed view of a particular method.
  • FIG. 1 The invention implements an operator in the first steps of the method and then a computer.
  • the operator distinguishes two subsets of parameters of the events in step 2, and elaborates first decision rules in step 3 by means of the subset of the first parameters. It finally creates a learning base that can be either empty or partially filled.
  • the computer receives the information of a new event as a signal to be processed in step 4; this signal includes the parameters of the event, obtained by measurements or other means.
  • the computer extracts the first parameter values of this signal in step 5. It then tries to classify the event among the different classes using the first rules. defined in Step 3, but not necessarily in the presence of a questionable event (step 6). In this case, the computer extracts from the signal the values of the second parameters in step 7 and resumes the classification attempt in the following step 8 by applying second decision rules in step 10. A classification status is finally given to step 11.
  • step 6 If, however, the first step of classification of step 6 has been successful, the method is carried out differently and the extraction of the second parameters, carried out at a step 12, then serves to fill the learning base by adding these parameters and the result of the first classification, completing or amending the second decision rules used in step 10 according to the classification result of the present event and the values of its second parameters. There is a presumption that future events will be classified with increasing safety.
  • the network comprises a layer of input neurons P1, P2,..., Pn for receiving the values of the second parameters of the events. in digital form.
  • the classification decision in a given class is given, also in digital form, by the content of an output neuron D.
  • the neural network comprises at least one hidden layer of neurons y-, which perform numerical combinations of the parameters and transmit them to the next layer of the network, here immediately to the output neuron D.
  • Numerical weights w are applied to the transmitted values before they reach the neurons of the hidden layer or the output neuron.
  • the neurons of the hidden layer perform a hyperbolic tangent activation and the output neuron performs a linear activation.
  • the decision function can then be written according to the formula (1)
  • sgn is the sign function, tanh the hyperbolic tangent function, w-, the weight connecting the output of the neuron y-, to the output neuron D
  • w 0 and w 0 particular weights called biases or thresholds connecting a fictitious neuron of output of value equal to 1 to the output neuron (for w 0 ) or to the neurons y-, of the hidden layer (for w 0 :) and w : i the weights connecting the input neurons P 1 to the neurons of the layer hidden
  • Neural networks allow, subject to choosing the number of neurons in the hidden layer or hidden layers, to approach any function once the correct weights have been found.
  • the elaboration of the second decision rules therefore amounts to adjusting the weights w so that, for each or almost every example of the learning base 9, the result of the decision by the neural network and the result known, of the classification.
  • the computer adjusts the weights so that the largest number of events in the learning base - enriched with the new event - is properly evaluated by the second decision rules.
  • linear separators Other types of numerical classifiers are known in the art: linear separators, decision trees, SVM (vector support machine or wide margin separator); the invention also applies to them.
  • SVM vector support machine or wide margin separator
  • the person is equipped with a motion sensor of a known kind and may include a triaxial accelerometer and a triaxial magnetometer to detect the orientation and movement of the wearer according to the directions of the Earth's magnetic field and gravity.
  • a motion sensor of a known kind and may include a triaxial accelerometer and a triaxial magnetometer to detect the orientation and movement of the wearer according to the directions of the Earth's magnetic field and gravity.
  • a preliminary calibration procedure is performed on the person 15 to align the measurement axes of the sensor and the anatomical axes of the person 15, by determining a passage matrix that connects them.
  • This matrix is supposed to be invariable, which is true as long as the sensor 16 is not moved on the person 15.
  • information fusion algorithms make it possible to give the orientation of the sensor 16 in space from its measurements by expressing them by rotations of Euler angles or quaternions.
  • the angle of inclination of the person in the sagittal plane using measurements of the accelerometer and at the yaw angle to determine the azimuth (angle of the anteroposterior axis with a fixed reference, here magnetic North) with the magnetometer.
  • the invention is implemented to distinguish between certain kinds of activity of the person 15 and some of his postures.
  • energy of activity expressed as a function of time
  • Transition states always correspond to strong activities and energy peaks, and stable position states are often longer and less active, but exceptions exist, such as running, during which the wearer in a stable standing position will have great energy.
  • the energy can vary greatly during the same state.
  • a race period 24 during the first standing state 19 is thus shown. It is therefore not possible to directly deduce the succession of states from a diagram such as that of FIG.
  • the classes are nine, ten or eleven: three stable states (sitting, standing and lying), and six states. transfer from one to another of the previous steady states (standing towards sitting, sitting towards standing, standing towards bed, lying towards standing, sitting down to bed and lying down towards sitting); we can add a new class "unknown", in which we pour the events that could not be in one of the previous classes, or a class "ARTEFACT" which designates the movements limited by two similar postures and do not correspond not to a defined event.
  • ARTEFACT ARTEFACT
  • a first step the recording is divided into portions or segments according to a set of several criteria. This leads to an alternation of homogeneous zones in the sense of postures (called “O-segments”) and active zones ("1- segments”) which potentially represent postural transfers.
  • Each temporal segment designates an event whose class is to be determined.
  • all time segments have the UNKNOWN class.
  • a first classification is made according to the first rules explicitly notified by seeking to assign - and in the safest possible way - to certain events (associated with respective time segments) a class of posture. . Due to the positioning of the movement sensor to the torso, it is easier to distinguish the horizontal and vertical postures occupied by the person. We therefore seek above all to distinguish horizontal postures (LAYER) from vertical postures
  • step E12 the learning base is implemented in an attempt to best classify the events still remaining in the unknown class. The manner in which the first part of the process is conducted will be described below.
  • the analysis is first made on short sampling data, of the order of one second (E2); we try to determine areas of homogeneous posture without trying to determine this posture.
  • the criteria for dividing the signals into unequal length segments (E3) are two and based on the activity index IA provided by the signals 3a (of the triaxial accelerometer) and on the variations of inclination of the torso of the person 15 in the sagittal plane.
  • the corresponding parameters are calculated as follows.
  • the signal standard 3a of the accelerometer is representative of the energy of the movement in progress and gives objective information on the physical activity of the wearer.
  • the average value is calculated for each duration of one second of the signal of the quantity:
  • N a ⁇ HF [n] 4aHF ⁇ P [nf + aHF ML [nf + aHF v ⁇ [nf to obtain the activity index
  • n is an index
  • F e a sampling frequency
  • F AP a sampling frequency
  • F ML and F V the measured values of the signal components
  • F the signal, at acceleration and H denotes a band-pass filtering to conserve the "High frequencies" (here 0.5 to 10 Hz), representative of human activity, in removing the DC component (acceleration of gravity) and noise.
  • the activity index IA based on the signal 3a is compared with a threshold - represented by the horizontal line 25 of FIG. 5, of value 0.04 - to determine whether a time range is associated with an active phase or a phase resting.
  • the values of the index IA are positive and generally between 0 and 1. It is also possible to determine an index of activity of the yaw activity of the wearer. To reduce the correlation of the 3m signal (of the triaxial magnetometer) with the signal 3a, it is proposed to calculate an index based solely on the temporal variations of the ML (mediolateral) component of the magnetometer:
  • the low frequency signal (at 0.5 Hz) is used.
  • Pitch [n] arcsin (aLF AP ), where, similarly, a designates the acceleration, L a low-pass filtering of the signal, and F the signal.
  • a negative pitch is a person leaning forward; Positive pitch, to a person leaning backward.
  • Thresholds of variation of these amounts of activity and inclination of the torso are used to detect posture transfers. Consecutive sampling portions of non-varying signals reaching these thresholds are grouped together. Segments of unequal duration are thus obtained from uniform sampling portions, and more precisely with an alternation of time segments of value 0, (O-segments) corresponding to zones homogeneous in the sense of the posture (still unknown) and short-term time segments of value 1 (1-segments), corresponding to areas with a large movement that may be a postural transfer.
  • E4 The distinction between these two categories of segments is made (E4).
  • the underlying idea is that a postural transfer corresponds to a certain level of activity and a certain variation of inclination of the torso.
  • the thresholds used during this step are relatively critical in the sense that the distribution of the data obtained will condition the sensitivity of the classification of postures. In unfavorable cases, a small number of segments with the same 0-segment can be obtained which can contain several different postures or on the contrary a high number of segments and unspecific 1-segments of a postural transition.
  • the two criteria were finally applied as follows: a probable posture transfer corresponds to a minimum variation of 20 degrees for 3 seconds simultaneous to a minimum variation of 0.08 (standardized units) for 3 seconds. Any sampling portion meeting these two criteria will therefore belong to one segment, the others to one segment.
  • the criterion chosen is accVT ⁇ thl) or accMlJ> th3), where ace is this time used to designate the measured acceleration. This allows to detect cases where the person is strongly bent in the sagittal plane (person lying on the stomach / back) or in the lateral plane (person lying on the side).
  • a difficulty here is not to confuse a horizontal posture type LAYER with the case where the person leans strongly forward.
  • a temporal criterion (duration of the horizontal posture bent forward) is implemented in this case to detect these situations, and the posture of the LAYER type is assumed if a threshold of 300 seconds is reached.
  • the 0-segment must have a temporal duration greater than a given time (10 seconds for example).
  • the phases of walking are identified by analysis of the signal 3a filtered at high frequencies. If the
  • 0-segment contains a significant part of the walking phase, the whole segment the range is classified STANDING.
  • the step is detected by the presence of a large energy peak at about 1 Hz.
  • a threshold 0.04
  • the 0-segment must have a time duration greater than a given time (30 seconds for example). b) If the 0-segment corresponds to a posture inclined towards the back (of 20 degrees at least), one assigns the segment to the class ASSIS. c) Similarly, if the activity level IA or IM is below a threshold (0.02), the segment is assigned to the ASSIS class.
  • Certain 1-segments are determined in fact in intra-postural movement (artifact) or inter-postural (transfer). This assignment is determined by the nature of the preceding and following postures, when they have been determined.
  • a 1-segment between two different postures is a transfer
  • a 1-segment between two similar postures is an artifact and is not classified.
  • the segments then classified are poured by the system into a learning base which collects their classification results and second parameters which, related to the results of the classification. classification, are used to develop second decision rules by the system (by adjusting the weights in the case of a neural network); these second decision rules generally remain implicit, or unknown to the operators, who do not program them, and they are different from the first rules since they call on different parameters.
  • the first decision rules use the acceleration measurements in the example in question, whereas the second rules instead use magnetometry measurements. It should be noted that other sensors could also be useful for second decision rules, such as gyrometers to measure the speed of rotation of the person, including yaw.
  • the second rules are applied to classify the remaining events in UNKNOWN class (E12).
  • the parameters on which the algorithm operates are conventionally calculated on the signals acquired by the sensor 16 and on the intermediate signals (tilt angle, yaw angle, activity index, etc.).
  • the calculated parameters are, for example, for each segment:
  • An idea of the invention is to use all or some of the already well-classified events to build a machine learning base to move to a supervised learning algorithm (IS).
  • IS supervised learning algorithm
  • the learning base is completed as a result of the results of the newly identified segments.
  • the second decision rules weight in the neural network
  • the computer holding the learning base therefore analyzes each segment, already identified or not, in a similar way according to the second group of parameters using the learning base. For each of the unknown segments, it calculates similarity scores with elements of each of the classes, or distances calculated according to usual mathematical norms in a space with multiple dimensions.
  • the parameters considered can be, with regard to the statistics of the signals, average values, energies, variances; as far as the segment itself is concerned, similarities are sought with previous segments as a whole; this research is done essentially for the 1-segments likely to represent transient states based on the frequent and almost exact repetition of the same gestures to move from one posture to another.
  • the signature of the segment is a component of the signal that reflects a function of evolution of the posture. Another interesting criterion would be the recognition of a significant rest phase with a yaw angle (average azimuth considered on a segment) similar to a reference azimuth
  • the rules of the first group may be chosen from among the following, in more complex embodiments of the method: recognition of a phase of activity corresponding to a step (positive and fairly regular acceleration in the AP axis), therefore of standing class;
  • This information is given either by the accelerometers (for the movement), by the magnetometers (for the orientations), or by a combination of the two.
  • the parameters used for the second decision rules can be those used to apply the first classification rules (by combining them differently) or, more typically and more fruitfully, other parameters.
  • the second classification rules are determined and can be amended to tend to match the evaluations they give of the identified states with the evaluations obtained with the first classification rules for the same phases. If the first decision rules are associated with the production of a confidence index of the ranking result that they give, the events that have been classified in the first step can be paid to the learning base only if the index has reached a value above a certain threshold: events classified in the first step but with insufficient safety will have no influence on second decision rules.
  • the method of the invention lends itself well to supervised learning of the second decision rules. All the decision rules are then defined by the operator: the first decision rules can be those whose application is the simplest, and the second decision rules those which require calculations, which interact with each other or which tolerate exceptions or are not known perfectly and may be amended later.
  • the result given by the second decision rules will allow identify the first decision rules that will have given an opposite result; these rules may be amended (when they depend on a threshold for example), reduced by giving them less importance, or even deleted.
  • the correction may be decided according to the number and the confidence index of the results, or the respective reliability of the rules.
  • the second decision rules can themselves be controlled by third decision rules specified by the operator and used to detect classification errors of the second decision rules. When errors are detected, the second decision rules can be corrected to tend to match their ranking result with the desired result. It is still possible to pour the events concerned into the learning base with the values of their parameters and the result corrected by the third decision rules. Another improvement of the method would be to delete the first decision rules or only some of them, gradually or not, when it is judged that the second decision rules have reached a sufficient reliability, especially when the learning base has reached a sufficient size or that the second decision rules are stabilized to a state where they classify all events reliably.

Abstract

Ce procédé de classification comprend une première étape de classification (6) d'événement de genre quelconque par des premières règles, puis une seconde étape de classification (8) des événements non identifiés par la première classification au moyen d'une base d'apprentissage (9) renforcée par tous les événements identifiés par la première classification. Le procédé est adaptatif si les secondes règles de classification sont amendées d'après les nouveaux exemples qui ont pu être déterminés par les premières règles.

Description

PROCEDE D'IDENTIFICATION DE POSTURES D'UNE PERSONNE
DESCRIPTION
Le sujet de cette invention est l'identification à distance de postures prises par une personne en exploitant les signaux donnés continûment d'un capteur qu'elle porte. Elle implique la classification des états pris successivement par le capteur et la personne. Une difficulté notable est d'exploiter des signaux abondants mais peu descriptifs puisque les postures sont complexes, sujettes à des variations et à des états transitoires et qu'elles ne se prêtent pas à des mesures directes. Dans l'art de la classification, à chaque événement à classer est défini un certain nombre de caractéristiques appelées paramètres qui servent à la classification et qui peuvent provenir de capteurs ou d'autres informations. Les événements doivent être répartis en catégories appelées classes d'après les valeurs que prennent les paramètres. Certains procédés de classification sont accomplis de façon automatique, par un ordinateur disposant d'outils logiques ou numériques de comparaison et de décision. Deux procédés principaux existent. Dans le premier, la classification fait appel à des règles explicites qui font dépendre l'appartenance à une classe de la valeur d'un paramètre particulier ou d'un groupe des paramètres. Par exemple, un événement est attribué à une classe si un paramètre atteint une valeur supérieure à un seuil, ou si la somme d'un groupe des paramètres est supérieure à un seuil, dont la valeur est définie par l'homme de l'art. De tels procédés permettent d' identifier certaines postures ainsi qu'on le verra, mais leur efficacité n'est pas suffisante et de nombreuses portions des signaux du capteur ne peuvent être identifiées.
L'autre groupe de méthodes connues utilise ce qu'on appelle une base d'apprentissage comprenant un certains nombres d'événements. L'ordinateur doit alors définir les règles de classification, qui restent implicites à l'opérateur d'après les valeurs des paramètres. Dans une première variante dite d'apprentissage non supervisé, l'ordinateur répartit lui-même les événements de la base en classes d'après les similitudes ou les distances entre les événements, et la définition des classes reste inconnue. Dans une autre variante, dite d'apprentissage supervisé, l'opérateur indique la classe de chaque événement de la base d'apprentissage, et la tâche de l'ordinateur est de définir une fonction numérique ou logique qui respecte le classement décidé par l'opérateur d'après les paramètres des événements. Il est aussi possible de combiner les deux variantes pour en obtenir une troisième dite d'apprentissage semi-supervisé où l'appartenance à une classe est définie par l'opérateur seulement pour certains des événements de la base d'apprentissage (en pratique, en petit nombre par rapport aux autres) .
L'inconvénient commun à toutes ces méthodes est la difficulté d'établir de bonnes règles, aptes à minimiser la proportion d'événements mal classés. Avec des règles explicites définies par l'opérateur, beaucoup d'événements restent indéterminés en pratique car il est difficile d'établir des règles précises et détaillées par l'observation ou l'intuition ; dans les procédés par apprentissage, les règles définies automatiquement seront imprécises si les exemples versés dans la base d'apprentissage sont mal représentatifs des événements futurs, et parfois le manque de maîtrise de l'opérateur sur ces règles implicites ne lui permettra pas de les corriger. De plus, la constitution manuelle d'une base d'apprentissage demande du temps et peut impliquer des erreurs. Enfin, une telle table ne sera pas évolutive.
Le progrès apporté par l'invention, sous sa forme la plus générale, est d'améliorer les résultats de classification dans l'application mentionné.
Sous sa forme la plus générale, l'invention est relative à un procédé d' identification de postures d'une personne, comprenant les étapes suivantes : - fixation d'un capteur sur la personne ; enregistrement d'au moins un signal du capteur pendant une fenêtre de temps ; extraction de paramètres de partitionnement à partir dudit signal ; - division, à partir des paramètres de partitionnement, de la fenêtre temporelle en segments satisfaisant à un critère d'homogénéité de posture ou de changement de posture, et extraction, pour chacun des segments, d'un premier jeu de paramètres à partir dudit signal ; - classement de chacun des segments dans une des classes d'événement associées auxdits événements ou dans une classe qui n'est pas associée à un événement, en appliquant des premières règles de décision à partir du premier jeu de paramètres associé aux segments ;
- comprenant une opération de calibration destinée à créer une base d'apprentissage, comprenant les étapes suivantes pour chaque segment appartenant à une classe d'événement :
- extraction d'un second jeu de paramètres à partir dudit signal ; ajout dans ladite base d'apprentissage d'une donnée répertoriant le second jeu de paramètres et la classe d'événement associés au segment considéré,
- et utilisation de la base d'apprentissage pour classer des segments dudit enregistrement ou d'un autre enregistrement ultérieur qui n'ont pas été associés à un événement en appliquant des secondes règles de décision utilisant la base d'apprentissage à partir d'un second jeu de paramètres associé à ces segments .
Certains procédés font emploi de plusieurs capteurs, placés à autant d'endroits différents du corps, pour détecter des postures sans ambiguïté ; mais le port permanent de tous ces capteurs est désagréable.
D'autres procédés font emploi d'un seul capteur et cherchent typiquement les états transitoires, indices d'un changement de posture, sur les signaux ; mais des ambiguïtés subsistent, par exemple entre une position assise et une position debout .
Aucun procédé n'existe dans l'application envisagée, d'après lequel on utilise deux étapes de classification fondamentalement différentes, puisque faisant appel à des paramètres en général différents, pour classifier des segments de signaux caractéristiques de postures différentes. La séparation rationnelle du signal en segments homogènes, apte à être faite de façon automatique, n'est elle-même pas résolue. Il en résulte qu'un nombre de segments beaucoup plus grand reste indéterminé avec les procédés antérieurs. L'intérêt de l'invention provient de ce que certaines parties des signaux peuvent être analysées de façon simple pour en extraire certaines caractéristiques contribuant directement à leur identification (le premier groupe de paramètres) , puis exploitées pour en extraire d'autres caractéristiques (le second groupe de paramètres) pour aider à identifier d'autres parties des signaux. Les secondes règles de décision, qui font appel à l'expérience acquise, et d'autant plus qu'elles peuvent être rendues évolutives en accueillant de nouveaux résultats, trouvent donc un intérêt particulier ici. Parmi certains modes de réalisation particulièrement importants, on citera la répartition des segments en deux catégories, les uns ressortissant à des postures stables et les autres à des états transitoires entre deux postures stables ; et une division rationnelle du signal en segments, ainsi qu'on l'a évoqué. L'invention sera maintenant décrite plus en détail au moyen des figures : la figure 1 est une vue générale du procédé, - la figure 2 est une vue d'un réseau de neurones,
- la figure 3 est une vue schématique d'une application du procédé,
- la figure 4 est un diagramme détaillant un exemple d'échantillon de signal de cette application, la figure 5 illustre un autre échantillonnage de signal,
- et la figure 6 est une vue détaillée d'un procédé particulier.
Nous abordons la figure 1. L'invention met en œuvre un opérateur dans les premières étapes du procédé, puis un ordinateur. Dans une étape de début 1, l'opérateur distingue deux sous-ensembles de paramètres des événements à l'étape 2, et élabore des premières règles de décision à l'étape 3 au moyen du sous- ensemble des premiers paramètres. Il crée enfin une base d'apprentissage qui peut être soit vide, soit partiellement remplie. L'ordinateur reçoit ensuite l'information d'un nouvel événement sous forme d'un signal à traiter à l'étape 4 ; ce signal comprend les paramètres de l'événement, qu'on a obtenu par des mesures ou d'autres moyens. L'ordinateur extrait les valeurs de premiers paramètres de ce signal à l'étape 5. Il s'efforce ensuite de classer l'événement parmi les différentes classes au moyen des premières règles de décision définies à l'étape 3, mais sans y parvenir nécessairement en présence d'un événement douteux (étape 6) . Dans ce cas, l'ordinateur extrait du signal les valeurs des deuxièmes paramètres à l'étape 7 et reprend la tentative de classification à l'étape 8 suivante en appliquant des secondes règles de décision à l'étape 10. Un état de classification est finalement donné à l'étape 11.
Si cependant la première étape de classification de l'étape 6 a été fructueuse, le procédé est mené autrement et l'extraction des deuxièmes paramètres, effectuée à une étape 12, sert alors à remplir la base d'apprentissage en y ajoutant ces paramètres et le résultat de la première classification, complétant ou amendant les secondes règles de décision utilisées à l'étape 10 d'après le résultat de classification du présent événement et les valeurs de ses seconds paramètres. On a ainsi la présomption que les événements futurs seront classifiés avec de plus en plus de sûreté.
Les moyens concrets d'élaboration des secondes règles de décision comprennent divers genres connus. On décrira ici à titre d'illustration l'utilisation d'un réseau de neurones à la figure 2. Le réseau comprend une couche de neurones d'entrée Pl, P2,..., Pn pour recevoir les valeurs des deuxièmes paramètres des événements sous forme numérique.
La décision de classification dans une classe déterminée est donnée, aussi sous forme numérique, par le contenu d'un neurone de sortie D. Le réseau de neurones comprend au moins une couche cachée de neurones y-, qui effectuent des combinaisons numériques des paramètres et les transmettent à la couche suivante du réseau, ici immédiatement au neurone de sortie D. Des poids numériques w sont appliqués aux valeurs transmises avant qu'elles n'atteignent les neurones de la couche cachée ou le neurone de sortie. Ici, les neurones de la couche cachée effectuent une activation en tangente hyperbolique et le neurone de sortie effectue une activation linéaire. La fonction de décision peut alors être écrite d'après la formule (1)
où sgn est la fonction signe, tanh la fonction tangente hyperbolique, w-, le poids reliant la sortie du neurone y-, au neurone de sortie D, w0 et w0: des poids particuliers appelés biais ou seuils reliant un neurone fictif de sortie de valeur égale à 1 au neurone de sortie (pour w0) ou aux neurones y-, de la couche cachée (pour w0:) et w:i les poids reliant les neurones d'entrée P1 aux neurones de la couche cachée
Les réseaux de neurones permettent, sous réserve de bien choisir le nombre de neurones dans la couche cachée ou les couches cachées, d'approcher n'importe quelle fonction une fois que les bons poids ont été trouvés. L'élaboration des secondes règles de décision revient donc à ajuster les poids w de manière à faire coïncider, pour chaque exemple ou presque de la base d'apprentissage 9, le résultat de la décision par le réseau de neurones et le résultat, connu, de la classification. Quand l'étape 12 est mise en œuvre, l'ordinateur ajuste les poids de manière que le plus grand nombre d'événements de la base d'apprentissage - enrichie du nouvel événement - soit bien évalué par les secondes règles de décision.
D'autres genres de classificateurs numériques sont connus dans l'art : séparateurs linéaires, arbres de décision, SVM (machine à support de vecteurs ou séparateur à vaste marge) ; l'invention s'applique aussi à eux.
Selon l'invention, on se préoccupe d'identifier la posture d'une personne à tout moment par télésurveillance, notamment à des fins médicales. La personne est équipée d'un capteur de mouvement d'un genre connu et pouvant comprendre un accéléromètre triaxial et un magnétomètre triaxial pour détecter l'orientation et le mouvement de la personne qui le porte d'après les directions du champ magnétique terrestre et de la gravité. Se référant à la figure 3, où la personne porteuse a la référence 15 et le capteur la référence 16, on voit que le capteur 16 est fixé sur le torse de la personne 15 et que les axes principaux de mesure sont l'axe antéro-postérieur AP dirigé vers l'avant, l'axe médio-latéral ML dirigé vers la droite et l'axe vertical VT dirigé vers le haut ; si besoin est, une procédure préliminaire de calibration est réalisée sur la personne 15 pour aligner les axes de mesure du capteur et les axes anatomiques de la personne 15, en déterminant une matrice de passage qui les relie. Cette matrice est supposée invariable, ce qui est vrai tant que le capteur 16 n'est pas déplacé sur la personne 15. De plus, des algorithmes de fusion d'information permettent de donner l'orientation du capteur 16 dans l'espace à partir de ses mesures en les exprimant par des rotations d'angles d'Euler ou des quaternions. On recourra notamment, dans l'exemple détaillé plus loin, à l'angle d'inclinaison de la personne dans le plan sagittal (vertical et antéro- postérieur) au moyen des mesures de 1 ' accéléromètre et à l'angle de lacet pour déterminer l'azimut (angle de l'axe antéro-postérieur avec une référence fixe, ici le Nord magnétique) avec le magnétomètre .
L'invention est mise en œuvre pour distinguer entre certains genres d'activité de la personne 15 et certaines de ses postures. Dans le diagramme de la figure 4, exprimé en énergie d'activité en fonction du temps, on trouve successivement un état debout, une transition debout/assis, un état assis, une transition assis/debout et un état debout aux états 19 à 23. Les états de transition correspondent toujours à des activités fortes et à des pics d'énergie, et des états de position stable sont souvent plus longs et moins actifs, mais des exceptions existent, comme la course, pendant laquelle le porteur en position debout stable aura une grande énergie. De plus, l'énergie peut varier fortement pendant un même état. Une période de course 24 pendant le premier état debout 19 est ainsi représentée. Il n'est donc pas possible de déduire directement la succession des états d'un diagramme tel que celui de la figure 4, qui pourra toutefois servir à une division rationnelle en segments de durées inégales mais de caractéristiques homogènes. Dans l'exemple complet de procédé de classification qui est donné ci-après avec l'appui de la figure 6, les classes sont au nombre de neuf, dix ou onze : trois états stables (assis, debout et couché) , et six états de transfert d'un à un autre des états stables précédents (debout vers assis, assis vers debout, debout vers couché, couché vers debout, assis vers couché et couché vers assis) ; on peut y ajouter une nouvelle classe « inconnu », dans laquelle on verse les événements qui n'ont pas pu l'être dans une des classes précédentes, ou une classe "ARTEFACT" qui désigne les mouvements limités par deux postures semblables et ne correspondent pas à un événement défini . Diverses étapes sont entreprises. Dans un premier temps (étapes El à E5) , l'enregistrement est découpé en portions ou segments temporels selon un ensemble de plusieurs critères. On accède ainsi à une alternance de zones homogènes au sens des postures (appelées "O- segments") et de zones actives ("1- segments") qui représentent potentiellement des transferts posturaux. Chaque segment temporel désigne un événement dont on cherche à déterminer la classe. A l'issue de cette première phase, tous les segments temporels possèdent la classe INCONNUE.
Deuxièmement (étapes E6 à ElO), une première classification est faite d'après les premières règles explicitement notifiées en cherchant à attribuer- et cela de manière la plus sûre possible - à certains événements (associés à des segments temporels respectifs) une classe de posture. Du fait du positionnement du capteur de mouvement au torse, on peut distinguer plus facilement les postures horizontales et verticales occupées par la personne. On cherche donc avant tout à distinguer les postures horizontales (COUCHE) des postures verticales
(ASSIS ou DEBOUT) selon un ensemble de plusieurs critères. Un point délicat reste le cas de postures fortement penchées en avant.
Enfin, on détermine sur la base d'autres critères l'appartenance de certains segments du signal à faible variation d'activité (O-segments, auxquels on peut associer une posture stable) de longueur temporelle suffisante à la classe ASSISE ou DEBOUT, et de fait on détermine également sur la base d'une cohérence temporelle l'appartenance de certains segments du signal à forte variation d'activité (1- segments, auxquels on peut associer un transfert d'une posture stable à une autre, ou un mouvement dans une même posture) , à des transitions inter-postures et intra-postures (transferts) .
A l'issue de cette seconde phase, certains segments temporels possèdent une classe bien identifiée et d'autres possèdent encore la classe INCONNUE. Les premiers sont versés dans une base d'apprentissage par le système, et servent à définir des secondes règles de décision au moyen de leurs résultats de classification et de certaines de leurs caractéristiques.
Troisièmement (étape E12), la base d'apprentissage est mise en œuvre pour tenter de classer au mieux les événements demeurant toujours dans la classe inconnue. On décrira ci-dessous la façon dont la première partie du procédé est menée.
Après avoir obtenu les signaux du capteur 16 (étape El de la figure 6), l'analyse est d'abord faite sur des données d'échantillonnage courtes, de l'ordre de la seconde (E2) ; on cherche à déterminer des zones de posture homogène sans essayer de déterminer cette posture.
Les critères de division des signaux en segments de longueurs inégales (E3) sont au nombre de deux et fondés sur l'index d'activité IA fourni par les signaux 3a (de l' accéléromètre triaxial) et sur les variations d'inclinaison du torse de la personne 15 dans le plan sagittal. Les paramètres correspondants sont calculés de la manière suivante. Pour le critère d'activité, la norme des signaux 3a de l' accéléromètre est représentative de l'énergie du mouvement en cours et donne un renseignement objectif sur l'activité physique du porteur. On calcule la valeur moyenne, pour chaque durée d'une seconde du signal de la quantité :
NaœHF[n] =4aHFΛP[nf +aHFML[nf +aHFvτ[nf pour obtenir l'indice d'activité
où n est un indice, Fe une fréquence d'échantillonnage, FAP, FML et FVτ les valeurs mesurées des composantes du signal, F le signal, a l'accélération et H désigne une filtration passe-bande pour conserver les « hautes fréquences » (ici 0,5 à 10 Hz), représentatives de l'activité humaine, en supprimant la composante continue (accélération de la pesanteur) et le bruit.
L'indice d'activité IA basé sur le signal 3a est comparé à un seuil - matérialisé par la droite horizontale 25 de la figure 5, de valeur 0,04 - pour déterminer si une plage temporelle est associée à une phase active ou une phase au repos. Les valeurs de l'indice IA sont positives et généralement comprises entre 0 et 1. On peut aussi déterminer un index d'activité de l'activité en lacet du porteur. Pour diminuer la corrélation du signal 3m (du magnétomètre triaxial) avec le signal 3a, on propose de calculer un indice basé uniquement sur les variations temporelles de la composante ML (médio-latérale) du magnétomètre :
IM[n] = hML [n + \] - hML [n]
Avec la valeur moyenne sur 1 seconde de la composante ML du magnétomètre :
Pour le second critère, on utilise le signal à basse fréquence (sous 0,5 Hz) 3a de
1' accéléromètre pour déterminer le tangage de la personne c'est-à-dire son inclinaison dans le plan sagittal.
L' inclinaison dans le plan sagittal (pitch) est donnée trivialement par :
Pitch [n] =arcsin (aLFAP) , où, de façon analogue, a désigne l'accélération, L un filtrage passe-bas du signal, et F le signal. Un tangage négatif correspond à une personne penchée vers l'avant ; un tangage positif, à une personne penchée vers l'arrière.
Des seuils de variation de ces quantités d'activité et d'inclinaison du torse sont employés pour détecter les transferts de posture. Les portions d'échantillonnage consécutives de signaux sans variation atteignant ces seuils sont regroupées entre elles. On obtient ainsi des segments de durées inégales à partir de portions uniformes d'échantillonnage, et plus précisément avec une alternance de segments temporels de valeur 0, (O-segments) correspondant à des zones homogènes au sens de la posture (encore inconnue) et de segments temporels de courte durée de valeur 1 (1-segments) , correspondant à des zones avec un mouvement important qui peut être un transfert postural. La distinction entre ces deux catégories de segments est faite (E4). L'idée sous-jacente est qu'un transfert postural correspond à un certain niveau d'activité et une certaine variation d'inclinaison du torse .
Les seuils utilisés lors de cette étape sont relativement critiques dans le sens où la répartition des données obtenues va conditionner la sensibilité de la classification de postures. Dans des cas défavorables, on peut obtenir un nombre faible de segments avec un même 0-segment qui peut contenir plusieurs postures différentes ou au contraire un nombre élevé de segments et des 1-segments peu spécifiques d'une transition posturale. Les deux critères ont été finalement appliqués de la façon suivante : un transfert de posture probable correspond à une variation minimum de 20 degrés pendant 3 secondes simultanée à une variation minimum de 0,08 (unités normalisées) pendant 3 secondes. Toute portion d'échantillonnage répondant à ces deux critères appartiendra donc à un 1- segment, les autres à un 0-segment.
Ces seuils sont suffisamment bas pour être sûrs de ne pas manquer un transfert postural. En contrepartie, on identifie ainsi de nombreux 1-segments qui ne sont pas des vrais transferts posturaux (artefacts) .
Dans une seconde passe (E5) , certains 1- segments peuvent être invalidés pour augmenter la spécificité et ainsi diminuer la sur-segmentation. Après différents essais, on a fait le choix d'invalider un 1-segment si le niveau d'activité moyen reste élevé de part et d'autre de ce 1-segment. En effet, on fera l'hypothèse ultérieurement qu'une posture ASSIS ou COUCHE est caractérisée par une faible activité, où IA et IM sont inférieurs à 0,04 et qu'une forte activité est relative à une position DEBOUT. On calcule donc sur chacun des 0-segments la moyenne de l'index d'activité IA. Si l'index d'activité est supérieur au seuil avant et après le transfert potentiel, alors on invalide le 1-segment.
On donne ci-après un exemple de mise en œuvre de l'arbre de décision que sont les premières règles de décision (E6-E10). Dans tous les critères suivants, les valeurs retenues sont des moyennes sur le segment considéré.
Dans la fenêtre temporelle d'analyse de signaux, on recherche (E6) le premier 0-segment susceptible de représenter une posture horizontale (E7) .
Le critère retenu est accVT <thl) ou accMlJ >th3) , où ace est cette fois utilisé pour désigner l'accélération mesurée. Cela permet de détecter les cas où la personne est fortement penchée dans le plan sagittal (personne couchée sur le ventre/dos) ou dans le plan latéral (personne couchée sur le côté) .
On détectera ensuite le 0-segment suivant susceptible de représenter une posture verticale (E8). Le critère retenu est (accVT>th4). Tous les O-segments et 1-segments compris dans l'intervalle sont affectés à la classe COUCHE.
Les seuils utilisés pour les accéléromètres et les classements obtenus quand ces inégalités sont observées sont donnés par le tableau 1.
Tableau 1
Une difficulté ici est de ne pas confondre une posture horizontale de type COUCHE avec le cas où la personne se penche fortement en avant. Un critère temporel (durée de la posture horizontale penchée en avant) est mis en œuvre dans ce cas pour détecter ces situations, et la posture de type COUCHE est supposée si un seuil de 300 secondes est atteint.
A l'issue de ces premières étapes, la classification HORIZONTAL (COUCHE) et VERTICAL (DEBOUT/ASSIS) est supposée réalisée.
On s'intéresse ensuite à la classification
ASSIS/DEBOUT (E9) et à l'identification des transferts
(ElO) en mettant au point un ensemble de règles de décision basées à la fois sur des critères basés sur 1' accéléromètre et sur le magnétomètre . On cherche de préférence à identifier les postures puis les transferts .
Après différents tests, les critères de décision suivants ont été retenus : Pour la classe DEBOUT, a) Le 0-segment doit avoir une durée temporelle supérieure à un temps donné (10 secondes par exemple) . b) On identifie les phases de marche par analyse du signal 3a filtré en hautes fréquences. Si le
0-segment contient une part non négligeable de phase de marche, l'ensemble du segment l'intervalle est classé DEBOUT. La marche est détectée par la présence d'un pic d'énergie important à 1 Hz environ. c) De même, si le niveau d'activité IA ou IM est supérieur à un seuil (0,04), on l'affecte à la classe DEBOUT.
Il faut que les critères a et b, ou a et c, soient tous deux vérifiés.
Pour la classe ASSIS, a) On suppose que le 0-segment doit avoir une durée temporelle supérieure à un temps donné (30 secondes par exemple) . b) Si le 0-segment correspond à une posture inclinée vers l'arrière (de 20 degrés au moins), on affecte le segment à la classe ASSIS. c) De même, si le niveau d'activité IA ou IM est inférieur à un seuil (0,02), on affecte le segment à la classe ASSIS.
Il faut que les critères a et b, ou a et c, soient respectés.
Pour les 1-segments :
Certains 1-segments sont déterminés de fait en mouvement intra-postural (artefact) ou inter- postural (transfert) . Cette affectation est déterminée suivant la nature des postures précédentes et suivantes, quand elles ont été déterminées.
Un 1-segment entre deux postures différentes est un transfert, un 1-segment entre deux postures semblables est un artefact et n'est pas classé .
Les segments alors classés sont versés par le système dans une base d'apprentissage qui recueille leurs résultats de classification et des seconds paramètres qui, mis en relation avec les résultats de classification, servent à élaborer des secondes règles de décision par le système (en ajustant les poids dans le cas d'un réseau de neurones) ; ces secondes règles de décision restent en général implicites, ou inconnues des opérateurs, qui ne les programment pas, et elles sont différentes des premières règles puisqu'elles font appel à des paramètres différents. De plus, les premières règles de décision font plutôt appel aux mesures d'accélération dans l'exemple considéré, alors que les secondes règles font plutôt appel aux mesures de magnétométrie . Il est à signaler que d'autres capteurs pourraient aussi servir utilement aux secondes règles de décision, comme des gyromètres pour mesurer les vitesses de rotation de la personne, notamment de lacet.
Les secondes règles sont appliquées pour classer les événements restant en classe INCONNUE (E12). Les paramètres sur lesquels opère l'algorithme sont calculés classiquement sur les signaux acquis par le capteur 16 et sur les signaux intermédiaires (angle d'inclinaison, angle de lacet, index d'activité, ...) . Les paramètres calculés sont par exemple, pour chaque segment :
• statistiques sur les signaux, • durée,
• contenu fréquentiel (répartition des pics d'énergie au domaine fréquentiel),
• voire le segment lui-même (signature) .
A l'issue de cette phase, un certain nombre d'événements (0-segment ou l-segment) ne sont pas encore classés et restent en classe INCONNUE. Une idée de l'invention est d'utiliser l'ensemble ou une partie des événements déjà bien classés pour construire une base d'apprentissage automatique à passer à un algorithme d'apprentissage supervisé (EIl) .
La base d'apprentissage est complétée à mesure au moyen des résultats des segments nouvellement identifiés. Les secondes règles de décision (poids dans le réseau de neurones) sont avantageusement mis à jour. L'ordinateur tenant la base d'apprentissage analyse donc chaque segment, déjà identifié ou non, de façon semblable d' après le second groupe de paramètres en utilisant la base d'apprentissage. Pour chacun des segments inconnus, il calcule des scores de similitude avec des éléments de chacune des classes, ou des distances calculées suivant des normes mathématiques usuelles dans un espace à dimensions multiples. Les paramètres considérés peuvent être, en ce qui concerne les statistiques des signaux, des valeurs moyennes, des énergies, des variances ; en ce qui concerne le segment lui-même, on recherche des similitudes avec des segments antérieurs dans leur ensemble ; cette recherche est faite essentiellement pour les 1-segments susceptibles de représenter des états transitoires en se fondant sur la répétition fréquente et presque exacte des mêmes gestes pour passer d'une posture à une autre. La signature du segment est une composante du signal qui reflète une fonction d'évolution de la posture. Un autre critère intéressant serait la reconnaissance d'une phase de repos de durée importante présentant un angle de lacet (azimut moyen considéré sur un segment) similaire à un azimut de référence
(correspondant à un siège d'orientation fixe dans la résidence du porteur) , donc de classe assis, en profitant ici encore de répétitions d'attitudes liées à des habitudes de la personne, indépendamment des signaux eux-mêmes ; ces exemples montrent aussi qu'un paramètre de classement sera souvent l'angle de lacet ou sa variation temporelle.
Quand un nouveau segment a été versé dans la base d'apprentissage, les calculs suivants peuvent être faits aussi en référence à lui.
On donne maintenant certaines possibilités de généralisation. Les règles du premier groupe pourront être choisies parmi les suivantes, dans des réalisations plus complexes du procédé : reconnaissance d'une phase d'activité correspondant à une marche (accélération positive et assez régulière dans l'axe AP), donc de classe debout ;
- reconnaissance d'une phase de repos puis, sans transition, d'une phase de marche (seule l'accélération dans l'axe AP changeant), donc classification de la phase de repos en classe debout ; - reconnaissance d'une phase de repos présentant un angle de tangage ou d'élévation, (autour de l'axe ML à partir de l'axe VT) fortement négatif correspondant à une personne assise inclinée vers l'arrière, donc de classe assis ; - reconnaissance d'une phase de repos de durée importante présentant un angle de lacet (rotation autour de l'axe VT) variant faiblement, donc de classe assis ; reconnaissance d'une phase d'activité présentant un angle de lacet variant fortement et un angle de tangage ou d'élévation de variation modérée, correspondant à un changement de direction du porteur, donc de classe debout ; reconnaissance d'une phase de forte activité de durée peu importante entre deux postures identiques donc de classe identique : on est en présence d'un mouvement intérieur à une même classe debout ou assis ; reconnaissance d'une phase de forte activité de durée peu importante entre deux postures différentes, donc correspondant à une transition, et classement en debout/assis ou assis/debout.
Ces renseignements sont donnés soit par les accéléromètres (pour le mouvement) , soit par les magnétomètres (pour les orientations) , soit par une combinaison des deux.
Les paramètres utilisés pour les secondes règles de décision peuvent être ceux qui ont été utilisés pour appliquer les premières règles de classification (en les combinant autrement) ou, de façon plus typique et plus féconde, d'autres paramètres. Les secondes règles de classification sont déterminées et peuvent être amendées pour tendre à faire concorder les évaluations qu'elles donnent des états identifiés avec les évaluations obtenues avec les premières règles de classification pour les mêmes phases . Si les premières règles de décision sont associées à la production d'un indice de confiance du résultat de classement qu'elles donnent, les événements qui auront été classés à la première étape pourront être versés à la base d'apprentissage seulement si 1 ' indice de confiance a atteint une valeur supérieure à un seuil déterminé : des événements classés dès la première étape mais avec une sûreté insuffisante n'auront pas d'influence sur des secondes règles de décision.
Le procédé de 1 ' invention se prête bien à un apprentissage supervisé des secondes règles de décision. Toutes les règles de décision sont alors définies par l'opérateur : les premières règles de décision pourront être celles dont l'application est la plus simple, et les secondes règles de décision celles qui nécessitent des calculs, qui interagissent entre elles ou qui tolèrent des exceptions ou ne sont pas connues parfaitement et pourront être amendées par la suite.
Dans d'autres cas, il pourra être utile au contraire de corriger les premières règles de décision, quand elles donnent un résultat différent des secondes règles de décision ou qu'elles se contredisent : le résultat donné par les secondes règles de décision permettra d'identifier les premières règles de décision qui auront donné un résultat opposé ; ces règles pourront être amendées (quand elles dépendent d'un seuil par exemple) , minorées en leur attribuant une importance moins grande, ou même supprimées. La correction pourra être décidée d'après le nombre et l'indice de confiance des résultats, ou la fiabilité respective des règles.
Les secondes règles de décision peuvent elles-mêmes être contrôlées par des troisièmes règle de décision spécifiées par l'opérateur et servant à détecter des erreurs de classement des secondes règles de décision. Quand des erreurs seront détectées, les secondes règles de décision pourront être corrigées pour tendre à faire coïncider leur résultat de classement avec le résultat désiré. Il est encore possible de verser les événements concernés dans la base d'apprentissage avec les valeurs de leurs paramètres et le résultat corrigé par les troisièmes règles de décision. Un autre perfectionnement du procédé consisterait à supprimer les premières règles de décision ou seulement certaines d'entre elles, progressivement ou non, quand il est jugé que les secondes règles de décision ont atteint une fiabilité suffisante, notamment quand la base d'apprentissage a atteint une taille suffisante ou que les secondes règles de décision sont stabilisées à un état où elles classent tous les événements de façon fiable.
Pour tous ces perfectionnements où les règles de décision sont susceptibles d'évoluer, l'utilisation d'indices de confiance offre une aide non seulement en désignant des résultats douteux, mais en dévoilant les règles qui les donnent et sont donc moins utiles ou susceptibles d'être corrigées.

Claims

REVENDICATIONS
1. Procédé d'identification de postures d'une personne, destiné à identifier des événements correspondant à une posture particulière ou à un changement de posture et associées à des classes respectives, comprenant les étapes suivantes :
- fixation d'un capteur sur la personne ;
- enregistrement d'au moins un signal du capteur pendant une fenêtre de temps ; extraction de paramètres de partitionnement à partir dudit signal ; division, à partir des paramètres de partitionnement, de la fenêtre temporelle en segments satisfaisant à un critère d'homogénéité de posture ou de changement de posture, et extraction, pour chacun des segments, d'un premier jeu de paramètres à partir dudit signal ; classement de chacun des segments dans une des classes d'événement associées auxdits événements ou dans une classe qui n'est pas associée à un événement, en appliquant des premières règles de décision à partir du premier jeu de paramètres associé aux segments ; - comprenant une opération de calibration destinée à créer une base d'apprentissage, comprenant les étapes suivantes pour chaque segment appartenant à une classe d'événement :
- extraction d'un second jeu de paramètres à partir dudit signal ; ajout dans ladite base d'apprentissage d'une donnée répertoriant le second jeu de paramètres et la classe d'événement associés au segment considéré,
- et utilisation de la base d'apprentissage pour classer des segments dudit enregistrement ou d'un autre enregistrement ultérieur qui n'ont pas été associés à un événement en appliquant des secondes règles de décision utilisant la base d'apprentissage à partir d'un second jeu de paramètres associé à ces segments.
2. Procédé d'identification de postures d'une personne selon la revendication 1, caractérisé en ce que le capteur (16) comprend un accélérateur triaxial et un magnétomètre triaxial.
3. Procédé d'identification de postures d'une personne selon la revendication 1 ou 2, caractérisé en ce que certains au moins des segments identifiés par les premières et les secondes règles de décision sont incorporés à la base d'apprentissage par leurs paramètres et les postures y associées.
4. Procédé d'identification de postures d'une personne selon la revendication 1 à 3, caractérisé en ce qu' il comprend des étapes d'échantillonnage du signal en portions de durées uniformes et de regroupement de groupes des portions pour donner les segments.
5. Procédé d'identification de postures d'une personne selon la revendication 4, caractérisé en ce que le regroupement des groupes des portions s'effectue d'après un critère de variation maximale de niveau d' activité de la personne et un critère de variation maximale d'une inclinaison de la personne.
6. Procédé d'identification de postures d'une personne selon la revendication 4 ou 5, caractérisé en ce qu'il comporte une répartition des segments en deux catégories alternant.
7. Procédé d'identification de postures d'une personne selon la revendication 1 à 6, caractérisé en ce que les premières règles de décision comprennent une étape de distinction entre des postures horizontales et des postures verticales d'après une mesure d' orientation d' accélération de gravité par le capteur .
8. Procédé d'identification de postures d'une personne selon la revendication 7, caractérisé en ce que les premières règles de décision comprennent une étape de distinction entre une posture debout et une posture assise d'après, au moins, des critères de durée et de niveau d'activité.
9. Procédé d'identification de postures d'une personne selon la revendication 7 ou 8, caractérisé en ce que les premières règles de décision comprennent une étape d'identification d'états transitoires immédiatement entre des paires d'états de postures différentes séparant lesdits états transitoires, et d'élimination d'états transitoires immédiatement entre des paires d'états de postures semblables.
10. Procédé d'identification de postures d'une personne selon l'une quelconque des revendication 1 à 9, caractérisé en ce que le second groupe de paramètres comprend, pour chacun des segments, des paramètres statistiques sur les signaux, une durée du segment, un contenu fréquentiel du segment.
11. Procédé d'identification de postures d'une personne selon l'une quelconque des revendications 1 à 10, caractérisé en ce que le second groupe de paramètres comprend une signature de segments, c'est-à-dire au moins une composante du signal reflétant une fonction d'évolution de la posture.
12. Procédé d'identification de postures d'une personne selon l'une quelconque des revendications 1 à 11, caractérisé en ce que les secondes règles de décision dépendent de scores de similitude ou de distance entre les segments à identifier et les segments versés dans la base d'apprentissage d'après les postures associées auxdits segments versés.
13. Procédé d'identification de postures d'une personne selon l'une quelconque des revendications 1 à 12, caractérisé en ce que le capteur comprend des gyromètres et les secondes règles de décision comprenant une comparaison d'un azimut moyen dans les segments à un azimut de référence.
EP07704329A 2006-02-02 2007-02-02 Procede d'identification de postures d'une personne Withdrawn EP1979854A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0650376A FR2896896B1 (fr) 2006-02-02 2006-02-02 Procede de classification d'evenements ou d'etats en deux etapes
PCT/EP2007/051042 WO2007088205A1 (fr) 2006-02-02 2007-02-02 Procede d'identification de postures d'une personne

Publications (1)

Publication Number Publication Date
EP1979854A1 true EP1979854A1 (fr) 2008-10-15

Family

ID=37499564

Family Applications (1)

Application Number Title Priority Date Filing Date
EP07704329A Withdrawn EP1979854A1 (fr) 2006-02-02 2007-02-02 Procede d'identification de postures d'une personne

Country Status (4)

Country Link
US (1) US9026477B2 (fr)
EP (1) EP1979854A1 (fr)
FR (1) FR2896896B1 (fr)
WO (1) WO2007088205A1 (fr)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8491504B2 (en) * 2009-08-04 2013-07-23 University Of South Carolina Devices and methods for monitoring sit to stand transfers
EP2668945A1 (fr) 2012-06-01 2013-12-04 Bayer Technology Services GmbH Formulations de médicament basées sur un génotype ou un phénotype
FR3015072B1 (fr) * 2013-12-18 2017-03-17 Movea Procede de determination de l'orientation d'un repere capteur lie a un terminal mobile muni d'un ensemble capteur, porte par un utilisateur et comprenant au moins un capteur de mouvement lie en mouvement
CN104049752B (zh) * 2014-06-04 2017-04-12 北京智谷睿拓技术服务有限公司 基于人体的交互方法及交互装置
EP3789830B1 (fr) 2019-09-09 2024-04-03 The Swatch Group Research and Development Ltd Cadran et procédé de fabrication d'un cadran pour une montre

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005098739A1 (fr) * 2004-04-08 2005-10-20 Mobileye Technologies Limited Detection de pietons
US20060018516A1 (en) * 2004-07-22 2006-01-26 Masoud Osama T Monitoring activity using video information

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6834436B2 (en) * 2001-02-23 2004-12-28 Microstrain, Inc. Posture and body movement measuring system
FR2868281B1 (fr) * 2004-03-30 2023-06-23 Commissariat Energie Atomique Procede de determination des mouvements d'une personne.
US7467061B2 (en) * 2004-05-14 2008-12-16 Canon Kabushiki Kaisha Information processing method and apparatus for finding position and orientation of targeted object
FR2886532B1 (fr) 2005-06-07 2008-03-28 Commissariat Energie Atomique Procede et systeme de detection de chute d'une personne

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005098739A1 (fr) * 2004-04-08 2005-10-20 Mobileye Technologies Limited Detection de pietons
US20060018516A1 (en) * 2004-07-22 2006-01-26 Masoud Osama T Monitoring activity using video information

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of WO2007088205A1 *

Also Published As

Publication number Publication date
FR2896896A1 (fr) 2007-08-03
US20090012921A1 (en) 2009-01-08
FR2896896B1 (fr) 2009-09-25
US9026477B2 (en) 2015-05-05
WO2007088205A1 (fr) 2007-08-09

Similar Documents

Publication Publication Date Title
EP2023268B1 (fr) Procédé et dispositif de reconnaissance de position ou de mouvement d&#39;un dispositif ou d&#39;un être vivant
EP1979854A1 (fr) Procede d&#39;identification de postures d&#39;une personne
EP0668570A1 (fr) Procédé de traitement d&#39;images pour déterminer localement le centre et la demi-largeur d&#39;objets contrastant sur un fond et arrangement pour mettre en oeuvre ce procédé
FR2943236A1 (fr) Procede de surveillance d&#39;un parametre biologique d&#39;une personne au moyen de capteurs
EP0960382B1 (fr) Procede pour reconnaitre dans un catalogue preetabli des etoiles detectees par un senseur stellaire
EP3958738A1 (fr) Procede et systeme de determination d&#39;une valeur de parametre biomecanique avance de demarche
EP3552146B1 (fr) Détection de nerfs dans une série d&#39;images échographiques
CA3092784A1 (fr) Dispositif informatique de detection de troubles du rythme cardiaque
EP1721573B1 (fr) Procédé d&#39;estimation de la phase d&#39;un mouvement d&#39;un objet
EP1340103B1 (fr) Procede pour detecter des corps nouveaux dans une scene eclairee
FR3007871A1 (fr) Procede de reduction de bruit dans des sequences d&#39;images fluoroscopiques
FR2967273A1 (fr) Dispositif de detection a capteur, procede de detection et programme d&#39;ordinateur correspondants
FR2950451A1 (fr) Algorithme de detection des points de contour dans une image
WO2012079996A1 (fr) Procede de comparaison d&#39;images d&#39;iris par selection intelligente de zones texturees
EP3841978B1 (fr) Procédé et dispositif pour traiter un signal cardiaque
EP3700409B1 (fr) Procédé et dispositif de suivi de la fluorescence émise à la surface d&#39;un tissu biologique
EP1714112A1 (fr) Procede de capture du mouvement d&#39;un solide, utilisant une mesure absolue associee a une mesure par double integration
FR2983055A1 (fr) Detection et estimation du complexe qrs pour le suivi d&#39;une activite cardiaque et pulmonaire
EP4150574A1 (fr) Procédé de traitement d&#39;images
FR3097997A1 (fr) Procédé d’analyse de la démarche d’un individu
WO2023012416A1 (fr) Analyse quantitative de fluctuations dans des tissus biologiques par imagerie photoacoustique multispectrale
WO2022238640A1 (fr) Méthode de génération d&#39;images médicales rares pour l&#39;entrainement d&#39;algorithmes d&#39;apprentissage profond
FR3130061A1 (fr) Procédé de localisation et cartographie simultanées intégrant un masquage temporel auto-supervisé et modèle d’apprentissage automatique pour générer un tel masquage.
FR3113155A1 (fr) Procédé d’identification d’un implant dentaire visible sur une image d’entrée au moyen d’au moins un réseau de neurones à convolution.
CA3230088A1 (fr) Procede de mise en relation d&#39;une image candidate avec une image de reference

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20080718

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU LV MC NL PL PT RO SE SI SK TR

17Q First examination report despatched

Effective date: 20081119

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: COMMISSARIAT A L'ENERGIE ATOMIQUE ET AUX ENERGIES

DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20200701