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.