EP2421436A1 - Systeme et procede de determination de la posture d'une personne - Google Patents

Systeme et procede de determination de la posture d'une personne

Info

Publication number
EP2421436A1
EP2421436A1 EP10715545A EP10715545A EP2421436A1 EP 2421436 A1 EP2421436 A1 EP 2421436A1 EP 10715545 A EP10715545 A EP 10715545A EP 10715545 A EP10715545 A EP 10715545A EP 2421436 A1 EP2421436 A1 EP 2421436A1
Authority
EP
European Patent Office
Prior art keywords
posture
frequency component
state
motion sensor
high frequency
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Withdrawn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
EP10715545A
Other languages
German (de)
English (en)
Inventor
Pierre Jallon
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.)
Movea SA
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Original Assignee
Commissariat a lEnergie Atomique CEA
Movea SA
Commissariat a lEnergie Atomique et aux Energies Alternatives 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, Movea SA, Commissariat a lEnergie Atomique et aux Energies Alternatives CEA filed Critical Commissariat a lEnergie Atomique CEA
Publication of EP2421436A1 publication Critical patent/EP2421436A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Definitions

  • the present invention relates to a system and method for determining the posture of a person.
  • An object of the invention is to improve the accuracy of the determination of the activity of a mobile element, particularly for a living being, human or animal.
  • a system for determining the posture of a person comprising at least one motion sensor with at least one measuring axis, provided with fixing means for integrally connecting said motion sensor. to a user.
  • the system comprises: a filter for selecting, for each measurement axis of the motion sensor, high frequencies greater than a first threshold, and low frequencies below a second threshold less than or equal to said first threshold;
  • calculation means a probability density of said high frequency component and a probability density of said component low frequency, said high frequency component probability density being defined by a Chi-2 law of degree of freedom equal to the number of measurement axes taken into account by the motion sensor, and said probability density of the low frequency component being defined by a Gaussian law;
  • a hidden Markov model is defined by two random processes: a first one which is called a "state" in the present application and which is not observed, or, in other words, which is hidden, and a second which is the observation whose probability density at a given moment depends on the value of the state at the same instant.
  • the state takes discrete values.
  • Such a system makes it possible to determine the activity of a mobile element, particularly for a living being, human or animal, with improved accuracy.
  • said determination means are adapted to determine a one-dimensional low frequency component equal to a linear combination of measurements along the measurement axes taken into account by the motion sensor, said high frequency component being defined by a Chi-law. -2 to one degree of freedom.
  • the probability density of a pair of values for the low frequency component and the high frequency component comprises the product of a probability density of obtaining the value for the low frequency component and the density. probability of obtaining the value for the high frequency component, said probability densities being defined, for each state i, by the following expressions: [x (n) - ⁇ x J 2
  • x (n) is a signal of dimension 1, representing the low frequency component at the sample of index n;
  • ⁇ x j represents a vector of the same dimension as the low frequency component, representative of the state i of the hidden Markov model considered;
  • ⁇ X t ⁇ represents the square root of the vahance of the low frequency component x, representative of the state of the hidden Markov model i considered;
  • y (n) represents the high frequency component at the sample of index n;
  • k represents the number of measurement axes taken into account by the motion sensor;
  • ⁇ y j is a quantity proportional to the time average of the variable y (n), in state i.
  • ⁇ yu is the time average of the variable y (n) divided by k
  • the system includes display means.
  • said motion sensor comprises an accelerometer, and / or a magnetometer, and / or a gyrometer.
  • the system comprises a first accelerometer with a measurement axis and fastening means adapted to fix the first accelerometer at the torso of the user so that the measurement axis coincides with the vertical axis VT of the body when the user is upright.
  • said analysis means are adapted to determine a user's posture as a function of time using a Markov model hidden at most four states among the standing or sitting posture, the walking posture, the posture leaning, and lying posture.
  • the hidden Markov model is then defined by:
  • This variable, or state is a Markov sequence of order 1, and is therefore characterized by the probabilities of passing from one state to another;
  • the observed process of the hidden Markov model is the multidimensional signal W " ⁇ ', whose probability density depends on the state (the hidden process) at a given time.
  • Pi (x (n), y (n)) represents the probability density associated with state i, at time n, of x (n) and y (n). It corresponds to the product of the previously defined probability densities P x , (! («)) And P y ⁇ ⁇ y ⁇ n)).
  • the estimated sequence of states E (0: N) is the one with the highest probability.
  • P (E (O)) denotes the probability associated with the initial state E (O).
  • One can, for example, choose an equiprobable distribution of each of the possible states when n 0.
  • the system further comprises a second accelerometer with a measurement axis and fixing means adapted to fix the second accelerometer at the level of the thigh of the user so that the measurement axis coincides with the vertical axis VT of the body when the user is upright.
  • said analysis means is adapted to determine a user's posture as a function of time using a Markov model hidden at most four states among standing posture, seated posture, elongated posture, and posture. walk.
  • x ⁇ n) represents the pair of respective low frequency components of said two accelerometers
  • y ⁇ n) represents the high frequency component of said second accelerometer, to the sample of index n, the probability density of obtaining the value x ⁇ n), corresponding to the state i, being defined by the following expression:
  • ⁇ xi is a diagonal matrix of dimension 2 describing the covariance matrix of the signal x (n) for the state i of the model.
  • ⁇ xi represents a two-component column vector, representative of the state i of the model.
  • E (O, N) corresponds to the sequence of states E (O), E (I) ... E (N) maximizing the expression:
  • ⁇ (n) ⁇ x (n), y (n) ⁇ , x (n) and y (n) are respectively low and high frequency components of the signal S (n) measured by two accelerometers at the instant n.
  • a method for determining the posture of a person characterized in that: - one filters to select, for each axis of measurement of a motion sensor, high frequencies above a first threshold, and low frequencies below a second threshold less than or equal to said first threshold;
  • a one-dimensional high frequency component equal to the sum of the squares of said high frequencies of the measurement axes taken into account by the motion sensor is determined, and a low frequency component of dimension equal to the number of measurement axes taken into account by the sensor of movement ;
  • said high frequency component being defined by a a Chi-2 law of degree of freedom equal to the number of measurement axes taken into account by the motion sensor, and said low-frequency component being defined by a Gaussian law;
  • a user's posture is determined as a function of time by using a hidden Markov model with N states corresponding respectively to N postures, this determination being made by combining: - joint probability densities of said low frequency and high frequency components , these densities of probabilities being defined for each posture, and - probabilities of passage between two successive postures.
  • FIG. 1 illustrates a system, according to one aspect of the invention
  • FIG. 2 illustrates an exemplary recording of a system according to one aspect of the invention.
  • FIG. 3 illustrates an exemplary recording of a system according to another aspect of the invention.
  • FIG. 1 illustrates a system for determining the posture of a person comprising at least one motion sensor CM with at least one measuring axis, arranged in a housing BT, provided with fixing means comprising for example an elastic element, for solidly bind the CM motion sensor to a user.
  • the CM motion sensor can be, an accelerometer, a magnetometer, or a gyrometer, with one, two, or three measurement axes.
  • the system comprises a FILT filter for selecting, for each measurement axis of the CM motion sensor, high frequencies higher than a first threshold S1, and low frequencies lower than a second threshold S2 less than or equal to the first threshold S1.
  • the system also comprises a determination module DET of a high frequency component HF unidimensional equal to the sum of the squares of said high frequencies of the measurement axes taken into account of the motion sensor CM, and a low frequency component BF unidimensional equal to a linear combination of measurements according to the measurement axes taken into account of the CM motion sensor.
  • the system also comprises a calculation module CALC of the square of the variance of the probability P y of said high frequency component HF and the square of the variance of the probability P x of said low frequency component BF, said high frequency component HF being defined by a Chi-2 law with a degree of freedom and said low-frequency component BF being defined by a Gaussian law.
  • AN analysis means make it possible to determine a user's posture as a function of time by using a hidden Markov model with N states corresponding respectively to N postures.
  • the joint probability probability probability Pj (x (n), y (n)) of obtaining a pair of values (x (n), y (n)) for the low frequency component BF and the high frequency component HF being equal to the product of the probability density P x j of obtaining the value x (n) for the low frequency component BF and the probability density P y j of obtaining the value y (n) for the high frequency component HF
  • the probability densities P x j, P yJ are defined for each state i by the following expressions:
  • x ⁇ n represents the low frequency component of the sample of index n
  • ⁇ x ⁇ represents a vector of the same dimension as the low frequency component, representative of the state i of the hidden Markov model considered
  • ⁇ x ⁇ represents the square root of the variance of the low frequency component x, representative of the state of the hidden Markov model considered
  • y ⁇ n) represents the high frequency component at the sample of index n
  • k represents the number of measurement axes taken into account by the motion sensor
  • ⁇ y is a quantity proportional to the time average of the variable y (n), in state i.
  • ⁇ yj is the time average of the variable y (n) divided by k
  • the system also includes an AFF display screen.
  • the system comprises an accelerometer with a measurement axis and a fixing element for fixing the accelerometer at the torso of the user so that the measurement axis coincides with the vertical axis VT of the body. when the user is upright.
  • the hidden Markov model used includes four states corresponding to four postures, standing or sitting posture (state 1), walking posture (state 2), tilted posture (state 3), and lying posture (state 4).
  • state 1 standing or sitting posture
  • state 2 walking posture
  • state 3 tilted posture
  • state 4 lying posture
  • the states of the hidden Markov model are defined as follows:
  • E (N) is written p (E) (0: N) ⁇ ⁇ (0: N -I)) which is proportional to: p (E (0)) P (O (O) / E (O)) f [p (E (n) l E ( n - 1)) p ( ⁇ (n) / E (n))
  • the estimated sequence of states E (0: N) is the one with the highest probability.
  • P (E (O)) denotes the probability associated with the initial state E (O).
  • E (O) the probability associated with the initial state E (O).
  • the series of states E (O)... E (N) maximizing the expression (1) can be obtained by using, for example, the Viterbi algorithm, well known to those skilled in the art. So,
  • ⁇ (n) ⁇ x (n), y (n) ⁇ , x (n) and y (n) are respectively low and high frequency components of the measured signal S (n). by an accelerometer at the moment n.
  • the passing probability probabilities P (state / state j ) of a state state corresponding to a posture of the Markov model hidden at another state state j corresponding to a posture of the hidden Markov model are as follows, chosen so as to ensure good stability to the system:
  • the analysis module AN determines, from the input signals and the hidden Markov model as defined, the sequence of states (postures) most likely, according to conventional methods, for example by calculating for the whole sequences of possible states the associated probability taking into account the observed signal and keeping the most probable sequence, as described for example in the document "An introduction to hidden Markov models” LR Rabiner and BH Juang, IEEE ASSP Magazine, January 1986, or in the book “Inference in Hidden Markov Models" by Capcher, Moulines and Ryden of Springer, from the series “Springer series in statisctics”.
  • the various elements of the system may, for example, be integrated in the same LV box, as shown in Figure 1a, or some outsourced, for example in a laptop OP, as shown in Figure 1b.
  • Figure 2 illustrates an example of a system user registration of the first example, on the lower graph, and the result provided by the system that indicates that the user was in the standing or sitting posture (state 1) while 36 seconds, then in the walking posture (state 2) for 16 seconds, then in the standing or sitting posture (state 1) for 8 seconds, then in the leaning posture (state 3) for 18 seconds, then in the upright posture or sitting (state 1) for 6 seconds, then in the walking posture (state 2) for 30 seconds, then in the tilted posture (state 3) for 38 seconds, then in the standing or sitting posture (state 1) for 8 seconds. seconds, then in the walking posture (state 2) for 51 seconds, and finally ends up in standing or sitting posture (state 1).
  • the system comprises a first accelerometer with a measurement axis and a first attachment element for fixing the first accelerometer at the torso of the user so that the measurement axis coincides with the vertical axis VT. of the body when the user is standing upright, and a second accelerometer to a measurement axis and a second attachment element to fix the second accelerometer at the level of the thigh of the user so that the measurement axis coincides with the VT vertical axis of the body when the user is standing upright.
  • the hidden Markov model used includes four states corresponding to four postures, standing posture (state 1), sitting posture (state 2), elongated posture (state 3), and posture walking (state 4).
  • x ⁇ n represents the pair of the respective low frequency components BF of said two accelerometers
  • y (n) represents the high frequency component HF of said second accelerometer, with the sample of index n, the probability density P x obtaining the value x (n) being defined by the following expression:
  • ⁇ x ⁇ is a diagonal matrix of dimension 2 describing the covariance matrix of the signal x (n) for the state i of the model.
  • ⁇ x ⁇ represents a two-component column vector, representative of the state i of the model.
  • the probabilities of the variables x (n) and y (n) associated with these states are defined by the probabilities above, with the following parameters: - for the standing posture (state 1), the parameters of the probability densities are defined as follows:
  • ⁇ x 2 [l Of and ⁇ .
  • ⁇ y [l Of and ⁇ .
  • ⁇ y , > , 2 3e "2
  • ⁇ x 3 [ ⁇ Of and ⁇ 3
  • the instant n N
  • E (O, N) corresponds to the sequence of states E (O), E (I) ... E (N) maximizing the expression:
  • ⁇ (n) ⁇ x (n), y (n) ⁇ , x (n) and y (n) are respectively low and high frequency components of the signal S (n) measured by two accelerometers at the instant n.
  • Transition probability densities P (condition / state]) of a state; corresponding to a posture of the Markov model hidden to another state state j corresponding to a hidden Markov model posture are the following, chosen so as to ensure good stability to the system:
  • the analysis module AN determines, from the input signals and the hidden Markov model as defined, the sequence of states (postures) most likely, according to conventional methods, for example by calculating for the whole sequences of possible states the associated probability taking into account the observed signal and keeping the most probable sequence, as described for example in the document "An introduction to hidden Markov models” LR Rabiner and BH Juang, IEEE ASSP Magazine, January 1986, or in the book “Inference in Hidden Markov Models" by Capcher, Moulines and Ryden of Springer, from the series “Springer series in statisctics”.
  • Figure 3 illustrates an example of a system user registration of the first example, on the lower graph, and the result provided by the system which indicates that the user has been in the seated posture (state 2) for 50 seconds , then in the walking posture (state 4) for 85 seconds, then in the standing posture (state 1) for 50 seconds, then in the walking posture (state 4) for 61 seconds, then in the sitting posture (state 2 ) for 8 seconds, then in the lying posture (state 3) for 94 seconds, then in the walking posture (state 4) for 54 seconds, and finally finishes in the sitting posture (state 2).
  • the present invention makes it possible, at reduced cost and with improved accuracy, to determine in real time or deferred the posture of a person, by accurately determining the changes in posture.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)

Abstract

- Système de détermination de la posture d'une personne, comprenant au moins un capteur de mouvement (CM) à au moins un axe de mesure, muni de moyens de fixation (MF) pour lier solidairement ledit capteur de mouvement (CM) à un utilisateur, comprenant des moyens d'analyse (AN) adaptés pour déterminer une posture de l'utilisateur, ces moyens d'analyse (AN) combinant : - des densités de probabilités conjointes d'une composante basses fréquences et d'une composante hautes fréquences, ces densités de probabilités étant définies pour chaque posture; et - des probabilités de passage entre deux postures successives.

Description

SYSTEME ET PROCEDE DE DETERMINATION DE LA POSTURE D'UNE
PERSONNE
La présente invention porte sur un système et un procédé de détermination de la posture d'une personne.
Il est connu des systèmes et procédés concernant l'analyse de mouvement à base de modèle de Markov caché, tel que décrit par exemple dans les documents "Gesture récognition using the XWand" de Daniel Wilson et Andy Wilson et "Motion-based gesture récognition with an accelerometer" (bachelor's thesis) de P. V. Borza.
Le document "A hidden Markov model-based stride segmentation technique applied to equine inertial sensor trunk movement data", Journal of Biomechanics 41 (2008) 216-220 de Thilo Pfau, Marta Ferrari, Kevin Parsons, et Alan Wilson, porte sur l'analyse de la marche du cheval.
Toutefois, ces systèmes et procédés sont d'une précision limitée. Un but de l'invention est d'améliorer la précision de la détermination de l'activité d'un élément mobile, particulièrement pour un être vivant, humain ou animal. Selon un aspect de l'invention, il est proposé un système de détermination de la posture d'une personne, comprenant au moins un capteur de mouvement à au moins un axe de mesure, muni de moyens de fixation pour lier solidairement ledit capteur de mouvement à un utilisateur. Le système comprend : - un filtre pour sélectionner, pour chaque axe de mesure du capteur de mouvement, des hautes fréquences supérieures à un premier seuil, et des basses fréquences inférieures à un deuxième seuil inférieur ou égal audit premier seuil ;
- des moyens de détermination d'une composante hautes fréquences unidimensionnelle égale à la somme des carrés desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement, et une composante basses fréquences de dimension égale au nombre d'axes de mesure pris en compte du capteur de mouvement ;
- des moyens de calcul, d'une densité de probabilité de ladite composante hautes fréquences et d'une densité de probabilité de ladite composante basses fréquences, ladite densité de probabilités de composante hautes fréquences étant définie par une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesure pris en compte du capteur de mouvement, et ladite densité de probabilité de la composante basses fréquences étant définie par une loi Gaussienne ; et
- des moyens d'analyse adaptés pour déterminer une posture de l'utilisateur, ces moyens d'analyse combinant :
- des densités de probabilités conjointes desdites composantes basses fréquences et hautes fréquences, ces densités de probabilités étant définies pour chaque posture ; et
- des probabilités de passage entre deux postures successives.
On rappelle qu'un modèle de Markov caché est défini par deux processus aléatoires : un premier qui est appelé "état" dans la présente demande et qui n'est pas observé, ou, en d'autres termes qui est caché, et un second qui est l'observation dont la densité de probabilité à un instant donné dépend de la valeur de l'état au même instant. Selon ce premier aspect de l'invention, l'état prend des valeurs discrètes.
Un tel système permet de déterminer l'activité d'un élément mobile, particulièrement pour un être vivant, humain ou animal, avec une précision améliorée.
Dans un mode de réalisation, lesdits moyens de détermination sont adaptés pour déterminer une composante basses fréquences unidimensionnelle égale à une combinaison linéaire des mesures selon les axes de mesure pris en compte du capteur de mouvement, ladite composante hautes fréquences étant définie par une loi du Chi-2 à un degré de liberté.
Selon un mode de réalisation, la densité de probabilité d'un couple de valeurs pour la composante basses fréquences et la composante hautes fréquences comprend le produit d'une densité de probabilité d'obtention de la valeur pour la composante basses fréquences et de la densité de probabilité d'obtention de la valeur pour la composante hautes fréquences, lesdites densités de probabilité étant définies, pour chaque état i, par les expressions suivantes : [x(n)-μx J2
2σr pxMn» = - li π /T π (J Xι
dans lesquelles : x(n) est un signal de dimension 1 , représentant la composante basses fréquences à l'échantillon d'indice n ; μx j représente un vecteur de même dimension que la composante basses fréquences, représentatif de l'état i du modèle de Markov caché considéré ; σX t\ représente la racine carrée de la vahance de la composante basses fréquences x, représentative de l'état du modèle i de Markov caché considéré ; y(n) représente la composante hautes fréquences à l'échantillon d'indice n ; k représente nombre d'axes de mesure pris en compte du capteur de mouvement ; σy j est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy u est la moyenne temporelle de la variable y(n) divisée par k, et r étant la fonction gamma vérifiant r - \ = 4π , r(l) = l et
Une telle modélisation des signaux observés est adaptée à la majorité des cas possibles.
Dans un mode de réalisation, le système comprend des moyens d'affichage.
Selon un mode de réalisation, ledit capteur de mouvement comprend un accéléromètre, et/ou un magnétomètre, et/ou un gyromètre. Dans un mode de réalisation, le système comprend un premier accéléromètre à un axe de mesure et des moyens de fixation adaptés pour fixer le premier accéléromètre au niveau du torse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout.
Selon un mode de réalisation, lesdits moyens d'analyse sont adaptés pour déterminer une posture de l'utilisateur en fonction du temps en utilisant un modèle de Markov caché à au plus quatre états parmi la posture debout ou assis, la posture marche, la posture penché, et la posture couché. Le modèle de Markov caché est alors défini par :
- un processus discret non observé noté l'état et qui prend quatre valeurs parmi les suivantes: la posture debout ou assis, la posture marche, la posture penché, et la posture couché. Cette variable, ou état est une suite de Markov d'ordre 1 , et est donc caractérisé par les probabilités de passage d'un état à un autre; et
- le processus observé du modèle de Markov caché est le signal multidimensionnel W"^^', dont la densité de probabilité dépend de l'état (le processus caché) à un instant donné. Cette densité de probabilité correspond à la densité de probabilité conjointe précédemment définie par la relation suivante : p(x(n) , y{n)\Etat = i) = PιEm {x(n) , y{n)) = Px ι {x(n))Py ι {y{n))
On trouvera ci-dessous des exemples de paramètres des densités de probabilités Pxj et Pyj en fonction de différents états, ou postures. Dans toute cette demande, les mots état et posture sont synonymes.
- pour la posture debout ou assis, μx G [0.7 ; 1.3], σx G [θ.O5 ; O.4], σy G [1.10^5.1(T1] ;
- pour la posture marche, μx G [θ.7 ; 1.3], σx G [θ.O5 ; O.4], σy G [l.HT2 ; l] ; - pour la posture penché, μx <≡ [0.7 ; 1.3], σx G [θ.O5 ; O.4], σy G
; et
- pour la posture couché μx G [-0.3 ; 0.3], σx G [0.05 ; 0.4], σy G [1.Kr3S-I(T1].
Pi(x(n),y(n)) représente la densité de probabilité associée à l'état i, à l'instant n, de x(n) et y(n). Elle correspond au produit des densités de probabilités Px , (!(«)) et Py ι {y{n)) précédemment définies. Si on considère une grandeur θ(n), rassemblant les données observées x(n) et y(n), on peut écrire que Pi(x(n),y(n)) = Pι(θ(n) = p(θ(n)/E(n) = i) , E(n) représentant l'état à l'instant n. θ(n) = {x(n), y(n)}, Mais la détermination de l'état E(n) à l'instant n, uniquement à partir des données observées, y(n), et des densités de probabilités associées
Pyj (y(n)) n'est généralement pas satisfaisante. En effet, l'observation d'un seul échantillon ne permet pas, en général, de déterminer une attitude: il est nécessaire d'en observer plusieurs.
Ainsi, si E(0:N) désigne la série d'états entre l'instant n=0 et l'instant n=N, et si Θ(O:N) désigne les données observées entre l'instant n=0 et l'instant n=N, la probabilité de la séquence d'états E(0:N) correspondante à la séquence d'états E(O), E(I )... E(N) s'écrit p{E(0 : N)\θ(0 : N -l)) qui est proportionnel à :
P(E(O)) P(O(O)/ E(O)) f[ p(E(n)/E(n - 1)) p( Θ(n)/E(n))
B=I
Par exemple, pour la séquence E(0:N)={i,i,i, ,i}, cette probabilité s'écrit :
P(E(O) = i)p(θ(0)\E(0) = i))f[ p(E(n) = i\E(n - 1) = i))p(θ(n)\E(n) = I)) (1 )
B=I
La séquence d'états estimée E(0:N) est celle dont la probabilité est la plus élevée. En pratique, plutôt que de considérer l'ensemble des séquences possibles et pour chacune de calculer sa probabilité, on peut utiliser avantageusement un algorithme de Viterbi pour estimer cette séquence.
P(E(O)) désigne la probabilité associé à l'état initial E(O). On peut, par exemple, choisir une répartition équiprobable de chacun des états possibles lorsque n=0. p(θ(0)/E(0)) représente la probabilité d'observation des données θ(0) à l'instant E(O). Cela correspond à la probabilité Pi(x(n=0),y(n=0)) avec E(n) = i. - p(E(n)/E(n - \)) représente la probabilité de se trouver dans un état E(n) à l'instant alors qu'on se trouvait dans un état E(n-1 ) dans à l'instant n-1 . - p(θ(n)/E(n)) représente la probabilité d'observer les grandeurs θ(n) alors qu'on se trouve dans l'état E(n). Cela correspond à la probabilité Pι(x(n),y(n)) avec E(n)=i. Dans un mode de réalisation, le système comprend, en outre, un deuxième accéléromètre à un axe de mesure et des moyens de fixation adaptés pour fixer le deuxième accéléromètre au niveau de la cuisse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout.
Par exemple, lesdits moyens d'analyse sont adaptés pour déterminer une posture de l'utilisateur en fonction du temps en utilisant un modèle de Markov caché à au plus quatre états parmi la posture debout, la posture assis, la posture allongé, et la posture marche.
Un tel système permet de calculer en temps réel la posture d'une personne. Selon un mode de réalisation, x{n) représente le couple des composantes basses fréquences respectives desdits deux accéléromètres, et y{n) représente la composante hautes fréquences dudit deuxième accéléromètre, à l'échantillon d'indice n, la densité de probabilité d'obtention de la valeur x{n) , correspondant à l'état i, étant définie par l'expression suivante :
„ . . xx 1 -k*(κ)-Λ,, f ∑J,,r1(*(»)-A,, )
" x,ι
^ dans laquelle :
∑x i est une matrice diagonale de dimension 2 décrivant la matrice de covariance du signal x(n) pour l'état i du modèle. μx i représente un vecteur colonne à deux composantes, représentatif de l'état i du modèle.
Les probabilités des variables x(n) et y(n) associées à ces états sont définies par les probabilités ci-dessus, avec les paramètres suivants:
- pour la posture debout (état 1 ), les paramètres des densités de probabilité sont définis comme suit :
Pour la composante hautes fréquences y(n), son paramètre est le suivant: σyΛ = 3e"2 ;
- pour la posture assis, (état 2), les paramètres des densités de probabilité
0.032 0 sont définis comme suit : μx 2 = [l Of et ∑x 2 = . Pour la 0 0.032 composante hautes fréquences y(n), son paramètre est le suivant: σy,2 = 3^ ! pour la posture allongée, (état 3), les paramètres des densités de probabilité sont définis comme suit: μx 3 = [θ Of et Σ 3
Pour la composante hautes fréquences y(n), son paramètre est le suivant: σ 3 = 3e -2
pour la posture marche, (état 4), les paramètres des densités de probabilité sont définis comme suit: μ
Pour la composante haute fréquences y(n), son paramètre est le suivant: σ,,4 = l,2e -1
Ainsi, selon le raisonnement précédemment détaillé, si E(0:N) désigne la série d'états entre l'instant n=0 et l'instant n=N, et si Θ(O:N) désigne les données observées entre l'instant n=0, et l'instant n=N, E(O, N) correspond à la séquence d'états E(O), E(I )... E(N) maximisant l'expression :
P(E(O)) P(O(O)/ E(O)) f[ p(E(n)l E(n - 1)) p( Θ(n)/E(n)) (1 )
B=I
Selon ce mode de réalisation, θ(n) = {x(n), y(n)}, x(n) et y(n) étant respectivement des composantes dites basses et hautes fréquences du signal S(n) mesuré par deux accéléromètres à l'instant n.
Il est également proposé, selon un autre aspect de l'invention, un procédé de détermination de la posture d'une personne, caractérisé en ce que : - on filtre pour sélectionner, pour chaque axe de mesure d'un capteur de mouvement, des hautes fréquences supérieures à un premier seuil, et des basses fréquences inférieures à un deuxième seuil inférieur ou égal audit premier seuil ;
- on détermine une composante hautes fréquences unidimensionnelle égale à la somme des carrés desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement, et une composante basses fréquences de dimension égale au nombre d'axes de mesure pris en compte du capteur de mouvement ;
- on calcule la densité de probabilité de ladite composante hautes fréquences et la densité de la probabilité de ladite composante basses fréquences, ladite composante hautes fréquences étant définie par une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesure pris en compte du capteur de mouvement, et ladite composante basses fréquences étant définie par une loi Gaussienne ; et
- on détermine une posture de l'utilisateur en fonction du temps en utilisant un modèle de Markov caché à N états correspondant respectivement à N postures, cette détermination étant réalisée en combinant : : - des densités de probabilités conjointes desdites composantes basse fréquence et haute fréquence, ces densités de probabilités étant définies pour chaque posture, et - des probabilités de passage entre deux postures successives.
L'invention sera mieux comprise à l'étude de quelques modes de réalisation décrits à titre d'exemples nullement limitatifs et illustrés par les dessins annexés sur lesquels : - la figure 1 illustre un système, selon un aspect de l'invention ;
- la figure 2 illustre un exemple d'enregistrement d'un système selon un aspect de l'invention ; et
- la figure 3 illustre un exemple d'enregistrement d'un système selon un autre aspect de l'invention.
La figure 1 illustre un système de détermination de la posture d'une personne comprenant au moins un capteur de mouvement CM à au moins un axe de mesure, disposé dans un boîtier BT, muni de moyens de fixation comprenant par exemple un élément élastique, pour lier solidairement le capteur de mouvement CM à un utilisateur. Le capteur de mouvement CM peut être, un accéléromètre, un magnétomètre, ou un gyromètre, à un, deux, ou trois axes de mesure.
Le système comprend un filtre FILT pour sélectionner, pour chaque axe de mesure du capteur de mouvement CM, des hautes fréquences supérieures à un premier seuil S1 , et des basses fréquences inférieures à un deuxième seuil S2 inférieur ou égal au premier seuil S1. Le système comprend également un module de détermination DET d'une composante hautes fréquences HF unidimensionnelle égale à la somme des carrés desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement CM, et une composante basses fréquences BF unidimensionnelle égale à une combinaison linéaire des mesures selon les axes de mesure pris en compte du capteur de mouvement CM.
Le système comprend également un module de calcul CALC du carré de la variance de la probabilité Py de ladite composante hautes fréquences HF et du carré de la variance de la probabilité Px de ladite composante basses fréquences BF, ladite composante hautes fréquences HF étant définie par une loi du Chi-2 à un degré de liberté et ladite composante basses fréquences BF étant définie par une loi Gaussienne.
Des moyens d'analyse AN permettent de déterminer une posture de l'utilisateur en fonction du temps en utilisant un modèle de Markov caché à N états correspondant respectivement à N postures.
Pour chaque état i, la densité de probabilité de probabilité conjointe Pj(x(n),y(n)) d'obtention d'un couple de valeurs (x(n), y(n)) pour la composante basses fréquences BF et la composante hautes fréquences HF étant égale au produit de la densité de probabilité Pxj d'obtention de la valeur x(n) pour la composante basses fréquences BF et de la densité de probabilité Pyj d'obtention de la valeur y(n) pour la composante hautes fréquences HF, les densités de probabilité Pxj, PyJ sont définies, pour chaque état i par les expressions suivantes :
dans lesquelles : x{n) représente la composante basses fréquences à l'échantillon d'indice n ; μx ι représente un vecteur de même dimension que la composante basses fréquences, représentatif de l'état i du modèle de Markov caché considéré ; σx ι représente la racine carrée de la variance de la composante basses fréquences x, représentative de l'état du modèle de Markov caché considéré ; y{n) représente la composante hautes fréquences à l'échantillon d'indice n ; k représente nombre d'axes de mesure pris en compte du capteur de mouvement ; σy est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy j est la moyenne temporelle de la variable y(n) divisée par k ; et r est la fonction gamma vérifiant r - \ = 4π , r(l) = l et
Le système comprend également un écran d'affichage AFF. Dans un premier exemple, le système comprend un accéléromètre à un axe de mesure et un élément de fixation pour fixer l'accéléromètre au niveau du torse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout.
Le modèle de Markov caché utilisé comprend quatre états correspondant à quatre postures, la posture debout ou assis (état 1 ), la posture marche (état 2), la posture penché (état 3), et la posture couché (état 4). Les états du modèle de Markov caché sont définis comme suit :
- la posture debout ou assis (état 1 ) : μx l =l , σx Λ = 0.2 , et σy = 3e"2 ;
- la posture marche (état 2) : μx = 1 , σx 2 = 0.2, et σy = 1.2e"1 ;
- la posture penché (état 3) : μx = 0.5 , σx 3 = 0.2 , ei σy = 3e"2 ; - la posture couché (état 4) : μx = 0 , σxA = 0.2, et σy = 3e"2.
A chaque instant n, on peut alors déterminer un état de la personne comme suit :
E(n) = arg max(Px ι (x(n))Py ι (y(n)) = arg HIaX(P1 (x(n), y(n)) Si, à l'instant n, la personne se trouve dans l'état i, E(n) = i.
Pi(x(n),y(n)) représente la densité de probabilité associée à l'état i, à l'instant n, de x(n) et y(n). Elle correspond au produit des densités de probabilités Px , (X(H)) et Py ι (y(n)) précédemment définies. Si on considère une grandeur θ(n), rassemblant les données observées x(n) et y(n), on peut écrire que Pi(x(n),y(n))=Pi(θ(n)= p(θ(n)/E(n) = i) , E(n) représentant l'état à l'instant n.
Mais la détermination de l'état E(n) à l'instant n, uniquement à partir des données observées, x(n) et y(n), et des densités de probabilités associées Pxj(x(n)) et Py,i(y(n)), respectivement associées à ces données, n'est généralement pas satisfaisante.
L'expérience montre qu'il est nécessaire de tenir compte d'un a priori, et par exemple de l'état E(n-1 ) déterminé durant l'instant n-1. Ainsi, si E(0:N) désigne la série d'états entre l'instant n=0 et l'instant n=N, et si Θ(O:N) désigne les données observées entre l'instant n=0 et l'instant n=N, la probabilités de la séquence d'états E(0:N) correspondant à la séquence d'états E(O), E(I )... E(N) s'écrit p(E(0 : N)\θ(0 : N -I)) qui est proportionnel à : p(E(0)) P(O(O)/ E(O)) f[ p(E(n)l E(n - 1)) p( Θ(n)/E(n))
B=I
Par exemple, pour la séquence E(0:N)={i,i,i, ,i}, cette probabilité s'écrit:
P(E(O) = i)p(θ(0)\E(0) = i))f[ p(E(n) = i\E(n -\) = i))p(θ(n)\E(n) = i)) (1 )
B=I
La séquence d'états estimée E(0:N) est celle dont la probabilité est la plus élevée. En pratique, plutôt que de considérer l'ensemble des séquences possibles et pour chacune calculer sa probabilité, il est possible d'utiliser avantageusement un algorithme de Viterbi pour estimer cette séquence.
P(E(O)) désigne la probabilité associé à l'état initial E(O). On peut par exemple choisir une répartition équiprobable de chacun des états possibles lorsque n=0. p(θ(0)/E(0)) représente la probabilité d'observation des données θ(0) à l'instant E(O). Cela correspond à la probabilité Pi(x(n=0),y(n=0)) avec E(n)=i. - /?(E(n)/E(n -I)) représente la probabilité de se trouver dans un état
Ε(n) à l'instant alors qu'on se trouvait dans un état Ε(n-1 ) dans à l'instant n-1 . p(θ(n)/E(n)) représente la probabilité d'observer les grandeurs θ(n) alors qu'on se trouve dans l'état Ε(n). Cela correspond à la probabilité Pi(x(n),y(n)) avec Ε(n) = i Les probabilités p(E(ή)/E(n -l)) correspondent à des probabilités de passage d'un état E(n-1 ) à un état E(n). Ces probabilités sont indiquées dans la tableau suivant en adoptant les notations E(n-1 )=j et E(n)=i,
La série d'états E(O)... E(N) maximisant l'expression (1 ) peut être obtenue en utilisant par exemple l'algorithme de Viterbi, bien connu de l'homme du métier. Ainsi,
1 ) en établissant, pour chaque état E(n) :
- la probabilité d'observer les grandeurs θ(n) alors qu'on se trouve dans l'état E(n), notée p(θ(n)/E(n))
- la probabilité de passage d'un état E(n-1 ) à un état E(n), notée
2) en établissant la probabilité associée à chaque état E(O),
3) en obtenant des valeurs observées θ(n) à chaque instant n compris entre n=0 et n=N, on peut obtenir la série d'états la plus probable E(O)....E(N).
On rappelle que dans la présente description, θ(n) = {x(n), y(n)}, x(n) et y(n) étant respectivement des composantes dites basses et hautes fréquences du signal S(n) mesuré par un accéléromètre à l'instant n.
Les densités de probabilités de passage P(étatj/étatj) d'un état étati correspondant à une posture du modèle de Markov caché à un autre état étatj correspondant à une posture du modèle de Markov caché sont les suivantes, choisies de manière à assurer une bonne stabilité au système :
Le module d'analyse AN détermine, à partir des signaux d'entrée et du modèle de Markov caché tel que défini, la séquence d'états (postures) la plus probable, selon des procédés classiques, par exemple en calculant pour l'ensemble des séquences d'états possibles la probabilité associée compte tenu du signal observé et en gardant la séquence la plus probable, tels que décrits par exemple dans le document "An introduction to hidden Markov models" de L.R. Rabiner et B. H. Juang, IEEE ASSP Magazine, January 1986, ou dans le livre "Inference in Hidden Markov Models" de Cappé, Moulines et Ryden de Springer, de la série "Springer séries in statisctics".
Les différents éléments du système peuvent, par exemple, être intégrés dans un même boîtier BT, comme illustré sur la figure 1 a, ou certains externalisés, par exemple dans un ordinateur portable OP, comme illustré sur la figure 1 b.
La figure 2 illustre un exemple d'enregistrement d'un utilisateur du système du premier exemple, sur le graphique inférieur, et le résultat fourni par le système qui indique que l'utilisateur a été dans la posture debout ou assis (état 1 ) pendant 36 secondes, puis dans la posture de marche (état 2) pendant 16 secondes, puis dans la posture debout ou assis (état 1 ) pendant 8 secondes, puis dans la posture penché (état 3) pendant 18 secondes, puis dans la posture debout ou assis (état 1 ) pendant 6 secondes, puis dans la posture de marche (état 2) pendant 30 secondes, puis dans la posture penché (état 3) pendant 38 secondes, puis dans la posture debout ou assis (état 1 ) pendant 8 secondes, puis dans la posture de marche (état 2) pendant 51 secondes, et enfin finit dans la posture debout ou assis (état 1 ). Dans un deuxième exemple, le système comprend un premier accéléromètre à un axe de mesure et un premier élément de fixation pour fixer le premier accéléromètre au niveau du torse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout, et un deuxième accéléromètre à un axe de mesure et un deuxième élément de fixation pour fixer le deuxième accéléromètre au niveau de la cuisse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout.
Le modèle de Markov caché utilisé comprend quatre états correspondant à quatre postures, la posture debout (état 1 ), la posture assis (état 2), la posture allongé (état 3), et la posture marche (état 4).
En ce cas, x{n) représente le couple des composante basses fréquences BF respectives desdits deux accéléromètres, et y(n) représente la composante hautes fréquences HF dudit deuxième accéléromètre, à l'échantillon d'indice n, la densité de probabilité Px d'obtention de la valeur x(n) étant définie par l'expression suivante :
n , , ss 1 -k*(»)-A .,r∑, , 1Uw-A . )
" χ,>
Σ x,ι dans laquelle : ∑x ι est une matrice diagonale de dimension 2 décrivant la matrice de covariance du signal x(n) pour l'état i du modèle. μx ι représente un vecteur colonne à deux composantes, représentatif de l'état i du modèle.
Les probabilités des variables x(n) et y(n) associées à ces états sont définies par les probabilités ci-dessus, avec les paramètres suivants : - pour la posture debout (état 1 ), les paramètres des densités de probabilité sont définis comme suit:
Pour la composante hautes fréquences y(n), son paramètre est le suivant: σyΛ = 3e"2 ; - pour la posture assis, (état 2), les paramètres des densités de probabilité
0.032 0 sont définis comme suit: μx 2 = [l Of et Σ . Pour la 0 0.032 composante hautes fréquences y(n), son paramètre est le suivant: σ y,,> ,2 = 3e"2 ; pour la posture allongée, (état 3), les paramètres des densités de probabilité sont définis comme suit: μx 3 = [θ Of et Σ 3
Pour la composante hautes fréquences y(n), son paramètre est le suivant: σy3 = 3e"2 ; pour la posture marche, (état 4), les paramètres des densités de probabilité sont définis comme suit: μx 4 = [l lf et ∑x 4
Pour la composante hautes fréquences y(n), son paramètre est le suivant: σ yv A4 = l,2e"1 ;
Ainsi, selon le raisonnement précédemment détaillé, si E(0:N) désigne la série d'états entre l'instant n=0 et l'instant n=N, et si Θ(O:N) désigne les données observées entre l'instant n = O, et l'instant n=N, E(O, N) correspond à la séquence d'états E(O), E(I )... E(N) maximisant l'expression :
P(E(O)) /7(0(0)/ 'E(O)) f[ p(E(n)l E(n - \))p( Θ(n)/E(nj)
B=I (1 )
Selon ce mode de réalisation, θ(n) = {x(n), y(n)}, x(n) et y(n) étant respectivement des composantes dites basse et haute fréquence du signal S(n) mesuré par deux accéléromètres à l'instant n.
Les densités de probabilités de passage P (état/état]) d'un état état; correspondant à une posture du modèle de Markov caché à un autre état étatj correspondant à une posture du modèle de Markov caché sont les suivantes, choisies de manière à assurer une bonne stabilité au système :
Le module d'analyse AN détermine, à partir des signaux d'entrée et du modèle de Markov caché tel que défini, la séquence d'états (postures) la plus probable, selon des procédés classiques, par exemple en calculant pour l'ensemble des séquences d'états possibles la probabilité associée compte tenu du signal observé et en gardant la séquence la plus probable, tels que décrits par exemple dans le document "An introduction to hidden Markov models" de L.R. Rabiner et B. H. Juang, IEEE ASSP Magazine, January 1986, ou dans le livre "Inference in Hidden Markov Models" de Cappé, Moulines et Ryden de Springer, de la série "Springer séries in statisctics".
La figure 3 illustre un exemple d'enregistrement d'un utilisateur du système du premier exemple, sur le graphique inférieur, et le résultat fourni par le système qui indique que l'utilisateur a été dans la posture assis (état 2) pendant 50 secondes, puis dans la posture de marche (état 4) pendant 85 secondes, puis dans la posture debout (état 1 ) pendant 50 secondes, puis dans la posture de marche (état 4) pendant 61 secondes, puis dans la posture assis (état 2) pendant 8 secondes, puis dans la posture allongé (état 3) pendant 94 secondes, puis dans la posture de marche (état 4) pendant 54 secondes, et enfin finit dans la posture assis (état 2).
La présente invention permet, à coût réduit et avec une précision améliorée, de déterminer en temps réel ou en différé la posture d'une personne, en déterminant avec précision les changements de posture.

Claims

REVENDICATIONS
1 . Système de détermination de la posture d'une personne, comprenant au moins un capteur de mouvement (CM) à au moins un axe de mesure, muni de moyens de fixation (MF) pour lier solidairement ledit capteur de mouvement (CM) à un utilisateur, caractérisé en ce qu'il comprend :
- un filtre (FILT) pour sélectionner, pour chaque axe de mesure du capteur de mouvement (CM), des hautes fréquences supérieures à un premier seuil (S1 ), et des basses fréquences inférieures à un deuxième seuil (S2) inférieur ou égal audit premier seuil (S1 ) ;
- des moyens de détermination (DET) d'une composante hautes fréquences (HF) unidimensionnelle égale à la somme des carrés desdites hautes fréquences des axes de mesure pris en compte (k) du capteur de mouvement (CM), et une composante basses fréquences
(BF) de dimension égale au nombre d'axes de mesure pris en compte (k) du capteur de mouvement (CM) ;
- des moyens de calcul (CALC) d'une densité de probabilité (Py) de ladite composante hautes fréquences (HF) et d'une densité de probabilité (Px) de ladite composante basses fréquences (BF), ladite densité de probabilités de composante hautes fréquences (HF) étant définie par une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesure pris en compte (k) du capteur de mouvement (CM), et ladite densité de probabilité de la composante basses fréquences (BF) étant définie par une loi Gaussienne ; et
- des moyens d'analyse (AN) adaptés pour déterminer une posture de l'utilisateur, ces moyens d'analyse (AN) combinant :
- des densités de probabilités conjointes desdites composantes basses fréquences et hautes fréquences, ces densités de probabilités étant définies pour chaque posture ; et
- des probabilités de passage entre deux postures successives.
2. Système selon la revendication 1 , dans lequel, lesdits moyens de détermination (DET) sont adaptés pour déterminer une composante basses fréquences (BF) unidimensionnelle égale à une combinaison linéaire des mesures selon les axes de mesure pris en compte du capteur de mouvement (CM), ladite composante hautes fréquences étant définie par une loi du Chi-2 à un degré de liberté.
3. Système selon la revendication 1 ou 2, dans lequel, la densité de probabilité (P(x(n),y(n))) d'un couple de valeurs ((x(n), y(n)) pour la composante basses fréquences (BF) et la composante hautes fréquences (HF) comprend le produit d'une densité de probabilité (Px) d'obtention de la valeur (x(n)) pour la composante basses fréquences (BF) et de la densité de probabilité (Py) d'obtention de la valeur (y(n)) pour la composante hautes fréquences (HF), lesdites densités de probabilité (Px, Py) étant définies, pour chaque état i par les expressions suivantes : ι } 2σ" y(n)
Py , (y (»)) = l-Υτs yinΫ'2-1 ^
dans lesquelles : x(n) est un signal de dimension 1 , représentant la composante basses fréquences à l'échantillon d'indice n ; μx j représente un vecteur de même dimension que la composante basses fréquences, représentatif de l'état i du modèle de Markov caché considéré ; σx j représente la racine carrée de la variance de la composante basses fréquences x, représentative de l'état du modèle i de Markov caché considéré ; y(n) représente la composante hautes fréquences à l'échantillon d'indice n ; k représente nombre d'axes de mesure pris en compte du capteur de mouvement ; σy t\ est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, Cr1 11 est la moyenne temporelle de la variable y(n) divisée par k, et r étant la fonction gamma vérifiant r — \ = 4π , r(l) = l et
FI n + \ + - \ = n T\ n + -
2 I 2
4. Système selon l'une des revendications précédentes, comprenant des moyens d'affichage (AFF).
5. Système selon l'une des revendications précédentes, dans lequel ledit capteur de mouvement (CM) comprend un accéléromètre, et/ou un magnétomètre, et/ou un gyromètre.
6. Système selon l'une des revendications précédentes, comprenant un premier accéléromètre à un axe de mesure et des moyens de fixation adaptés pour fixer le premier accéléromètre au niveau du torse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout.
7. Système selon la revendication 6, dans lequel lesdits moyens d'analyse (AN) sont adaptés pour déterminer une posture de l'utilisateur en fonction du temps en utilisant un modèle de Markov caché à au plus quatre états parmi la posture debout ou assis, la posture marche, la posture penché, et la posture couché.
8. Système selon la revendication 7, dans lequel :
- pour la posture debout ou assis, μx G [0.7 ; 1.3], σx G [θ.O5 ; O.4], σy € [l. KT3^l(T1 ] ;
- pour la posture marche, μx G [0.7 ; 1.3], σx G [θ.O5 ; O.4],
- pour la posture penché, μx e [0.7 ; 1.3], σx G [θ.O5 ; O.4] , σ, 6 [1.10"^5.1(T1 ] ; et - pour la posture couché μx G [-0.3 ; 0.3], σx G [0.05 ; 0.4] , σ G [LlO-3^lO-1 ] .
9. Système selon la revendication 6, comprenant, en outre, un deuxième accéléromètre à un axe de mesure et des moyens de fixation adaptés pour fixer le deuxième accéléromètre au niveau de la cuisse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout.
10. Système selon la revendication 9, dans lequel lesdits moyens d'analyse (AN) sont adaptés pour déterminer une posture de l'utilisateur en fonction du temps en utilisant un modèle de Markov caché à au plus quatre états parmi la posture debout, la posture assis, la posture allongé, et la posture marche.
1 1. Système selon la revendication 10, dans lequel x(ή) représente le couple des composantes basses fréquences (BF) respectives desdits deux accéléromètres, et y(n) représente la composante hautes fréquences (HF) dudit deuxième accéléromètre, à l'échantillon d'indice n, la densité de probabilité (Px) d'obtention de la valeur x(n) étant définie par l'expression suivante : dans laquelle :
∑xj est une matrice diagonale de dimension 2 décrivant la matrice de covariance du signal x(n) pour l'état i du modèle. μx i représente un vecteur colonne à deux composantes, représentatif de l'état i du modèle.
12. Système selon la revendication 11 , dans lequel : pour la posture debout, μxΛ = [l if , ∑xΛ 2 et σy,i = 3e 2 ; n nr pour la posture assis, μ x, 92 = ~ [ l>l O "fJ ,' Σ ^x, 92 = et
' 0 0.032 σya = 3e -2 .
0.032 O pour la posture allongé, μx 3 = [θ Of , ∑x 3 = et O 0.032 σ,j3 = 3e"2 ; et
0.032 O pour la posture marche, μx 4 = [l lf , ∑x 4 = et O 0.03 σ y,,, 44 = 1,2e"
13. Procédé de détermination de la posture d'une personne, caractérisé en ce que :
- on filtre (FILT) pour sélectionner, pour chaque axe de mesure d'un capteur de mouvement (CM), des hautes fréquences supérieures à un premier seuil (S1 ), et des basses fréquences inférieures à un deuxième seuil (S2) inférieur ou égal audit premier seuil (S1 ) ;
- on détermine (DET) une composante hautes fréquences (HF) unidimensionnelle égale à la somme desdites hautes fréquences des axes de mesure pris en compte (k) du capteur de mouvement (CM), et une composante basses fréquences (BF) de dimension égale au nombre d'axes de mesure pris en compte (k) du capteur de mouvement (CM) ;
- on calcule (CALC) la probabilité (Py) de ladite composante hautes fréquences (HF) et de la probabilité (Px) de ladite composante basses fréquences (BF), ladite composante hautes fréquences (HF) étant définie par une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesure pris en compte (k) du capteur de mouvement (CM), et ladite composante basses fréquences (BF) étant définie par une loi Gaussienne ; et - on détermine une posture de l'utilisateur en fonction du temps en utilisant un modèle de Markov caché à N états correspondant respectivement à N postures, cette détermination étant réalisée en combinant :
- des densités de probabilités conjointes desdites composantes basse fréquence et haute fréquence, ces densités de probabilités étant définies pour chaque posture, et
- des probabilités de passage entre deux postures successives.
EP10715545A 2009-04-24 2010-04-26 Systeme et procede de determination de la posture d'une personne Withdrawn EP2421436A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0952694 2009-04-24
PCT/EP2010/055562 WO2010122174A1 (fr) 2009-04-24 2010-04-26 Systeme et procede de determination de la posture d'une personne

Publications (1)

Publication Number Publication Date
EP2421436A1 true EP2421436A1 (fr) 2012-02-29

Family

ID=41200528

Family Applications (1)

Application Number Title Priority Date Filing Date
EP10715545A Withdrawn EP2421436A1 (fr) 2009-04-24 2010-04-26 Systeme et procede de determination de la posture d'une personne

Country Status (6)

Country Link
US (1) US9445752B2 (fr)
EP (1) EP2421436A1 (fr)
JP (1) JP2012524579A (fr)
KR (1) KR20120027229A (fr)
CN (1) CN102438521A (fr)
WO (1) WO2010122174A1 (fr)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8898041B2 (en) * 2009-04-24 2014-11-25 Commissariat A L'energie Atomique Et Aux Energies Alternatives System and method for determining the activity of a person lying down
US9072461B2 (en) 2011-02-25 2015-07-07 Embraer S.A. Posture observer for ergonomic observation, posture analysis and reconstruction
FR2981561B1 (fr) 2011-10-21 2015-03-20 Commissariat Energie Atomique Procede de detection d'activite a capteur de mouvements, dispositif et programme d'ordinateur correspondants
CN102488522A (zh) * 2011-11-22 2012-06-13 哈尔滨工业大学 基于Zigbee加速度传感网络的人体坐姿检测系统及检测方法
WO2013086363A2 (fr) * 2011-12-07 2013-06-13 Access Business Group International Llc Système de suivi et de modification de comportement
US8965599B2 (en) 2013-05-01 2015-02-24 Delphi Technologies, Inc. Passive entry and passive start system with operator walking detection
EP2835769A1 (fr) 2013-08-05 2015-02-11 Movea Procédé, dispositif et système de capture annotée de données de capteurs et de modélisation de la foule d'activités
US20160019360A1 (en) 2013-12-04 2016-01-21 Apple Inc. Wellness aggregator
KR101776098B1 (ko) 2014-09-02 2017-09-07 애플 인크. 신체적 활동 및 운동 모니터
EP4321088A3 (fr) 2015-08-20 2024-04-24 Apple Inc. Cadran de montre et complications basés sur l'exercice
US10264996B2 (en) * 2015-10-19 2019-04-23 Sayfe Kiaei Method and apparatus for wirelessly monitoring repetitive bodily movements
AU2017100667A4 (en) 2016-06-11 2017-07-06 Apple Inc. Activity and workout updates
CN108261585B (zh) * 2016-12-30 2022-06-07 上海移宇科技股份有限公司 一种人工胰腺闭环控制的系统和方法
CN107582061B (zh) * 2017-07-21 2020-03-27 青岛海信移动通信技术股份有限公司 一种识别人体运动状态的方法及智能移动设备
US11317833B2 (en) 2018-05-07 2022-05-03 Apple Inc. Displaying user interfaces associated with physical activities
DK201970532A1 (en) 2019-05-06 2021-05-03 Apple Inc Activity trends and workouts
AU2020288139B2 (en) 2019-06-01 2023-02-16 Apple Inc. Multi-modal activity tracking user interface
DK181076B1 (en) 2020-02-14 2022-11-25 Apple Inc USER INTERFACES FOR TRAINING CONTENT
WO2022245669A1 (fr) 2021-05-15 2022-11-24 Apple Inc. Interfaces utilisateur pour des entraînements de groupe
CN114252073B (zh) * 2021-11-25 2023-09-15 江苏集萃智能制造技术研究所有限公司 一种机器人姿态数据融合方法
US11977729B2 (en) 2022-06-05 2024-05-07 Apple Inc. Physical activity information user interfaces
US11896871B2 (en) 2022-06-05 2024-02-13 Apple Inc. User interfaces for physical activity information

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0678902A (ja) * 1992-09-04 1994-03-22 Res:Kk 移動手段判別法
US6678413B1 (en) 2000-11-24 2004-01-13 Yiqing Liang System and method for object identification and behavior characterization using video analysis
JP5028751B2 (ja) * 2005-06-09 2012-09-19 ソニー株式会社 行動認識装置
WO2008135985A1 (fr) 2007-05-02 2008-11-13 Earlysense Ltd Suivi, prévision et traitement d'épisodes cliniques
CN100487618C (zh) * 2007-06-08 2009-05-13 北京航空航天大学 一种基于遗传最优request和gupf的组合定姿方法
JP2010207488A (ja) * 2009-03-12 2010-09-24 Gifu Univ 行動解析装置及びプログラム
US8152694B2 (en) * 2009-03-16 2012-04-10 Robert Bosch Gmbh Activity monitoring device and method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2010122174A1 *

Also Published As

Publication number Publication date
WO2010122174A1 (fr) 2010-10-28
CN102438521A (zh) 2012-05-02
US9445752B2 (en) 2016-09-20
KR20120027229A (ko) 2012-03-21
JP2012524579A (ja) 2012-10-18
US20120143094A1 (en) 2012-06-07

Similar Documents

Publication Publication Date Title
EP2421436A1 (fr) Systeme et procede de determination de la posture d&#39;une personne
WO2010122172A1 (fr) Systeme et procede de determination de l&#39;activite d&#39;un element mobile
EP3381367B1 (fr) Procédé et dispositif de calibration d&#39;un capteur inertiel ou magnétique à trois axes de sensibilité
FR2943236A1 (fr) Procede de surveillance d&#39;un parametre biologique d&#39;une personne au moyen de capteurs
US20030187621A1 (en) Method, computer program, and system for automated real-time signal analysis for detection, quantification, and prediction of signal changes
CN108685577A (zh) 一种脑功能康复效果评估装置及方法
CN110461215A (zh) 使用便携式设备确定健康标志
WO2010097422A1 (fr) Systeme et procede de detection de marche d&#39;une personne
FR2981561A1 (fr) Procede de detection d&#39;activite a capteur de mouvements, dispositif et programme d&#39;ordinateur correspondants
EP3305186B1 (fr) Procédé et système de surveillance de stress d&#39;un utilisateur
US20140309964A1 (en) Internal Sensor Based Personalized Pedestrian Location
EP3408612B1 (fr) Procede d&#39;estimation de l&#39;activite physique d&#39;un membre superieur
WO2003005229A1 (fr) Procede et circuit d&#39;analyse frequentielle en temps reel d&#39;un signal non stationnaire
EP2467061B1 (fr) Systeme et procede de detection de crise d&#39;epilepsie d&#39;une personne epileptique allongee
EP3107444A1 (fr) Procédé et système de surveillance du système nerveux autonome d&#39;un sujet
EP3491999B1 (fr) Dispositif d&#39;éstimation de la spo2 et méthode d&#39;éstimation de la spo2
FR3063425A1 (fr) Systeme de determination d&#39;une emotion d&#39;un utilisateur
Benavidez et al. A deep learning approach for human activity recognition project category: Other (time-series classification)
EP0681447B1 (fr) Dispositif de determination d&#39;informations physiologiques, et utilisation correspondante
EP2421438A1 (fr) Systeme et procede de determination de l&#39;activite d&#39;une personne allongee
EP3308104A1 (fr) Procédé de traitement des mesures d&#39;au moins un capteur électronique logé dans un appareil portable
EP2828796B1 (fr) Procédé de détection d&#39;au moins une anomalie dans un signal observé, produit programme d&#39;ordinateur et dispositif correspondants
EP2638492A1 (fr) Dispositif de détection à capteur, procédé de détection et programme d&#39;ordinateur correspondants
EP0410826B1 (fr) Procédé itératif d&#39;estimation de mouvement, entre une image de référence et une image courante, et dispositif pour la mise en oeuvre de ce procédé
Liutkus et al. Source separation for target enhancement of food intake acoustics from noisy recordings

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: 20111123

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 HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO SE SI SK SM TR

DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20180628

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: 20190904