EP4196008A1 - Procede et systeme de detection de la somnolence d'un individu - Google Patents
Procede et systeme de detection de la somnolence d'un individuInfo
- Publication number
- EP4196008A1 EP4196008A1 EP21754765.2A EP21754765A EP4196008A1 EP 4196008 A1 EP4196008 A1 EP 4196008A1 EP 21754765 A EP21754765 A EP 21754765A EP 4196008 A1 EP4196008 A1 EP 4196008A1
- Authority
- EP
- European Patent Office
- Prior art keywords
- variable
- hrv
- time window
- aggregate
- faaggregate
- 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.)
- Pending
Links
- 206010041349 Somnolence Diseases 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 82
- 230000000747 cardiac effect Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000003403 autonomic nervous system Anatomy 0.000 description 4
- 238000013186 photoplethysmography Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003754 fetus Anatomy 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Abstract
Détection de la somnolence d'un individu dont le procédé comprend : • (a) une acquisition d'un signal cardiaque (1 a) • (b) un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δt) entre battements cardiaques successifs, • (c) une extraction, à partir desdits intervalles de temps (Õti) entre battements cardiaques successifs, d'une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δt) entre battements cardiaques successifs, • (d) un calcul d'au moins un agrégat de direction pour une ou plusieurs desdites variables HRV, chaque agrégat de direction étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (F Agrégat), et qui caractérise la tendance de la variable HRV dans cette fenêtre temporelle glissante (F Agrégat), et/ou un calcul d'au moins un agrégat de forme pour une ou plusieurs desdites variables HRV, chaque agrégat de forme étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (F Agrégat) et quantifiant la forme d'une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (F Agrégat), • (e) un traitement du ou des agrégats de direction et/ou du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l'individu.
Description
PROCEDE ET SYSTEME DE DETECTION DE LA SOMNOLENCE D’UN INDIVIDU
Domaine technique
La présente invention concerne la détection de la somnolence à partir d’un signal cardiaque d’un individu. Elle trouve son application dans tous les domaines où la détection de la somnolence d’un individu statique peut s’avérer utile, et plus particulièrement, mais non exclusivement, à la détection de la somnolence d’un conducteur de véhicule.
Art antérieur
On estime qu’entre 10 et 30% de la totalité des accidents de la route dans le monde sont liés à l’endormissement [NHTSA, « Drowsy Driving and Automobile Crashes », 2017], Cette fourchette d’estimation est large car le niveau de fatigue n’est pas mesurable a posteriori lors d’un accident, contrairement par exemple au niveau d’alcool dans le sang. Ainsi les investigateurs se basent sur des critères plus larges comme l’absence de traces de freinage sur le sol.
Compte tenu du problème majeur qu’est la somnolence au volant, de nombreuses solutions techniques ont été développées pour tenter de détecter automatiquement la somnolence et alerter le conducteur (cf notamment Sahayadhas, A., Sundaraj, K., & Murugappan, M. (2012). « Detecting driver drowsiness based on sensors: a review. » Sensors, 72(12), 16937-16953.
La somnolence d’un individu peut se définir d’une manière générale comme une phase intermédiaire d’hypovigilance entre une phase éveillée dans laquelle l’individu est pleinement éveillé et vigilant et une phase dans laquelle l’individu est endormi. Cette phase intermédiaire d’hypovigilance caractéristique de la somnolence peut elle-même se décomposer en plusieurs phases successives de somnolence caractérisées par des degrés de somnolence différents.
Parmi les solutions techniques connues de détection de la somnolence d’un individu, on trouve une première famille de systèmes de
détection basés sur une analyse du comportement du véhicule. En particulier, un système de détection de somnolence répandu est celui détectant un franchissement de ligne blanche. Ce système repose sur l’utilisation de caméra(s) pour analyser en permanence les caractéristiques de la route pour déterminer si le conducteur n’est pas en train de franchir une ligne blanche par inadvertance.
Une autre famille de systèmes de détection de somnolence est basée sur une analyse du comportement du conducteur. On utilise à cet effet une ou plusieurs cameras pour identifier l’ouverture des yeux [Zhang, Z.; Zhang, J. « A new real-time eye tracking based on nonlinear unscented Kalman filter for monitoring driver fatigue. » J. Contr. Theor. Appl. 2010, 8, 181-188] ou la fréquence de clignements des yeux [Bergasa, L.M.; Nuevo, J.; Sotelo, M.A.; Barea, R.; Lopez, M.E. « Real-time system for monitoring driver vigilance. » IEEE Trans. Intell. Transport. Syst. 2006, 7, 63-77],
Ces deux familles présentent de bons résultats sur le papier. Cependant, outre la complexité technique soulevée par l’installation de caméras à bord du véhicule, ainsi que les soucis liés aux variations de luminosité, ces systèmes sont par essence réactifs et peuvent aboutir à une détection de somnolence trop tardive.
On a également cherché à proposer une troisième famille de systèmes de détection de somnolence basés sur une mesure et une analyse de signaux physiologiques de l’individu. Cette famille est très vaste et de nombreux signaux physiologiques peuvent être analysés [Khushaba, R. N.; Kodagoda, S.; Lal, S.; Dissanayake, G. « Driver drowsiness classification using fuzzy wavelet-packet-based feature-extraction algorithm ». IEEE Trans. Biomed. Eng. 2011 , 58, 121-131. / Hu, S.; Zheng, G. “Driver drowsiness detection with eyelid related parameters by support vector machine." Exp. Syst. Appl. 2009, 36, 7651-7658 ].
Parmi les solutions de cette troisième famille, certaines sont basées sur l’acquisition et l’analyse d’un signal EEG (Électro-encéphalogramme) du conducteur. Si le signal EEG peut être un indicateur précieux de
somnolence, il n’en reste pas moins problématique sur plusieurs aspects. D’un point de vue pratique, l’encombrement dans l’habitacle du véhicule avec un tel dispositif pose problème. D’autre part, les données produites par le signal EEG sont lourdes et difficiles à traiter en temps réel, et il y a également des problèmes d’artefacts sur le signal lors du mouvement du conducteur.
Plus récemment, on a proposé des solutions techniques de détection de somnolence basées sur une acquisition et une analyse d’un signal cardiaque de l’individu, du type par exemple signal ECG (Electrocardiogramme) ou signal de pouls de type signal PPG obtenu au moyen d’un capteur de pléthysmographie. Ces solutions permettent avantageusement la mise en œuvre de capteurs simples et peu encombrants. Plus particulièrement, on peut utiliser des capteurs portés par l’individu, et par exemple des capteurs intégrés à un bracelet ou à une bague. On peut également utiliser des capteurs intégrés à un vêtement porté par l’utilisateur ou des capteurs intégrés au siège conducteur. On peut également utiliser des capteurs intégrés au volant du véhicule.
Lors de la phase d’endormissement d’un individu, on remarque une diminution du tonus musculaire et du rythme cardiaque, qui représentent des changements dans le système nerveux autonome (SNA) de l’individu. Pour essayer de détecter la somnolence d’un individu, on a ainsi cherché à utiliser des variables, communément appelées variables HRV, qui sont caractéristiques de la variabilité de la fréquence cardiaque dans le domaine temporel ou fréquentiel et qui sont représentatives de l’activité du système nerveux autonome (SNA).
Des variables HRV couramment utilisées ont par exemple été décrites dans la publication « Heart rate variability - Standards of measurement, physioligical interpetation, and clinical use », European Heart Journal, Vol. 17, Mars 1996, pages 354-381
Les variables HRV sont de manière connue calculées à partir d’une pluralité d’intervalles de temps entre battements cardiaques successifs
dans un signal cardiaque mesuré sur un individu.
Ainsi on a par exemple proposé dans le brevet américain US9,955,925 et dans la demande de brevet américain US 2019/0008434 des systèmes de détection de somnolence mettant en œuvre une détection, dans un signal cardiaque mesuré sur l’individu, des intervalles de temps entre battements cardiaques successifs, sur une extraction de variables HRV caractéristiques de la variabilité de la fréquence cardiaque, et sur une analyse de ces variables HRV au moyen d’un algorithme de détection de somnolence.
Dans le brevet américain US9,955,925 susvisé, cet algorithme de détection met en œuvre un réseau de neurones artificiels (RNA) entraîné au préalable pour différencier les états éveillés et endormis de l’individu. La détection est de ce fait dépendante de l’individu pour lequel le réseau de neurones artificiels (RNA) a été spécifiquement entraîné et n’est donc pas universelle.
Dans la demande de brevet américain US 2019/0008434 susvisée, cet algorithme de détection met en œuvre un arbre de décision, dont les variables de test sont des variables HRV dans le domaine temporel ou dans le domaine fréquentiel. A chaque nœud de l’arbre de décision, on compare ainsi au moins une variable HRV à un seuil prédéfini.
Dans les deux publications US9,955,925 et US 2019/0008434 susvisées, l’utilisation directement de variables HRV rend ces solutions moins fiables, car la valeur d’une variable HRV peut être très différente d’un individu à l’autre pour un même état ou degré de somnolence. Ainsi, en fonction de l’individu, la détection de la somnolence peut s’avérer être insuffisante ou défaillante, et peut notamment aboutir à des détections de somnolence trop tardives ne permettant pas par exemple d’empêcher la survenue d’un accident.
On a également déjà proposé dans la publication : Mohsen Babaeian et al : “Real time Driver Drowsiness Detection Using a Logistic- Regression-Based Machine Learning Algorithm” - IEEE Green energy and
Systems Conference, 6 Novembre 2016, de calculer des variables HRV dites «Features », et d’utiliser un algorithme prédictif, dit de « Régression logistique », pour réaliser la détection de la somnolence d’un individu.
Dans cette publication, l’algorithme prédictif est appliqué directement sur chaque valeur instantanée successive de la variable HRV («Feature»), et doit ainsi nécessairement être entraîné préalablement, afin d’être adapté spécifiquement à un individu. Cela se traduit notamment (cf. Tableau II) par un calcul, lors de la phase d’apprentissage prélable, d’un coefficient spécifique pour chaque individu (« « Subject 1 », « Subject 2 », « Subject 3 ») et pour chaque caractéristique extraite (colonne de gauche du tableau II).
Objectif de l’invention
La présente invention vise d’une manière générale à proposer une nouvelle solution technique de détection de la somnolence d’un individu à partir d’un signal cardiaque de l’individu.
Un objectif plus particulier est de proposer une nouvelle solution technique de détection de la somnolence qui soit faiblement spécifique ou faiblement dépendante d’un individu, et qui puisse s’appliquer de manière plus universelle à des individus différents.
Résumé de l’invention
L’invention a ainsi pour premier objet un procédé de détection de la somnolence d’un individu comprenant :
(a) une acquisition d’un signal cardiaque de l’individu au moyen d’au moins un capteur,
(b) un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δti) entre battements cardiaques successifs,
(c) une extraction, à partir desdits intervalles de temps (5ti) entre battements cardiaques successifs, d’une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δtj) entre battements cardiaques
successifs,
(d) un calcul d’au moins un agrégat de direction pour une ou plusieurs desdites variables HRV, chaque agrégat de direction étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat), et qui caractérise la tendance (baissière, haussière ou constante) de la variable HRV dans cette fenêtre temporelle glissante (FAgrégat), et/ou un calcul d’au moins un agrégat de forme pour une ou plusieurs desdites variables HRV, chaque agrégat de forme étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat) et quantifiant la forme d’une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (FAgrégat),
(e) un traitement du ou des agrégats de direction et/ou du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l’individu.
Dans le cadre de ce procédé de l’invention, les étapes (c) à (e), et optionnellement l’étape (b), peuvent par exemple être réalisées en temps différé par rapport à l’étape (a) d’acquisition du signal cardiaque, en étant réalisées à partir d’un enregistrement en mémoire de ce signal cardiaque sur une période de temps d’acquisition donnée. Cette mise en œuvre au moins des étapes (c) à (e) en temps différé peut s’avérer utile par exemple lorsque l’on souhaite détecter a posteriori sur une période d’observation donnée, chaque période de temps pendant laquelle l’individu a été somnolent.
De préférence néanmoins, les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition du signal cardiaque, ce qui permet une détection de somnolence en temps réel.
De manière facultative selon l’invention, le procédé de détection de l’invention peut également comporter les caractéristiques techniques optionnelles ci-après, prises isolément ou en combinaison :
- les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition du signal cardiaque.
- on extrait à l’étape (c) au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement au moins quatre variables HRV différentes.
- on extrait à l’étape (c) au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel.
- la ou les variables HRV sont choisies parmi les variables HRV de la liste suivante : HRmoy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF, LF/HF telles que définies dans la description ci-après.
- on extrait à l’étape (c) au moins les variables LF et HF, et on calcule à l’étape (d) au moins un agrégat de direction pour chacune de ces variables.
- on extrait à l’étape (c) au moins les variables HF et HRmoy, et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables.
- on extrait à l’étape (c) plusieurs variables HRV, dont au moins la variable HF, et on calcule à l’étape (d) au moins un agrégat de direction et au moins un agrégat de forme pour cette variable HF.
- on extrait également à l’étape (c) une variable HR caractéristique de la fréquence cardiaque instantanée et calculée à partir d’un seul intervalle de temps (δti) entre deux battements cardiaques successifs et à l’étape (d) on calcule au moins un agrégat de direction à partir des valeurs de la variable HR dans une fenêtre temporelle glissante (FAgrégat), ledit agrégat de direction caractérisant la tendance de la variable HR dans cette fenêtre temporelle glissante (FAgrégat) et/ou au moins un agrégat de forme, à partir des valeurs de cette variable HR dans une fenêtre temporelle glissante (FAgrégat), ledit un agrégat de forme quantifiant la forme d’une distribution des valeurs de la variable
HR dans cette fenêtre temporelle glissante (FAgrégat).
- on extrait à l’étape (c) la variable HR et plusieurs variables HRV dont au moins la variable HF et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables HR et HF.
- un agrégat de direction peut être plus particulièrement une variable dont le signe définit si la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat) est baissière ou haussière, de préférence qui est nulle quand la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat) est constante, et plus préférentiellement encore dont la valeur absolue quantifie la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat).
- au moins un (« DIRECTION ») des agrégats de direction est calculé à partir de la différence entre la dernière et la première valeur de la variable dans la fenêtre temporelle glissante (FAgrégat).
- le signe d’au moins un (« DELTA ») agrégat de direction est calculé à partir de la position chronologique de la valeur maximale de la variable dans la fenêtre temporelle glissante (FAgrégat) par rapport à la position chronologique de ladite valeur minimale de la variable dans la fenêtre temporelle glissante (FAgrégat), et de préférence la valeur absolue de cet agrégat de direction (« DELTA ») est calculée à partir de la différence entre ladite valeur maximale de la variable et ladite valeur minimale de la variable.
- au moins un («REGRESSION LINEAIRE ») des agrégats de direction est calculé à partir de la pente de la droite obtenue par régression linéaire sur les valeurs de la variable dans la fenêtre temporelle glissante (FAgrégat).
- au moins un des agrégats de forme est calculé à partir au moins de l’un des coefficients suivants: coefficient d’acuité
(Kurtosis) d’une distribution de la variable, coefficient d’asymétrie (Skewness) d’une distribution de la variable, écart-type (std) de la variable.
- la largeur de la fenêtre temporelle glissante (FAgrégat) correspond à un intervalle de temps (TAgrégat) d’au moins 30 secondes.
- la largeur de la fenêtre temporelle glissante (FAgrégat) correspond à un intervalle de temps (TAgrégat) inférieur ou égal à 10 minutes.
- la largeur de la fenêtre temporelle glissante (FAgrégat) est réglable.
- le calcul de chaque agrégat de direction est effectué avec la même fenêtre temporelle glissante (FAgrégat).
- le calcul de chaque agrégat de forme est effectué avec la même fenêtre temporelle glissante (FAgrégat).
- le calcul de tous les agrégats de direction et/ou de forme est effectué avec la même fenêtre temporelle glissante (FAgrégat)
- le pas de glissement de la fenêtre temporelle glissante (FAgrégat) est réglable.
- l’étape (e) comprend l’utilisation du ou des agrégats de direction et du ou des agrégats de forme comme variables de test dans au moins un arbre de décision, avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu.
- à l’étape (c), chaque variable HRV est obtenue dans le domaine temporel ou fréquentiel à partir de plusieurs intervalles de temps (êtj) entre battements cardiaques successifs dans une fenêtre temporelle glissante (FHRV).
L’invention a pour autre objet un système de détection de somnolence comportant un module d’acquisition d’un signal cardiaque d’un individu, un module de traitement du signal cardiaque, adapté pour réaliser l’étape (b) du procédé de détection susvisé, un module d’extraction adapté pour réaliser l’étape (c) du procédé de détection susvisé, un module de
calcul adapté pour réaliser l’étape (d) du procédé de détection susvisé, et un module de traitement du ou des agrégats de direction et/ou du ou des agrégats de forme calculés par le module de calcul, lequel module de traitement est adapté pour détecter la somnolence de l’individu à partir de ces agrégats.
L’invention a également pour objet une utilisation du système de détection susvisé pour détecter la somnolence d’un individu, et de préférence la somnolence d’un individu conduisant un véhicule.
L’invention a également pour objet un produit programme informatique comprenant des instructions de code de programme et permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser au moins l’étape (d), et de préférence au moins les étapes (d) et (e), du procédé de détection susvisé.
De préférence, ledit produit programme informatique permet, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser également les étapes (a) à (c) du procédé de détection susvisé.
De préférence, ledit produit programme informatique permet, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de calculer à l’étape (c) chaque variable HRV dans le domaine temporel ou fréquentiel à partir de plusieurs intervalles de temps (δti) entre battements cardiaques successifs dans une fenêtre temporelle glissante (FHRV).
Brève description des figures
Les caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description détaillée ci-après de plusieurs variantes de réalisation de l’invention, laquelle description détaillée est donnée à titre d’exemple non limitatif et non exhaustif de l’invention, et en référence aux dessins annexés sur lesquels :
- la figure 1 représente un exemple de système de détection de l’invention sous la forme de schéma bloc ;
- la figure 2 représente une portion de signal caractéristique d’un battement cardiaque dans un signal ECG ;
la figure 3 représente un exemple de signal ECG ;
- la figure 4 représente un exemple de signal PPG ;
- la figure 5 représente un exemple de tachogramme d’une série RR ;
- la figure 6 représente un exemple d’arbre de décision.
Description détaillée
En référence à la variante particulière de réalisation de la figure 1 , un système de détection de somnolence de l’invention comporte :
- un module 1 d’acquisition d’un signal cardiaque 1 a d’un individu ;
- un module de traitement 2 de ce signal cardiaque 1 a, qui a pour fonction principale de détecter les intervalles de temps entre battements cardiaques successifs dans le signal cardiaque 1 a, et qui délivre en sortie une série RR chronologique constituée d’une succession d’échantillons RRi, chaque échantillon RRi quantifiant un intervalle de temps entre deux battements cardiaques successifs;
- un module d’extraction 3, qui est adapté pour extraire plusieurs variables HRV à partir des intervalles de temps RRi successifs fournis par le module de traitement 2;
- un module de calcul 4, qui est adapté pour calculer un ou plusieurs agrégats de direction et un ou plusieurs agrégats de forme à partir des variables HRV fournies par le module d’extraction 3 ;
- un module de détection de somnolence 5, qui est adapté pour détecter un état de somnolence à partir uniquement desdits agrégats fournis par le module de calcul 4 ;
- un module d’alerte 6.
Le système de détection de l’invention peut avantageusement être utilisé pour détecter la somnolence, et de préférence pour détecter de manière précoce le début de somnolence, d’un conducteur de véhicule et pour en cas de détection de somnolence émettre une alarme, afin de prévenir le conducteur qu’il est en hypovigilance. Néanmoins, l’invention n’est pas limitée à cette seule application, le système de détection pouvant être utilisé dans toutes les applications où il s’avère utile de détecter la
somnolence d’un individu, et de préférence d’un individu en position statique.
Dans le cadre de l’invention, les différents modules 1 à 6 peuvent être intégrés à un même dispositif de détection assurant localement, par exemple dans l’habitacle d’un véhicule, l’acquisition du signal cardiaque et la détection de la somnolence de l’individu. Dans d’autres variantes de l’invention, le ou les modules 2, 3, 4 ou 5 peuvent être déportés par rapport au site d’acquisition du signal cardiaque. Par exemple, le module d’acquisition 1 peut être conçu pour communiquer à distance le signal cardiaque 1 a, via tout type de réseau de télécommunication, à un ensemble de traitement déporté comportant les modules 2 à 5.
La technologie utilisée pour réaliser les modules 1 à 6 n’est pas limitative de l’invention. Par exemple, et de manière non exhaustive, l’ensemble des modules 1 à 6 peut être implémenté au moyen d’une ou plusieurs unités de traitement électroniques comportant un ou plusieurs microprocesseurs ou un ou plusieurs microcontrôleurs ou au moyen d’une ou plusieurs unités de traitement électroniques implémentées sous la forme d’un circuit programmable, par exemple de type FPGA, ou sous la forme d’un circuit électronique spécifique de type ASIC. Les modules 3, 4 et 5 peuvent également être implémentés sous la forme d’un ou plusieurs logiciels, qui sont aptes à être exécutés par un ordinateur ou serveur distant communiquant à distance avec le module 1 d’acquisition de signal.
Module d’acquisition 1 - signal cardiaque 1a
Le module d’acquisition 1 comporte un ou plusieurs capteurs qui sont adaptés pour acquérir un signal cardiaque 1 a d’un individu.
Dans le cadre de l’invention, le type de capteur(s) est sans importance.
Les capteurs peuvent par exemple, et de manière non limitative de l’invention, être un ensemble d’électrodes délivrant un signal cardiaque 1 a de type signal ECG (figure 3), qui est représentatif de l’activité cardiaque de l’individu, et qui comporte de manière connue, pour chaque battement
cardiaque, cinq ondes électriques caractéristiques P, Q, R, S, T, tel qu’illustré sur la figure 2 :
- l'onde P correspond à la dépolarisation des oreillettes, et qui présente une faible amplitude et une forme de dôme ;
- l'espace PQ traduit le temps de conduction auriculo-ventriculaire;
- l'onde R est considérée en pratique comme marqueur de la systole ventriculaire, ou du battement cardiaque, le complexe QRS reflétant la contraction ventriculaire, et l'onde T reflète la repolarisation ventriculaire.
De manière non limitative de l’invention, un capteur du module d’acquisition peut également être un capteur de pulsations cardiaques, de type oxymètre de pouls ou capteur de pléthysmographie, délivrant un signal cardiaque 1 a, de type signal PPG (photopléthysmographie) ayant par exemple le profil du signal de la figure 4.
Dans le cadre de l’invention, le ou les capteurs du module d’acquisition 1 peuvent être intégrés à un dispositif de détection porté par l’individu, sous la forme par exemple et de manière non exhaustive d’un bracelet, d’une bague ou encore d’une pince.
Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés à un organe manipulé par l’individu, tel que par exemple le volant d’un véhicule.
Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés à un vêtement porté par l’individu.
Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés dans l’environnement immédiat de l’individu et être par exemple intégrés au siège d’un véhicule.
Quel que soit le type de capteur, le signal cardiaque 1a délivré par le module d’acquisition 1 peut être un signal analogique ou un signal numérique.
Lorsque le signal cardiaque 1 a est numérique, le module d’acquisition 1 intègre un convertisseur analogique/numérique permettant
de numériser le signal cardiaque avec une fréquence d'échantillonnage (fc) prédéterminée, valant par exemple 256 Hz.
Lorsque le signal cardiaque 1 a est analogique, le module de traitement 2 comporte généralement en entrée ledit convertisseur analogique/numérique permettant de numériser le signal cardiaque 1 a avant mise en œuvre de la détection par le module de traitement 2.
Module de traitement 2- Echantillons RRi
Le module 2 a pour fonction, de manière connue en soi, de détecter les intervalles de temps entre battements cardiaques successifs dans le signal cardiaque 1 a.
Cette détection est de préférence réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.
Lorsque le signal cardiaque est un signal de type ECG (figure 3), le module 2 est de préférence adapté pour détecter chaque intervalle de temps δti entre deux ondes R successives (figure 3) et pour construire en sortie du module une série chronologique, dite série « RR » et constituée d’une succession d’échantillons RRi, la valeur de chaque échantillon RRi étant égale à l’intervalle de temps δti entre deux ondes Ri, Rj+i successives.
Ceci n’est toutefois pas limitatif de l’invention. Dans le cas d’un signal cardiaque de type ECG, le module 2 peut également être adapté pour construire ladite série RR en utilisant les autres ondes de dépolarisation (P, Q, S ou T) du signal ECG, la précision étant toutefois moins bonne qu’en utilisant les ondes R du signal ECG.
Lorsque le signal cardiaque est un signal de pulsation cardiaque du type de celui de la figure 4, le module de traitement 2 est de préférence adapté pour détecter chaque intervalle de temps δti entre deux pics successifs Pi, Pi+1 (figure 4) caractéristiques de deux pulsations cardiaques successives et pour construire en sortie du module une série chronologique constituée d’une succession d’échantillons RRi, la valeur de chaque échantillon RRi étant égale à l’intervalle de temps δti entre deux pics Pi, Pi+1 successifs.
Dans le présent texte, quel que soit le type de signal cardiaque 1a, on
désigne par « série RR » la série chronologique constituée d’une succession d’échantillons RRi dont la valeur est égale à l’intervalle de temps δti entre deux battements cardiaques successifs du signal cardiaque 1a.
A titre illustratif uniquement on a représenté sur la figure 5, un exemple de tachogramme d’une série RR en fonction du temps.
De manière optionnelle, le module 2 peut également comporter de manière connue en soi un ou plusieurs filtres permettant de filtrer le signal cardiaque 1 a délivré par le module d’acquisition 1 ou de filtrer la série RR avant de la fournir au module d’extraction 3, afin par exemple de supprimer et/ou corriger d’éventuels artéfacts présents dans le signal cardiaque 1a. Module d’extraction 3- Variables HRV
Le module d’extraction 3 permet d’extraire plusieurs variables HRV à partir d’une série RR fournie par le module de traitement 2.
Dans le présent texte, on désigne d’une manière générale par « variable HRV » toute variable caractéristique de la variation de la fréquence cardiaque et calculée à partir d’une pluralité d’intervalles de temps δti.
Cette extraction est de préférence réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.
D’une manière générale, chaque variable HRV est calculée à partir de plusieurs échantillons RRi de la série RR.
Plus particulièrement, chaque variable HRV est calculée à partir de plusieurs échantillons RRi successifs pris sur un intervalle de temps prédéfini THRV .
Plus particulièrement, d’un point de vue pratique, chaque variable HRV est calculée à partir de plusieurs échantillons RRi successifs dans une première fenêtre temporelle glissante FHRV (figure 5) de largeur LHRV prédéfinie correspondant à cet intervalle de temps THRV, OU autrement dit à un nombre prédéfini d’échantillons RRi pris en compte dans la fenêtre temporelle glissante FHRV.
Pour implémenter cette fenêtre temporelle FHRvglissante, on peut par exemple mettre en œuvre un registre à décalage de type FIFO.
La largeur LHRV de fenêtre temporelle glissante FHRV peut être différente d’une variable HRV à l’autre ou peut être la même pour plusieurs variables HRV ou peut être la même pour toutes les variables HRV.
Plus la fenêtre temporelle glissante FHRV est large, et plus le nombre d’échantillons RRi pris en compte pour le calcul de la variable HRV correspondante dans cette fenêtre temporelle glissante FHRV est important.
Le pas de glissement de la fenêtre temporelle glissante FHRV peut selon le cas être un pas d’un seul échantillon RRi ou un pas de plusieurs échantillons RRi.
De préférence, ce pas de glissement de la fenêtre temporelle glissante FHRV est inférieur à la largeur LHRV de la fenêtre temporelle glissante FHRV, c’est-à-dire inférieur au nombre d’échantillons RRi dans la fenêtre temporelle glissante FHRV.
Le pas de glissement de la fenêtre temporelle glissante FHRV peut être différent pour chaque variable HRV ou peut être le même pour plusieurs variables HRV ou peut être le même pour toutes les variables HRV.
Dans le cadre de l’invention, les variables HRV sont de préférence sélectionnées parmi celles énumérées ci-après, étant précisé toutefois que l’invention n’est pas limitée à ces seuls exemples particuliers de variables HRV.
Liste des Variables HRV préférentielles
Dans le domaine temporel, les variables HRV préférentielles pour réaliser l’invention sont : HRmoy, RMSSD, VCT, VLT, SDNN, CSI.
HRmoy
Cette variable HRmoy est représentative de la moyenne de la fréquence cardiaque dans la fenêtre temporelle glissante FHRV.
Cette variable HRmoy exprimée en battements/minute peut de manière connue être calculée à partir d’une pluralité d’échantillons RRi(δti) dans la fenêtre temporelle glissante FHRV susvisée au moyen de la formule suivante:
HRmoy (battements/minute) =
dans laquelle :
- N est le nombre d’échantillons RRi(δti) dans la fenêtre glissante FHRV
- les intervalles de temps δti sont exprimés en secondes.
RMSSD
Cette variable HRV est la racine carrée de la moyenne des différences au carré entre les échantillons RRi(δti) successifs dans la fenêtre temporelle glissante FHRV.
VCT (Variabilité Court Terme)
Cette variable HRV avait été jusqu’à ce jour développée spécifiquement pour l’analyse du rythme cardiaque des fœtus et permet d’analyser la variabilité court-terme du rythme cardiaque.
VCT est calculée sur une série de RRi(δti) rééchantillonnée à 4hz. Elle analyse les différences de fréquence cardiaque moyenne entre deux époques courtes (par exemple de 3,75s) successives dans une fenêtre temporelle glissante FHRV d’une minute (soit 16 époques). VCT représente alors la moyenne de la valeur absolue de ces différences divisée par 2.
Elle peut être calculée au moyen de la formule suivante :
dans laquelle
et Xi représentent la fréquence cardiaque moyenne respectivement sur deux époques courtes (par exemple de 3,75s) successives.
VLT (Variabilité Long Terme)
Cette variable HRV avait été jusqu’à ce jour développée spécifiquement pour l’analyse du rythme cardiaque des fœtus et permet d’analyser la variabilité long-terme du rythme cardiaque.
Comme pour la variable VCT, la variable VLT est calculée sur une série de RRi(δti) rééchantillonnée à 4hz.
La VLT représente la différence entre la valeur minimale et la valeur
maximale des fréquences cardiaques moyennes Xt calculées sur des époques (par exemple de 3,75s) successives dans une fenêtre temporelle glissante FHRV d’une minute.
SDNN
Cette variable HRV est l'écart-type des échantillons RRi(δti) dans la fenêtre temporelle glissante FHRV.
Elle peut être calculée au moyen de la formule suivante :
dans laquelle :
- N est le nombre d’échantillons RRi(δti) dans la fenêtre glissante FHRV
- M est la moyenne des intervalles de temps δti dans la fenêtre glissante FHRV.
CSI
Cette variable HRV est calculée au moyen de la formule : dans laquelle :
et
est l’écart-type des différences entre intervalles de temps successifs et dans la fenêtre temporelle glissante FHRV.
Dans le domaine fréquentiel, les variables HRV préférentielles pour l’invention sont les variables communément désignées HF, LF, HF/LF, LF/HF.
D’une manière générale, pour obtenir une variable HRV dans le domaine fréquentiel, notamment HF, LF, HF/LF, LF/HF, on réalise une étape
supplémentaire intermédiaire de transformation dans le domaine fréquentiel du signal temporel RR, par exemple, et de manière non exhaustive, au moyen d’une transformée de Fourier rapide (FFT), d’une transformée en ondelettes ou d’un modèle autorégressif (ARMA) et on obtient un signal dans le domaine fréquentiel, sur lequel le calcul des variables HRV, notamment HF, LF, HF/LF, LF/HF est réalisé.
De manière connue, les variables HF et LF caractérisent la densité de puissance spectrale ou la puissance spectrale de la série d’échantillons RRi dans la fenêtre temporelle glissante FHRV susvisée, dans une bande de hautes fréquences, de préférence entre 0,15 Hz et 0,4 Hz pour la variable HF et dans une bande de basses fréquences, de préférence entre 0,04Hz et 0,15Hz pour la variable LF.
Ces variables HF et LF sont, de manière connue, obtenues à partir d’une intégration du signal (i.e. à partir du calcul de « l’aire sous la courbe » du signal) issu de la transformation du signal temporel RR dans le domaine fréquentiel, cette intégration étant réalisée dans une bande de fréquences qui est spécifique et différente pour chaque variable, et de préférence :
- pour la variable HF : bande de fréquences entre 0,15Hz et 0,4 Hz ;
- pour la variable LF : bande de fréquences entre 0,004Hz et 0,15Hz.
Autre variable : HR (Fréquence cardiaque instantanée)
De manière optionnelle, en plus des variables HRV caractéristiques de la variabilité de la fréquence cardiaque et calculées chacune à partir de plusieurs échantillons RRi, le module d’extraction 3 peut également, dans certaines variantes de réalisation, calculer et fournir au module de calcul 4 une variable additionnelle dite HR, qui n’est pas une variable HRV au sens du présent texte et de de l’invention, qui est calculée à partir d’un seul échantillon RRi, et qui est caractéristique de la fréquence cardiaque instantanée.
Cette variable HR exprimée par exemple en nombre de pulsations cardiaques par minute peut de manière connue être calculée à partir d’un seul
échantillon RRi exprimé en secondes, au moyen de la formule suivante : HR (battements/minute) = 60/ δti
Module de calcul 4 - Agrégats
Le module 4 de calcul des agrégats est adapté pour calculer au moins un agrégat de direction pour une ou plusieurs variables HRV ou au moins un agrégat de forme pour une ou plusieurs variables HRV.
De préférence, le module 4 de calcul des agrégats est adapté pour calculer au moins un agrégat de direction pour une ou plusieurs variables HRV et au moins un agrégat de forme pour une ou plusieurs variables HRV
Dans certaines variantes de réalisation, le ou les agrégats de forme sont calculés pour des variables HRV différentes de celles utilisées pour le calcul du ou des agrégats de direction.
Dans certaines variantes de réalisation, un agrégat de direction et un agrégat de forme peuvent être calculés pour une même variable HRV.
Ce calcul d’agrégats est de préférence réalisé en temps réel pendant l’acguisition du signal cardiague 1a.
D’une manière générale, chague agrégat de direction et/ou chague agrégat de forme est calculé pour une variable HRV à partir de plusieurs valeurs discrètes successives HRVi de la variable HRV dans une deuxième fenêtre temporelle glissante FAgrégat de largeur LAgrégat prédéfinie.
Cette largeur LAgrégat de la fenêtre temporelle glissante FAgrégat correspond à un intervalle de temps TAgrégat ou autrement dit à un nombre prédéfini de valeurs discrètes HRVi prises en compte dans la fenêtre temporelle glissante FAgrégat.
Cette largeur LAgrégat de fenêtre temporelle glissante FAgrégat peut être différente d’une variable à l’autre, et le cas échéant pour une même variable peut être différente pour un agrégat de direction et pour un agrégat de forme.
Néanmoins, dans une variante préférée de réalisation, tous les agrégats (agrégat(s) de forme et agrégat(s) de direction) seront calculés pour toutes les variables HRV avec la même fenêtre temporelle glissante FAgrégat.
Plus la fenêtre temporelle glissante FAgrégat est large, et plus le nombre
d’échantillons de la variable HRV pris en compte pour le calcul de l’agrégat de direction ou de forme dans cette fenêtre temporelle glissante FAgrégat est important.
Plus particulièrement, mais de manière non limitative de l’invention, l’intervalle de temps TAgrégat correspondant à la largeur de la fenêtre temporelle glissante FAgrégat sera de préférence d’au moins 30 secondes et de préférence inférieur ou égal à 10 minutes.
Le pas de glissement de la fenêtre temporelle glissante FAgrégat peut selon le cas être un pas d’un seul échantillon de la variable HRV ou un pas de plusieurs échantillons de la variable HRV.
De préférence, ce pas de glissement de la fenêtre temporelle glissante FAgrégat est inférieur à la largeur LAgrégat de la fenêtre temporelle glissante FAgrégat, c’est-à-dire inférieur au nombre d’échantillons de la variable HRV dans la fenêtre temporelle glissante FAgrégat.
Le pas de glissement de la fenêtre temporelle glissante FAgrégat peut être le même pour tous les agrégats ou peut être spécifique d’un agrégat.
De préférence, mais de manière facultative, afin de faciliter l’adaptation du procédé de détection de somnolence de l’invention à différents types d’applications, la largeur de la fenêtre temporelle glissante FAgrégat et/ou le pas de glissement de la fenêtre temporelle glissante FAgrégat sont réglables.
Pour implémenter la fenêtre temporelle glissante FAgrégat, on peut par exemple mettre en œuvre un registre à décalage de type FIFO.
De manière optionnelle, lorsque le module d’extraction 3 est adapté pour calculer également la variable HR susvisée, dans ce cas le module 4 de calcul peut également calculer un agrégat de direction pour la variable HR et/ou un agrégat de forme pour la variable HR à partir des valeurs discrètes (échantillons) HRi prises par cette variable HR dans une fenêtre temporelle glissante FAgrégat, et notamment à partir de plusieurs valeurs discrètes successives HRi de la variable HR dans une fenêtre temporelle glissante FAgrégat de largeur LAgrégat prédéfinie.
Agrégats de direction
D’une manière générale un agrégat de direction est une variable, qui est calculée pour une variable HRV, et optionnellement pour la variable HR, à partir des valeurs discrètes (échantillons) de la variable HRV (ou HR), dans la fenêtre temporelle glissante FAgrégat, et qui définit la tendance (haussière, baissière, constante) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat.
De préférence, et plus particulièrement, un agrégat de direction est une variable dont le signe définit si la tendance de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat est baissière ou haussière, et de préférence qui est nulle quand la tendance de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat est constante.
De préférence, mais non nécessairement, la valeur absolue d’un agrégat de direction quantifie ladite tendance de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat.
De préférence les agrégats de direction peuvent être sélectionnés parmi les trois types particuliers d’agrégats de direction (« DIRECTION », « DELTA », « REGRESSION LINEAIRE ») détaillés ci-après, étant précisé toutefois que l’invention n’est pas limitée à ces seuls exemples particuliers d’agrégats de direction.
« DIRECTION »
Cet agrégat est obtenu en calculant la différence entre la dernière et la première valeur de la variable HRV (ou HR) dans la fenêtre temporelle glissante F Agrégat
Lorsque cette différence est positive, la tendance de la variable HRV (ou HR) est haussière. Lorsque cette différence est négative, la tendance de la variable HRV (ou HR) est baissière.
« DELTA ».
La valeur absolue de cet agrégat est obtenue en calculant la différence entre la valeur maximale de la variable HRV (ou HR) et la valeur minimale de la variable HRV (ou HR) dans la fenêtre temporelle glissante
FAgrégat. Le signe de cet agrégat est par exemple obtenu à partir de la position chronologique de ladite la valeur maximale de la variable par rapport à la position chronologique de ladite valeur minimale de la variable dans la fenêtre temporelle glissante FAgrégat. Lorsque la position chronologique dans la fenêtre temporelle glissante FAgrégat de la valeur maximale de la variable HRV (ou HR) est postérieure à la valeur minimale de la variable HRV (ou HR), le signe de l’agrégat de direction DELTA est positif, et la tendance de la variable HRV (ou HR) est haussière. Lorsque la position chronologique dans la fenêtre temporelle glissante FAgrégat de la valeur maximale de la variable HRV (ou HR) est antérieure à la valeur minimale de la variable HRV (ou HR), le signe de l’agrégat de direction DELTA est négatif, et la tendance de la variable HRV (ou HR) est baissière.
« REGRESSION LINEAIRE »
Cet agrégat est obtenu en calculant par régression linéaire, par exemple en utilisant la méthode des moindres carrés, la droite approximant l’ensemble des valeurs de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat, l’agrégat « REGRESSION LINEAIRE » étant la pente (coefficient directeur) de cette droite. Lorsque cette pente est positive, la tendance de la variable HRV (ou HR) est haussière. Lorsque cette pente est négative, la tendance de la variable HRV (ou HR) est baissière.
Agrégats de forme
D’une manière générale, un agrégat de forme est une variable qui est calculée à partir des valeurs discrètes (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat et qui quantifie la forme d’une distribution des échantillons (valeurs) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat .
De préférence les agrégats de forme peuvent être sélectionnés parmi les différents types particuliers d’agrégats de forme détaillés ci-après, étant précisé toutefois que l’invention n’est pas limitée à ces seuls exemples particuliers d’agrégats de forme.
Ecart-type
L’écart-type mesure de manière connue en soi la dispersion de la distribution d’une variable.
Dans le cadre de l’invention l’écart-type (std) de la variable HRV (ou optionnellement HR) dans la fenêtre temporelle glissante FAgrégat peut être calculé au moyen de la formule suivante :
dans laquelle :
- A/ est le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ;
- xmoy est la moyenne des valeurs de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ; xi est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante FAgrégat ;
Kurtosis
Le Kurtosis, encore communément appelé coefficient d’acuité ou coefficient d’aplatissement, mesure de manière connue en soi l’acuité de la distribution d’une variable.
Il existe plusieurs méthodes connues pour calculer le Kurtosis d’une variable.
Dans le cadre de l’invention le Kurtosis de la variable HRV dans la fenêtre temporelle glissante FAgrégat peut par exemple être calculé au moyen de la formule suivante :
dans laquelle :
- N est le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ;
- xmoy est la moyenne des valeurs de la variable HRV(ou HR) dans la
fenêtre temporelle glissante FAgrégat ; xi est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante FAgrégat ;
- k2 est la variance des échantillons de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat .
Skewness
Le Skewness encore communément appelé coefficient d’asymétrie mesure de manière connue en soi l’asymétrie de la distribution d’une variable.
Il existe plusieurs méthodes connues pour calculer le Skewness d’une variable.
Dans le cadre de l’invention, le Skewness de la variable HRV dans la fenêtre temporelle glissante FAgrégat peut être calculé au moyen de la formule suivante :
dans laquelle :
- N est le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ;
- xmoy est la moyenne des valeurs i de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ; xi est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante FAgrégat ;
- S est l’écart-type des échantillons de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat.
D’autres agrégats de forme peuvent également être dérivés du ou des agrégats de formes susvisé.
Par exemple et de manière non exhaustive, des agrégats de forme
dérivés de l’écart-type (std) peuvent être calculés, tels que par exemple M/std ou std/M, M étant est la moyenne des valeurs HRVi (ou HRi) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat.
De préférence, l’invention peut être réalisée d’une part en utilisant au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement encore au moins quatre sélectionnées.
Il est préférable d’utiliser plusieurs variables HRV pour rendre la détection de somnolence encore plus fiable et plus universelle.
De préférence, pour une meilleure détection de la somnolence, le module d’extraction 3 est adapté pour extraire au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel.
De préférence, la ou les variables HRV sont choisies parmi la liste des variables HRV préférentielles susvisées (HRmoy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF), et le module 4 est adapté pour calculer, pour une ou plusieurs de ces variables HRV, un ou plusieurs agrégats de direction de préférence choisis parmi la liste des agrégats de direction susvisés (« DIRECTION », « DELTA », « REGRESSION LINEAIRE ») et pour calculer, pour une ou plusieurs de ces variables HRV, un ou plusieurs agrégats de forme de préférence choisis parmi la liste des agrégats de forme susvisés (std, Kurtosis, Skewness, M/std ou std/M).
A titre d’exemples préférentiels, mais non limitatifs et non exhaustifs de l’invention, on a synthétisé dans les deux tableaux A et B suivants l’évolution de certains agrégats préférentiels pour certaines variables HRV, avant l’apparition d’une somnolence, cette évolution pouvant être analysée par l’algorithme de détection de somnolence pour détecter le plus tôt possible une somnolence d’un individu.
Tableau A : Agrégats - Variables HRV dans le domaine temporel
Tableau B : Agrégats - Variables HRV dans le domaine fréquentiel
L’utilisation de variables HRV et d’agrégat(s) de direction calculés pour une ou plusieurs de ces variables HRV et/ou d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV permet avantageusement de réaliser une détection de somnolence fiable, sans qu’il soit indispensable d’utiliser en complément d’autres dispositifs de détection de somnolence ou d’utiliser en complément des signaux physiologiques autres que le signal cardiaque 1a. Le système de détection de somnolence de l’invention pourra donc avantageusement être utilisé pour la détection de somnolence, à partir uniquement du ou des agrégats de direction et/ou du ou des agrégats de forme, sans nécessiter d’autres dispositifs détection ou sans nécessiter l’acquisition de signaux physiologiques autres que le signal cardiaque 1 a.
Néanmoins, dans le cadre de l’invention, le système de détection de somnolence de l’invention peut également être utilisé en complément avec d’autres dispositifs de détection connus, tels que par exemple des dispositifs de détection basés sur l’analyse du clignement des yeux, des dispositifs de détection basés sur l’analyse comportementale de l’individu, des dispositifs de détection basés sur l’analyse des mouvements du véhicule, ou des dispositifs de détection de somnolence utilisant des signaux physiologiques autres qu’un signal cardiaque.
Par ailleurs, comparativement à des solutions de détection de somnolence utilisant directement les variables HRV pour la détection de somnolence, l’utilisation conformément à l’invention de variables HRV et d’agrégat(s) de direction calculés pour une ou plusieurs de ces variables HRV et/ou d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV peut permettre avantageusement de réaliser une détection de somnolence, qui est plus universelle, c’est-à-dire qui n’est pas dépendante ou spécifique d’un individu.
Au surplus, l’utilisation conformément à l’invention de variables HRV et d’agrégat(s) de direction calculés pour une ou plusieurs de ces variables HRV et/ou d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV peut permettre avantageusement dans de nombreux cas de réaliser une détection de somnolence précoce, c’est-à-dire de détecter un début de somnolence, bien avant la phase dans laquelle l’individu est endormi.
De préférence, mais non nécessairement, la détection de somnolence est réalisée en utilisant préférentiellement comme variables HRV, au moins les variables LF, HF, HF/LF, LF/HF, et plus préférentiellement en calculant au moins un agrégat de direction pour chacune de ces variables HRV.
De préférence, mais non nécessairement, la détection de somnolence est réalisée en utilisant préférentiellement comme variables HRV, au moins les variables HF et HRmoy, et en calculant au moins un agrégat
de forme pour chacune de ces variables HRV ou en en utilisant préférentiellement la variable HR et plusieurs variables HRV dont au moins la variable HF et en calculant au moins un agrégat de forme pour chacune de ces variables HR et HF.
De préférence, mais non nécessairement, la détection de somnolence est réalisée en utilisant plusieurs variables HRV, dont au moins préférentiellement la variable HF, et en calculant au moins un agrégat de direction et au moins un agrégat de forme pour cette variable H F.
Module de détection de somnolence 5
Les différents agrégat(s) de forme et/ou agrégat(s) de direction sont fournis comme variables d’entrée au module de détection de somnolence 5.
D’une manière générale, le module de détection de somnolence 5 exécute un algorithme de détection qui permet la détection de la somnolence de l’individu à partir de ces agrégats.
Cette détection de somnolence est réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.
Plus particulièrement mais non nécessairement, la détection par le module 5 est réalisée en utilisant le ou les agrégats de direction et/ou le ou les agrégats de forme comme variables de test dans un arbre de décision, tel que par exemple celui de la figure 6, avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu.
A la racine (NO) de l’arbre de détection et à chaque nœud (N1 , N2, N3,..) de l’arbre de décision au moins l’un des agrégats issus du module 4 de calcul d’agrégats ( agrégat de forme ou agrégat de direction ) est comparé à un seuil prédéfini (S0, S1 , S2, ... ).
La structure particulière de l’arbre de décision de la figure 6 est fournie à titre d’exemple uniquement et n’est pas limitatif des structures d’arbres de décision pouvant être mis en œuvre.
L’algorithme prédictif pour la détection de somnolence peut
également mettre en œuvre la technique connue d’apprentissage automatique dite « random forest », qui effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données (variables HRV et agrégat(s) de direction et agrégat(s) de forme) différents.
Bien que la mise en œuvre d’un algorithme basé sur un ou plusieurs arbres de décision soit préférentielle, l’invention peut néanmoins également être mise en œuvre en utilisant d’autres type d’algorithmes prédictifs, tels que par exemple et de manière non exhaustive, un algorithme basé sur un réseau de neurones, un réseau neuronal convolutif, une régression logistique, ou tout autre modèle d’intelligence artificielle.
Module d’alerte 6
Le module de détection de somnolence 5 communique avec le module d’alerte 6 afin de le tenir informé, en temps réel et pendant l’acquisition du signal cardiaque 1a, de la somnolence ou non de l’individu.
Le module d’alerte 6 est adapté pour déclencher automatiquement une action, dès qu’il est informé d’un état de somnolence de l’individu par le module de détection de somnolence 5.
Cette action est par exemple le déclenchement d’un signal d’alarme visuel et/ou sonore et/ou mécanique (par exemple vibrations) dans l’environnement de l’individu, de manière à avertir au moins l’individu de son état de somnolence, afin que celui-ci puisse prendre les mesures (par exemple interruption de la conduite et repos) nécessaires au rétablissement de sa vigilance.
Claims
REVENDICATIONS Procédé de détection de la somnolence d’un individu comprenant :
(a) une acquisition d’un signal cardiaque (1a) de l’individu au moyen d’au moins un capteur,
(b) un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δti) entre battements cardiaques successifs,
(c) une extraction, à partir desdits intervalles de temps (êti) entre battements cardiaques successifs, d’une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δti) entre battements cardiaques successifs,
(d) un calcul d’au moins un agrégat de direction pour une ou plusieurs desdites variables HRV, chaque agrégat de direction étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat), et qui caractérise la tendance de la variable HRV dans cette fenêtre temporelle glissante (FAgrégat), et/ou un calcul d’au moins un agrégat de forme pour une ou plusieurs desdites variables HRV, chaque agrégat de forme étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat) et quantifiant la forme d’une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (FAgrégat),
(e) un traitement du ou des agrégats de direction et/ou du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l’individu. Procédé selon la revendication 1 , dans lequel les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition
du signal cardiaque (1 a). Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement au moins quatre variables HRV différentes. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel. Procédé selon l’une quelconque des revendications précédentes, dans lequel la ou les variables HRV sont choisies parmi les variables HRV de la liste suivante : HRmoy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF, LF/HF. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins les variables LF et HF, et on calcule à l’étape (d) au moins un agrégat de direction pour chacune de ces variables. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins les variables HF et HRmoy, et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) plusieurs variables HRV, dont au moins la variable HF, et on calcule à l’étape (d) au moins un agrégat de direction et au moins un agrégat de forme pour cette variable HF. Procédé selon l’une quelconque des revendications précédentes,
dans lequel on extrait également à l’étape (c) une variable HR caractéristique de la fréquence cardiaque instantanée et calculée à partir d’un seul intervalle de temps (δti) entre deux battements cardiaques successifs et dans lequel à l’étape (d) on calcule au moins un agrégat de direction, à partir des valeurs de la variable HR dans une fenêtre temporelle glissante (FAgrégat), ledit agrégat de direction caractérisant la tendance de la variable HR dans cette fenêtre temporelle glissante (FAgrégat) et/ou au moins un agrégat de forme, à partir des valeurs de cette variable HR dans une fenêtre temporelle glissante (FAgrégat), ledit un agrégat de forme quantifiant la forme d’une distribution des valeurs de la variable HR dans cette fenêtre temporelle glissante (FAgrégat). Procédé selon la revendication 9, dans lequel on extrait à l’étape (c) la variable HR et plusieurs variables HRV dont au moins la variable HF et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables HR et HF. Procédé selon l’une quelconque des revendications précédentes, dans lequel un agrégat de direction est une variable dont le signe définit si la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat) est baissière ou haussière, de préférence qui est nulle quand la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat) est constante, et plus préférentiellement encore dont la valeur absolue quantifie la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel au moins un (« DIRECTION ») des agrégats de direction est calculé à partir de la différence entre la dernière et la première valeur de la variable dans la fenêtre temporelle glissante (FAgrégat).
Procédé selon l’une quelconque des revendications précédentes, dans lequel le signe d’au moins un (« DELTA ») agrégat de direction est calculé à partir de la position chronologique de la valeur maximale de la variable dans la fenêtre temporelle glissante (FAgrégat) par rapport à la position chronologique de ladite valeur minimale de la variable dans la fenêtre temporelle glissante (FAgrégat), et de préférence la valeur absolue de cet agrégat de direction (« DELTA ») est calculée à partir de la différence entre ladite valeur maximale de la variable et ladite valeur minimale de la variable. Procédé selon l’une quelconque des revendications précédentes, dans lequel au moins un («REGRESSION LINEAIRE ») des agrégats de direction est calculé à partir de la pente de la droite obtenue par régression linéaire sur les valeurs de la variable dans la fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel au moins un des agrégats de forme est calculé à partir au moins de l’un des coefficients suivants : coefficient d’acuité (Kurtosis) d’une distribution de la variable, coefficient d’asymétrie (Skewness) d’une distribution de la variable, écart-type (std) de la variable. Procédé selon l’une quelconque des revendications précédentes, dans lequel la largeur de la fenêtre temporelle glissante (FAgrégat) correspond à un intervalle de temps (TAgrégat) d’au moins 30 secondes. Procédé selon l’une quelconque des revendications précédentes, dans lequel, la largeur de la fenêtre temporelle glissante (FAgrégat) correspond à un intervalle de temps (TAgrégat) inférieur ou égal à 10 minutes.
Procédé selon l’une quelconque des revendications précédentes, dans lequel, la largeur de la fenêtre temporelle glissante (FAgrégat) est réglable. Procédé selon l’une quelconque des revendications précédentes, dans lequel le calcul de chaque agrégat de direction est effectué avec la même fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel le calcul de chaque agrégat de forme est effectué avec la même fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel le calcul de tous les agrégats de direction et/ou de forme est effectué avec la même fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel le pas de glissement de la fenêtre temporelle glissante (FAgrégat) est réglable. Procédé selon l’une quelconque des revendications précédentes, dans lequel l’étape (e) comprend l’utilisation du ou des agrégats de direction et/ou du ou des agrégats de forme comme variables de test dans au moins un arbre de décision, avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu. Procédé selon l’une quelconque des revendications précédentes, dans lequel à l’étape (c), chaque variable HRV est obtenue dans le domaine temporel ou fréquentiel à partir de plusieurs intervalles de temps (êtj) entre battements cardiaques successifs dans une fenêtre
temporelle glissante (FHRV). Système de détection de la somnolence comportant un module d’acquisition (1 ) d’un signal cardiaque (1 a) d’un individu, un module (2) de traitement du signal cardiaque (1a), adapté pour réaliser l’étape (b) du procédé de détection de l’une quelconque des revendications précédentes, un module d’extraction (3) adapté pour réaliser l’étape (c) du procédé de détection de l’une quelconque des revendications précédentes, un module de calcul (4) adapté pour réaliser l’étape (d) du procédé de détection de l’une quelconque des revendications précédentes, et un module (5) de traitement du ou des agrégats de direction et/ou du ou des agrégats de forme calculés par le module de calcul (4), lequel module de traitement (5) est adapté pour détecter la somnolence de l’individu à partir de ces agrégats. Utilisation du système de détection de la revendication 25 pour détecter la somnolence d’un individu, et de préférence la somnolence d’un individu conduisant un véhicule. Produit programme informatique comprenant des instructions de code de programme et permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser au moins l’étape (d), de préférence au moins les étapes (d) et (e), du procédé de détection de l’une quelconque des revendications 1 à 24. Produit programme informatique selon la revendication 27, permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser également les étapes (a) à (c) du procédé de détection de l’une quelconque des revendications 1 à 24. Produit programme informatique selon la revendication 27 ou 28,
permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de calculer à l’étape (c) chaque variable HRV dans le domaine temporel ou fréquentiel à partir de plusieurs intervalles de temps (δti) entre battements cardiaques successifs dans une fenêtre temporelle glissante (FHRV).
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2008530A FR3113369B1 (fr) | 2020-08-17 | 2020-08-17 | Procede et systeme de detection de la somnolence d’un individu |
| FR2008529A FR3113368B1 (fr) | 2020-08-17 | 2020-08-17 | Procede et systeme de detection de la somnolence d’un individu |
| FR2008528A FR3113370B1 (fr) | 2020-08-17 | 2020-08-17 | Procede et systeme de detection de la somnolence d’un individu |
| PCT/EP2021/071126 WO2022037914A1 (fr) | 2020-08-17 | 2021-07-28 | Procede et systeme de detection de la somnolence d'un individu |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| EP4196008A1 true EP4196008A1 (fr) | 2023-06-21 |
Family
ID=77317014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| EP21754765.2A Pending EP4196008A1 (fr) | 2020-08-17 | 2021-07-28 | Procede et systeme de detection de la somnolence d'un individu |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230293072A1 (fr) |
| EP (1) | EP4196008A1 (fr) |
| WO (1) | WO2022037914A1 (fr) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9955925B2 (en) | 2015-12-18 | 2018-05-01 | Microsoft Technology Licensing, Llc | Drowsiness onset detection |
| US10297131B2 (en) * | 2017-06-19 | 2019-05-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Providing safe mobility while detecting drowsiness |
| US10918323B2 (en) | 2017-07-04 | 2021-02-16 | Panasonic Intellectual Property Management Co, Ltd. | Drowsiness detecting device, drowsiness detecting method, and program recording medium |
-
2021
- 2021-07-28 US US18/041,603 patent/US20230293072A1/en active Pending
- 2021-07-28 WO PCT/EP2021/071126 patent/WO2022037914A1/fr active Application Filing
- 2021-07-28 EP EP21754765.2A patent/EP4196008A1/fr active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230293072A1 (en) | 2023-09-21 |
| WO2022037914A1 (fr) | 2022-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3110321B1 (fr) | Procédé, dispositif, système et programme informatique de filtrage d'une série rr obtenue a partir d'un signal cardiaque avec contrôle automatique de la qualité de la série rr | |
| EP1551288A2 (fr) | Procede d analyse et dispositif de suivi medical ou cognitif en temps reel a partir de l analyse de l activite electromagnetique cerebrale d un individu, application de ce procede pour caracteriser et differencier des etats physiologiques ou pathologiques | |
| EP3478169A1 (fr) | Procédé de détection d'au moins un trouble du rythme cardiaque | |
| EP3478168A1 (fr) | Dispositif de détection d'au moins un trouble du rythme cardiaque | |
| EP1804655A1 (fr) | Procede de traitement d'une serie rr et son application a l'analyse de la variabilite du rythme cardiaque, et en particulier a l'evaluation de la douleur ou du stress chez un etre vivant | |
| EP1513444B1 (fr) | Traitement frequentiel d'une serie rr dans un signal cardiaque analogique | |
| FR3028741A1 (fr) | Dispositif de mesure du rythme cardiaque du conducteur d’un vehicule | |
| EP3593709A1 (fr) | Procédé de détermination de l'état de stress d'un individu | |
| EP3768154A1 (fr) | Méthode de génération d'un indicateur d'état d'une personne dans le coma | |
| EP3678541A1 (fr) | Systeme d'evaluation de la maturation d'un bebe premature | |
| EP3110322B1 (fr) | Procédé et dispositif de contrôle automatique de la qualité d'une serie rr obtenue à partir d'un signal cardiaque | |
| EP4031005B1 (fr) | Système de détermination d'une émotion d'un utilisateur | |
| WO2022037914A1 (fr) | Procede et systeme de detection de la somnolence d'un individu | |
| FR3064463A1 (fr) | Procede de determination d'un ensemble d'au moins un descripteur cardio-respiratoire d'un individu pendant son sommeil et systeme correspondant. | |
| FR3113370A1 (fr) | Procede et systeme de detection de la somnolence d’un individu | |
| FR3113368A1 (fr) | Procede et systeme de detection de la somnolence d’un individu | |
| EP4027874B1 (fr) | Procédé de détermination du taux respiratoire | |
| FR3113369A1 (fr) | Procede et systeme de detection de la somnolence d’un individu | |
| FR3022762A1 (fr) | Dispositif de traitement de donnees de rythme cardiaque fœtal, methode et programme d'ordinateur correspondant | |
| FR2561902A1 (fr) | Procede de traitement automatique de signaux electro-oculographiques | |
| FR2821460A1 (fr) | Procede et dispositif de filtrage d'une serie rr issue d'un signal cardiaque, et plus particulierement d'un signal ecg | |
| WO2022064425A1 (fr) | Équipement électrodermal | |
| EP3048948A1 (fr) | Procédé, système et programme d'ordinateur pour la détection et la caractérisation de clignements oculaires par électro-encéphalographie | |
| FR3063628A1 (fr) | Dispositif et procede de mesure d’un parametre physiologique et apprentissage statistique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: UNKNOWN |
|
| STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE |
|
| 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 |
|
| STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE |
|
| 17P | Request for examination filed |
Effective date: 20230217 |
|
| AK | Designated contracting states |
Kind code of ref document: A1 Designated state(s): AL 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 RS SE SI SK SM TR |
|
| RAP3 | Party data changed (applicant data changed or rights of an application transferred) |
Owner name: CENTRE HOSPITALIER UNIVERSITAIRE DE LILLE Owner name: FIPSICO |
|
| DAV | Request for validation of the european patent (deleted) | ||
| DAX | Request for extension of the european patent (deleted) |