EP4274477A1 - Procédé pour une surveillance et une analyse de l'état cardiaque d'un individu - Google Patents

Procédé pour une surveillance et une analyse de l'état cardiaque d'un individu

Info

Publication number
EP4274477A1
EP4274477A1 EP22704404.7A EP22704404A EP4274477A1 EP 4274477 A1 EP4274477 A1 EP 4274477A1 EP 22704404 A EP22704404 A EP 22704404A EP 4274477 A1 EP4274477 A1 EP 4274477A1
Authority
EP
European Patent Office
Prior art keywords
signal
individual
processing unit
representative
characteristic
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
Application number
EP22704404.7A
Other languages
German (de)
English (en)
Inventor
Pierre Bartet
Nicolas Genain
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.)
Withings SAS
Original Assignee
Withings SAS
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 Withings SAS filed Critical Withings SAS
Publication of EP4274477A1 publication Critical patent/EP4274477A1/fr
Pending 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
    • A61B5/1102—Ballistocardiography
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the present disclosure relates to the field of methods for monitoring the cardiac state of an individual during sleep.
  • JP2013500757 A An example of a method for calculating the frequency of the heartbeat is illustrated by EP3456256.
  • a method for determining an individual's cardiac state for supplying a characteristic of a cardiac signal comprising the steps following:
  • lel provide a characteristic of the signal representative of cardiac activity, based on steps /a/ to /d/.
  • the method comprises the following step: /b/ determining a relevance of at least a part of the at least one signal obtained, in order to determine whether the signal obtained can be used to determine a characteristic of the cardiac signal. Step /b/ can be done at any time.
  • step /b/ comprises an automatic learning step, implemented by an artificial intelligence.
  • An automatic learning step makes it possible to implement the principle of learning by experience, that is to say to determine, on the basis of signals obtained previously, whether a signal or part of a signal is relevant and should be considered in determining an individual's cardiac condition.
  • the at least one signal representative of cardiac activity is a pressure signal and the step Here comprises the determination of a ballistocardiogram.
  • Ballistocardiography is an exploratory technique of minute movements of the body caused by cardiac contraction.
  • attention and analysis are focused on the minute movements of the body caused by a cardiac contraction.
  • Characteristics of the cardiac state can be found in the ballistocardiogram, and be analyzed during the implementation of step ldi.
  • a ballistocardiogram can be obtained in a completely non-invasive way, even without the knowledge of the individual.
  • a ballistocardiogram can be obtained without direct contact with the individual.
  • the step Here comprises the calculation of a self-similarity.
  • the self-similarity makes it possible to analyze and classify the at least part of the at least one signal obtained, and this without the use of an external reference signal.
  • the self-similarity is interested in all or part of the extrema of the signal obtained, and one calculates, according to a time lag between a signal obtained and its copy (also called reference signal hereafter) shifted in time, a score representative of the sum of the distances between each extremum of the signal obtained and the extremum closest to its copy.
  • the step here comprises: calculating, for a portion of the representative signal, a set of similarity scores, said set of similarity scores associating similarity score values with respective time offsets.
  • This set of similarity scores can take the form of a score function, whose variable is the time lag.
  • similarity scores are assigned to the different time offsets.
  • the set of similarity scores can be calculated by comparing the portion with a plurality of recopies of the portion to which a respective time shift has been applied. A similarity score value is then assigned for each time lag, which generates the set of scores.
  • This embodiment by shifting a copy is an implementation of self-similarity. Nevertheless, the calculation of similarity scores can be done with other methods.
  • the step here comprises: stacking a plurality of sets of similarity scores calculated for a plurality of respective portions, in order to form a stack of self-similarity scores of the representative signal.
  • the stack therefore associates similarity score values of the representative signal with time shifts and portions of the representative signal. Data relating to the similarity of the representative signal are thus obtained over time.
  • This stack is then analyzed in step /d/ (it can in particular serve as input to a processing algorithm).
  • step /d/ is implemented at least in part by an artificial intelligence.
  • the artificial intelligence includes an artificial neural network.
  • An artificial neural network implements the principle of learning by experience, which makes it possible to optimize the results obtained in the analysis according to step /d/ according to results obtained previously.
  • the artificial neural network comprises a two-dimensional convolutional neural network, i.e. a neural network with at least one two-dimensional convolutional layer.
  • This type of neural network is specially adapted for image analysis, in particular for the detection and analysis of certain patterns and shapes in images.
  • an image is made from a juxtaposition of several self-similarity results and the image in question constitutes the input to the neural network.
  • this type of network uses reduced memory and computing power, allowing it to be embedded in a device of reduced size and inexpensive design.
  • At least a portion of the steps 1 to 1 are performed repeatedly, and a feature is provided every 1 minute to 5 minutes.
  • the signals are monitored over a medium or long term with regard to the cardiac period.
  • step /b/ comprises:
  • This step makes it possible to check whether the conditions necessary to provide a characteristic are fulfilled, for example whether the individual is present and positioned correctly.
  • the characterization of stage le/ includes an irregular heartbeat or atrial fibrillation.
  • the characterization of stage le/ may include an absence of irregularity.
  • the characteristic of the representative signal may relate to the regularity or irregularity of the signal over time.
  • the method makes it possible to provide a relevant and easy-to-understand characterization for an individual without medical training, of the "No particularity detected” or “Atrial fibrillation detected” type: Please contact your attending physician. ".
  • signals can be measured continuously and in a state of rest of the individual, while minimizing disturbances of the measurements, that is to say by avoiding for example tensions or stress that the individual might feel during an examination in a doctor's office.
  • Another aspect of the disclosure comprises a processing unit (known as a first processing unit) for determining a characteristic of an individual's cardiac condition.
  • the processing unit is configured to implement a method for determining a characteristic of a cardiac state of an individual as described previously.
  • the processing unit may comprise a memory storing instructions corresponding to the methods described above and a control circuit capable of executing said instructions.
  • the unit can thus in particular implement the following steps:
  • /d/ analyzing (204) a temporal evolution of at least a part of the at least one processed signal; lel providing (205) a signal characteristic representative of cardiac activity based on steps /a/ through /d/.
  • Another aspect of the disclosure comprises a device for determining a characteristic of a cardiac state of an individual, the device comprising at least one sensor configured to measure at least one signal representative of a cardiac activity of the individual repeatedly, and the processing unit configured to implement the method for determining a characteristic, the device being configured to determine the cardiac state of the individual without being in physical contact with the individual .
  • the device comprising at least one sensor configured to measure at least one signal representative of a cardiac activity of the individual repeatedly, and the processing unit configured to implement the method for determining a characteristic, the device being configured to determine the cardiac state of the individual without being in physical contact with the individual .
  • This device makes it possible to implement the method for determining a characteristic of a cardiac state of an individual.
  • the individual does not wear electrodes or other sensors on his body during the implementation of the method. Totally non-invasive, the device is transparent to use for an individual, and can even be used in certain pathological cases even without the knowledge of the individual. Useful signals can be obtained without direct contact with the individual.
  • the device comprises a second processing unit remote from the device and configured to receive by the first processing unit, after implementation of the method by the first processing unit, data representative of at least a part of the at least one measured signal and/or of the at least one processed signal and/or of the characteristic.
  • At least part of the measured and/or processed data and/or any other data relating to the characteristic can be transmitted to the second processing unit, for saving and/or viewing and/or later use. .
  • the second processing unit comprises a “smartphone” or a tablet.
  • a "smartphone” or a tablet makes it possible to save data, for example on the "smartphone” or tablet, a cloud or any other storage unit, to view data or to share data with a qualified person such as than a doctor.
  • Another aspect of the disclosure comprises a computer program product comprising instructions for implementing the method of the present invention, when the computer program product is executed by a processor.
  • This program can use any programming language (for example, an object language or other), and be in the form of an interpretable source code, a partially compiled code or a completely compiled.
  • FIG. 7 described in detail below can form the first processing unit configured for the implementation of the method for determining a characteristic of a cardiac state of the individual.
  • FIG. 1 shows a device for implementing a method for determining a characteristic of a heart condition of an individual.
  • FIG. 2 shows a flowchart of a method of determining a characteristic of a heart condition.
  • FIG. 3 shows the result of a two-dimensional self-similarity calculation based on a signal measured and representative of an individual's cardiac activity, which indicates sinus rhythm or atrial fibrillation respectively.
  • FIG. 4 shows the result of a three-dimensional self-similarity calculation based on a signal measured and representative of an individual's cardiac activity, which indicates a sinus rhythm.
  • FIG. 5 shows the result of a three-dimensional self-similarity calculation from a signal measured and representative of an individual's cardiac activity, which indicates atrial fibrillation.
  • FIG. 6 shows an illustration of an artificial neural network intended for the implementation of part of the method for determining a characteristic of a cardiac state of an individual.
  • FIG. 7 is a schematic view of a processing unit configured to implement the method for determining a characteristic of a heart condition of an individual.
  • Figure 1 describes a device 101 for determining a characteristic of an individual's heart condition.
  • the device 101 can be installed in a bed, for example under a mattress, in order to monitor the individual present on the mattress during his sleep, and to identify heart problems such as atrial fibrillation.
  • the device 101 may comprise a strip of fabric 102 forming a sheath.
  • the device 101 can comprise at least one sensor 107, 108 configured to measure at least one signal representative of cardiac activity, such as a pressure sensor 107 or an acoustic sensor 108.
  • the strip of fabric 102 may contain a pneumatic chamber acting as a pressure sensor 107.
  • the pressure sensor 107 may comprise at least one piezoelectric sensor, enclosed by the strip of fabric 102.
  • the pressure sensor 107 comprises a pneumatic chamber
  • the weight and the movements of the individual present on the bed act on the pneumatic chamber, which causes pressure variations.
  • the pressure signal may for example be a micro-vibration of the individual's body, generated by the beating of the heart.
  • the strip of fabric 102 can enclose a casing 104.
  • the box 104 may include electronic means connected to a connection cable 103 comprising a wire and a USB connector in order to be able to power the device 101 electrically.
  • the device may include a plug intended to be plugged into a socket current.
  • the device may also include a rechargeable battery.
  • the housing 104 may include a pressure converter, configured to transform a pressure signal, detected using the pressure sensor 107, into a first voltage.
  • the housing 104 may include a microphone, acting as an acoustic sensor 108.
  • the acoustic sensor 108 can measure sounds from the environment, in particular breathing or snoring coming from the individual, and convert them into a second voltage.
  • the acoustic sensor 108 and the pressure converter can be electronically connected to a first processing unit 106 which is located in the housing 104.
  • the first processing unit 106 can be configured to implement all or part of the method for determining a characteristic of a heart condition of the individual. This process is described in detail in Figure 2.
  • the device comprises a screen.
  • This screen can be configured to display characteristic data such as “No features detected” or “Atrial fibrillation detected: Please contact your treating physician. ".
  • the first processing unit can be further configured to communicate, as represented by the dotted arrow 109 in FIG. 1, with a second processing unit.
  • the second processing unit can be configured to receive, by the first processing unit, at least part of the measured data (which represent the at least one measured signal) and/or processed and/or any other data relating to the feature, for backup and/or viewing and/or other future use.
  • the second processing unit can be remote from the device, that is to say not be physically linked to the device.
  • the second processing unit can be or comprise a “smartphone” 105 or a tablet, which makes it possible to save data, for example on the “smartphone” or the tablet or in a cloud or another external device, view data or share data with a qualified person such as a doctor.
  • a suitable application can be installed on the “smartphone”/tablet.
  • the sharing of data with a doctor can be done at the customer's initiative, or in an automated way, in particular if a characteristic relating to an irregular heartbeat is identified by the device.
  • the pneumatic chamber can be inflated before its use.
  • the device 101 can either be stored, rolled up, or folded so that it is compact when not in use.
  • the device 101 can have a rectangular shape, with a length LX between 50 mm and 800 mm, a width LY between 10 mm and 400 mm, and a thickness TZ of less than 20 mm.
  • the shape of the pneumatic chamber can be substantially the same as the shape of the strip of fabric 102.
  • FIG. 2 shows the flowchart of a method for determining a characteristic of an individual's heart condition. This method can be implemented by the device 101 shown in FIG. 1.
  • This device can comprise a first processing unit 106.
  • At least part of the method can be implemented during the individual's sleep.
  • the individual can be a human being, and the device 101 can be installed in a bed, for example under the mattress, in order to monitor the human being during his sleep.
  • the individual can be an animal, for example a dog, and the method can be implemented while the dog is sleeping in a basket.
  • a first step 201 at least one signal representative of the individual's cardiac activity can be measured. This measurement can be made repeatedly, for example continuously for a certain period of time, between several minutes and several hours, or even a day.
  • This signal can be a pressure signal and/or an acoustic signal, detected by at least one pressure sensor 107 and/or an acoustic sensor 108 included in the device 101.
  • the acoustic signal can be representative of breathing or snoring of the individual.
  • the pressure signal can be representative of minute movements of the body caused by a cardiac contraction made by the individual, but also of other movements when the individual moves in his sleep.
  • step 201 can include obtaining a signal representative of the cardiac activity that is being measured; in particular, the device which acquires the signal may be different from the device which implements steps 202, 203, 204, 205 of the method of the description.
  • the measured signal can be used to determine the relevance of at least part of the measured signal.
  • Step 202 can comprise an automatic learning step, implemented by an artificial intelligence such as an artificial neural network.
  • At least one measured signal representative of cardiac activity of the individual can be analyzed.
  • At least one additional signal representative of a movement performed by the individual, of breathing by the individual or of pressure exerted by the individual can be measured and analyzed.
  • the evolution of the amplitude of a pressure signal can be observed, in particular the evolution from one maximum of the pressure signal to another.
  • a macroscopic movement made by the individual can saturate the reading of the signal, that is to say that if the individual moves during his sleep, the signal measured by the pressure sensor configured to detect minute pressure signals can saturate.
  • the result of step 202 for this part of the signal may be an error message, and a signal representative of cardiac activity cannot be extracted. No characteristic of the signal representative of cardiac activity can be provided in this case.
  • a result of step 202 may be that the individual is not on the bed or is not positioned correctly, and the characteristic cannot be provided accordingly.
  • a third step 203 at least part of the measured signal is processed.
  • the third step 203 can comprise the determination of a ballistocardiogram.
  • a ballistocardiogram is a written record of minute body movements caused by a heart contraction. Characteristics of the heart condition can be encoded in a ballistocardiogram.
  • the third step 203 can include signal similarity calculations, which can make it possible to obtain information as to the rhythm and the regularity of the cardiac signal.
  • the third step 203 comprises the calculation of a self-similarity.
  • the implementation and results of a self-similarity calculation are described in detail in Figures 3 to 5.
  • the third step can comprise the calculation of an autocorrelation.
  • a temporal evolution of at least part of the at least one processed signal is analyzed.
  • similarity score calculations can serve as inputs to a processing algorithm.
  • the fourth step 204 is implemented at least in part by an artificial intelligence, which allows great flexibility in the implementation of the method.
  • the method can succeed and provide a feature for different shapes or patterns in the signals/data, thanks to the ability of the data classification artificial intelligence to be analyzed.
  • the artificial intelligence comprises an artificial neural network such as a two-dimensional convolutional neural network 301 which comprises at least one hidden layer with two-dimensional convolution, as explained in the description relating to FIG. 6.
  • a two-dimensional convolutional neural network is specially adapted for image analysis, in particular for the detection and analysis of certain patterns in images.
  • An artificial neural network is an algorithm that allows a processing unit 106 executing this algorithm to learn from new data.
  • An artificial neural network can learn by feeding the algorithm with data including tagged processed records of pressure variation and/or sounds.
  • a reference database can be created and improved over time.
  • a qualified person such as a doctor can label the recordings of sounds and pressure variation in association with the profile.
  • step 204 is described in detail in Figure 6.
  • a characteristic based on the first 201 to fourth 204 steps can be provided.
  • the characteristic may relate to a temporal regularity or a temporal irregularity of the signal.
  • the fifth step 205 may comprise the identification of atrial fibrillation or the identification of an absence of abnormality relating to the cardiac activity.
  • the second step 202 can be implemented at any time during the implementation of the method, for example directly after the signal measurement, or at the same time as the third or the fourth step.
  • a characteristic such as “No particularities detected” or “Atrial fibrillation detected: Please contact your treating physician. is provided only if it is determined during the second step 202 that the measured signal is relevant. Otherwise, the process may provide an error message.
  • the method notifies the user of the characteristic of the measured signal only if the measured signal is usable.
  • first step 201 it is not necessary for the first step 201 to be completed to trigger the implementation of the second step 202.
  • the second 202, third 203 or fourth 204 steps can be implemented at least in part when measuring signals in the first step 201.
  • part of the method in particular any one of steps 202, 203, 204 and 205, can be implemented by a second processing unit remote from the device, such as a smartphone.
  • At least a portion of the steps I to Ic is performed repeatedly, and a feature is provided every 1 minute to 5 minutes.
  • Figure 3 shows the two-dimensional result of the calculation of a self-similarity.
  • the self-similarity calculation can be performed during the implementation of the third step 203 of the method described in FIG. 2, from the signal measured during the first step 201.
  • a band-pass filter can be applied to the at least one measured signal to eliminate high-frequency background noise. Additionally, the band pass filter can be configured to remove low frequency components representative of the individual's breathing.
  • a measured signal can be used to create mirrors (i.e. reference signals) of the measured signal, which in turn can be used to classify subsequently measured signals, as explained in detail below.
  • sets of reference points can be obtained from the measured signal or from the signal processed in the optional preliminary sub-step.
  • the signal is sampled, and extrema can be identified in the signal.
  • the extrema can be maxima and/or minima of the signal.
  • the reference points can be obtained by applying a time shift to the extrema identified to represent different frequencies of the signal.
  • the time shift is on the order of one or more seconds.
  • the sets of reference points may include data that correspond to expected positions for a signal having a certain frequency.
  • the set of reference points can cover a range between 35 and 110 beats per minute.
  • the different sets of reference points can be saved for the analysis of the measured signal.
  • only the identified extrema are saved, and the remaining part of the signal is erased.
  • a plurality of extrema are identified in the measured signal.
  • the self-similarity is interested in all or part of the extrema of the measured signal, and one calculates, in a third sub-step, according to a time shift between the measured signal and its copy, a score representative of distances between each extremum of the measured signal and the extremum closest to its copy.
  • the two-dimensional result of the calculation of a self-similarity is a score that can be assigned to each reference point, to indicate how close the reference point is to an extremum, so that the score closest high is assigned to the benchmarks with the smallest deviation.
  • a self-similarity is an inverse function of distances between each extremum of the measured signal and the closest extremum of its copy.
  • the time lag which constitutes a variable of the self-similarity function can be bounded, that is to say vary within a determined range.
  • the comparison of the extrema to the reference points can include a frequency comparison and/or an amplitude comparison.
  • the total score for a set of reference points can be obtained by calculating the sum of the scores assigned to each reference point in a set. [0140] In another variant, the total score for a set of reference points can be the maximum of the scores for a set of reference points.
  • any other suitable method can be used to compare the set of reference points which correspond to the identified extrema.
  • the set of reference points which correspond the most to the extrema is identified to determine the frequency of the signal to be analyzed.
  • the time duration of the signal to be analyzed must be long enough to include at least two extrema. For example, if the signal to be analyzed represents cardiac activity with 75 beats per minute, the difference between two maxima is 0.8 seconds and consequently the sampling time should be at least 1.6 seconds.
  • a curve of self-similarity as a function of the time lag (also called delay or also called “lag") is thus obtained every 1.6 seconds.
  • This similarity curve thus forms a set of similarity scores, in which each offset is associated with a similarity score (similarity score as a function of the offset therefore).
  • FIG. 3 a plurality of curves such as shown in FIG. 3 are juxtaposed or stacked, so as to form a three-dimensional representation of the temporal evolution of the sets of scores of FIG. 2.
  • This representation three-dimensional thus forms a stack of similarity scores of the representative signal, in which a score is associated with each portion and each offset (score as a function of the portion and of the offset therefore).
  • the abscissa of figure 3 corresponds to the ordinate of figures 4 and 5.
  • Figure 4 shows the case of sinus rhythm
  • Figure 5 the case of atrial fibrillation
  • Such images typically comprise between 50 and 200 points on each axis, therefore between 0.0025 and 0.04 megapixels. This relatively small image size allows to minimize the computational costs for the analysis of such images.
  • the maximum of each of the two-dimensional curves forms the dark curve (FIG. 4). More generally, we are interested in the dark areas in the image and the continuity of these dark areas. In other words, in a case of a normal heartbeat, there is a roughly horizontal dark band, not necessarily rectilinear or even not necessarily continuous.
  • the periodicity of the heartbeat mainly varies between 0.8 seconds and 1.1 seconds.
  • the similarity sets and stacking can be calculated with self-similarity, as described above, or else with autocorrelation, a sliding Fourier transform or even with a wavelet transform.
  • the images can be processed by a “conventional” algorithm and not by a neural network.
  • a “conventional” algorithm can be based for example on the recognition of the dark zone in the images. The analysis of the images shown in Figures 4 and 5 is explained below with the aid of Figure 6.
  • FIG. 6 shows a two-dimensional convolutional neural network (called CNN hereafter), intended for the implementation of step 204 of the method described in FIG. 2.
  • CNN convolutional neural network
  • a CNN is an algorithm which allows a processing unit 106 executing this algorithm to implement the principle of learning by experience, that is to say to learn by analyzing examples, in this case, images according to FIGS. 4 or 5, calculated from signals representative of cardiac activity of an individual in a repeated manner.
  • a large number of images of the same category can be presented to the CNN, for example self-similarity calculation results, calculated from signals representative of cardiac activity of an adult who suffers from atrial fibrillation.
  • the processing unit 106 thus learns to recognize this type of recurring pattern when an unknown image is presented to it.
  • the CNN can continue its learning during the implementation of the method.
  • step 204 of the method according to FIG. 2 can be adapted and optimized according to the analysis of previously determined images.
  • the operation of a CNN is based on a large number of processors operating in parallel and organized in layers.
  • a CNN can include an input layer inL, one or more hidden layers hidL, and an output layer outL, arranged one after the other.
  • a posterior layer receives as input the result of an earlier layer.
  • Each layer can comprise several elements.
  • the input element represents images to be analyzed.
  • An artificial neuron represented by an arrow, represents a transfer function which transforms the activation of the elements of a layer into the activation of the elements of the next layer, according to rules that can change, following the principle of automatic learning.
  • a CNN makes it possible to test functional hypotheses.
  • Each arrow from a layer represents a tested hypothesis.
  • each image can be analyzed with a sliding filter, and certain patterns can be sought in the image, such as a signal whose “lag” is between 0.8 seconds and 1.1 seconds.
  • a plurality of hypotheses can be tested. The same assumptions are tested for each of the elements in a layer.
  • Each of the elements of a layer receives all the results of a single hypothesis for all the elements of the previous layer.
  • a first hidden layer hidL receives information outputs from the first layer, i.e. signals processed/analyzed according to a set of assumptions.
  • the output of the second layer can be guided to a second hidden layer.
  • the number of hidden layers, as well as the number of elements in each layer is not limited, and can be adapted according to the problem to be solved.
  • the hidden layers in FIG. 6 comprise four elements each.
  • the elements of a hidden layer can correspond for example to the different patterns that can be identified in an image.
  • the last layer outL produces the results of the system.
  • the result may be, for example, “No particularity detected” or “Atrial fibrillation detected: Please contact your treating physician. ".
  • the last outL layer of the CNN can provide three different results: “atrial fibrillation” (AF), “sinus rhythm” (RS) or “error” (err).
  • At least part of the steps /b/ to le/ are implemented repeatedly, and the characteristic of the signal representative of the cardiac activity is provided every 1 minute to 5 minutes.
  • Figure 7 shows a processing unit 106 suitable for implementing the method described in Figure 2.
  • This processing unit may be part of the device described in Figure 1.
  • the processing unit comprises a memory 110 for storing instructions allowing the implementation of at least part of the method, the data received, and temporary data for carrying out the various steps and operations of the method as described above.
  • the processing unit further comprises a control circuit 111.
  • This circuit can be, for example:
  • processor capable of interpreting instructions in the form of a computer program
  • a programmable electronic chip such as an FPGA chip for "Field-Programmable Gate Array” in English, such as a SOC for "System On Chip” in English or as an ASIC for "Application Specifies Integrated Circuit” in English.
  • SOCs or systems on a chip are embedded systems that integrate all the components of an electronic system into a single chip.
  • An ASIC is a specialized electronic circuit that groups functionalities tailored to a given application. ASICs are usually configured during manufacture and can only be simulated by a user of the processing unit.
  • FPGA-type programmable logic circuits are electronic circuits that can be reconfigured by the user of the processing unit.
  • the processing unit comprises an input interface for receiving messages or instructions, and an output interface for communicating with the at least one sensor 107, 108.
  • the processing unit is integrated in the device according to figure 1.
  • the processing unit 106 can be a computer, a computer network, an electronic component, or another device comprising a processor operationally coupled to a memory, as well as, according to the chosen embodiment, a data storage unit, and other associated hardware such as a network interface and a media drive for reading removable storage media and writing to such media not shown in Figure 7.
  • the removable storage medium can be, for example, a CD compact disc, a DVD digital video/versatile disc, a flash disc, a USB key, etc.
  • the memory 110 contains instructions which, when executed by the control circuit 111, cause this control circuit to perform or control the input interfaces, output interface, data storage in the memory 110 and/or data processing and examples of implementation of the method described in FIG.
  • the control circuit 111 can be a component implementing the control of the processing unit 106.
  • processing unit 106 can be implemented in software form, in which case it takes the form of a program executable by a processor, or in hardware form, or "hardware", such as an integrated circuit. specific application ASIC, a system on chip SOC, or in the form of a combination of hardware and software elements, for example a software program intended to be loaded and executed on an electronic component described above such as FPGA, processor.
  • the processing unit 106 can also use hybrid architectures, for example architectures based on a CPU+FPGA, a GPU for “Graphics Processing Unit” or an MPPA for “Multi-Purpose Processor Array”.
  • the processing unit can control at least part of the components of the device shown in figure 1.
  • the processing unit can control the pressure sensor 107 and the acoustic sensor 108.
  • the processing unit can comprise storage hardware for storing at least part of the measured signal and/or of the processed signal and/or of the characteristic.
  • the device according to FIG. 1 can be coupled 109 wirelessly, for example via bluetoothTM, Wi-Fi or a cellular network, to one or more devices, such as a second processing unit such as a "smartphone". 105 or a tablet or a remote server, without excluding the direct interfacing of a telemedicine in a remote server.
  • a second processing unit such as a "smartphone”.
  • the present disclosure makes it possible to determine a heart condition of an individual for the provision of a characteristic.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Cardiology (AREA)
  • Dentistry (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

La divulgation porte sur un procédé de détermination d'une caractéristique d'un état cardiaque d'un individu, ledit procédé comprenant les étapes suivantes : /a/ mesurer (201) au moins un signal représentatif d'une activité cardiaque de l'individu de manière réitérée; /c/ traiter (203) au moins une partie de l'au moins un signal mesuré; /d/ analyser (204) une évolution temporelle d'au moins une partie de l'au moins un signal traité; /e/ fournir (205) une caractéristique du signal représentatif de l'activité cardiaque, basée sur les étapes /a/ à /d/.

Description

Procédé pour une surveillance et une analyse de l’état cardiaque d’un individu Domaine technique
[0001] La présente divulgation relève du domaine des procédés de surveillance de l’état cardiaque d’un individu pendant son sommeil.
Technique antérieure
[0002] La détection précoce d’une maladie peut être cruciale pour le traitement de cette maladie et pour pouvoir pleinement profiter des possibilités et moyens de guérison.
[0003] Quant aux maladies liées au cœur, une détection précoce de telles maladies sans examens médicaux réguliers est souvent difficile, comme certains signes précurseurs de problèmes liés au cœur tels qu’une fatigue ou un essoufflement peuvent avoir de nombreuses origines.
[0004] Une surveillance d’une personne pendant son sommeil peut fournir des informations liées à des problèmes du cœur dont la personne concernée n’est souvent pas consciente.
[0005] A cet effet, différents dispositifs et procédés de surveillance ont été proposés, configurés pour détecter la respiration, le battement du cœur, ou des signaux de pression.
[0006] Un exemple d’un procédé pour la détection d’une activité cardiaque est illustré par JP2013500757 A. Un exemple d’un procédé pour calculer la fréquence du rythme cardiaque est illustré par EP3456256.
[0007] Toutefois, ces signaux peuvent avoir une faible amplitude et être noyés dans un bruit de fond, et il peut être difficile d’en extraire des informations utiles.
Résumé
[0008] La présente divulgation vient améliorer la situation.
[0009] Il est proposé un procédé de détermination d’un état cardiaque d’un individu pour la fourniture d’une caractéristique d’un signal cardiaque (notamment une caractéristique temporelle relative à la régularité du signal cardiaque), ledit procédé comprenant les étapes suivantes :
/a/ obtenir (par exemple en mesurant) au moins un signal représentatif d’une activité cardiaque de l’individu de manière réitérée ;
Ici traiter au moins une partie de l’au moins un signal obtenu ;
/d/ analyser une évolution temporelle d’au moins une partie de l’au moins un signal traité ; lel fournir une caractéristique du signal représentatif de l’activité cardiaque, basée sur les étapes /a/ à /d/.
[0010] L’identification d’une caractéristique permet de prendre des mesures précoces pour prévenir le déclenchement d’une maladie, ou, dans le cas qu’un déclenchement de la maladie ne peut pas être prévenu, de prévoir à temps un traitement adapté pour l’individu. Cela est particulièrement vrai lorsque la caractéristique du signal cardiaque est une irrégularité de ce dernier.
[0011] Dans un mode de réalisation, le procédé comprend l’étape suivante : /b/ déterminer une pertinence d’au moins une partie de l’au moins un signal obtenu, afin de déterminer si le signal obtenu est exploitable pour déterminer une caractéristique du signal cardiaque. L’étape /b/ peut être effectué à n’importe quel moment.
[0012] Dans un mode de réalisation, l’étape /b/ comprend une étape d’apprentissage automatique, mise en oeuvre par une intelligence artificielle.
[0013] Une étape d’apprentissage automatique permet de mettre en oeuvre le principe d'apprentissage par l'expérience, c’est-dire de déterminer, sur la base de signaux obtenus antérieurement, si un signal ou une partie d’un signal est pertinent et devrait être pris en compte pour la détermination d’un état cardiaque de l’individu.
[0014] Dans un mode de réalisation, l’au moins un signal représentatif d’une activité cardiaque est un signal de pression et l’étape Ici comprend la détermination d’un ballistocardiogramme.
[0015] La ballistocardiographie est une technique exploratoire des mouvements infimes du corps provoqués par la contraction cardiaque. Ici en particulier, dans un ballistocardiogramme, on focalise l’attention et l’analyse sur les mouvements infimes du corps provoqués par une contraction cardiaque. Des caractéristiques de l’état cardiaque peuvent se retrouver dans le ballistocardiogramme, et être analysées lors de la mise en oeuvre de l’étape ldi. On remarque qu’un ballistocardiogramme peut être obtenu de manière tout-à-fait non invasive, même à l’insu de l’individu. On remarque aussi qu’un ballistocardiogramme peut être obtenu sans contact direct avec l’individu.
[0016] Dans un mode de réalisation, l’étape Ici comprend le calcul d’une autosimilarité.
[0017] L’autosimilarité permet d’analyser et de classifier l’au moins une partie de l’au moins un signal obtenu, et ce sans l’utilisation d’un signal de référence externe. [0018] L’autosimilarité s’intéresse à tout ou partie des extrema du signal obtenu, et on calcule, en fonction d’un décalage temporel entre un signal obtenu et sa recopie (appelé aussi signal de référence ci-après) décalée temporellement, un score représentatif de la somme des distances entre chaque extremum du signal obtenu et l’extremum le plus proche de sa recopie.
[0019] Comme les ressources informatiques requises pour le calcul d’une autosimilarité sont moins importantes que les ressources informatiques requises pour la mise en oeuvre de méthodes similaires telles que l’autocorrélation, les coûts de calcul peuvent être minimisés.
[0020] Dans un mode de réalisation, l’étape Ici comprend : calculer, pour une portion du signal représentatif, un ensemble de scores de similarité, ledit ensemble de scores de similarité associant des valeurs de score de similarité à des décalages temporels respectifs. Cet ensemble de scores de similarité peut se présenter sous la forme d’une fonction score, dont la variable est le décalage temporel. Pour chaque portion du signal représentatif, des scores de similarité sont attribués aux différents décalages temporels. En particulier, l’ensemble de scores de similarité peut être calculé en comparant la portion avec une pluralité de recopies de la portion auxquelles un décalage temporel respectif a été appliqué. Une valeur de score de similarité est alors attribuée pour chaque décalage temporel, ce qui permet de générer l’ensemble de scores. Ce mode de réalisation par décalage d’une recopie est une mise en oeuvre d’une autosimilarité. Néanmoins, le calcul des scores de similarité peut être fait avec d’autres méthodes.
[0021] Dans un mode de réalisation, l’étape Ici comprend : empiler une pluralité d’ensemble de scores de similarité calculés pour une pluralité de portions respectives, afin de former un empilement de scores d’autosimilarité du signal représentatif. L’empilement associe donc des valeurs de scores de similarité du signal représentatif à des décalages temporels et des portions du signal représentatif. On obtient ainsi dans le temps des données relatives à la similarité du signal représentatif. Cet empilement est ensuite analysé dans l’étape /d/ (il peut notamment servir d’entrée à un algorithme de traitement).
[0022] Dans un mode de réalisation, l’étape /d/ est mise en oeuvre au moins en partie par une intelligence artificielle.
[0023] L’analyse de l’évolution temporelle d’au moins une partie d’au moins un signal traité par une intelligence artificielle permet une grande flexibilité dans la mise en oeuvre de l’étape /d/. Ainsi, le procédé peut aboutir et fournir une caractéristique pour un grand nombre de formes et motifs de signaux, grâce à la capacité de l’intelligence artificielle de classification des signaux à analyser.
[0024] Dans un mode de réalisation, l’intelligence artificielle comprend un réseau de neurones artificiels.
[0025] Un réseau de neurones artificiels met en oeuvre le principe d'apprentissage par l'expérience, ce qui permet d’optimiser les résultats obtenus dans l’analyse selon l’étape /d/ en fonction de résultats obtenus antérieurement.
[0026] Dans un mode de réalisation, le réseau de neurones artificiels comprend un réseau de neurones convolutionnel bidimensionnel, i.e. un réseau de neurones avec au moins une couche à convolution bidimensionnelle.
[0027] Ce type de réseau de neurones est spécialement adapté pour une analyse d’images, notamment pour la détection et l’analyse de certains motifs et formes dans des images. En pratique, on confectionne une image à partir d’une juxtaposition de plusieurs résultats d’autosimilarité et l’image en question constitue l’entrée du réseau de neurones. En outre, ce type de réseau utilise une mémoire et une puissance de calcul réduites, lui permettant d’être embarqué dans un dispositif de taille réduite et conception peu coûteuse
[0028] Dans un mode de réalisation, au moins une partie des étapes Ici à le/ est mise en oeuvre de manière réitérée, et une caractéristique est fournie toutes les 1 minute à 5 minutes.
[0029] D’une manière générale, on surveille les signaux sur un terme moyen ou long au regard de la période cardiaque.
[0030] Ainsi, une étude précise de l’évolution temporelle de la caractéristique identifiée peut être effectuée.
[0031] Dans un mode de réalisation, l’étape /b/ comprend :
- analyser l’au moins un signal obtenu représentatif d’une activité cardiaque de l’individu ; et/ou
- mesurer et analyser au moins un signal supplémentaire représentatif d’un mouvement effectué par l’individu, d’une respiration de l’individu ou d’une pression exercée par l’individu. [0032] Cette étape permet de vérifier si les conditions nécessaires pour fournir une caractéristique sont remplies, par exemple si l’individu est présent et positionné correctement.
[0033] Dans un mode de réalisation, la caractérisation de l’étape le/ comprend une irrégularité du rythme cardiaque ou bien une fibrillation atriale. Alternativement, la caractérisation de l’étape le/ peut comprendre une absence d’irrégularité. Plus généralement, la caractéristique du signal représentatif peut concerner la régularité ou l’irrégularité du signal dans le temps.
[0034] Le procédé permet de fournir une caractérisation pertinente et facile à comprendre pour un individu sans formation médicale, de type « Aucune particularité détectée » ou « Fibrillation atriale détectée : Veuillez contacter votre médecin traitant. ».
[0035] Dans un mode de réalisation, au moins une partie du procédé est mise en oeuvre pendant un sommeil de l’individu.
[0036] Ainsi, des signaux peuvent être mesurés en continu et dans un état de repos de l’individu, tout en minimisant des perturbations des mesures, c’est-à-dire en évitant par exemple des tensions ou du stress que l’individu pourrait ressentir lors d’un examen dans un cabinet médical.
[0037] On peut bénéficier de la collection des signaux sur une période longue de plusieurs heures de sommeil d’une nuit et répéter cette acquisition chaque nuit, et ainsi accumuler une grande quantité de données.
[0038] Un autre aspect de la divulgation comprend une unité de traitement (dite première unité de traitement) pour déterminer une caractéristique d’un état cardiaque d’un individu. L’unité de traitement est configurée pour mettre en oeuvre un procédé de détermination d’une caractéristique d’un état cardiaque d’un individu tel que décrit précédemment. L’unité de traitement peut comprendre une mémoire stockant des instructions correspondant aux procédés décrits précédemment et un circuit de commande apte à exécuter lesdites instructions.
[0039] L’unité peut ainsi notamment mettre en oeuvre les étapes suivantes :
/a/ obtention (201) d’au moins un signal représentatif d’une activité cardiaque de l’individu de manière réitérée ;
Ici traiter (203) au moins une partie de l’au moins un signal obtenu ;
/d/ analyser (204) une évolution temporelle d’au moins une partie de l’au moins un signal traité ; lel fournir (205) une caractéristique du signal représentatif de l’activité cardiaque basée sur les étapes /a/ à /d/.
[0040] Un autre aspect de la divulgation comprend un dispositif de détermination d’une caractéristique d’un état cardiaque d’un individu, le dispositif comprenant au moins un capteur configuré pour mesurer au moins un signal représentatif d’une activité cardiaque de l’individu de manière réitérée, et l'unité de traitement configurée pour la mise en oeuvre du procédé de détermination d’une caractéristique, le dispositif étant configuré pour déterminer l’état cardiaque de l’individu sans être en contact physique avec l’individu. Par « sans être en contact physique avec l’individu » on entend sans être en contact physique direct avec le corps de l’individu. En d’autres termes, il peut y avoir un objet (par exemple un matelas et/ou un vêtement) entre le dispositif et le corps de l’individu.
[0041] Ce dispositif permet de mettre en oeuvre le procédé de détermination d’une caractéristique d’un état cardiaque d’un individu.
[0042] L’identification d’une caractéristique permet de prendre des mesures précoces pour prévenir le déclenchement d’une maladie, ou, dans le cas qu’un déclenchement de la maladie ne peut pas être prévenu, de prévoir à temps un traitement adapté de l’individu.
[0043] L’individu ne porte pas d’électrodes ou d’autres capteurs à son corps pendant la mise en oeuvre du procédé. Totalement non invasif, le dispositif est transparent à l’utilisation pour un individu, et voire utilisable dans certains cas pathologiques même à l’insu de l’individu. Des signaux utiles peuvent être obtenus sans contact direct avec l’individu.
[0044] Dans un mode de réalisation, le dispositif comprend une seconde unité de traitement déportée du dispositif et configurée pour recevoir par la première unité de traitement, après une mise en oeuvre du procédé par la première unité de traitement, des données représentatives d’au moins une partie de l’au moins un signal mesuré et/ou de l’au moins un signal traité et/ou de la caractéristique.
[0045] Ainsi, au moins une partie des données mesurées et/ou traitées et/ou toutes autres données relatives à la caractéristique peuvent être transmises à la seconde unité de traitement, pour une sauvegarde et/ou une visualisation et/ou une utilisation ultérieure.
[0046] Dans un mode de réalisation, la seconde unité de traitement comprend un « smartphone » ou une tablette. [0047] Un « smartphone » ou une tablette permet de sauvegarder des données, par exemple sur le « smartphone » ou la tablette, un cloud ou toute autre unité de stockage, de visualiser des données ou de partager des données avec une personne qualifiée telle qu’un médecin.
[0048] Un autre aspect de la divulgation comprend un produit programme informatique comportant des instructions pour la mise en oeuvre du procédé de la présente invention, lorsque le produit programme informatique est exécuté par un processeur.
[0049] Ce programme peut utiliser n’importe quel langage de programmation (par exemple, un langage-objet ou autre), et être sous la forme d’un code source interprétable, d’un code partiellement compilé ou d’un code totalement compilé.
[0050] La figure 7 décrite en détail ci-après peut former la première unité de traitement configurée pour la mise en oeuvre du procédé de détermination d’une caractéristique d’un état cardiaque de l’individu.
Brève description des dessins
[0051] D’autres caractéristiques, détails et avantages apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, sur lesquels :
Fig. 1
[0052] [Fig. 1] montre un dispositif pour mettre en oeuvre un procédé de détermination d’une caractéristique d’un état cardiaque d’un individu.
Fig. 2
[0053] [Fig. 2] montre un ordinogramme d’un procédé de détermination d’une caractéristique d’un état cardiaque.
Fig. 3
[0054] [Fig. 3] montre le résultat d’un calcul d’autosimilarité bidimensionnelle à partir d’un signal mesuré et représentatif d’une activité cardiaque d’un individu, qui indique respectivement un rythme sinusal ou une fibrillation atriale.
Fig. 4
[0055] [Fig. 4] montre le résultat d’un calcul d’autosimilarité tridimensionnelle à partir d’un signal mesuré et représentatif d’une activité cardiaque d’un individu, qui indique un rythme sinusal.
Fig. 5 [0056] [Fig. 5] montre le résultat d’un calcul d’autosimilarité tridimensionnelle à partir d’un signal mesuré et représentatif d’une activité cardiaque d’un individu, qui indique une fibrillation atriale.
Fig. 6
[0057] [Fig. 6] montre une illustration d’un réseau de neurones artificiels destiné à la mise en oeuvre d’une partie du procédé de détermination d’une caractéristique d’un état cardiaque d’un individu.
Fig. 7
[0058] [Fig. 7] est une vue schématique d’une unité de traitement configurée pour mettre en oeuvre le procédé de détermination d’une caractéristique d’un état cardiaque d’un individu.
Description des modes de réalisation
[0059] La figure 1 décrit un dispositif 101 de détermination d’une caractéristique d’un état cardiaque d’un individu.
[0060] Le dispositif 101 peut être installé dans un lit, par exemple sous un matelas, afin de surveiller l’individu présent sur le matelas pendant son sommeil, et d’identifier des problèmes du cœur tels que la fibrillation atriale.
[0061] Le dispositif 101 peut comprendre une bande de tissu 102 formant une gaine.
[0062] Le dispositif 101 peut comprendre au moins un capteur 107, 108 configuré pour mesurer au moins un signal représentatif d’une activité cardiaque, tels qu’un capteur de pression 107 ou un capteur acoustique 108.
[0063] La bande de tissu 102 peut renfermer une chambre pneumatique faisant office de capteur de pression 107.
[0064] Dans une autre variante, le capteur de pression 107 peut comprendre au moins un capteur piézoélectrique, renfermé par la bande de tissu 102.
[0065] Pour le cas où le capteur de pression 107 comprend une chambre pneumatique, et lorsque le dispositif 101 est disposé dans un lit, le poids et les mouvements de l'individu présent sur le lit agissent sur la chambre pneumatique, ce qui entraîne des variations de pression.
[0066] Le signal de pression peut être par exemple une micro-vibration du corps de l’individu, générée par le battement du cœur. [0067] De plus, la bande de tissu 102 peut renfermer un boîtier 104.
[0068] Le boîtier 104 peut comprendre des moyens électroniques connectés à un câble de connexion 103 comprenant un fil et un connecteur USB afin de pouvoir alimenter électriquement le dispositif 101. En variante, le dispositif peut comprendre une fiche destinée à être branchée dans une prise de courant. Le dispositif peut également comprendre une batterie rechargeable.
[0069] Le boîtier 104 peut comprendre un convertisseur de pression, configuré pour transformer un signal de pression, détectée à l’aide du capteur de pression 107, en une première tension.
[0070] En outre, le boîtier 104 peut comprendre un microphone, faisant office de capteur acoustique 108.
[0071] Le capteur acoustique 108 peut mesurer des sons de l'environnement, notamment la respiration ou les ronflements en provenance de l’individu, et les convertir en une seconde tension.
[0072] Le capteur acoustique 108 et le convertisseur de pression peuvent être connectés de manière électronique à une première unité de traitement 106 qui se trouve dans le boîtier 104.
[0073] La première unité de traitement 106 peut être configurée pour mettre en oeuvre tout ou partie du procédé de détermination d’une caractéristique d’un état cardiaque de l’individu. Ce procédé est décrit en détail dans la figure 2.
[0074] Il est possible de déterminer, à partir de la première et/ou la seconde tension, la fréquence et l’amplitude cardiaque ainsi que d’autres paramètres.
[0075] Dans une variante, le dispositif comprend un écran. Cet écran peut être configuré pour afficher une donnée relative à la caractéristique telle que « Aucune particularité détectée » ou « Fibrillation atriale détectée : Veuillez contacter votre médecin traitant. ».
[0076] La première unité de traitement peut être configurée en outre pour communiquer, comme représenté par la flèche en pointillé 109 dans la figure 1 , avec une seconde unité de traitement.
[0077] La seconde unité de traitement peut être configurée pour recevoir, par la première unité de traitement, au moins une partie des données mesurées (qui représentent l’au moins un signal mesuré) et/ou traitées et/ou toutes autres données relatives à la caractéristique, pour une sauvegarde et/ou une visualisation et/ou toute autre utilisation ultérieure.
[0078] La seconde unité de traitement peut être déportée du dispositif, c’est-à-dire ne pas être liée physiquement au dispositif.
[0079] La seconde unité de traitement peut être ou comprendre un « smartphone » 105 ou une tablette, ce qui permet de sauvegarder des données, par exemple sur le « smartphone » ou la tablette ou dans un cloud ou un autre dispositif externe, de visualiser des données ou de partager des données avec une personne qualifiée telle qu’un médecin.
[0080] A cet effet, une application adaptée peut être installée sur le « smartphone »/la tablette.
[0081] Le partage de données avec un médecin peut être fait à l’initiative du client, ou de manière automatisée, notamment si une caractéristique relative à un rythme cardiaque irrégulier est identifiée par le dispositif.
[0082] Dans le cas où le capteur de pression 107 comprend une chambre pneumatique, la chambre pneumatique peut être gonflée avant son utilisation.
[0083] Après son utilisation, le dispositif 101 peut être soit rangé, soit enroulé, soit plié de sorte qu'il soit compact lorsqu'il n'est pas utilisé.
[0084] Dans une variante, le dispositif 101 peut avoir une forme rectangulaire, avec une longueur LX comprise entre 50 mm et 800 mm, une largeur LY comprise entre 10 mm et 400 mm, et une épaisseur TZ inférieure à 20 mm.
[0085] Dû à la faible épaisseur TZ du dispositif 101, l’individu dormant sur le matelas n’est pas dérangé par le dispositif 101, lorsque le dispositif est installé sous le matelas.
[0086] La forme de la chambre pneumatique peut être sensiblement la même que la forme de la bande de tissu 102.
[0087] La figure 2 montre l’ordinogramme d’un procédé de détermination d’une caractéristique d’un état cardiaque d’un individu. Ce procédé peut être mis en oeuvre par le dispositif 101 montré par la figure 1. Ce dispositif peut comprendre une première unité de traitement 106.
[0088] Au moins une partie du procédé peut être mise en oeuvre pendant le sommeil de l’individu. [0089] L’individu peut être un être humain, et le dispositif 101 peut être installé dans un lit, par exemple sous le matelas, afin de surveiller l’être humain pendant son sommeil.
[0090] Dans une autre variante, l’individu peut être un animal, par exemple un chien, et le procédé peut être mis en oeuvre pendant que le chien dort dans un panier.
[0091] Dans une première étape 201 , au moins un signal représentatif d’une activité cardiaque de l’individu peut être mesuré. Cette mesure peut être faite de manière réitérée, par exemple en continu pendant un certain laps de temps, comprise entre plusieurs minutes et plusieurs heures, voire un jour.
[0092] Ce signal peut être un signal de pression et/ou un signal acoustique, détectés par au moins un capteur de pression 107 et/ou un capteur acoustique 108 compris dans le dispositif 101.
[0093] Le signal acoustique peut être représentatif d’une respiration ou d’un ronflement de l’individu.
[0094] Le signal de pression peut être représentatif de mouvements infimes du corps provoqués par une contraction cardiaque faits par l’individu, mais aussi d’autres mouvements lorsque l’individu bouge dans son sommeil.
[0095] Plus généralement, l’étape 201 peut comprendre l’obtention d’un signal représentatif de l’activité cardiaque qui est mesurée ; notamment, le dispositif qui acquiert le signal peut être différent du dispositif qui met en oeuvre les étapes 202, 203, 204, 205 du procédé de la description.
[0096] Dans une deuxième étape 202, le signal mesuré peut être utilisé pour déterminer une pertinence d’au moins une partie du signal mesuré.
[0097] L’étape 202 peut comprendre une étape d’apprentissage automatique, mise en oeuvre par une intelligence artificielle tel qu’un réseau de neurones artificiels.
[0098] Pour la mise en oeuvre de l’étape 202, au moins un signal mesuré représentatif d’une activité cardiaque de l’individu peut être analysé.
[0099] Dans une autre variante, au moins un signal supplémentaire représentatif d’un mouvement effectué par l’individu, d’une respiration de l’individu ou d’une pression exercée par l’individu peut être mesuré et analysé.
[0100] Dans une variante, l’évolution de l’amplitude d’un signal de pression peut être observée, notamment l’évolution d’un maximum du signal de pression à l’autre. Par exemple, un mouvement macroscopique effectué par l’individu peut faire saturer la lecture du signal, c’est-à-dire que si l’individu bouge pendant son sommeil, le signal mesuré par le capteur de pression configuré pour détecter des signaux de pression infimes peut saturer. Dans ce cas, le résultat de l’étape 202 pour cette partie du signal peut être un message d’erreur, et un signal représentatif d’une activité cardiaque ne pourra pas être extrait. Aucune caractéristique du signal représentatif de l’activité cardiaque ne pourra être fournie dans ce cas.
[0101] Si aucune pression ou activité cardiaque n’est détectée, un résultat de l’étape 202 peut être que l’individu ne se trouve pas sur le lit ou n’est pas positionné correctement, et que la caractéristique ne peut pas être fournie en conséquence.
[0102] Dans une troisième étape 203, au moins une partie du signal mesuré est traitée.
[0103] Pour le cas où le signal représentatif d’une activité cardiaque est un signal de pression, la troisième étape 203 peut comprendre la détermination d’un ballistocardiogramme. Un ballistocardiogramme est une trace écrite de mouvements infimes du corps provoqués par une contraction cardiaque. Des caractéristiques de l’état cardiaque peuvent être encodées dans un ballistocardiogramme.
[0104] La troisième étape 203 peut comprendre des calculs de similarité du signal, qui peuvent permettre d’obtenir des informations quant au rythme et à la régularité du signal cardiaque.
[0105] Par exemple, dans une variante, la troisième étape 203 comprend le calcul d’une autosimilarité. La mise en oeuvre et les résultats d’un calcul d’autosimilarité sont décrits en détail dans les figures 3 à 5.
[0106] Par exemple, dans une autre variante, la troisième étape peut comprendre le calcul d’une autocorrélation.
[0107] Dans une quatrième étape 204, une évolution temporelle d’au moins une partie de l’au moins un signal traité est analysée. En particulier, les calculs de score de similarité peuvent servir d’entrées à un algorithme de traitement.
[0108] Dans une variante, la quatrième étape 204 est mise en oeuvre au moins en partie par une intelligence artificielle, ce qui permet une grande flexibilité dans la mise en oeuvre du procédé. Ainsi, le procédé peut aboutir et fournir une caractéristique pour différents formes ou motifs dans les signaux/données, grâce à la capacité de l’intelligence artificielle de classification de données à analyser. [0109] Dans une variante, l’intelligence artificielle comprend un réseau de neurones artificiels tel qu’un réseau de neurones convolutionnel bidimensionnel 301 qui comprend au moins une couche cachée à convolution bidimensionnelle, comme expliqué dans la description relative à la figure 6.
[0110] Un réseau de neurones convolutionnel bidimensionnel est spécialement adapté à une analyse d’images, notamment pour la détection et l’analyse de certains motif dans des images.
[0111] Un réseau de neurones artificiels est un algorithme qui permet à une unité de traitement 106 exécutant cet algorithme d’apprendre à partir de nouvelles données. Un réseau de neurones artificiels peut apprendre en alimentant l’algorithme avec des données comprenant des enregistrements traités étiquetés de variation de pression et/ou de sons.
[0112] Les enregistrements étiquetés peuvent être classés, par exemple selon le sexe de l’individu, le poids de l'individu, l'âge de l’individu, et le type de caractéristique du signal cardiaque.
[0113] Ainsi, une base de données de référence peut être créée et améliorée au cours du temps. Pour chaque individu qui utilise le dispositif selon la figure 1 , une personne qualifiée telle qu’un médecin peut étiqueter les enregistrements de sons et de variation de pression en association avec le profil.
[0114] La mise en oeuvre de l’étape 204 est décrite en détail par la figure 6.
[0115] Dans une cinquième étape 205, une caractéristique basée sur les première 201 à quatrième 204 étapes peut être fournie. La caractéristique peut être relative à une régularité temporelle ou une irrégularité temporelle du signal.
[0116] Par exemple, la cinquième étape 205 peut comprendre l’identification d’une fibrillation atriale ou l’identification d’une absence d’anomalie relative à l’activité cardiaque.
[0117] Il n’est pas nécessaire que le procédé soit mis en oeuvre dans l’ordre décrit ci- dessus. Notamment, la deuxième étape 202 peut être mise en oeuvre à tout moment pendant la mise en oeuvre du procédé, par exemple directement après la mesure de signaux, ou en même temps que la troisième ou la quatrième étape. Toutefois une caractéristique telle que « Aucune particularité détectée » ou « Fibrillation atriale détectée : Veuillez contacter votre médecin traitant. », est fournie uniquement s’il est déterminé lors de la deuxième étape 202 que le signal mesuré est pertinent. Sinon, le procédé peut fournir un message d’erreur. Ainsi, le procédé notifie l’utilisateur de la caractéristique du signal mesuré uniquement si le signal mesuré est exploitable.
[0118] En outre, il n’est pas nécessaire que la première étape 201 soit terminée pour déclencher la mise en oeuvre de la deuxième étape 202. Les deuxième 202, troisième 203 ou quatrième 204 étapes peuvent être mises en oeuvre au moins en partie lors de la mesure de signaux lors de la première étape 201.
[0119] Dans une variante, une partie du procédé, notamment l’une quelconque des étapes 202, 203, 204 et 205, peut être mise en oeuvre par une seconde unité de traitement déportée du dispositif, telle qu’un smartphone.
[0120] Dans un mode de réalisation, au moins une partie des étapes Ici à le/ est mise en oeuvre de manière réitérée, et une caractéristique est fournie toutes les 1 minute à 5 minutes.
[0121] La figure 3 montre le résultat bidimensionnel du calcul d’une autosimilarité.
[0122] Le calcul d’autosimilarité peut être effectué lors de la mise en oeuvre de la troisième étape 203 du procédé décrit dans la figure 2, à partir du signal mesuré lors de la première étape 201.
[0123] Dans une sous-étape préliminaire optionnelle, un filtre passe-bande peut être appliqué à l’au moins un signal mesuré pour éliminer du bruit de fond à haute fréquence. En outre, le filtre passe-bande peut être configuré pour éliminer des composants à basse fréquence, représentatifs de la respiration de l’individu.
[0124] Le calcul d’autosimilarité ne nécessite aucun signal d'étalonnage externe. Un signal mesuré peut être utilisé pour créer des recopies (c’est-à-dire des signaux de référence) du signal mesuré, qui de leur part peuvent être utilisés pour classifier des signaux mesurés ultérieurement, comme expliqué en détail ci-après.
[0125] Dans une première sous-étape qui suit la sous-étape préliminaire optionnelle, des ensembles de points de référence peuvent être obtenus à partir du signal mesuré ou du signal traité dans la sous-étape préliminaire optionnelle. A cet effet, le signal est échantillonné, et des extrema peuvent être identifiés dans le signal.
[0126] Les extrema peuvent être des maxima et/ou des minima du signal.
[0127] Dans une variante, les points de référence peuvent être obtenus en appliquant un décalage temporel aux extrema identifiés pour représenter différentes fréquences du signal. [0128] Typiquement, le décalage temporel est à l’ordre d’une ou de plusieurs secondes.
[0129] Cependant, toute autre méthode peut être utilisée pour obtenir des points de référence.
[0130] Les ensembles de points de référence peuvent comprendre des données qui correspondent aux positions attendues pour un signal ayant une certaine fréquence.
[0131] Par exemple, si le procédé décrit dans la figure 2 est utilisé pour déterminer la fréquence cardiaque d’un être humain, l’ensemble de points de référence peuvent couvrir une gamme comprise entre 35 et 110 battements par minute.
[0132] Les différents ensembles de points de référence peuvent être sauvegardés pour l’analyse du signal mesuré. Dans une variante, uniquement les extrema identifiés sont sauvegardés, et la partie restante du signal est effacée.
[0133] Dans une deuxième sous-étape, une pluralité d’extrema sont identifiés dans le signal mesuré.
[0134] L’autosimilarité s’intéresse à tout ou partie des extrema du signal mesuré, et on calcule, dans une troisième sous-étape, en fonction d’un décalage temporel entre le signal mesuré et sa recopie, un score représentatif de distances entre chaque extremum du signal mesuré et l’extremum le plus proche de sa recopie.
[0135] Le résultat bidimensionnel du calcul d’une autosimilarité est un score qui peut être assigné à chaque point de référence, pour indiquer à quel point le point de référence est proche d’un extremum, de manière à ce que le score le plus élevé soit attribué aux points de référence avec le plus petit écart.
[0136] De cette manière, une autosimilarité est une fonction inverse de distances entre chaque extremum du signal mesuré et l’extremum le plus proche de sa recopie.
[0137] Le décalage temporel qui constitue une variable de la fonction d’autosimilarité peut être borné, c’est-à-dire varier dans une gamme déterminée.
[0138] La comparaison des extrema aux points de référence peut inclure une comparaison de fréquence et/ou une comparaison d’amplitude.
[0139] Dans une variante, le score total pour un ensemble de points de référence peut être obtenu en calculant la somme des scores assignés à chaque point de référence dans un ensemble. [0140] Dans une autre variante, le score total pour un ensemble de points de référence peut être le maximum des scores pour un ensemble de points de référence.
[0141] Cette comparaison peut être répétée pour chacun des ensembles de points de référence.
[0142] Cependant, toute autre méthode appropriée peut être utilisée pour comparer l’ensemble de points de référence qui correspondent aux extrema identifiés.
[0143] L'ensemble de points de référence qui correspondent le plus aux extrema est identifiés pour déterminer la fréquence du signal à analyser.
[0144] Afin de pouvoir déterminer l’écart entre deux extrema voisins, la durée temporelle du signal à analyser doit être suffisamment longue pour comprendre au moins deux extrema. Par exemple, si le signal à analyser représente une activité cardiaque avec 75 battements par minute, l’écart entre deux maxima est 0,8 secondes et en conséquence la durée d’échantillonnage devrait être au moins 1 ,6 secondes.
[0145] On obtient ainsi toutes les 1 ,6 secondes une courbe d'autosimilarité en fonction du décalage temporel (aussi appelé retard ou aussi appelé « lag » en anglais). Cette courbe de similarité forme ainsi un ensemble de scores de similarité, dans lequel à chaque décalage est associé un score de similarité (score de similarité en fonction du décalage donc).
[0146] Dans l’exemple de la figure 3, pour le cas d’un rythme sinusal, c’est-à-dire du rythme normal du cœur, le score maximum apparaît toutes les 0,8 secondes (courbe solide dans la figure 3).
[0147] Pour le cas d’une fibrillation atriale, le score fluctue de manière presque arbitraire, et aucune périodicité claire du signal ne peut être identifiée (courbes pointillées dans la figure 3).
[0148] En mettant plusieurs courbes d’autosimilarité obtenues à partir de signaux mesurés d’affilée « l’une à côté de l’autre », on obtient une représentation tridimensionnelle de l’autosimilarité en fonction du lag (axe vertical) et en fonction du temps ou des portions du signal pour lesquelles un ensemble de scores a été calculé (axe horizontal), tel qu’il est montré par les figures 4 et 5.
[0149] C’est-à-dire qu’une pluralité de courbes telles que montrées dans la figure 3 sont juxtaposées ou empilées, de sorte à former une représentation tridimensionnelle de l’évolution temporelle des ensembles de scores de la figure 2. Cette représentation tridimensionnelle forme ainsi un empilement de scores de similarité du signal représentatif, dans lequel un score est associé à chaque portion et chaque décalage (score en fonction de la portion et du décalage donc). L’abscisse de la figure 3 correspond à l’ordonnée des figures 4 et 5.
[0150] Selon le type de rythme cardiaque de l’individu, la structure de l’autosimilarité est différente.
[0151] La figure 4 montre le cas d’un rythme sinusal, et la figure 5 le cas d’une fibrillation atriale.
[0152] De telles images comprennent typiquement entre 50 et 200 points sur chaque axe, donc entre 0.0025 et 0.04 mégapixels. Cette taille d’image relativement faible permet de minimiser les coûts de calcul pour l’analyse de telles images.
[0153] Pour le cas d’un rythme sinusal, le maximum de chacune des courbes bidimensionnelles forme la courbe foncée (figure 4). Plus généralement, on s’intéresse aux zones foncées dans l’image et à la continuité de ces zones foncées. Autrement dit, dans un cas de battement cardiaque normal, on constate une bande foncée grossièrement horizontale, pas forcément rectiligne voire même pas forcément continue. La périodicité du battement du cœur varie principalement entre 0,8 secondes et 1 ,1 secondes.
[0154] Comme expliqué dans la description de la figure 3, pour le cas d’une fibrillation atriale, la courbe d’autosimilarité fluctue de manière presque arbitraire, et aucune périodicité claire du signal ne peut être identifiée). Autrement dit, dans le cas d’un battement cardiaque anormal, dans l’image construite à partir de la juxtaposition de plusieurs résultats d’autosimilarité, on ne peut pas distinguer des zones foncées formant grossièrement une bande (figure 5).
[0155] Les ensembles de similarité et l’empilement peuvent être calculés avec une autosimilarité, comme décrite ci-dessus, ou bien avec une autocorrélation, une transformée de Fourier glissante ou encore avec une transformée en ondelettes.
Toutefois, le calcul de l’autosimilarité est particulièrement adapté aux ballistocardiogrammes.
[0156] Dans une autre variante, les images peuvent être traitées par un algorithme « conventionnel » et non pas par un réseau de neurones. Un tel algorithme peut être basé par exemple sur la reconnaissance de la zone foncée dans les images. [0157] L’analyse des images montrées dans les figures 4 et 5 est expliquée ci-après à l’aide de la figure 6.
[0158] La figure 6 montre un réseau de neurones convolutionnel bidimensionnel (appelé CNN ci-après), destiné à la mise en oeuvre de l’étape 204 du procédé décrit dans la figure 2.
[0159] Il s’agit d’un cas particulier d’un réseau de neurones artificiels, spécialement adapté à une analyse d’images, notamment pour la détection et l’analyse de certains motifs dans les images.
[0160] Un CNN est un algorithme qui permet à une unité de traitement 106 exécutant cet algorithme de mettre en oeuvre le principe d'apprentissage par l'expérience, c’est-à-dire d’apprendre en analysant des exemples, dans ce cas, des images selon les figures 4 ou 5, calculé à partir de signaux représentatifs d’une activité cardiaque d’un individu de manière réitérée.
[0161] Un grand nombre d’images d’une même catégorie peut être présenté au CNN, par exemple des résultats de calcul d’autosimilarité, calculé à partir de signaux représentatifs d’une activité cardiaque d’un adulte qui souffre d’une fibrillation atriale. L’unité de traitement 106 apprend ainsi à reconnaître ce type de motif récurrent lorsqu’une image inconnue lui est présentée.
[0162] Le CNN peut continuer son apprentissage lors de la mise en oeuvre du procédé.
[0163] Par conséquent, l’étape 204 du procédé selon la figure 2 peut être adaptée et optimisée en fonction de l’analyse d’images déterminées antérieurement.
[0164] Le fonctionnement d’un CNN est repose sur un grand nombre de processeurs opérant en parallèle et organisés en couches.
[0165] Un CNN peut comprendre une couche d’entrée inL, une ou plusieurs couches cachées hidL, et une couche de sortie outL, disposées l’une après l’autre. Une couche postérieure reçoit comme entrée le résultat d’une couche antérieure.
[0166] Chaque couche peut comprendre plusieurs éléments.
[0167] Dans le cas de la couche d’entrée inL, l’élément d’entrée représente des images à analyser.
[0168] Un neurone artificiel, représenté par une flèche, représente une fonction de transfert qui transforme l’activation des éléments d’une couche en l’activation des éléments de la couche suivante, selon des règles qui peuvent changer, suivant le principe d’apprentissage automatique.
[0169] Un CNN permet de tester des hypothèses fonctionnelles. Chaque flèche en provenance d’une couche représente une hypothèse testée.
[0170] Par exemple, chaque image peut être analysé avec un filtre glissant, et certains motifs peuvent être cherchés dans l’image, tel qu’un signal dont le « lag » est compris entre 0,8 secondes et 1 ,1 secondes.
[0171] Pour un élément d’une couche, une pluralité d’hypothèses peut être testée. Les mêmes hypothèses sont testées pour chacun des éléments dans une couche.
[0172] Chacun des éléments d’une couche reçoit tous les résultats d’une seule hypothèse pour tous les éléments de la couche précédente.
[0173] Une première couche cachée hidL reçoit les sorties d’informations da la première couche, c’est-à-dire des signaux traités/analysé selon un ensemble d’hypothèses.
[0174] Le cas échéant, en fonction de la complexité de l’algorithme, la sortie de la deuxième couche peut être guidée à une deuxième couche cachée. Le nombre de couches cachées, ainsi que le nombre d’éléments dans chaque couche n’est pas limité, et peut être adapté en fonction du problème à résoudre.
[0175] A titre d’exemple et de manière non limitative, les couches cachées dans la figure 6 comprennent quatre éléments chacune. Les éléments d’une couche cachée peuvent correspondre par exemple aux différents motifs qui peuvent identifiées dans une image.
[0176] La dernière couche outL produit les résultats du système. Dans le cas présent, le résultat peut être par exemple « Aucune particularité détectée » ou « Fibrillation atriale détectée : Veuillez contacter votre médecin traitant. ».
[0177] Dans l’exemple montré dans la figure 6, la dernière couche outL du CNN peut fournir trois résultats différents : « fibrillation atriale » (FA), « rythme sinusal » (RS) ou « erreur » (err).
[0178] Dans un mode de réalisation, au moins une partie des étapes /b/ à le/ est mise en oeuvre de manière réitérée, et la caractéristique du signal représentatif de l’activité cardiaque est fournie toutes les 1 minute à 5 minutes.
[0179] La figure 7 présente une unité de traitement 106 adaptée pour la mise en oeuvre du procédé décrit dans la figure 2. Cette unité de traitement peut faire partie du dispositif décrit dans la figure 1. [0180] Dans ce mode de réalisation, l’unité de traitement comprend une mémoire 110 pour stocker des instructions permettant la mise en oeuvre d’une partie au moins du procédé, les données reçues, et des données temporaires pour réaliser les différentes étapes et opérations du procédé tel que décrit précédemment.
[0181] L’unité de traitement comporte en outre un circuit de commande 111. Ce circuit peut être, par exemple :
- un processeur apte à interpréter des instructions sous la forme de programme informatique, ou
- une carte électronique dont les étapes et opérations du procédé de la divulgation sont décrites dans le silicium, ou encore
- une puce électronique programmable comme une puce FPGApour « Field- Programmable Gâte Array » en anglais, comme un SOC pour « System On Chip » en anglais ou comme un ASIC pour « Application Spécifie Integrated Circuit » an anglais.
[0182] Les SOC ou systèmes sur puce sont des systèmes embarqués qui intègrent tous les composants d’un système électronique dans une puce unique. Un ASIC est un circuit électronique spécialisé qui regroupe des fonctionnalités sur mesure pour une application donnée. Les ASIC sont généralement configurés lors de leur fabrication et ne peuvent être que simulés par un utilisateur de l’unité de traitement. Les circuits logiques programmables de type FPGAsont des circuits électroniques reconfigurables par l’utilisateur de l’unité de traitement.
[0183] L’unité de traitement comporte une interface d’entrée pour la réception de messages ou instructions, et une interface de sortie pour la communication avec l’au moins un capteur 107, 108. Dans l’exemple représenté ici, l’unité de traitement est intégrée dans le dispositif selon la figure 1.
[0184] En fonction du mode de réalisation, l’unité de traitement 106 peut être un ordinateur, un réseau d’ordinateurs, un composant électronique, ou un autre appareil comportant un processeur couplé de manière opérationnelle à une mémoire, ainsi que, selon le mode de réalisation choisi, une unité de stockage de données, et d'autres éléments matériels associés comme une interface de réseau et un lecteur de support pour lire un support de stockage amovible et écrire sur un tel support non représentés sur la figure 7. Le support de stockage amovible peut être, par exemple, un disque compact CD, un disque vidéo/polyvalent numérique DVD, un disque flash, une clé USB, etc. [0185] En fonction du mode de réalisation, la mémoire 110, l’unité de stockage de données ou le support de stockage amovible contient des instructions qui, lorsqu'elles sont exécutées par le circuit de commande 111, amènent ce circuit de commande à effectuer ou contrôler les interfaces d’entrée, interface de sortie, stockage de données dans la mémoire 110 et/ou traitement de données et des exemples de mise en oeuvre du procédé décrit dans la figure 2.
[0186] Le circuit de commande 111 peut être un composant implémentant le pilotage de l’unité de traitement 106.
[0187] En outre, l’unité de traitement 106 peut être mis en oeuvre sous forme logicielle, auquel cas il prend la forme d’un programme exécutable par un processeur, ou sous forme matérielle, ou « hardware », comme un circuit intégré spécifique application ASIC, un système sur puce SOC, ou sous forme d'une combinaison d'éléments matériels et logiciels, par exemple un programme logiciel destiné à être chargé et exécuté sur un composant électronique décrit ci-avant tel que FPGA, processeur.
[0188] L’unité de traitement 106 peut également utiliser des architectures hybrides, par exemple des architectures basées sur un CPU+FPGA, un GPU pour « Graphics Processing Unit » ou un MPPA pour « Multi-Purpose Processor Array ».
[0189] L’unité de traitement peut contrôler au moins une partie des composants du dispositif montrée dans la figure 1. En particulier, l’unité de traitement peut contrôler le capteur de pression 107 et le capteur acoustique 108.
[0190] A cet effet, l’unité de traitement peut comprendre un matériel de stockage pour stocker au moins une partie du signal mesuré et/ou du signal traité et/ou de la caractéristique.
[0191] Le dispositif selon la figure 1 peut être couplé 109 sans fil, par exemple via bluetooth™, Wi-Fi ou un réseau cellulaire, à un ou plusieurs dispositifs, comme à une deuxième unité de traitement telle qu’un « smartphone » 105 ou une tablette ou un serveur distant, sans exclure l'interfaçage direct d'une télémédecine dans un serveur distant.
[0192] La présente divulgation permet de déterminer un état cardiaque d’un individu pour la fourniture d’une caractéristique.
[0193] La présente divulgation ne se limite pas aux exemples de dispositifs, systèmes, procédés, utilisations et produits programmes informatiques décrits ci-avant, seulement à titre d’exemple, mais elle englobe toutes les variantes que pourra envisager la personne du métier dans le cadre de la protection recherchée.

Claims

Revendications
[Revendication 1] Procédé de détermination d’une caractéristique d’un état cardiaque d’un individu, ledit procédé comprenant les étapes suivantes :
/a/ obtention (201 ) d’au moins un signal représentatif d’une activité cardiaque de l’individu de manière réitérée ;
Ici traiter (203) au moins une partie de l’au moins un signal obtenu ;
/d/ analyser (204) une évolution temporelle d’au moins une partie de l’au moins un signal traité ; le/ fournir (205) une caractéristique du signal représentatif de l’activité cardiaque basée sur les étapes /a/ à ldi.
[Revendication 2] Procédé selon la revendication 1 , dans lequel l’étape Ibl comprend une étape d’apprentissage automatique, mise en oeuvre par une intelligence artificielle.
[Revendication 3] Procédé selon l’une quelconque des revendications 1 à 2, dans lequel l’au moins un signal représentatif d’une activité cardiaque est un signal de pression et l’étape Ici comprend la détermination d’un ballistocardiogramme.
[Revendication 4] Procédé selon l’une quelconque des revendications 1 à 3, dans lequel traiter de l’étape Ici comprend : calculer, pour une portion du signal représentatif, un ensemble de scores de similarité, ledit ensemble de scores de similarité associant des valeurs de score de similarité à des décalages temporels respectifs. [Revendication 5] Procédé selon la revendication 4, dans lequel l’ensemble de scores de similarité est calculé en comparant la portion avec une pluralité de recopies de la portion auxquelles un décalage temporel respectif a été appliqué, une valeur de score de similarité étant attribuée pour chaque décalage temporel.
[Revendication 6] Procédé selon la revendication 5, dans lequel : - traiter de l’étape Ici comprend : empiler une pluralité d’ensemble de scores de similarité calculés pour une pluralité de portions respectives, afin de former un empilement de scores d’autosimilarité du signal représentatif, ledit empilement associant donc des valeurs de scores de similarité du signal représentatif à des décalages temporels et des portions du signal représentatif, - ledit empilement est analysé dans l’étape /d/.
[Revendication T] Procédé selon l’une quelconque des revendications 1 à 6, dans lequel l’étape Ici comprend le calcul d’une autosimilarité. [Revendication 8] Procédé selon l’une quelconque des revendications 1 à 7, dans lequel l’étape /d/ est mise en oeuvre au moins en partie par une intelligence artificielle.
[Revendication 8] Procédé selon la revendication 8, dans lequel l'intelligence artificielle comprend un réseau de neurones artificiels.
[Revendication 10 J Procédé selon la revendication 9, dans lequel le réseau de neurones artificiels comprend un réseau de neurones convolutionnel bidimensionnel (301).
[Revendication 11] Procédé selon l’une quelconque des revendications 1 à 10, dans lequel au moins une partie des étapes Ici à le/ est mise en oeuvre de manière réitérée, et la caractéristique est fournie toutes les 1 minute à 5 minutes.
[Revendication 12] Procédé selon l’une quelconque des revendications 1 à 11 , comprenant en outre : /b/ déterminer (202) une pertinence d’au moins une partie de l’au moins un signal obtenu, et dans lequel une étape de notification de la caractéristique du signal obtenu est mise en oeuvre uniquement si l’étape Ibl détermine que le signal obtenu est pertinent.
[Revendication 13] Procédé selon la revendication 12, dans lequel l’étape Ibl comprend :
- analyser l’au moins un signal obtenu représentatif d’une activité cardiaque de l’individu ; et/ou
- mesurer et analyser au moins un signal supplémentaire représentatif d’un mouvement effectué par l’individu, d’une respiration de l’individu ou d’une pression exercée par l’individu.
[Revendication 14] Procédé selon l’une quelconque des revendications 1 à 13, dans lequel la caractéristique du signal représentatif a trait à la régularité ou l’irrégularité du signal dans le temps.
[Revendication 15] Procédé selon l’une quelconque des revendications 1 à 14, dans lequel l’étape le/ comprend l’identification d’une fibrillation atriale ou l’identification d’une absence de caractéristique.
[Revendication 16] Procédé selon l’une quelconque des revendications 1 à 15, dans lequel au moins une partie du procédé est mise en oeuvre pendant un sommeil de l’individu.
[Revendication 17] Unité de traitement pour déterminer une caractéristique d’un état cardiaque d’un individu, l’unité de traitement étant configurée pour mettre en oeuvre un procédé de détermination d’une caractéristique d’un état cardiaque d’un individu selon l’une quelconque des revendications 1 à 16.
[Revendication 18] Unité de traitement pour déterminer une caractéristique d’un état cardiaque d’un individu, ladite unité étant configurée pour mettre en oeuvre les étapes suivantes :
/a/ obtention (201) d’au moins un signal représentatif d’une activité cardiaque de l’individu de manière réitérée ;
Ici traiter (203) au moins une partie de l’au moins un signal obtenu ;
/d/ analyser (204) une évolution temporelle d’au moins une partie de l’au moins un signal traité ; le/ fournir (205) une caractéristique du signal représentatif de l’activité cardiaque basée sur les étapes /a/ à ldi.
[Revendication 19] Unité de traitement selon la revendication 18, dans lequel l’étape Ibl comprend une étape d’apprentissage automatique, mise en oeuvre par une intelligence artificielle.
[Revendication 20] Unité de traitement selon l’une quelconque des revendications 18 à
19, dans lequel l’au moins un signal représentatif d’une activité cardiaque est un signal de pression et l’étape Ici comprend la détermination d’un ballistocardiogramme.
[Revendication 21] Unité de traitement selon l’une quelconque des revendications 18 à
20, dans lequel traiter de l’étape Ici comprend : calculer, pour une portion du signal représentatif, un ensemble de scores de similarité, ledit ensemble de scores de similarité associant des valeurs de score de similarité à des décalages temporels respectifs.
[Revendication 2.2] Unité de traitement selon la revendication 21 , dans lequel l’ensemble de scores de similarité est calculé en comparant la portion avec une pluralité de recopies de la portion auxquelles un décalage temporel respectif a été appliqué, une valeur de score de similarité étant attribué pour chaque décalage temporel.
[Revendication 23] Unité de traitement selon la revendication 22, dans lequel :
- traiter de l’étape Ici comprend : empiler une pluralité d’ensemble de scores de similarité calculés pour une pluralité de portions respectives, afin de former un empilement de scores d’autosimilarité du signal représentatif, ledit empilement associant donc des valeurs de scores de similarité du signal représentatif à des décalages temporels et des portions du signal représentatif,
- ledit empilement est analysé dans l’étape /d/. [Revendication 24] Unité de traitement selon l’une quelconque des revendications 18 à
23, dans lequel l’étape Ici comprend le calcul d’une autosimilarité.
[Revendication 25] Unité de traitement selon l’une quelconque des revendications 18 à
24, dans lequel l’étape /d/ est mise en oeuvre au moins en partie par une intelligence artificielle.
[Revendication 28] Unité de traitement selon la revendication 25, dans lequel l’intelligence artificielle comprend un réseau de neurones artificiels.
[Revendication 27] Unité de traitement selon la revendication 26, dans lequel le réseau de neurones artificiels comprend un réseau de neurones convolutionnel bidimensionnel (301).
[Revendication 28] Unité de traitement selon l’une quelconque des revendications 18 à
27, dans lequel au moins une partie des étapes Ici à le/ est mise en oeuvre de manière réitérée, et la caractéristique est fournie toutes les 1 minute à 5 minutes.
[Revendication 29] Unité de traitement selon l’une quelconque des revendications 18 à
28, comprenant en outre : /b/ déterminer (202) une pertinence d’au moins une partie de l’au moins un signal obtenu, et dans lequel une étape de notification de la caractéristique du signal obtenu est mise en oeuvre uniquement si l’étape Ibl détermine que le signal obtenu est pertinent.
[Revendication 38] Unité de traitement selon la revendication 29, dans lequel l’étape Ibl comprend :
- analyser l’au moins un signal obtenu représentatif d’une activité cardiaque de l’individu ; et/ou
- mesurer et analyser au moins un signal supplémentaire représentatif d’un mouvement effectué par l’individu, d’une respiration de l’individu ou d’une pression exercée par l’individu.
[Revendication 31] Unité de traitement selon l’une quelconque des revendications 18 à
30, dans lequel la caractéristique du signal représentatif a trait à la régularité ou l’irrégularité du signal dans le temps.
[Revendication 32] Unité de traitement selon l’une quelconque des revendications 18 à
31 , dans lequel l’étape /e/ comprend l’identification d’une fibrillation atriale ou l’identification d’une absence de caractéristique. [Revendication 33] Unité de traitement selon l’une quelconque des revendications 18 à 32, dans lequel au moins une partie du procédé est mise en oeuvre pendant un sommeil de l’individu.
[Revendication 34] Dispositif (101) de détermination d’une caractéristique d’un état cardiaque d’un individu, le dispositif comprenant au moins un capteur (107, 108) configuré pour mesurer au moins un signal représentatif d’une activité cardiaque de l’individu de manière réitérée, et l’unité (106) de traitement selon l’une quelconque des revendications 17 à 33.
[Revendication 35] Dispositif selon la revendication 34, configuré pour déterminer l’état cardiaque de l’individu sans être en contact physique avec l’individu.
[Revendication 36] Dispositif selon la revendication 34 ou 35, dans lequel le dispositif (101) comprend une seconde unité de traitement déportée du dispositif et configurée pour recevoir par la première unité de traitement, après une mise en oeuvre du procédé par la première unité de traitement (106), des données représentatives d’au moins une partie de l’au moins un signal mesuré et/ou de l’au moins un signal traité et/ou de la caractéristique.
[Revendication 37] Dispositif selon la revendication 36, dans lequel la seconde unité de traitement comprend un « smartphone » (105) ou une tablette.
[Revendication 38] Produit programme informatique comportant des instructions pour la mise en oeuvre du procédé selon l’une quelconque des revendications 1 à 16 lorsque le produit programme informatique est exécuté par un processeur.
EP22704404.7A 2021-01-07 2022-01-07 Procédé pour une surveillance et une analyse de l'état cardiaque d'un individu Pending EP4274477A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2100114A FR3118574B1 (fr) 2021-01-07 2021-01-07 Procédé pour une surveillance et une analyse de l’état cardiaque d’un individu
PCT/FR2022/050045 WO2022148938A1 (fr) 2021-01-07 2022-01-07 Procédé pour une surveillance et une analyse de l'état cardiaque d'un individu

Publications (1)

Publication Number Publication Date
EP4274477A1 true EP4274477A1 (fr) 2023-11-15

Family

ID=76034682

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22704404.7A Pending EP4274477A1 (fr) 2021-01-07 2022-01-07 Procédé pour une surveillance et une analyse de l'état cardiaque d'un individu

Country Status (3)

Country Link
EP (1) EP4274477A1 (fr)
FR (1) FR3118574B1 (fr)
WO (1) WO2022148938A1 (fr)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10194810B2 (en) * 2004-02-05 2019-02-05 Earlysense Ltd. Monitoring a condition of a subject
US20110144455A1 (en) * 2007-08-31 2011-06-16 Bam Labs, Inc. Systems and methods for monitoring a subject at rest
EP2459065B1 (fr) 2009-07-31 2014-01-08 Koninklijke Philips N.V. Procede et appareil pour l'analyse d'un signal de ballistocardiogramme
JP6585074B2 (ja) * 2013-12-20 2019-10-02 ソノメディカル ピーティーワイ リミテッド 被験者の生理学的活動をモニタするためのシステムおよび方法
US11103139B2 (en) * 2015-06-14 2021-08-31 Facense Ltd. Detecting fever from video images and a baseline
WO2018102579A1 (fr) * 2016-12-02 2018-06-07 Cardiac Pacemakers, Inc. Détection d'accident vasculaire cérébral à capteurs multiples
EP3456256B1 (fr) 2017-09-13 2022-02-16 Withings Procédés, appareil et programmes informatiques permettant de déterminer des fréquences de biosignaux
US11723576B2 (en) * 2017-09-21 2023-08-15 Koninklijke Philips N.V. Detecting atrial fibrillation using short single-lead ECG recordings

Also Published As

Publication number Publication date
WO2022148938A1 (fr) 2022-07-14
FR3118574A1 (fr) 2022-07-08
FR3118574B1 (fr) 2023-05-12

Similar Documents

Publication Publication Date Title
EP1898783B1 (fr) Systeme et procede d'analyse electrophysiologique
EP3586339A1 (fr) Procédé, dispositif et programme pour déterminer au moins un réseau cérébral impliqué dans une réalisation d'un processus donné
WO2020217037A1 (fr) Procede et systeme de determination d'une valeur de parametre biomecanique avance de demarche
EP3511781B1 (fr) Dispositif et procédé de collecte, de sauvegarde, d'analyse ainsi que de mise à disposition des résultats de l'analyse de données de pièces d'horlogerie
EP4274477A1 (fr) Procédé pour une surveillance et une analyse de l'état cardiaque d'un individu
US20230032332A1 (en) System and methods for determining health-related metrics from collected physiological data
EP3709866B1 (fr) Procédé amélioré de quantification de l'équilibre
WO2020089539A1 (fr) Procédé, dispositif et système de prédiction d'un effet d'une stimulation acoustique des ondes cérébrales d'une personne
WO2023217730A1 (fr) Procédé de surveillance du sommeil d'un utilisateur, dispositif de surveillance et programme d'ordinateur correspondants
WO2015078879A1 (fr) Procédé de construction d'un indice d'activité, dispositif et programme d'ordinateur correspondant
US20210386380A1 (en) Systems and methods for collecting retinal signal data and removing artifacts
FR3109519A1 (fr) Appareil de détection et d’interruption d’un épisode d’apnée du sommeil
WO2024068953A1 (fr) Système de télésurveillance d'un individu potentiellement âgé dans un environnement quotidien
EP3017757B1 (fr) Methode d'elaboration automatisee d'une courbe d'evolution d'un indicateur representatif de la variabilite de la frequence cardiaque d'un etre humain ou d'un animal de competition
EP4258272A1 (fr) Procédé de labellisation de données pour construire une base de données pour configurer, valider et/ou tester une application de surveillance du niveau de fatigue d'un individu
Gill Predicting the severity of Parkinson’s disease symptoms with smartwatches during daily living
Caroline El Fiorenza et al. Forecast the Onset of Parkinson’s Disease at all Three Stages using Deep Learning Techniques
Hamieh et al. Psychotic Disorders Relapse Prediction from Passive Signals using Anomaly Detection Methods
EP3891623A1 (fr) Procédé d'évaluation de l'activité corporelle d'un utilisateur
WO2021249916A1 (fr) Procédé de traitement de mesures effectuées par un capteur porté par une personne
CA3147510A1 (fr) Procede et systeme de test de la cognition par traitement de la reaction d'un sujet a des stimuli
WO2023062326A1 (fr) Procédé d'estimation de signaux physiologiques
FR3136573A1 (fr) Dispositif de traitement de données par voie d’apprentissage, procédé, programme et système correspondant
FR3063628A1 (fr) Dispositif et procede de mesure d’un parametre physiologique et apprentissage statistique
FR3028166A1 (fr) Methode de determination automatisee d'un indice representatif de l'activite sympatho-vagale d'un individu

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: 20230622

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)