EP4554471A1 - Procédé et dispositif de détection de chute par capture inertielle - Google Patents

Procédé et dispositif de détection de chute par capture inertielle

Info

Publication number
EP4554471A1
EP4554471A1 EP23750655.5A EP23750655A EP4554471A1 EP 4554471 A1 EP4554471 A1 EP 4554471A1 EP 23750655 A EP23750655 A EP 23750655A EP 4554471 A1 EP4554471 A1 EP 4554471A1
Authority
EP
European Patent Office
Prior art keywords
data
event
accelerometer
barometer
gyrometer
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
EP23750655.5A
Other languages
German (de)
English (en)
Inventor
Jérôme BOUTET
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Original Assignee
Commissariat a lEnergie Atomique CEA
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Commissariat a lEnergie Atomique CEA, Commissariat a lEnergie Atomique et aux Energies Alternatives CEA filed Critical Commissariat a lEnergie Atomique CEA
Publication of EP4554471A1 publication Critical patent/EP4554471A1/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—Measuring 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 or mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • 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
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient; User input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Definitions

  • TITLE Method and device for detecting falls by inertia capture Ile
  • the invention relates to an automatic fall detection method and device based on one or more sensors worn by a natural person.
  • the accelerometer is the sensor most often used for fall detection, including in recent studies.
  • the gyrometer is rarer, because its contribution in terms of performance does not always justify the increase in electrical consumption induced.
  • the barometer is very rarely used due to its significant noise and possible redundancy with the accelerometer.
  • the first detection models were based on one or more thresholds on characteristics extracted from signals such as the norm of acceleration, the speed at the point of impact, or the angular change. Despite correct announced detection rates, the very high number of false alerts (several per day) did not make them suitable for daily use. In institutions for people requiring care (for example: EHPAD), these devices were abandoned by the healthcare teams due to these false positives which caused additional work on teams already in high demand elsewhere. Raising the detection thresholds solves these problems of false alarms (better specificity), but deteriorates performance in terms of good detection (less good sensitivity).
  • the invention firstly concerns a fall detection device comprising at least one accelerometer and means, or digital means, programmed for:
  • - identify for example by a filter, among the data from said accelerometer which exceed a certain threshold, data of at least one signal likely to constitute a fall event; - identify, among said data likely to constitute a drop event and in a time window around, or including, this event, at least the longest duration, or 1st duration, during which the signal is, uninterrupted, under the average value of the detected signal;
  • - classify preferably according to said greatest duration, said data or the event, in fall or in non-fall, by regression of a probability or using a classifier based for example on at least one tree decision and/or on a gradient descent (XGB, or “Gradient Boosting tree”), and/or an additional tree (or
  • the invention implements a drop predictor (the longest duration during which the signal is, uninterrupted, below the average value, also called a drop predictor (the longest duration during which the signal is, uninterrupted, below the average value, also called a drop predictor (the longest duration during which the signal is, uninterrupted, below the average value, also called a drop predictor (the longest duration during which the signal is, uninterrupted, below the average value, also called a drop predictor (the longest duration during which the signal is, uninterrupted, below the average value, also called
  • “longest_strike_below_mean”) which, in combination with a classification, based for example on at least one decision tree and/or on a gradient descent (XGB, or a “Gradient Boosting tree”), and/or on an additional tree ( or "Extremely Randomized Tree", or ETC, or “Extra Trees”), turns out to be very relevant for the detection of falls, in particular because it is very differentiating between, on the one hand, falls and, on the other hand , the activities of daily life, while being very fast and low energy consuming.
  • XGB or a “Gradient Boosting tree”
  • ETC Extremely Randomized Tree
  • This predictor corresponds to the duration of the longest “strike” (continuous segment) located below the average of a signal, when this is likely to be a signal reflecting a fall. According to one embodiment, It is calculated over a 1st time window of, for example, 1 second before the main event and over a 2nd time window of, for example, 2 seconds, after the main event.
  • This predictor is similar to the duration of the fall. It was identified, among around 1000 temporal and frequency predictors, as being more relevant, for fall detection, than other commonly used predictors (speed at the point of impact in particular). It is even more effective when the sensor is worn on the wrist, which is the solution favored by seniors.
  • the means, or the digital means can be programmed to calculate, from the data received from the accelerometer, the dynamic component of the acceleration norm, which is then used to identify data of at least one signal capable of to constitute a fall event.
  • the classifier used may be:
  • Random Forest type with for example between 2 and 20 trees, each with a depth which can be between 2 and 12;
  • RFT Limited Random Forest
  • the event can be classified as falling or non-falling by random forest regression.
  • a device may further comprise means, or digital means, for calculating, for the data of the accelerometer signal, or accelerometer data, one or more of the other values among the maximum value of these data d accelerometer, the minimum value of this accelerometer data, the median value of this accelerometer data, the standard deviation of this accelerometer data, the variance of this accelerometer data, the root mean square value of this data accelerometer, the sum of the values of this accelerometer data, and to enter at least one of said other calculated values into said classifier.
  • a device may further comprise at least one other sensor chosen from a gyrometer and/or a barometer.
  • the means, or the digital means can be programmed to calculate, from the data received respectively from a gyrometer and/or a pressure sensor, the standard of the angular speed and/or the short-term variation of the local atmospheric pressure, which is/are then used to identify data from at least one signal likely to constitute a fall event.
  • a device according to the invention may further comprise means, or digital means, programmed to calculate:
  • gyrometer signal data for the gyrometer signal data, or gyrometer data, one or more of the values among the greatest period during which the signal is, continuously, below the average value of the detected signal, the maximum value of this gyrometer data, the median value of this gyrometer data, the minimum value of this gyrometer data, the root mean square value of this gyrometer data, the standard deviation of this gyrometer data, the variance of this gyrometer data, and to enter at least one of these values calculated for the gyro signal data in said classifier;
  • the barometer signal data or barometer data, one or more of the values among the greatest period during which the signal is, continuously, below the average value of the detected signal, the maximum value of these data of barometer, the average value of this barometer data, the median value of this barometer data, the minimum value of this barometer data, the root mean square value of this barometer data, the standard deviation of this barometer data, the sum values of this barometer data, the variance of this barometer data and to enter at least one of these calculated values for the barometer signal data into said classifier.
  • the time window around, or including, the event can be a maximum of 1.5 seconds before the event and/or a maximum of 2.5 seconds after the event.
  • the means, or the digital means, for identifying whether an event is likely to constitute a fall can be programmed to identify whether an event is followed, for a certain duration, or 2nd duration, for example between 2 and 4 seconds, d another event, or is not followed by another event: repetitive events can thus be eliminated from events likely to constitute a fall.
  • the means, or digital means, for identifying whether an event is likely to constitute a fall may implement a state machine.
  • a device may further comprise means, or digital means, for, or programmed to, send an alert on the basis of the results generated by the means, on the basis of the classification result.
  • the invention also relates to a method for detecting a fall using at least one accelerometer, this method comprising at least the following steps: a) - collecting at least acceleration data coming from said accelerometer; b) - identify, among the data from said accelerometer, data likely to constitute a fall; c) - identify, using said data likely to constitute a fall event and in a time window around, or including, this event, at least the longest duration, or 1st duration, during which the signal is, uninterruptedly, below the average value of the detected signal; d) - classify, preferably according to said greatest duration, said data or the event, in fall or in non-fall, by regression of a probability or using a classifier based for example on at least a decision tree and/or on a gradient descent (XGB, or “Gradient Boosting tree”), and/or on an additional tree (or
  • the classifier is for example of the Random Forest type, with for example between 2 and 20 trees, each with a depth which can be between 2 and 12.
  • Said classifier can implement at least one Limited Random Forest (RFT), for example limited to 6 trees (rfjight, or “Random Forest limited”).
  • RFT Limited Random Forest
  • the event can be classified as falling or non-falling by random forest regression.
  • Such a method may further comprise a step of calculating, for the accelerometer signal data, or accelerometer data, one or more of the other values among the maximum value, the minimum value of this accelerometer data, the median value of this accelerometer data, the standard deviation of this accelerometer data, the variance of this accelerometer data, the root mean square value of this accelerometer data, the sum of the values of this accelerometer data , and the entry of at least one of these other values, or calculated values, into said classifier.
  • Such a method may further comprise a measurement of data from said movement using at least one other sensor chosen from a gyrometer and/or a barometer and/or the collection of at least one data from at least one other chosen sensor. among a gyrometer and/or a barometer.
  • step b) Before step b), it is possible to calculate, from the data received respectively from a gyrometer and/or a pressure sensor, the standard of the angular velocity and/or the short-term variation of the pressure local atmosphere, which is/are then used during steps b) and following.
  • Such a method may also include a calculation step:
  • gyrometer signal data for the gyrometer signal data, or gyrometer data, one or more of the values of the greatest period during which the signal is, continuously, below the average value of the detected signal, the maximum value of such gyrometer data , the median value of this gyrometer data, the minimum value of this gyrometer data, the root mean square value of this gyrometer data, the standard deviation of this gyrometer data, the variance of this gyrometer data, and the input at least one of these values calculated for the gyrometer signal data in said classifier;
  • the barometer signal data one or more of the values among the greatest period during which the signal is, continuously, below the average value of the detected signal, the maximum value of this barometer data, the average value of this barometer data, the median value of this barometer data, the value minimum of this barometer data, the root mean square value of this barometer data, the standard deviation of this barometer data, the sum of the values of this barometer data, the variance of this barometer data, and the entry of at least one of these values calculated for the barometer signal data in said classifier.
  • said time window around the event is for example a maximum of 1.5 seconds before the event and/or a maximum of 2.5 seconds after the event.
  • Step b) can be implemented by identifying if an event is followed, for a certain duration, or 2nd duration, for example between 2 and 4 seconds, by another event, or is not followed by another event: repetitive events can thus be eliminated from events likely to constitute a fall.
  • step b) implements a state machine.
  • a method according to the invention may include a step of sending an alert based on the results of classification step d): if an event is classified as a fall, it is possible to send an alert to another person, for example to a caregiver.
  • a method according to the invention can be implemented using digital means, for example a microcontroller or a processor or a microprocessor, programmed for this purpose.
  • a device or a method according to the invention can be implemented in a bracelet or in a pendant.
  • FIG 1 schematically illustrates an embodiment of a device according to the present invention.
  • FIG 2 represents an example of carrying out, by a state machine, a predetection of events.
  • FIG 3 represents an example of temporal windowing.
  • FIG 4 represents the time interval corresponding to the predictor with the longest duration below the mean
  • FIG 5A and [FIG 5B] represent the classification of the various predictors studied, carried out by a Random Forest type classifier, for a bracelet (figure 5A) and a pendant (figure 5B).
  • FIG 6A and FIG 6B represent performances obtained, with a Random Forest type classifier, for a bracelet (figure 6A) and a pendant (figure 6B);
  • FIG. 7 illustrates the contribution of the different sensors to the overall performance
  • FIG 8 compares the respective performances of different classifiers
  • FIG 9 schematically illustrates an embodiment of a method according to the present invention.
  • FIG 10A and [FIG 10B] represent the influence of the hyper-parameters of a random forest on the performance (measured in average recall).
  • a portable fall detection system 10 is shown schematically in Figure 1 and comprises at least one sensor making it possible to detect movements of a person, for example at least one accelerometer 2 (preferably 3 axes), and optionally at least one gyrometer 4 (preferably 3-axis) and/or at least one pressure sensor, or barometer, 6.
  • Figure 1 represents a system comprising an accelerometer 2, a gyrometer 4 and a barometer 6, but other configurations can be made, as explained below.
  • Such a system preferably comprises digital means 8, for example a microcontroller or a processor or a microprocessor, making it possible to receive the data transmitted or measured by the sensor(s) of the device and programmed to implement an analysis and/or or data processing as described below, preferably in real time.
  • these means 8 can trigger the emission of an alert signal 12.
  • These means 8 can also include storage means for storing data or instructions implementing a analysis and/or processing of data as described below and possibly storage means for storing all or part of the data measured by at least one of said sensor(s) and/or data which result from one or more of the treatments described below.
  • Such a system can be incorporated into an everyday object worn by a natural person, for example a bracelet or a pendant.
  • an accelerometer 2 a gyrometer 4 and a barometer 6, the signals that they produce during movements, and in particular during a fall, d 'a person to whom they are linked, are respectively an acceleration (of components (accN_x), (accN_y), (accN_z)), an angular velocity and a measure of local atmospheric pressure.
  • acceleration of components
  • accN_y acceleration
  • accN_z angular velocity
  • the means 8 can for example be programmed to calculate the dynamic component of the acceleration norm, the norm being given by the formula:
  • the means 8 can be programmed to calculate the gyrN_mg standard of the angular speed, by a formula identical or similar to that given above.
  • the means 8 are preferably programmed to retain the short-term variation in local atmospheric pressure (and eliminate slow variations due to meteorology).
  • the barometer signals arrive, for example, at 50Hz; they can be resampled to, for example, 100Hz to simplify temporal windowing (in order to have a common frequency for the three sensors). Variations due to atmospheric pressure can be compensated for by applying a high-pass filter, for example with a cutoff frequency of 0.2 Hz.
  • the corrected pressure is noted pressuredyn_mbar.
  • the same filter is used for the accelerometer and the barometer, which is a resource-saving solution for the processing means (for example in RAM and CPU resources).
  • a first processing, or pre-processing called “event detection” of at least part of the data produced by the sensor(s). Indeed certain events, which have nothing to do with a fall, for example a movement of the hand, can nevertheless cause at least one sensor to produce a signal of intensity greater than a certain threshold value, a signal that must be therefore a priori take into account.
  • preprocessing is preferably carried out to eliminate signals of this type which cannot result from a drop.
  • an event identified by a signal which exceeds a certain threshold (set by the operator in the means 8) is repetitive if it is repeated within a certain time window, for example of a duration of order of 2 to 4 s, for example another 3.5 s.
  • a certain threshold set by the operator in the means 8
  • an event not followed by another event during this duration is likely to constitute a fall.
  • an analysis is triggered in the event of repetitive movements, but preferably only once, that is to say at the end of the succession of movements: if there was no preprocessing, for example by a state machine as explained below, an analysis would be triggered at each movement, thus increasing the energy consumption of the microcontroller.
  • This pre-processing implements for example a state machine using as input the signals of the dynamic component of the acceleration accNdyn_mg (obtained as explained above). It can be programmed in means 8 and is illustrated in Figure 2.
  • the first state (2-1) “WAIT 0 ” corresponds to waiting for an event.
  • the dynamic component of the acceleration accNdyn_mg is calculated and compared to a threshold H_THR (which is defined previously by an operator in the means 8; for example it was defined by systematic search according to a regular grid, the criterion being the average recall ( “recall_mean”). If this threshold is exceeded by the dynamic component, the machine goes to state (2-2) IMPACT_DETECTE and then initializes a counter (“impact_detected_timer”).
  • H_THR which is defined previously by an operator in the means 8; for example it was defined by systematic search according to a regular grid, the criterion being the average recall ( “recall_mean”). If this threshold is exceeded by the dynamic component, the machine goes to state (2-2) IMPACT_DETECTE and then initializes a counter (“impact_detected_timer”).
  • IMPACT_DETECTE if a new crossing of the threshold by accNdyn is detected, the counter is reset to zero. Otherwise, we increment it by +1 for each new sample (for example at 104 Hz).
  • IMPACT_DETECTED_TIMOUT which may for example, here again, have been defined by systematic search according to a regular grid, the criterion being the average recall (“recall_mean”)
  • recall_mean the average recall
  • the machine passes into the state 2-3 “FALL_LIKE_EVENT” (“FALL_LIKE_EVENT”) and triggers the rest of the analysis process (windowing, extraction of predictors and classification, see below). It then returns to the 2-1 “WAIT” state.
  • Table 1 specifies examples of threshold values H_THR and IMPACT_DETECTED_TIMOUT, for a bracelet and for a pendant. [Table 1]
  • Temporal windowing consists of selecting a range of samples on either side of the last threshold violation recorded by the state machine.
  • This last threshold crossing is therefore located at the instant defined by the “IMPACT_DETECTED_TIMOUT” duration of samples before the transition to the “FALL_LIKE_EVENT” state (which is the literal translation of the equation above).
  • temporal windowing Another step, called temporal windowing, can therefore then be implemented by means 8 to select before and/or after the event (which may have been identified in the manner explained above), the data of interest to be analyzed more precisely in order to confirm, or not, that this event is a fall.
  • a time window F of a predetermined total duration is identified (by an operator in the means 8) , for example a few seconds, for example between 3 and 4s, around the last transition to the IMPACT-DETECTED state: a first part of the window is located before the last transition to the IMPACT-DETECTED state, a second part of the window is located after it; according to an exemplary embodiment with a window of a total duration of 3s, this is distributed in ls (corresponding for example to 100 samples) before the last transition to the IMPACT-DETECTED state and in 2s (corresponding for example to 200 samples) after the last transition to the IMPACT-DETECTED state.
  • ls corresponding for example to 100 samples
  • 2s corresponding for example to 200 samples
  • This windowing step can be applied to the signals from at least one of the sensors mentioned above, preferably to the accelerometer signals; more particularly, it can be applied to one or more of the 3 quantities previously calculated during the conditioning phase: to the dynamic component of the norm of the accelerometer accNdyn_mg, to the norm of the gyrometer gyroN_mdps, to the dynamic component of the pressure pressuredyn_mbar.
  • a device 1 can also only implement an accelerometer 2, or an accelerometer 2 and a gyrometer 4, or an accelerometer 2 and a barometer 6, in which case the explanations above are transposed to the signals of the sensor(s) implemented.
  • This tool makes it possible to extract around 1000 predictors most commonly used in the analysis of time series, and to select those which are relevant to separate the two classes of events (falls and non-falls). This selection is based on a calculation of p-value, or probability, which can be seen as the smallest threshold of significance for which the null hypothesis is accepted, as explained in the article by JD Gibbons et al., “P- Values: Interpretation and Methodology,” Am. Stat., vol. 29, no. 1, p. 20-25, 1975, doi: 10.2307/2683674, with control of the false discovery rate by the method of Benjamini Yekutieli (Yoav Benjamini, Daniel Yekutieli.
  • the filing order is simply alphabetical order.
  • the units appear in the name of the predictor (for the gyrometer, the unit is millidegree per second (mdps));
  • predictors are therefore the “longest strike below mean”, the maximum value, the average value (but not for the gyroscope data), the median value, the minimum value, the root mean square value, the sum of the values (but not for gyroscope data), the variance.
  • the “longest_strike_below_mean” can for example be achieved (in means 8) using the algorithm below:
  • Figure 4 (the dynamic component of the acceleration, expressed in milliG (mg)) represents a time window, around a transition to the IMPACT-DETECTED state, which can possibly be that of a fall, which represents the longer duration below average.
  • the relevance of these predictors for separating falls from non-falls was evaluated using the Benjamini and Yekutieli method (see the article by these authors already cited above). Here we are mainly interested in the importance attributed to them by the classifier used (random forest as explained below). The degree of relevance is shown in Figures 5A and 5B, respectively for a bracelet and a pendant.
  • a classification, or fusion, of the data can then be carried out, for example by a “random forest” type classifier, selected after a comparison of the performances of different classifiers.
  • a classification algorithm can be implemented or programmed in the digital means 8. The input data of this classifier are one or more of the predictors mentioned above and/or in Table 2 above.
  • this random forest has 5 decision trees, each making a decision independently of the others. The final decision is obtained by vote.
  • the prediction of the random forest can then be a simple majority vote (Ensemble learning).
  • the parameters of this classifier can be optimized using a search grid with constant steps.
  • max_depth the depth (or maximum number of nodes) of each tree
  • Tables 4 (for a bracelet) and 5 (for a pendant) below bring together precision (column 1) and specificity (column 2) data; the 3rd column (fl score) is the harmonic mean between precision and recall.
  • the “support” column corresponds to the number of observations on which the calculation of the indicators is based.
  • the macro average corresponds to the average of the two upper lines.
  • the weighted average is the average of the two lines weighted by the support.
  • - or the accelerometer can be used in combination with the gyroscope or with the barometer; - or the accelerometer can, as already explained above, be used with both the gyroscope and the barometer.
  • FIG. 8 The abbreviations shown in Figure 8 correspond to: Etc: ExtraTrees Classifier (Extremely Randomized Trees) Trees, RF: Random Forest, xgb: Gradient Boosting Trees, rfjight: Random Forest limited to 5 trees, dt: Decision Trees, svm: Support Vector Machines knn: k-Nearest Neighbors, gnb: Gaussian Naive Bayes, mlp: MultiLayer Perception (Neural Network).
  • Etc ExtraTrees Classifier (Extremely Randomized Trees) Trees
  • RF Random Forest
  • xgb Gradient Boosting Trees
  • rfjight Random Forest limited to 5 trees
  • dt Decision Trees
  • svm Support Vector Machines
  • knn k-Nearest Neighbors
  • gnb Gaussian Naive Bayes
  • mlp MultiLayer Perception (Neural Network).
  • the 4 best classifiers (RF, ETC, XGB, RF_LIGHT), in particular the random forest, are of the set type, that is to say that they aggregate the decisions of several classifiers. This makes it possible to make the decision more robust for the application targeted in this application and to optimize the bias/variance compromise.
  • a probability regression can be used, for example a Random Forest regression instead of a random forest classification. Unlike a classifier which provides a binary value (1 for fall or 0 for non-fall, or the opposite), regression provides a continuous value between 0 and 1 akin to a probability of fall. The decision to classify as a fall or not a fall is then made by setting a threshold on this probability. If the probability is greater than the threshold, then we trigger an alert, otherwise, we ignore the event.
  • the advantage is that this allows the user to set the sensitivity threshold for fall detection themselves, depending on the intended application.
  • the threshold can be programmed in means 8. It can be adjusted by an operator.
  • the trigger threshold in a context of high risk of falling (very dependent people), we can set the trigger threshold very low to detect all falls. In the case of a low risk of falling (independent and healthy people), the threshold can be set higher to reduce the number of false alarms.
  • the invention finds applications in particular:
  • Figure 9 represents an embodiment of a method according to the invention, comprising 5 steps executed chronologically:
  • steps S1 and S2 comprising steps S1 and S2
  • steps S3 - S5 are preferably only activated in the event of a positive response from event detection in order to save system energy.
  • step S1 (which allows the standard of the signal to be calculated) allows you to work with data independent of orientation; in certain applications, it is preferable to implement this step, in particular for senior people, who do not always wear an object, for example a pendant or a bracelet, which implements the invention in the same direction or on the same hand. Calculating the standard allows us to overcome this problem;
  • step S2 contributes to a saving in terms of electrical power (battery in particular), because without it the calculation of the predictors and the classification must operate permanently.
  • step S5 can trigger the emission of an alert signal 12 (figure 1).
  • the “longest_strike_below_mean” predictor can be implemented using the following code:

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Emergency Alarm Devices (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

L'invention concerne un dispositif de détection de chute comportant au moins un accéléromètre (2) et des moyens (8) programmés pour : recevoir des données d'au moins un signal d'accélération provenant dudit accéléromètre (2); identifier, parmi les données dudit accéléromètre qui dépassent un certain seuil, des données d'au moins un signal susceptible de constituer un évènement de chute; identifier, parmi lesdites données d'un signal susceptible de constituer un évènement de chute et dans une fenêtre temporelle autour de cet événement, au moins la plus grande durée pendant laquelle le signal est, de manière ininterrompue, sous la valeur moyenne du signal détecté; classifier, en fonction de ladite plus grande durée, l'évènement en chute ou en non chute à l'aide d'un classifieur basé sur au moins un arbre de décision et/ou sur une descente de gradient (XGB, ou « Gradient Boosting tree »), et/ou sur un arbre supplémentaire (ou encore ETC, ou « Extremely Randomized Trees »).

Description

DESCRIPTION
TITRE : Procédé et dispositif de détection de chute par capture i nertie Ile
DOMAINE TECHNIQUE ET ART ANTERIEUR
L'invention porte sur un procédé et un dispositif de détection de chute automatique reposant sur un ou des capteurs portés par une personne physique.
L'accéléromètre est le capteur le plus souvent utilisé pour la détection de chute, y compris dans les études récentes. Le gyromètre est plus rare, car son apport en termes de performance ne justifie pas toujours l'augmentation de consommation électrique induite. Le baromètre est très rarement utilisé en raison de son bruit important et d'une possible redondance avec l'accéléromètre.
Les premiers modèles de détection reposaient sur un ou plusieurs seuillages sur des caractéristiques extraites des signaux telles que la norme de l'accélération, la vitesse au point d'impact, ou le changement angulaire. Malgré des taux de détection annoncés corrects, le nombre très élevé de fausses alertes (plusieurs par jour) ne les rendaient pas adaptés à une utilisation quotidienne. En institution de personnes nécessitant des soins (par exemple : EHPAD), ces dispositifs ont été abandonnés par les équipes soignantes du fait de ces faux positifs qui engendraient du travail supplémentaire sur des équipes déjà très sollicitées par ailleurs. Le fait de relever les seuils de détection solutionne ces problèmes de fausses alertes (meilleure spécificité), mais détériore les performances en termes de bonne détection (moins bonne sensibilité).
Pour résoudre le problème des fausses alertes, des approches basées sur de l'apprentissage supervisé ont vu le jour, ainsi que des bases de données plus conséquentes (plusieurs dizaines de sujets). Les premiers modèles utilisés (Support Vector Machines, k-Nearest Neighbours, Random Forests,) ont progressivement laissé la place à des méthodes ensemblistes telles que le Gradient Boosting, et à l'apprentissage profond (Deep Learning).
Ces dernières utilisent généralement des réseaux de types récurrents comme les Long Short Term Memory pour classifier les chutes à partir des signaux bruts d'un accéléromètre. Ils offrent un gain en performance significatif par rapport aux méthodes de Machine Learning traditionnelles, mais au détriment d'une complexité accrue. L'article de N.Zurbuchen et al. « A comparison of machine learning algorithms for fall detection using wearable sensors », Conference Paper of the IEEE International Conference on Artificial Intelligence in Information and Communication, 19/02/20 - 21/02/20, DOI: 10.1109/ICAIIC48513.2020.9065205, décrit un système de détection de chute reposant sur l'analyse de signaux accélérométriques et gyrométriques, et sur l'extraction de certains prédicteurs temporels et fréquentiels relativement complexes et coûteux en termes de temps de calcul (comme la Densité Spectrale de Puissance) et sur la mise en œuvre d'un classifieur ensembliste (« Gradient Boosting Trees »).
L'article de T. R. Mauldin et al. « Smartfall: a smartwatch-based fall detection system using deep learning « paru dans Sensors, 2018, 18, 3363, NDPI, doi :10.3390/sl8103363 propose un système reposant sur un apprentissage profond via des Recurrent Neural Networks (RNN) très coûteux en terme de ressources système, d'énergie et de temps de calcul.
Il se pose le problème de trouver un nouveau procédé et un nouveau dispositif de détection de chute, plus rapide, plus pertinent et de préférence moins consommateur d'énergie que les dispositifs connus.
EXPOSÉ DE L'INVENTION
L'invention concerne d'abord un dispositif de détection de chute comportant au moins un accéléromètre et des moyens, ou des moyens numériques, programmés pour :
- recevoir des données dudit accéléromètre concernant au moins un signal d'accélération ou recevoir des données d'au moins un signal d'accélération provenant dudit accéléromètre ;
- identifier, par exemple par un filtre, parmi les données dudit accéléromètre qui dépassent un certain seuil, des données d'au moins un signal susceptible de constituer un évènement de chute ; - identifier, parmi lesdites données susceptibles de constituer un évènement de chute et dans une fenêtre temporelle autour de, ou comprenant, cet événement, au moins la plus grande durée, ou 1ère durée, pendant laquelle le signal est, de manière ininterrompue, sous la valeur moyenne du signal détecté ;
- classifier, de préférence en fonction de ladite plus grande durée, lesdites données ou l'évènement, en chute ou en non chute, par régression d'une probabilité ou à l'aide d'un classifieur basé par exemple sur au moins un arbre de décision et/ou sur une descente de gradient (XGB, ou « Gradient Boosting tree »), et/ou un arbre supplémentaire (ou
« Extremely Randomized Tree », ou ETC, ou encore "Extra Trees").
L'invention met en œuvre un prédicteur de chute (la plus grande durée pendant laquelle le signal est, de manière ininterrompue, sous la valeur moyenne, encore appelé
« longest_strike_below_mean ») qui, en combinaison avec une classification, basée par exemple sur au moins un arbre de décision et/ou sur une descente de gradient (XGB, ou un « Gradient Boosting tree »), et/ou sur un arbre supplémentaire (ou « Extremely Randomized Tree », ou ETC, ou "Extra Trees"), s'avère être très pertinent pour la détection des chutes, notamment car il est très différentiant entre, d'une part, les chutes et, d'autre part, les activités de la vie quotidienne, tout en étant d'un calcul très rapide et faiblement énergivore.
Ce prédicteur correspond à la durée du plus long « strike » (segment continu) situé en dessous de la moyenne d'un signal, lorsque celui-ci est susceptible d'être un signal traduisant une chute. Selon une réalisation, Il est calculé sur une 1ère fenêtre temporelle de, par exemple, 1 seconde avant l'évènement principal et sur une 2ème fenêtre temporelle de, par exemple, 2 secondes, après l'évènement principal. Le signal utilisé peut être celui de la norme de l'accéléromètre, lequel peut avoir été filtré par un filtre passe haut, par exemple encore de fréquence de coupure fc=0.2Hz.
Ce prédicteur s'apparente à la durée de la chute. Il a été identifié, parmi environ 1000 prédicteurs temporels et fréquentiels, comme étant plus pertinent, pour la détection de chute, que d'autres prédicteurs couramment utilisés (vitesse au point d'impact notamment). Il est encore plus efficace lorsque le capteur est porté au poignet, ce qui est la solution privilégiée par les seniors.
Les moyens, ou les moyens numériques, peuvent être programmés pour calculer, à partir des données reçues de l'accéléromètre, la composante dynamique de la norme de l'accélération, qui est ensuite utilisée pour identifier des données d'au moins un signal susceptible de constituer un évènement de chute.
Le classifieur utilisé peut-être :
- au moins de type Forêt aléatoire, avec par exemple entre 2 et 20 arbres, chacun avec une profondeur qui peut être comprise entre 2 et 12 ;
- ou mettre en œuvre au moins une Forêt aléatoire limitée (RFT), par exemple limitée à 6 arbres ;
En variante, l'évènement peut être classifié en chute ou en non chute par régression par forêt aléatoire.
Appliqué aux résultats du prédicteur de chute mentionné ci-dessus,
(« longest_strike_below_mean »), ces classifieurs donnent de très bons résultats en termes de précision et de spécificité de détection de chutes.
Un dispositif selon l'invention peut comporter en outre des moyens, ou des moyens numériques, pour calculer, pour les données du signal d'accéléromètre, ou données d'accéléromètre, une ou plusieurs des autres valeurs parmi la valeur maximale de ces données d'accéléromètre, la valeur minimale de ces données d'accéléromètre, la valeur médiane de ces données d'accéléromètre, la déviation standard de ces données d'accéléromètre, la variance de ces données d'accéléromètre, la valeur moyenne quadratique de ces données d'accéléromètre, la somme des valeurs de ces données d'accéléromètre, et pour entrer au moins une desdites autres valeurs calculées dans ledit classifieur.
Un dispositif selon l'invention peut comporter en outre au moins un autre capteur choisi parmi un gyromètre et/ou un baromètre. Les moyens, ou les moyens numériques, peuvent être programmés pour calculer, à partir des données reçues respectivement d'un gyromètre et/ou d'un capteur de pression, la norme de la vitesse angulaire et/ou la variation à court terme de la pression atmosphérique locale, qui est/sont ensuite utilisée(s) pour identifier des données d'au moins un signal susceptible de constituer un évènement de chute.
Un dispositif selon l'invention peut comporter en outre des moyens, ou des moyens numériques, programmés pour calculer :
- pour les données du signal de gyromètre, ou données de gyromètre, une ou plusieurs des valeurs parmi la plus grande période pendant laquelle signal est, en continu, sous la valeur moyenne du signal détecté, la valeur maximale de ces données de gyromètre, la valeur médiane de ces données de gyromètre, la valeur minimale de ces données de gyromètre, la valeur moyenne quadratique de ces données de gyromètre, la déviation standard de ces données de gyromètre, la variance de ces données de gyromètre, et pour entrer au moins une de ces valeurs calculées pour les données du signal de gyromètre dans ledit classifieur;
- et/ou pour les données du signal du baromètre, ou données de baromètre, une ou plusieurs des valeurs parmi la plus grande période pendant laquelle signal est, en continu, sous la valeur moyenne du signal détecté, la valeur maximale de ces données de baromètre, la valeur moyenne de ces données de baromètre, la valeur médiane de ces données de baromètre, la valeur minimale de ces données de baromètre, la valeur moyenne quadratique de ces données de baromètre, la déviation standard de ces données de baromètre, la somme des valeurs de ces données de baromètre, la variance de ces données de baromètre et pour entrer au moins une de ces valeurs calculées pour les données du signal de baromètre dans ledit classifieur.
Dans un dispositif selon l'invention la fenêtre temporelle autour de, ou comprenant, l'événement peut être au maximum de 1,5 secondes avant l'événement et/ou au maximum de 2,5 secondes après l'événement.
Les moyens, ou les moyens numériques, pour identifier si un événement est susceptible de constituer une chute peuvent être programmés pour identifier si un événement est suivi, pendant une certaine durée, ou 2ème durée, par exemple comprise entre 2 et 4 secondes, d'un autre événement, ou n'est pas suivi par un autre événement : les évènements répétitifs peuvent ainsi être éliminés des évènements susceptibles de constituer une chute. Les moyens, ou les moyens numériques, pour identifier si un événement est susceptible de constituer une chute peuvent mettre en œuvre une machine d'état.
Un dispositif selon l'invention peut en outre comporter en outre des moyens, ou des moyens numériques, pour, ou programmés pour, envoyer une alerte sur la base des résultats générés par les moyens, sur la base du résultat de classification.
L'invention concerne également un procédé de détection de chute à l'aide d'au moins un accéléromètre, ce procédé comportant au moins les étapes suivantes : a) - collecter au moins des données d'accélération provenant dudit accéléromètre ; b) - identifier, parmi les données dudit accéléromètre, des données susceptibles de constituer une chute ; c) - identifier, à l'aide desdites données susceptibles de constituer un évènement de chute et dans une fenêtre temporelle autour de, ou comprenant, cet événement, au moins la plus grande durée, ou 1ère durée, pendant laquelle le signal est, de manière ininterrompue, sous la valeur moyenne du signal détecté ; d) - classifier, de préférence en fonction de ladite plus grande durée, lesdites données ou l'évènement, en chute ou en non chute, par régression d'une probabilité ou à l'aide d'un classifieur basé par exemple sur au moins un arbre de décision et/ou sur une descente de gradient (XGB, ou « Gradient Boosting tree »), et/ou sur un arbre supplémentaire (ou
« Extremely Randomized Tree », ou ETC, ou encore "Extra Trees"). Ce procédé peut mettre en œuvre un dispositif selon l'invention, tel que présenté ci-dessus et/ou dans la suite de la présente demande.
Le classifieur est par exemple de type Forêt aléatoire, avec par exemple entre 2 et 20 arbres, chacun avec une profondeur qui peut être comprise entre 2 et 12.
Ledit classifieur peut mettre en œuvre au moins une Forêt aléatoire limitée (RFT), par exemple limitée à 6 arbres (rfjight, ou "Random Forest limited"). Avant l'étape b), il est possible de calculer, à partie des données reçues de l'accéléromètre, la composante dynamique de la norme de l'accélération, qui est ensuite utilisée pendant les étapes b) et suivantes.
En variante, l'évènement peut être classifié en chute ou en non chute par régression par forêt aléatoire. Un tel procédé peut comporter en outre une étape de calcul, pour les données du signal d'accéléromètre, ou données d'accéléromètre, d'une ou plusieurs des autres valeurs parmi la valeur maximale, la valeur minimale de ces données d'accéléromètre, la valeur médiane de ces données d'accéléromètre, la déviation standard de ces données d'accéléromètre, la variance de ces données d'accéléromètre, la valeur moyenne quadratique de ces données d'accéléromètre, la somme des valeurs de ces données d'accéléromètre, et l'entrée d'au moins une de ces autres valeurs, ou valeurs calculées, dans ledit classifieur.
Un tel procédé peut comporter en outre une mesure de données dudit mouvement à l'aide d'au moins un autre capteur choisi parmi un gyromètre et/ou un baromètre et/ou la collecte au moins de données d'au moins un autre capteur choisi parmi un gyromètre et/ou un baromètre.
Avant l'étape b), il est possible de calculer, à partir des données reçues respectivement d'un gyromètre et/ou d'un capteur de pression, la norme de la vitesse angulaire et/ou la variation à court terme de la pression atmosphérique locale, qui est/sont ensuite uti lisée(s) pendant les étapes b) et suivantes.
Un tel procédé peut comporter en outre une étape de calcul :
- pour les données du signal de gyromètre, ou données de gyromètre, d'une ou plusieurs des valeurs parmi la plus grande période pendant laquelle signal est, en continu, sous la valeur moyenne du signal détecté, la valeur maximale de ces données de gyromètre, la valeur médiane de ces données de gyromètre, la valeur minimale de ces données de gyromètre, la valeur moyenne quadratique de ces données de gyromètre, la déviation standard de ces données de gyromètre, la variance de ces données de gyromètre, et l'entrée d'au moins une de ces valeurs calculées pour les données du signal de gyromètre dans ledit classifieur ;
- et/ou pour les données du signal du baromètre, d'une ou plusieurs des valeurs parmi la plus grande période pendant laquelle signal est, en continu, sous la valeur moyenne du signal détecté, la valeur maximale de ces données de baromètre, la valeur moyenne de ces données de baromètre, la valeur médiane de ces données de baromètre, la valeur minimale de ces données de baromètre, la valeur moyenne quadratique de ces données de baromètre, la déviation standard de ces données de baromètre, la somme des valeurs de ces données de baromètre, la variance de ces données de baromètre, et l'entrée d'au moins une de ces valeurs calculées pour les données du signal de baromètre dans ledit classifieur.
Dans un procédé selon l'invention, ladite fenêtre temporelle autour de l'événement est par exemple au maximum de 1,5 secondes avant l'événement et/ou au maximum de 2,5 secondes après l'événement.
L'étape b) peut être mise en œuvre en identifiant si un événement est suivi, pendant une certaine durée, ou 2ème durée, par exemple comprise entre 2 et 4 secondes, d'un autre événement, ou n'est pas suivi par un autre événement : les évènements répétitifs peuvent ainsi être éliminés des évènements susceptibles de constituer une chute.
Selon une réalisation l'étape b) met en œuvre une machine d'état.
Enfin, un procédé selon l'invention peut comporter une étape d'envoi d'une alerte sur la base des résultats de l'étape d) de classification : si un évènement est classé comme une chute, il est possible d'envoyer une alerte à une autre personne, par exemple à un aide- soignant.
Un procédé selon l'invention peut être mis en œuvre à l'aide de moyens numériques, par exemple un microcontrôleur ou un processeur ou un microprocesseur, programmé à cet effet.
Plus généralement, un dispositif ou un procédé selon l'invention peut être mis en œuvre dans un bracelet ou dans un pendentif.
BRÈVE DESCRIPTION DES DESSINS
[FIG 1] illustre de manière schématique un mode de réalisation d'un dispositif selon la présente invention.
[FIG 2] représente un exemple une réalisation, par une machine d'états, d'une prédétection d'évènements. [FIG 3] représente un exemple de fenêtrage temporel.
[FIG 4] représente l'intervalle temporel correspondant au prédicteur de plus grande durée en dessous de la moyenne ;
[FIG 5A] et [FIG 5B] représentent le classement des divers prédicteurs étudiés, effectué par un classifieur de type Forêt Aléatoire, pour un bracelet (figure 5A) et un pendentif (figure 5B).
[FIG 6A] et [FIG 6B] représentent des performances obtenues, avec un classifieur de type Forêt Aléatoire, pour un bracelet (figure 6A) et un pendentif (figure 6B) ;
[FIG 7] illustre la contribution des différents capteurs à la performance globale ;
[FIG 8] compare des performances respectives de différents classifieurs ;
[FIG 9] illustre de manière schématique un mode de réalisation d'un procédé selon la présente invention.
[FIG 10A] et [FIG 10B] représentent l'influence des hyper-paramètres d'une forêt aléatoire sur la performance (mesurée en rappel moyen).
EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS
Un système 10 de détection de chute portatif selon l'invention est représenté schématiquement en figure 1 et comporte au moins un capteur permettant de détecter des mouvements d'une personne, par exemple au moins un accéléromètre 2 (de préférence à 3 axes), et éventuellement au moins un gyromètre 4 (de préférence à 3 axes) et/ou au moins un capteur de pression, ou baromètre, 6. La figure 1 représente un système comportant un accéléromètre 2, un gyromètre 4 et un baromètre 6, mais d'autres configurations peuvent être réalisées, comme expliqué plus loin.
Un tel système comporte de préférence des moyens 8 numériques, par exemple un microcontrôleur ou un processeur ou un microprocesseur, permettant de recevoir les données émises ou mesurées par le ou les capteur(s) du dispositif et programmés pour mettre en œuvre une analyse et/ou un traitement des données tels que décrit ci-dessous, de préférence en temps réel. Eventuellement, ces moyens 8 peuvent déclencher l'émission d'un signal d'alerte 12. Ces moyens 8 peuvent en outre comporter des moyens de mémorisation pour mémoriser des données ou instructions mettant en œuvre une analyse et/ou un traitement des données tels que décrit ci-dessous et éventuellement des moyens de mémorisation pour mémoriser tout ou partie des données mesurées par au moins un desdits capteur(s) et/ou des données qui résultent d'un ou plusieurs des traitements décrits ci-dessous.
Un tel système peut être incorporé dans un objet de la vie quotidienne portée par une personne physique, par exemple un bracelet ou un pendentif.
Dans le cas de l'exemple des capteurs de la figure 1 et mentionnés ci-dessus, un accéléromètre 2, un gyromètre 4 et un baromètre 6, les signaux qu'ils produisent lors des mouvements, et notamment lors d'une chute, d'une personne à laquelle ils sont liés, sont respectivement une accélération (de composantes (accN_x), (accN_y), (accN_z)), une vitesse angulaire et une mesure de la pression atmosphérique locale. Ces signaux sont numérisés par les moyens 8 et peuvent être préalablement conditionnés, c'est-à-dire soumis à une ou plusieurs étapes de prétraitement des signaux visant à extraire une ou plusieurs grandeur(s) physique(s) d'intérêt.
Concernant l'accéléromètre 2, les moyens 8 peuvent par exemple être programmés pour calculer la composante dynamique de la norme de l'accélération, la norme étant donnée par la formule :
La norme de l'accéléromètre (par exemple échantillonné à Fe = 100 Hz) permet d'obtenir une grandeur indépendante de l'attitude de la personne (et donc de l'orientation du capteur). La composante dynamique de l'accélération (en opposition à une composante due à la gravitation), notée accNdyn_mg, est par exemple obtenue en passant les données de l'accélération dans un filtre digital passe-haut, par exemple de type Butterworth d'ordre 2 et avec une de fréquence de coupure qui est par exemple de l'ordre de fc = 0.2 Hz. On élimine ainsi la composante due à la gravitation.
S'agissant du gyromètre 3 axes, lequel peut être échantillonné à, par exemple, 100 Hz, les moyens 8 peuvent être programmés pour calculer la norme gyrN_mg de la vitesse angulaire, par une formule identique ou similaire à celle donnée ci-dessus. S'agissant du baromètre, les moyens 8 sont de préférence programmés pour retenir la variation à court terme de la pression atmosphérique locale (et éliminer les variations lentes dues à la météorologie). Les signaux du baromètre arrivent par exemple à 50Hz ; ils peuvent être ré-échantillonnés à, par exemple, 100Hz pour simplifier le fenêtrage temporel (afin d'avoir une fréquence commune aux trois capteurs). Les variations dues à la pression atmosphérique peuvent être compensées par l'application d'un filtre passe- haut, par exemple de fréquence de coupure 0,2 Hz. La pression corrigée est notée pressuredyn_mbar.
De préférence, un même filtre est utilisé pour l'accéléromètre et le baromètre, ce qui est une solution économe en ressources des moyens de traitement (par exemple en ressources RAM et CPU).
A l'aide des moyens 8, il est possible de réaliser un 1er traitement, ou prétraitement, dit de « détection événementielle » d'au moins une partie des données produites par le ou les capteur(s). En effet certains évènements, qui n'ont rien à voir avec une chute, par exemple un mouvement de la main, peuvent néanmoins amener au moins un capteur à produire un signal d'intensité supérieure à une certaine valeur seuil, signal qu'il faut donc a priori prendre en compte. Afin de réduire la consommation énergétique, on réalise de préférence un prétraitement permettant d'éliminer les signaux de ce type qui ne peuvent pas résulter d'une chute. C'est notamment le cas pour les signaux de l'accéléromètre générés par des évènements répétitifs ; un évènement, identifié par un signal qui dépasse un certain seuil (fixé par l'opérateur dans les moyens 8), est répétitif si il se répète à l'intérieur d'une certaine fenêtre temporelle, par exemple d'une durée de l'ordre de 2 à 4 s, par exemple encore 3,5 s. Par contre, un événement non suivi d'un autre événement pendant cette durée est bien susceptible de constituer une chute.
Par exemple, à l'aide des moyens 8 :
- on identifie les cas de dépassement d'un seuil sur la composante dynamique de l'accélération ;
- en cas de dépassement de ce seuil, on déclenche une analyse plus poussée, telle que décrite dans la présente demande et en particulier ci-dessous ; - en cas de mouvements répétitifs, on attend la fin de l'activité répétitive avant de déclencher l'analyse plus poussée.
Autrement dit, une analyse est déclenchée en cas de mouvements répétitifs, mais de préférence une seule fois, c'est-à-dire à la fin de la succession de mouvements : s'il n'y avait pas de prétraitement, par exemple par une machine d'état comme expliqué ci- dessous, une analyse serait déclenchée à chacun des mouvements, augmentant ainsi la consommation énergétique du microcontrôleur.
Ce pré-traitement met par exemple en œuvre une machine d'état utilisant en entrée les signaux de la composante dynamique de l'accélération accNdyn_mg (obtenue comme expliqué ci-dessus). Il peut être programmé dans les moyens 8 et est illustré en figure 2. Le premier état (2-1) « ATTENTE0 » correspond à l'attente d'un évènement.
La composante dynamique de l'accélération accNdyn_mg est calculée et comparée à un seuil H_THR (lequel est défini préalablement par un opérateur dans les moyens 8 ; par exemple il a été défini par recherche systématique selon une grille régulière, le critère étant le rappel moyen (« recall_mean »). En cas de dépassement de ce seuil par la composante dynamique, la machine passe à l'état (2-2) IMPACT_DETECTE et initialise alors un compteur (« impact_detected_timer »).
Dans l'état 2-2 (« IMPACT_DETECTE »), si un nouveau dépassement du seuil par accNdyn est détecté, on remet à zéro le compteur. Sinon, on incrémente celui-ci de +1 à chaque nouvel échantillon (par exemple à 104 Hz). Lorsque le compteur dépasse une durée prédéterminée (« IMPACT_DETECTED_TIMOUT », qui peut par exemple, là encore, avoir été définie par recherche systématique selon une grille régulière, le critère étant le rappel moyen (« recall_mean »)), la machine passe dans l'état 2-3 « EVENEMENT DE TYPE CHUTE » (« FALL_LIKE_EVENT ») et déclenche la suite du processus d'analyse (fenêtrage, extraction de prédicteurs et classification, voir ci-dessous). Elle retourne ensuite dans l'état 2-1 « ATTENTE ».
Le passage à l'état « EVENEMENT DE TYPE CHUTE » a lieu après un nombre d'échantillons défini par la durée IMPACT_DETECTED_TIMOUT, après le dernier dépassement de seuil. Pour connaître l'indice de l'échantillon correspondant à l'évènement principal (dernier dépassement du seuil), on applique la formule suivante : Indice de l'échantillon (Event_index) = Indice courant (current_index) - IMPACT_DETECTED_TIMOUT
Le tableau 1 ci-dessous précise des exemples de valeurs du seuil H_THR et IMPACT_DETECTED_TIMOUT, pour un bracelet et pour un pendentif. [Table 1]
Le fenêtrage temporel consiste à sélectionner une plage d'échantillons de part et d'autre du dernier dépassement de seuil enregistré par la machine d'état.
Ce dernier dépassement de seuil se situe donc à l'instant défini par la durée « IMPACT_DETECTED_TIMOUT » échantillons avant le passage à l'état « FALL_LIKE_EVENT » (ce qui est la traduction littérale de l'équation ci-dessus).
Une autre étape, dite de fenêtrage temporel, peut donc ensuite être mise en œuvre par les moyens 8 pour sélectionner avant et/ou après l'événement (qui peut avoir été identifié de la manière expliquée ci-dessus), les données d'intérêt à analyser plus précisément afin de confirmer, ou pas, que cet événement est une chute. A cette fin, comme illustré en figure 3 (qui représente la composante dynamique de l'accélération, exprimée en mil liG (mg)), on identifie une fenêtre temporelle F d'une durée totale prédéterminée (par un opérateur dans les moyens 8), par exemple quelques secondes, par exemple comprise entre 3 et 4s, autour du dernier passage à l'état IMPACT- DETECTED : une première partie de la fenêtre est située avant le dernier passage à l'état IMPACT-DETECTED, une deuxième partie de la fenêtre est située après celui-ci; selon un exemple de réalisation avec une fenêtre d'une durée totale de 3s, celle-ci est répartie en ls (correspondant par exemple à 100 échantillons) avant le dernier passage à l'état IMPACT-DETECTED et en 2s (correspondant par exemple à 200 échantillons) après le dernier passage à l'état IMPACT-DETECTED. En effet, dans le cas d'une vraie chute, seules les données dans une telle fenêtre temporelle limitée autour du dernier passage à l'état IMPACT-DETECTED peuvent contenir de l'information pertinente. Ce sont par conséquent ces données qui vont permettre de décider si les signaux détectés traduisent vraiment une chute.
Cette étape de fenêtrage peut être appliquée aux signaux d'au moins un des capteurs mentionnés ci-dessus, de préférence aux signaux de l'accéléromètre ; plus particulièrement, il peut être appliqué à une ou plusieurs des 3 grandeurs préalablement calculées lors de la phase de conditionnement : à la composante dynamique de la norme de l'accéléromètre accNdyn_mg, à la norme du gyromètre gyroN_mdps, à la composante dynamique de la pression pressuredyn_mbar.
Comme expliqué plus loin, un dispositif 1 selon l'invention peut aussi ne mettre en œuvre qu'un accéléromètre 2, ou un accéléromètre 2 et un gyromètre 4, ou un accéléromètre 2 et un baromètre 6, auquel cas les explications ci-dessus sont transposées aux signaux du/des capteur(s) mis en œuvre.
Les données identifiées dans la fenêtre temporelle décrite ci-dessus peuvent ensuite être soumises à une analyse statistique comme expliqué ci-dessous.
À cette fin, les inventeurs ont identifié un indicateur statistique, ou prédicteur de chute. Une recherche systématique des prédicteurs pertinents de la chute a été réalisée à l'aide de l'outil « tsfresh » décrit dans l'article de M. Christ et al. « Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests », paru dans Neurocomputing, vol. 307, p. 72-77, sept. 2018, doi: 10.1016/j.neucom.2018.03.067.
Cet outil permet d'extraire environ 1000 prédicteurs les plus couramment utilisés dans l'analyse de séries temporelles, et de sélectionner ceux qui sont pertinents pour séparer les deux classes d'évènements (chutes et non chutes). Cette sélection repose sur un calcul de p-value, ou probabilité, qui peut être vue comme le plus petit seuil de significativité pour lequel l'hypothèse nulle est acceptée, comme expliqué dans l'article de J. D. Gibbons et al., « P-Values: Interpretation and Methodology », Am. Stat., vol. 29, no 1, p. 20-25, 1975, doi: 10.2307/2683674, avec contrôle du taux de fausse découverte par la méthode de Benjamini Yekutieli (Yoav Benjamini, Daniel Yekutieli. "The control of the false discovery rate in multiple testing under dependency." Ann. Statist. 29 (4) 1165 - 1188, August 2001. https://doi.org/10.1214/aos/1013699998). Cette méthode consiste à contrôler le taux de fausse découverte en ajustant le seuil de p-value en fonction du nombre de prédicteurs testés. Parmi les prédicteurs testés, on peut sélectionner 8 prédicteurs par capteur (soit au maximum 24 au total) selon un compromis, pour l'application à la détection de chute, entre performance et simplicité d'implémentation.
Ces prédicteurs sont listés dans le tableau 2 ci-dessous :
[Table 2] >
Dans ce tableau 2 :
- l'ordre de classement est simplement l'ordre alphabétique. Les unités apparaissent dans le nom du prédicteur (pour le gyromètre, l'unité est le millidegré par seconde (mdps)) ;
- la « typical value » correspond à celle obtenue pour un sujet donné. Il s'agit donc d'un exemple.
Ces prédicteurs sont donc le « longest strike below mean » (ou « plus grande durée en dessous de la moyenne »), la valeur maximum, la valeur moyenne (mais pas pour les données du gyroscope), la valeur médiane, la valeur minimum, la valeur moyenne quadratique, la somme des valeurs (mais pas pour les données du gyroscope), la variance. Le « longest_strike_below_mean » peut par exemple être réalisé (dans les moyens 8) à l'aide de l'algorithme ci-dessous :
1. Pour chaque valeur de x, tester la condition : x < moyenne(x) : on obtient alors un vecteur de booléens ;
2. Regrouper ce vecteur de booléens par groupes de même valeurs consécutives. Par exemple, la séquence (0,0,0, 1, 1,0,0) donnera trois groupes : (0,0,0) (1,1) et (0,0)
3. Mesurer le nombre d'éléments de chaque groupe (respectivement 3, 2 et 2)
4. Renvoyer le nombre d'élément le plus grand de ses groupes. Dans l'exemple donné ci- dessus, ce nombre est 3.
La figure 4 (la composante dynamique de l'accélération, exprimée en milliG (mg)) représente une fenêtre temporelle, autour d'un passage à l'état IMPACT-DETECTED, qui peut éventuellement être celui d'une chute, qui représente la plus grande durée en dessous de la moyenne. En pratique, cette fenêtre temporelle peut être partiellement avant l'évènement (l'évènement = le pic sur la figure 4) et partiellement après l'évènement, par exemple 1 s avant l'évènement et 2 s après l'évènement. La pertinence de ces prédicteurs pour séparer les chutes des non-chutes a été évaluée à l'aide de la méthode de Benjamini et Yekutieli (voir l'article de ces auteurs déjà cité ci- dessus). Ici nous nous intéressons essentiellement à l'importance que leur attribue le classifieur utilisé (forêt aléatoire comme expliqué ci-dessous). Le degré de pertinence est représenté en figures 5A et 5B, respectivement pour un bracelet et un pendentif.
Dans le cas du bracelet (figure 5A) (contenant les 3 capteurs), le prédicteur « longest strike below mean » calculé sur l'accélération arrive en deuxième position, après la moyenne de la pression atmosphérique. Dans le cas du pendentif (figure 5B) (contenant également les 3 capteurs), il est considéré comme le prédicteur le plus important par le classifieur.
Il peut ensuite être procédé à une classification, ou fusion, des données, par exemple par un classifieur de type « forêt aléatoire », retenu après une comparaison des performances de différents classifieurs. Un algorithme de classification peut être mis en oeuvre ou programmé dans les moyens numériques 8. Les données d'entrée de ce classifieur sont un ou plusieurs des prédicteurs mentionnés ci-dessus et/ou dans le tableau 2 ci-dessus.
Dans cet exemple, cette forêt aléatoire comporte 5 arbres de décision prenant chacun une décision indépendamment des autres. La décision finale est obtenue par vote.
Le principe de la Forêt Aléatoire est le suivant :
1. Création de B nouveaux ensembles d'apprentissage par un double processus d'échantillonnage :
Sur les observations (une observation est une fenêtre temporelle contenant les données d'un évènement (chute ou non-chute), en utilisant un tirage avec remise d'un nombre N d'observations identique à celui des données d'origine, a. Et sur les p prédicteurs, en n'en retenant qu'un échantillon de cardinal m < sqrt (p)
2. Sur chaque échantillon, on entraîne un arbre de décision selon une des techniques connues, en limitant sa croissance par validation croisée. 3. On stocke les B prédictions de la variable d'intérêt pour chaque observation d'origine.
La prédiction de la forêt aléatoire peut être alors un simple vote majoritaire (Ensemble learning).
Les paramètres de ce classifieur peuvent faire l'objet d'une optimisation par grille de recherche à pas constants.
Pour la mise en œuvre de ce procédé, on a pu montrer qu'un nombre d'arbres inférieur à 20 ou à 10 ou même à 6, était suffisant, avec, pour chaque arbre, une profondeur comprise entre 2 et 12, par exemple 10, ou même entre 5 et 7.
Il est possible de ne mettre en œuvre qu'un seul arbre de décision, ce qui est moins performant qu'une forêt aléatoire, mais peut avoir un intérêt dans le cas d'une mise en œuvre de l'algorithme sur un microcontrôleur limité en ressources (ressources de type CPU et/ou RAM), même si cela peut être au détriment de la performance. On peut estimer l'influence des 2 paramètres principaux de la forêt aléatoire :
- le nombre d'arbres (n_estimators) ;
- la profondeur (ou nombre maximum de nœuds) de chaque arbre (« max_depth »).
Pour cela, on fait varier ces paramètres selon une grille régulière de pas 2. Les résultats obtenus sont illustrés en figures 10A (cas d'un bracelet) et 10B (cas d'un pendentif), sur lesquelles les couleurs claires correspondent aux meilleures performances, la performance étant mesurée en termes de « rappel moyen » (ou « mean_recall »).
On constate sur ces figures 10A et 10B un profil similaire pour le pendentif et pour le bracelet, c'est-à-dire une augmentation de la performance avec l'augmentation du nombre d'arbres et/ou de leur profondeur.
Les performances de ce système de détection de chute ont été estimées sur une base de données séparée en apprentissage et validation selon le tableau 3 ci-dessous (ADL signifiant « Activity of Daily Life » (ou « activités de la vie quotidienne ») ; cette base était constituée de données de chute de 30 personnes (« sujets »).
[Table 3]
Les performances obtenues sont rassemblées dans les figures 6A et 6B, données respectivement pour un bracelet et un pendentif.
Ces figures montrent que :
- Pour le pendentif (figure 6A): 374 cas d'activités de la vie quotidienne et 230 cas de chute ont été correctement classifiés ; seuls 7 cas d'activités de la vie quotidienne et 10 cas de chute ont été mal classifiés ;
- Pour le bracelet (figure 6B): 360 cas d'activités de la vie quotidienne et 211 cas de chute ont été correctement classifiés ; seuls 21 cas d'activités de la vie quotidienne et 29 cas de chute ont été mal classifiés.
Les tableaux 4 (pour un bracelet) et 5 (pour un pendentif) ci-dessous rassemblent des données de précision (colonne 1) et de spécificité (colonne 2); la 3ème colonne (score fl) est la moyenne harmonique entre la précision et le rappel. La colonne « support » correspond au nombre d'observations sur lequel repose le calcul des indicateurs La moyenne macro correspond à la moyenne des deux lignes supérieures. La moyenne pondérée correspond à la moyenne des deux lignes pondérées par le support.
[Table 4]
[Table 5]
La figure 7 illustre la contribution des différents capteurs à la performance globale. Le
« mean_recall » (ou rappel moyen), qui est en abscisse et dans le tableau 6 ci-dessous, correspond à la moyenne entre sensibilité et spécificité ; la désignation des capteurs (accéléromètre = acc, gyromètre = gyr, baromètre = pressure) y est suivie de la lettre N lorsque la norme est extraite et de « dyn » lorsque la composante dynamique est utilisée. De plus, pour chacune des combinaisons envisagées de l'accéléromètre, du gyromètre et du baromètre, la barre horizontale supérieure de la figure 7 correspond au cas du pendentif, la barre horizontale inférieure correspond au cas du bracelet. [Table 6]
De cette figure et de ces données, on comprend que, dans le cadre de la présente invention : - l'accéléromètre peut être utilisé seul ;
- ou bien l'accéléromètre peut être utilisé en combinaison avec le gyroscope ou avec le baromètre ; - ou bien l'accéléromètre peut, comme déjà expliqué ci-dessus, être utilisé avec à la fois le gyroscope et le baromètre.
Les meilleures performances sont obtenues lorsque les 3 grandeurs (accélération, vitesse angulaire et pression) sont utilisées (« rappel moyen » = 92% pour le bracelet et 97% pour le pendentif). Lorsque l'accéléromètre est utilisé seul, les performances sont plus faibles (« rappel moyen » = 84% pour le bracelet et 93% pour le pendentif), quoiqu'encore satisfaisante.
D'autres variantes sont possibles, en changeant le classifieur utilisé. Comme illustré en figure 8, les performances respectives de différents classifieurs ont été comparées, ces différents classifieurs étant appliqués à des données de chute telles que celles présentées ci-dessus. Là encore, le « rappel moyen » est en abscisse. Les différents classifieurs sont utilisés avec leurs paramètres par défaut. Les abréviations portées en figure 8 correspondent à : Etc : ExtraTrees Classifier (Extremely Randomized Trees) Trees, RF : Random Forest, xgb : Gradient Boosting Trees, rfjight : Random Forest limited to 5 trees, dt : Decision Trees, svm : Support Vector Machines knn : k-Nearest Neighbors, gnb : Gaussian Naive Bayes, mlp : MultiLayer Perception (Neural Network). Pour chacun d'entre eux, la barre horizontale supérieure de la figure 8 correspond au cas du pendentif, la barre horizontale inférieure correspond au cas du bracelet. Sur cette figure, on constate que le classifieur de type « réseau de neurones » est le moins performant.
On voit d'après cette figure que, pour l'application à la détection des chutes, les 4 meilleurs classifieurs (RF, ETC, XGB, RF_LIGHT), notamment la forêt aléatoire, sont de type ensemblistes, c'est-à-dire qu'ils agrègent les décisions de plusieurs classifieurs. Ceci permet de rendre la décision plus robuste pour l'application visée dans la présente demande et d'optimiser le compromis biais/variance.
Il est possible de ne mettre en œuvre qu'un seul arbre de décision, c'est qui est moins performant qu'une forêt aléatoire, mais peut avoir un intérêt dans le cas d'un portage de l'algorithme sur un microcontrôleur limité en ressources.
Il est préférable de mettre en œuvre au moins les 4 classifieurs (RF, ETC, XGB, RF_LIGHT) mentionnés ci-dessus. En variante, on peut utiliser une régression d'une probabilité, par exemple une régression par Forêt Aléatoire à la place d'une classification par forêt aléatoire. Contrairement à un classifieur qui fournit une valeur binaire (1 pour chute ou 0 pour non-chute, ou l'inverse), la régression fournit une valeur continue comprise entre 0 et 1 s'apparentant à une probabilité de chute. La décision de classifier en chute ou non chute, est alors faite en fixant un seuil sur cette probabilité. Si la probabilité est supérieure au seuil, alors on déclenche une alerte, sinon, on ignore l'évènement.
L'avantage est que cela permet à l'utilisateur de fixer lui-même le seuil de sensibilité à la détection de chute, en fonction de l'application visée. Le seuil peut être programmé dans les moyens 8. Il peut être réglé par un opérateur.
Par exemple, dans un contexte de fort risque de chute (personnes très dépendantes), on peut régler le seuil de déclenchement très bas pour détecter toutes les chutes. Dans le cas d'un faible risque de chute (personnes autonomes et en bonne santé), on peut régler le seuil plus haut pour réduire le nombre de fausses alertes.
L'invention trouve des applications notamment :
A la détection de chute des personnes âgées (à domicile ou en établissement spécialisé (EHPAD ou CHU) ;
A la détection de chute des travailleurs évoluant sur un terrain difficile (chantier, toitures, échafaudages, neige, verglas) ...
La figure 9 représente une réalisation d'un procédé selon l'invention, comportant 5 étapes exécutées de façon chronologique :
Une étape S1 de conditionnement des signaux recueillis du/des capteur(s) ; Une étape S2 de détection événementielle ;
Une étape S3 de fenêtrage temporel ;
Une étape S4 de calcul d'au moins un prédicteur de chute ;
Une étape S5 de classification.
Chacune de ces étapes a été décrite ci-dessus. Dans ce mode de réalisation, comportant les étapes S1 et S2, les étapes S3 - S5 ne sont de préférence activées qu'en cas de réponse positive de la détection événementielle afin d'économiser l'énergie du système. Dans certains cas, il est possible de ne pas mettre en œuvre l'une ou l'autre des étapes S1 et S2 :
- l'étape S1 (qui permet de calculer la norme du signal) permet de travailler avec des données indépendantes de l'orientation ; dans certaines applications, il est préférable de mettre en œuvre cette étape, notamment pour des personnes seniors, qui ne mettent pas toujours un objet, par exemple pendentif ou un bracelet, qui met en œuvre l'invention dans le même sens ou sur la même main. Le calcul de la norme permet de s'affranchir de ce problème ;
- l'étape S2 contribue à une économie en termes d'alimentation électrique (batterie notamment), car sans elle le calcul des prédicteurs et la classification doivent fonctionner en permanence.
Eventuellement, le résultat de l'étape S5 peut déclencher l'émission d'un signal d'alerte 12 (figure 1).
Le prédicteur « longest_strike_below_mean » peut être mis en œuvre à l'aide du code suivant :
1. Pour chaque valeur de x, tester la condition : x < moyenne(x). On obtient un vecteur de booléens
2. Regrouper ce vecteur de booléens par groupes de valeur consécutive similaires. Par exemple, la séquence 0,0, 0,1, 1,0,0 donnera trois groupes : (0,0,0) (1,1) et (0,0)
3. Mesurer le nombre d'éléments de chaque groupe (respectivement 3, 2 et 2)
4. Renvoyer le nombre d'élément le plus grand de ses groupes ; dans l'exemple donné, ce nombre est 3.

Claims

REVENDICATIONS
1. Dispositif de détection de chute comportant au moins un accéléromètre (2) et des moyens numériques (8) programmés pour :
- recevoir des données d'au moins un signal d'accélération provenant dudit accéléromètre (2);
- identifier, parmi les données dudit accéléromètre qui dépassent un certain seuil, des données d'au moins un signal susceptible de constituer un évènement de chute ;
- identifier, parmi lesdites données d'un signal susceptible de constituer un évènement de chute et dans une fenêtre temporelle comprenant cet événement, au moins la plus grande durée, ou 1ère durée, pendant laquelle le signal est, de manière ininterrompue, sous la valeur moyenne du signal détecté ;
- classifier, en fonction de ladite plus grande durée, l'évènement en chute ou en non chute par régression d'une probabilité ou à l'aide d'un classifieur basé au moins sur un arbre de décision et/ou sur une descente de gradient (XGB, ou « Gradient Boosting tree »), et/ou sur un arbre supplémentaire (ou encore ETC, ou « Extremely Randomized Trees »)
2. Dispositif selon la revendication 1, l'évènement étant classifié en chute ou en non chute par régression par forêt aléatoire ou ledit classifieur étant au moins de type Forêt aléatoire, avec par exemple entre 2 et 20 arbres, chacun avec une profondeur comprise entre 2 et 12.
3. Dispositif selon la revendication 1 ou 2, ledit classifieur mettant en œuvre au moins une Forêt aléatoire limitée (RFT), par exemple limitée à 6 arbres
4. Dispositif selon l'une des revendications 1 à 3, comportant en outre des moyens (8) programmés pour calculer, pour les données du signal d'accéléromètre, ou données d'accéléromètre, une ou plusieurs des autres valeurs parmi la valeur maximale de ces données d'accéléromètre, la valeur minimale de ces données d'accéléromètre, la valeur médiane de ces données d'accéléromètre, la déviation standard de ces données d'accéléromètre, la variance de ces données d'accéléromètre, la valeur moyenne quadratique de ces données d'accéléromètre, la somme des valeurs de ces données d'accéléromètre, et entrer au moins une desdites autres valeurs dans ledit classifieur.
5. Dispositif selon l'une des revendications 1 à 4, comportant en outre au moins un autre capteur (4, 6) choisi parmi un gyromètre et/ou un baromètre.
6. Dispositif selon la revendication 5, comportant en outre des moyens (8) programmés pour calculer :
- pour les données du signal de gyromètre, ou données de gyromètre, une ou plusieurs des valeurs parmi la plus grande période pendant laquelle signal est, en continu, sous la valeur moyenne du signal détecté, la valeur maximale de ces données de gyromètre,, la valeur médiane de ces données de gyromètre,, la valeur minimale de ces données de gyromètre,, la valeur moyenne quadratique de ces données de gyromètre,, la déviation standard de ces données de gyromètre,, la variance de ces données de gyromètre, et pour entrer au moins une de ces valeurs calculées pour les données de gyromètre dans ledit classifieur;
- et/ou pour les données du signal du baromètre, ou données de baromètre, une ou plusieurs des valeurs parmi la plus grande période pendant laquelle signal est, en continu, sous la valeur moyenne du signal détecté, la valeur maximale de ces données de baromètre, la valeur moyenne de ces données de baromètre, la valeur médiane de ces données de baromètre, la valeur minimale de ces données, la valeur moyenne quadratique de ces données, la déviation standard de ces données de baromètre, la somme des valeurs de ces données de baromètre, la variance de ces données et pour entrer au moins une de ces valeurs calculées pour les données de baromètre dans ledit classifieur.
7. Dispositif selon l'une des revendications 1 à 6, ladite fenêtre temporelle comprenant l'événement étant au maximum de 1,5 secondes avant l'événement et 2,5 secondes après l'événement.
8. Dispositif selon l'une des revendications 1 à 7, les moyens (8) pour identifier si un événement est susceptible de constituer une chute étant programmés pour identifier si un événement est suivi, pendant une certaine durée, ou 2ème durée, d'un autre événement, ou n'est pas suivi par un autre événement.
9. Dispositif selon la revendication 8, ladite 2ème durée étant comprise entre 2 et 4 secondes.
10. Dispositif selon l'une des revendications 1 à 9, les moyens (8) pour identifier si un événement est susceptible de constituer une chute mettant en œuvre une machine d'état.
11. Dispositif selon l'une des revendications 1 à 10, comportant en outre des moyens pour envoyer une alerte sur la base des résultats générés par les moyens (8), sur la base du résultat de classification.
12. Procédé de détection de chute à l'aide d'au moins un accéléromètre (2), ce procédé comportant au moins les étapes suivantes : a) - collecter au moins des données d'accélération provenant dudit accéléromètre (2) ; b) - identifier, parmi les données dudit accéléromètre, des données susceptibles de constituer une chute ; c) - identifier, à l'aide desdites données susceptibles de constituer un évènement de chute et dans une fenêtre temporelle comprenant cet événement, au moins la plus grande durée, ou 1ère durée, pendant laquelle le signal est, de manière ininterrompue, sous la valeur moyenne du signal détecté ; d) - classifier, en fonction de ladite plus grande durée, l'évènement en chute ou en non chute, par régression d'une probabilité ou à l'aide d'un classifieur basé sur au moins un arbre de décision et/ou sur une descente de gradient (XGB, ou « Gradient Boosting tree ») et/ou sur un arbre supplémentaire (ou encore ETC, ou « Extremely Randomized Trees »).
13. Procédé selon la revendication 12, l'évènement étant classifié en chute ou en non chute par régression par forêt aléatoire ou ledit classifieur étant de type Forêt aléatoire, avec par exemple entre 2 et 20 arbres, chacun avec une profondeur comprise entre 2 et 12.
14. Procédé selon la revendication 12 ou 13, ledit classifieur mettant en œuvre une Forêt aléatoire limitée (RTF), par exemple limitée à 6 arbres
15. Procédé selon l'une des revendications 12 à 14, comportant en outre une étape de calcul, pour les données du signal d'accéléromètre, ou données d'accéléromètre, d'une ou plusieurs des autres valeurs parmi la valeur maximale de ces données d'accéléromètre, la valeur minimale de ces données d'accéléromètre, la valeur médiane de ces données d'accéléromètre, la déviation standard de ces données d'accéléromètre, la variance de ces données d'accéléromètre, la valeur moyenne quadratique de ces données d'accéléromètre, la somme des valeurs de ces données d'accéléromètre, et entrer au moins une desdites autres valeurs dans ledit classifieur.
16. Procédé selon l'une des revendications 12 à 15, comportant en outre la mesure de données dudit mouvement à l'aide d'au moins un autre capteur choisi parmi un gyromètre et/ou un baromètre.
17. Procédé selon la revendication 16, comportant en outre une étape de calcul :
- pour les données du signal de gyromètre, ou données de gyromètre, d'une ou plusieurs des valeurs parmi la plus grande période pendant laquelle signal est, en continu, sous la valeur moyenne du signal détecté, la valeur maximale de ces données de gyromètre, la valeur médiane de ces données de gyromètre, la valeur minimale de ces données de gyromètre, la valeur moyenne quadratique de ces données de gyromètre, la déviation standard de ces données de gyromètre, la variance de ces données de gyromètre, et l'entrée d'au moins une de ces valeurs calculées pour les données de gyromètre dans ledit classifieur;
- et/ou pour les données du signal du baromètre, ou données de baromètre, d'une ou plusieurs des valeurs parmi la plus grande période pendant laquelle signal est, en continu, sous la valeur moyenne du signal détecté, la valeur maximale de ces données de baromètre, la valeur moyenne de ces données de baromètre, la valeur médiane de ces données de baromètre, la valeur minimale de ces données de baromètre, la valeur moyenne quadratique de ces données de baromètre, la déviation standard de ces données de baromètre, la somme des valeurs de ces données de baromètre, la variance de ces données de baromètre, et l'entrée d'au moins une de ces valeurs calculées pour les données de baromètre dans ledit classifieur.
18. Procédé selon l'une des revendications 12 à 17, dans lequel ladite fenêtre temporelle autour de l'événement est au maximum de 1,5 secondes avant l'événement et 2,5 secondes après l'événement.
19. Procédé selon l'une des revendications 12 à 18, l'étape b) étant mise en œuvre en identifiant si un événement est suivi, pendant une certaine durée, ou 2ème durée, d'un autre événement, ou n'est pas suivi par un autre événement.
20. Procédé selon la revendication 19, ladite 2ème durée étant comprise entre 2 et 4 secondes.
21. Procédé selon l'une des revendications 12 à 20, l'étape b) mettant en œuvre une machine d'état.
22. Procédé selon l'une des revendications 12 à 21, comportant en outre une étape d'envoi d'une alerte sur la base des résultats de l'étape d) de classification.
EP23750655.5A 2022-07-15 2023-07-07 Procédé et dispositif de détection de chute par capture inertielle Pending EP4554471A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2207288A FR3137828B1 (fr) 2022-07-15 2022-07-15 Procédé et dispositif de détection de chute par capture inertielle
PCT/FR2023/051047 WO2024013447A1 (fr) 2022-07-15 2023-07-07 Procédé et dispositif de détection de chute par capture inertielle

Publications (1)

Publication Number Publication Date
EP4554471A1 true EP4554471A1 (fr) 2025-05-21

Family

ID=84569238

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23750655.5A Pending EP4554471A1 (fr) 2022-07-15 2023-07-07 Procédé et dispositif de détection de chute par capture inertielle

Country Status (3)

Country Link
EP (1) EP4554471A1 (fr)
FR (1) FR3137828B1 (fr)
WO (1) WO2024013447A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121524765B (zh) * 2026-01-15 2026-03-31 成都信息工程大学 时序气压轨迹与惯性数据交叉验证的跌倒检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10629048B2 (en) * 2017-09-29 2020-04-21 Apple Inc. Detecting falls using a mobile device
WO2021233725A1 (fr) * 2020-05-20 2021-11-25 Koninklijke Philips N.V. Détecteur de chute incorporant une détection physiologique

Also Published As

Publication number Publication date
WO2024013447A1 (fr) 2024-01-18
FR3137828B1 (fr) 2024-08-23
FR3137828A1 (fr) 2024-01-19

Similar Documents

Publication Publication Date Title
EP0589791B1 (fr) Procédé et dispositif de mesure de ressemblance entre échantillons sonores
EP2696344B1 (fr) Procede et systeme pour detecter des evenements sonores dans un environnement donne
FR2981561A1 (fr) Procede de detection d&#39;activite a capteur de mouvements, dispositif et programme d&#39;ordinateur correspondants
EP3846087A1 (fr) Procede et systeme de selection d&#39;un modele d&#39;apprentissage au sein d&#39;une pluralite de modeles d&#39;apprentissage
WO2010122056A2 (fr) Systeme et methode pour detecter des evenements audio anormaux
EP3245946B1 (fr) Procédé de tri non supervisé en temps réel de potentiels d&#39;action d&#39;une pluralité de neurones biologiques
EP4554471A1 (fr) Procédé et dispositif de détection de chute par capture inertielle
WO2016075013A1 (fr) Procédé de détection de chute d&#39;un sujet humain et dispositif actimétrique correspondant
FR3051931A1 (fr) Determination d&#39;un contexte de mobilite d&#39;un utilisateur porteur d&#39;un equipement muni de capteurs inertiels
WO2013030508A1 (fr) Procédé de configuration d&#39;un dispositif de détection à capteur, programme d&#39;ordinateur et dispositif adaptatif correspondants
EP2828797A1 (fr) Dispositif et procede d&#39;identification d&#39;un mouvement cyclique, programme d&#39;ordinateur correspondant
EP3489831A1 (fr) Procédé et dispositif de surveillance d&#39;un processus générateur de données d&#39;une métrique pour la prédiction d&#39;anomalies
FR3134914A1 (fr) Dispositif électronique de surveillance d’un état de conscience d’un opérateur dans un aéronef, procédé et programme d’ordinateur associés
EP3773161B1 (fr) Dispositif informatique de détection de troubles du rythme cardiaque
FR3037415A1 (fr) Procede de traitement des mesures d&#39;au moins un capteur electronique loge dans un appareil portable
EP2196821A1 (fr) Procédé de filtrage cinématique temporel multidimensionel de plots radar, de tour d&#39;antenne à tour d&#39;antenne
EP3543904A1 (fr) Procédé de contrôle de détection de scènes et appareil correspondant
WO2012062997A1 (fr) Dispositif de détection à capteur, procédé de détection et programme d&#39;ordinateur correspondants
FR3089648A1 (fr) Procede de detection non supervise d’attaques internes et systeme associe
EP3505957A1 (fr) Procede de traitement pour la detection, la caracterisation et le suivi multi-cibles et dispositif associe
EP1979854A1 (fr) Procede d&#39;identification de postures d&#39;une personne
EP2881841A1 (fr) Procede de reconnaissance continue de gestes d&#39;un utilisateur d&#39;un terminal mobile prehensible muni d&#39;un ensemble capteur de mouvement, et dispositif associe
WO2020249719A1 (fr) Procede et systeme de fusion d&#39;informations
EP3737254A1 (fr) Chaussure comprenant un accelerometre, ensemble et procede de detection de chute correspondant
FR2875626A1 (fr) Procede de detection et de pistage de cibles ponctuelles, dans un systeme de surveillance optronique

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: 20250117

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 ME 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)